최보경

데이터 분석가 | PAP 커뮤니티 운영진

팔로우

📊 [데이터 기반 프로덕트 개발의 비결: Product Data Science] 💡 임팩트 공식 우선 ‘프로덕트 데이터 분석 및 활용’ 에 대해서 왜 알아야 할까? 영어로는 Product Data Science 로 표현했다. 바꾸어 말해서 ‘프로덕트 개발에서의 데이터의 역할’ 으로 볼 수 있다. 이는 프로덕트 조직의 임팩트 공식에서 주요한 구성 요소로서 기능한다. 프로덕트 개발에서의 데이터의 역할을 잘 이해하고 활용하는 사람 ×데이터 기반 프로덕트 개발을 중시하는 문화 = 임팩트 공식의 구성 요소를 들여다 보자. 먼저, 프로덕트 개발에서의 데이터의 역할을 잘 이해하고 활용하는 사람은 어떤 사람인가? Product Analyst, Product Data Scientist, Product Data Engineer 등의 직무들이 있다. 이런 사람들을 의미할까? 아니다. 사실 위 공식에 있어서 직무는 상관이 없다. 어차피 데이터는 누구나 활용할 수 있다. 프로덕트 개발에서 데이터를 통해 할 수 있는 일의 영역에 대해 명확히 인지하고 있는 사람, 더 나아가서는 노력을 통해 활용하고 문화를 바꿔나갈 힘이 있는 사람을 의미한다. 데이터 기반 프로덕트 개발을 중시하는 문화 앞서 정의한 구성 요소로 ‘잘 이해하는 것' 에 비해, 이해한 것을 기반으로 실무에서 가치와 문화를 만드는 것은 훨씬 더 어렵다. Bottom-up으로는 Cross-functional Team으로 작은 조직으로 일할 때, 교육과 협업을 통해 비교적으로 영향을 미치기 쉽다. 반대로 Top-down으로 리더십과 함께 업무 프로세스가 잡힐 수도 있다. 어느 방향이든 문화가 0일 경우, 사람이 노력해도 임팩트는 내기 어렵다. 💡 데이터 기반 프로덕트 개발은 어떻게 정의할 수 있을까? 데이터 기반 프로덕트 개발은 인기가 많은 키워드이면서, 운영 중인 커뮤니티에서도 비전으로 삼고 있는 내용이다. 필자가 일을 하며 업무에서 정형화된 것들을 명시했다. 바꿔말하면 ‘프로덕트 개발에서 데이터가 활용될 수 있는 영역’에 대해서 정의한 내용이다. 프로덕트에 있어서의 출시 이벤트 전후로 데이터가 활용되어야 하는 영역들이 있고, 프로덕트 조직의 목표를 달성하기 위해 출시 이벤트와 별개로 꾸준히 데이터가 활용되어야 하는 영역이 있다. [1] Extracting Opportunities : 유저 행동을 분석하여 프로덕트로 풀어낼 수 있는 기회를 발굴한다. 이 부분은 데이터를 통해서 할 수도 있고, 유저 인터뷰, 스토어 리뷰를 통해서도 할 수 있다. 결국 가설을 세우는 것인데, 정량과 정성의 힘이 합쳐질 때 특히 더 명확해진다. 잠재적인 기회 (Emergent Behaviors)를 발굴한다고 볼 수 있다 - 유저 행동 분석 (User Behavior Analytics) [2] De-risking : 프로덕트 개발은 많은 리소스를 필요로 한다. 리소스를 들이기 전, 프로덕트 개발에 있어서의 리스크를 줄여주기 위해 데이터가 힘을 보탤 수 있다. De-risking에 있어서는 데이터를 활용하지 않는 방법도 존재한다. 상황에 맞게 활용하는 것이 좋다. - 유저 행동 분석 (User Behavior Analytics) - 실험 설계 (Experiment Design) - 손익 계산 (Cost & Benefit Analysis) - 효과 추산을 통한 우선순위 정렬 (Impact Projection & Prioritizing) [3] Measuring : 프로덕트 개발은 잘 측정하면서 나아가는 것이 중요하다. 그를 위해 데이터를 측정하고, 수집하고, 분석을 하기 위한 도구와 환경을 갖추는 것은 기반이 되어야 한다. 실제로 시간이 정말 많이 드는 부분이기도 하다. 또한 무엇을 측정할 것인지가 명확해야 하기에 지표 정의가 개발 이전 선행되어야 한다. 