｢유튜브 리뷰｣ PM이 꼭 알아야 하는 데이터 분석 프레임워크 실전편 | 서비스 기획자의 인사이트

안녕하세요. 

오늘은 유튜버 곰사원 & 곰대표님의 (27) PM이 꼭 알아야 하는 데이터 분석 프레임워크 실전편 | 서비스 기획자의 인사이트 - YouTube 영상을 보면서 제가 이해한 내용을 정리하고, 제가 이해하기 어려웠던 부분은 추가 예제를 들어서 정리해 보았습니다.

 

제가 즐겨보는 유튜버인데요, 이분의 콘텐츠를 통해 많은 도움을 얻고 있습니다.

 

🐻 커리어, 라이프 성장을 위한 채널 | 데이터 사이언티스트, 프로덕트 매니저의 성장기록 🌱

곰사원은 곰대표

---

데이터 기반 문제 해결 접근법: 마케터 & PM의 실무 데이터 활용 전략

1. 데이터 분석의 출발점: 비즈니스 목표 이해하기

데이터 분석을 시작하기 전, 가장 중요한 것은 우리 회사의 성장 목표가 무엇인지를 명확히 이해하는 것이다.

비즈니스 성장 목표 예시

✅ 신생 기업: 브랜드 인지도 확보 & 고객 유입 증가 → 공격적인 마케팅, 프로모션
✅ 성숙한 기업: 수익성 개선 & 충성 고객 확보 → 비용 절감, 재구매율 증가 전략

 

마케터와 PM은 기업의 상황에 맞는 성장 전략을 수립해야 하며, 이를 위해 데이터 분석을 활용해야 한다.

---

2. 실무에서 데이터 분석하는 방법

① MECE 프레임워크: 문제를 빠짐없이, 겹치지 않게 분석하는 방법

MECE(미시, Mutually Exclusive, Collectively Exhaustive)는 문제를 체계적으로 나누고 분석하는 방법론이다.

즉, 중복 없이 데이터를 분류하면서도 모든 요소를 빠짐없이 고려하는 분석법이다.

📌 MECE란?

1️⃣ Mutually Exclusive (상호 배타적) → 겹치지 않게 분류
2️⃣ Collectively Exhaustive (전체적으로 포괄적) → 빠짐없이 포함

즉, 한 요소가 여러 범주에 속하지 않도록(중복X), 모든 요소가 포함되도록(누락X) 문제를 분석하는 방식이다.

 

1. MECE 프레임워크를 쉽게 이해하는 방법

 

 ❌ 잘못된 분류 (MECE가 아닌 경우) 

📌 "우리 고객을 나눠보자!"
✔ 남성 고객
✔ 20대 고객
✔ 프리미엄 고객

👀 문제:

• "남성 고객"과 "20대 고객"이 겹칠 수 있음
• "프리미엄 고객"이 남성일 수도, 20대일 수도 있음
  👉 서로 중복되는 부분이 많아 정확한 분석이 어려움

 ✅ MECE를 적용한 분류 (올바른 분류) 

📌 "우리 고객을 나눠보자!"
✔ 연령대별 고객 (10대, 20대, 30대, 40대 이상)
✔ 구매 빈도별 고객 (첫 구매, 반복 구매, VIP 고객)

👀 이렇게 하면?

• 연령대별 고객과 구매 빈도별 고객은 겹치지 않음 (상호 배타적)
• 모든 고객이 한 범주에 속함 (빠짐없이 분석 가능)
  👉 이제 데이터를 정확하게 분석할 수 있음!
  

2. MECE를 실제 업무에서 활용하는 방법

💡 예제 1: 매출 감소 원인 분석

 ❌ 잘못된 분석 (중복 & 누락 발생) 

• 온라인 판매 감소
• 신규 고객 감소
• 오프라인 매출 감소

👀 문제점:

• "온라인 판매 감소"와 "신규 고객 감소"는 연관될 수 있음
• "오프라인 매출 감소"는 "신규 고객 감소"에 포함될 수도 있음

 ✅ MECE 방식으로 정리 
1️⃣ 매출 = 고객 수 × 객단가
2️⃣ 고객 수 = 신규 고객 + 기존 고객
3️⃣ 객단가 = 평균 주문 금액 × 주문 빈도

💡 이렇게 정리하면?

• 신규 고객이 줄었는지, 기존 고객이 줄었는지 명확히 구분 가능
• 객단가가 낮아졌는지, 주문 빈도가 줄었는지 빠짐없이 확인 가능

💡 예제 2: 서비스 개선 방향 설정

 ❌ 잘못된 분석 (겹치거나 빠진 부분 있음) 
✔ UI/UX 문제
✔ 고객 불만
✔ 기능 부족

👀 문제점:

• "UI/UX 문제"는 "고객 불만"에 포함될 수도 있음
• "기능 부족"과 "UI/UX 문제"가 겹칠 수도 있음

 ✅ MECE 방식으로 정리 
✔ 사용성 문제 (버튼 클릭 안됨, 불편한 네비게이션)
✔ 퍼포먼스 문제 (로딩 속도, 서버 응답 문제)
✔ 기능 부족 문제 (결제 기능 미흡, 필수 기능 없음)

💡 이렇게 정리하면?

• 겹치지 않게 나누었고 (상호 배타적)
• 모든 문제 유형이 포함됨 (빠짐없이 분석 가능)

3. MECE를 쉽게 적용하는 팁

✔ "겹치지 않는지" 확인하기 → 두 개의 항목이 겹치지 않도록 정리
✔ "빠진 것이 없는지" 확인하기 → 모든 요소가 포함되었는지 체크
✔ "비즈니스 문제를 데이터 기반으로 구조화" → 정확한 원인 분석 가능

MECE 프레임워크를 활용하면 더 논리적이고 체계적으로 문제를 분석할 수 있다!

 

똥곰의 예시: 화장품 브랜드의 매출 증가 전략

문제: 온라인 스토어에서 A 브랜드의 매출을 증가시키기 위해 어떤 마케팅 전략을 사용할 것인가?

 

 MECE 방식으로 분석하기 

1. 매출을 구성하는 요소를 세분화

•   구매자 수 × 객단가 = 매출
•   구매자 수 → 신규 구매자 vs 기존 고객 (재구매율)
•   객단가 → 1회 구매 금액 vs 추가 구매 유도 전략

2. 데이터 분석을 통해 문제 진단

•   신규 고객이 부족한가?
•   재구매율이 낮은가?
•   특정 제품의 객단가가 낮은가?

3. 최적의 해결책 도출

•   신규 고객 확보 전략 → 광고, 할인 프로모션
•   기존 고객 재구매율 증가 → 로열티 프로그램, 맞춤형 쿠폰 제공
•   객단가 상승 → 번들 패키지 판매, 추가 할인 유도

MECE 분석을 활용하면, 매출 증가라는 목표를 단순히 "할인을 하자"가 아니라, 어떤 요소가 가장 큰 영향을 미치는지를 분석하여 보다 효과적인 전략을 수립할 수 있다.

 

② AARRR 프레임워크: 고객 여정 분석

* 이전 게시물에 더 자세한 설명이 있습니다.

https://mkdiriandev.tistory.com/59

AARRR 프레임워크: 사용자 행동을 분석하는 성장 전략

 

AARRR 프레임워크는 스타트업 및 서비스 기획에서 많이 사용하는 고객 행동 분석 모델이다.

단계	의미	주요 지표
Acquisition (획득)	고객이 우리 서비스를 처음 접하는 과정	신규 방문자 수, 앱 다운로드 수
Activation (활성화)	고객이 서비스를 사용하기 시작하는 단계	회원가입율, 첫 구매율
Retention (유지)	고객이 지속적으로 서비스에 방문하는 단계	잔존율, DAU (일간 활성 사용자)
Revenue (수익화)	실제 매출이 발생하는 단계	객단가, 전환율
Referral (추천)	기존 고객이 새로운 고객을 유입시키는 과정	NPS (순추천고객지수), 친구 초대율

예시: 온라인 쇼핑몰의 문제 분석

• Acquisition 문제: 광고비를 썼는데도 신규 고객이 적음 → 타겟 마케팅 전략 수정
• Retention 문제: 첫 구매 후 방문율이 낮음 → 포인트 적립, 할인 쿠폰 제공
• Revenue 문제: 고객당 평균 구매 금액이 낮음 → 번들 상품 판매, 프리미엄 옵션 추가

AARRR 프레임워크를 활용하면, 어떤 지점에서 고객이 이탈하는지 파악하고, 이를 개선하기 위한 전략을 수립할 수 있다.