출시 이후에는, 출시의 효과를 분석하기 위한 단계에서 인과관계를 추론하는 방식이 사용된다. - 데이터 수집 (Data Instrumentation) - 지표 정의 (Defining Metrics) - 실험 결과 분석 (Experiment Result Analysis) - 비실험 결과 분석 (Quasi-experiment Result Analysis) [4] Connecting the Cycles : 프로덕트 조직은 목표 지표를 두고 개선하기 위해 작은 개발 사이클들을 반복하며 성장으로 나아간다. 진행되는 작은 개발 사이클들이 직접 통제가 가능한 활동들에 해당하며 ‘Output metric’에 영향을 끼치는 통제가능한 'Input metric’에 집중하도록 하는 것이다. - 지표 위계 정립 (Defining Metric Relationships, Hierarchy) - 지표 개발 (Metric Development) [5] Monitoring : 지표를 정의했다면, 지표에 맞는 적절한 오너를 두어 꾸준히 지켜 보아야 한다. 정립한 지표 위계에 맞게 대시보드를 구현하는 것, 지표의 트렌드를 해석하는 것, 그를 기반으로 실행 가능한 기회를 모색해야 한다. - 제품 대시보드 (Product Dashboard) - 지표 트렌드 및 변동 해석 (Interpreting the KPI) - 실행 가능한 인사이트 도출 (Actionable Insights) 💡 데이터 사이언스의 역할은 어디서 가장 잘 발휘될 수 있을까? 실무에 계신 분들은 다들 알고 계시겠지만, 위에서 언급한 업무에서의 많은 부분은 다수의 기업들이 자동화된 솔루션을 제공하고 있다. Modern Data Stack에서 더 자세히 확인할 수 있다. Product Analytics는 예시로 아래와 같은 유료 서비스, 오픈소스 서비스들이 있다. 데이터 활용은 자동화된 툴을 통해서 효율적으로, 조직 내에 전파될 수 있다. 솔루션 도입을 활용하거나, 사내 개발하는 것이 방법이다. 어떤 방식이든 궁극적으로는 자동화된 툴과 문화 전파를 통해서 조직 구성원 모두가 데이터 기반 의사결정을 할 수 있는 미래가 다가올 것이다. 조직 내에 데이터 활용 전파되는 것 또한 데이터 조직으로서의 의무이다. 근데 업무로 프로덕트 데이터를 분석하는 사람들은 어떻게 밥벌이를 이어갈 것인가? 툴으로 대체될 수 있는 역할을 잘 하는 사람이라면, 장기적으로 경쟁력이 있을까? 현재 생각하고 있는 데이터 사이언스가 가장 발휘될 수 있는 영역은 아래와 같다. - 유저 행동 분석 (User Behavior Analytics) - 실험 결과 분석 (Experiment Result Analysis) - 비실험 결과 분석 (Quasi-experiment Result Analysis) - 지표 개발 (Metric Development) - 그 외로 중요한 것, 분석 거버넌스 체계 수립 및 교육 (Data Governance) 예로 유저 행동 분석의 경우, 코호트 분석 및 세그멘테이션을 통해서 간단하게 진행될 수 있다. 하지만 데이터의 복잡도가 높아질수록 고도화된 기술에 대한 도입이 필요할 것이다. 따라서 새로운 기법들을 계속해서 배우고 적용해보는 시도가 필요하다고 믿는다. 예시로 아래와 같은 자료들을, 계속 발굴하고 배워야 한다. 💡 해외 프로덕트 데이터 분석 직무의 진화 FAANG의 Product 영역 Data Scientist JD에서는 공통점들이 발견된다. - 프로덕트 전략을 개발하는 데에 데이터를 활용되도록 하는 것 - 프로덕트의 성공을 측정하는 것 - 프로덕트 개발에 있어서의 레버를 정의하고 로드맵을 그려내는 것 ... 더보기 위해서는 링크를 클릭해주세요.

데이터 기반 프로덕트 개발의 비결: Product Data Science

Medium