 

③ 플라이휠(Flywheel) 모델: 지속적인 성장 전략

플라이휠 모델은 비즈니스가 한번 성장 동력을 얻으면 계속해서 스스로 돌아가면서 더욱 강력해지는 구조를 의미한다. 아마존이 처음 도입한 개념으로, 단기적인 성과보다는 장기적인 성장과 지속적인 고객 유입을 목표로 한다.

플라이휠 모델의 핵심 개념

플라이휠은 한 번 회전하기 시작하면 점점 더 빠르게 돌아가는 바퀴처럼, 비즈니스가 성장할수록 더 큰 성장 동력을 얻는 구조를 만든다.

고객이 증가할수록 서비스 품질이 향상되고, 서비스 품질이 향상될수록 더 많은 고객이 유입되는 선순환을 만드는 것이 핵심이다.

 

 성장 사이클 
1️⃣ 고객이 유입됨 → 신규 고객이 제품이나 서비스를 경험
2️⃣ 고객 경험이 개선됨 → 좋은 서비스 제공, 품질 향상
3️⃣ 고객 만족도가 상승 → 충성 고객 증가
4️⃣ 입소문 효과 발생 → 기존 고객이 신규 고객을 유치
5️⃣ 더 많은 고객이 유입됨 → 다시 성장 동력 확보

 

이 과정을 반복하면 점점 더 강력한 성장 효과를 기대할 수 있다.

플라이휠 모델의 실전 예시

1. 아마존(Amazon) – 대표적인 플라이휠 모델 적용 사례

아마존은 플라이휠 모델을 가장 성공적으로 활용한 기업 중 하나다.
비즈니스 성장 → 고객 경험 향상 → 고객 만족 → 신규 고객 유입의 선순환 구조를 구축했다.

 

 아마존 플라이휠 구조 
1️⃣ 낮은 가격 정책 → 고객 유입 증가
2️⃣ 고객 유입 증가 → 더 많은 판매자가 아마존에 입점
3️⃣ 판매자 증가 → 제품 다양성 확대 → 고객 경험 향상
4️⃣ 고객 경험 향상 → 충성 고객 증가 → Amazon Prime 등 멤버십 성장
5️⃣ 배송 속도 개선 & 추천 시스템 최적화 → 더 많은 고객이 유입됨

 

=> 아마존은 이 플라이휠을 통해 단기적인 마케팅 비용을 줄이면서도 고객이 알아서 지속적으로 유입되는 구조를 만들었다.

결과: 아마존은 광고나 프로모션에 의존하지 않고도 계속 성장하며, 고객들이 아마존을 떠나지 않도록 유도하는 데 성공했다.

 

2. 넷플릭스(Netflix) – 맞춤형 콘텐츠 추천을 통한 성장

넷플릭스도 플라이휠 모델을 활용해 사용자의 참여도를 극대화하는 전략을 구축했다.
단순히 콘텐츠를 제공하는 것이 아니라, 개인화 추천 시스템을 통해 고객 만족도를 높이고, 이탈률을 줄이며, 신규 고객을 지속적으로 유입시켰다.

 

 넷플릭스 플라이휠 구조 
1️⃣ 고품질 콘텐츠 제작 & 라이선스 확보 → 고객이 넷플릭스에 방문
2️⃣ 개인 맞춤형 추천 알고리즘 개선 → 시청 시간이 늘어나고 만족도 상승
3️⃣ 사용자 만족 증가 → 장기 구독 유지 (이탈률 감소)
4️⃣ 구독자 수 증가 → 더 많은 자금 확보 → 새로운 콘텐츠 투자
5️⃣ 더 나은 콘텐츠 제공 → 고객 충성도 상승 → 신규 가입자 유입

 

=> 넷플릭스는 A/B 테스트를 활용하여 어떤 콘텐츠가 사용자의 관심을 끄는지 분석하고, 이를 바탕으로 맞춤형 추천 시스템을 지속적으로 개선했다.

결과: 넷플릭스는 전 세계 2억 명 이상의 구독자를 확보하며, 기존 사용자 유지와 신규 고객 유입을 동시에 달성했다.

 

3. 스타벅스(Starbucks) – 고객 로열티 프로그램으로 선순환 구축

스타벅스는 멤버십(스타벅스 리워드 프로그램)을 활용한 플라이휠 모델을 구축했다.
단순히 커피를 파는 것이 아니라, 충성 고객을 확보하여 지속적으로 방문을 유도하는 시스템을 만들었다.

 

 스타벅스 플라이휠 구조 
1️⃣ 모바일 앱 & 멤버십 도입 → 고객이 지속적으로 이용
2️⃣ 고객 충성도 증가 → 포인트 적립, 무료 음료 제공
3️⃣ 더 많은 고객이 멤버십 가입 → 스타벅스에 대한 의존도 상승
4️⃣ 앱을 통한 사전 주문 & 결제 시스템 최적화 → 편리한 경험 제공
5️⃣ 고객 만족도 증가 → 더 많은 고객 유입

 

=> 스타벅스는 새로운 고객을 유입하는 것뿐만 아니라, 기존 고객이 지속적으로 매장을 방문하도록 유도하는 구조를 만들었다.

결과: 스타벅스는 매출 성장뿐만 아니라, 평균 구매 단가 상승, 방문 빈도 증가, 브랜드 충성도 향상 등의 효과를 얻었다.

 

4. 애플(Apple) – 생태계 구축을 통한 락인(Lock-in) 효과

애플은 하드웨어, 소프트웨어, 서비스가 서로 연결된 자체 생태계를 구축하여 플라이휠을 형성했다.
사용자가 한 번 애플 제품을 사용하면, 쉽게 이탈하지 못하고 계속 애플의 서비스를 이용하도록 만든다.

 

 애플 플라이휠 구조 
1️⃣ 아이폰, 맥북 등 하드웨어 판매 → 고객이 애플 제품을 사용하기 시작
2️⃣ iCloud, iMessage, AirDrop 등의 생태계 연동 → 사용자 편의성 증가
3️⃣ 애플 생태계 의존도 증가 → 다른 브랜드로 이동 어려움
4️⃣ 더 많은 고객이 애플 제품을 구매 → 지속적인 성장
5️⃣ 앱스토어, 애플뮤직, 애플TV+ 등의 서비스 매출 증가

 

=> 애플은 단순히 아이폰을 파는 것이 아니라, 사용자가 애플 제품을 계속해서 사용하도록 유도하는 강력한 구조를 만들었다.

결과: 애플은 하드웨어 판매뿐만 아니라 서비스 매출까지 증가시키며 지속적인 성장을 이어가고 있다.

 

5. 테슬라(Tesla) – 충성 고객이 브랜드 홍보를 하도록 유도

테슬라는 마케팅 비용을 거의 사용하지 않으면서도 브랜드 인지도를 높이는 데 성공했다.
이는 플라이휠 모델을 활용하여 고객이 직접 브랜드 홍보자가 되도록 유도한 결과다.

 

 테슬라 플라이휠 구조 
1️⃣ 혁신적인 전기차 기술 & 성능 개선 → 고객 관심 증가
2️⃣ 테슬라 오너의 높은 만족도 → 자연스럽게 브랜드 홍보 (SNS 공유, 입소문)
3️⃣ 입소문 효과 → 새로운 고객 유입
4️⃣ 더 많은 고객이 테슬라 차량 구매 → 규모의 경제 실현 → 원가 절감
5️⃣ 새로운 기술 & 제품 개발 (자율주행, 배터리 개선) → 다시 고객 관심 증가

 

=> 테슬라는 전통적인 광고 없이도 고객이 직접 홍보를 하도록 유도하는 전략을 통해 플라이휠을 강화했다.

결과: 테슬라는 글로벌 전기차 시장에서 빠르게 성장하며, 충성 고객을 기반으로 지속적인 성장을 이루고 있다.

 

플라이휠 모델을 마케팅에 적용하는 방법

할인 프로모션을 진행한다고 가정해보자.
단순히 한 번의 할인 이벤트로 끝나는 것이 아니라, 장기적인 고객 확보 전략을 염두에 두어야 한다.

❌ 잘못된 접근: 단순 50% 할인 제공 → 할인 종료 후 고객 이탈
✅ 플라이휠 모델 적용: 할인 후에도 지속적으로 방문하도록 유도

• 첫 구매 시 추가 할인 쿠폰 제공
• 일정 구매 금액 달성 시 VIP 혜택 제공
• 충성 고객을 위한 멤버십 프로그램 운영

이렇게 하면 고객이 할인으로 한 번 방문하고 끝나는 것이 아니라, 자연스럽게 반복 구매를 하도록 유도할 수 있다.

 

플라이휠 모델의 핵심 포인트

✔ 단기 성과가 아닌 장기적인 고객 유지에 초점
✔ 성장이 성장으로 이어지는 선순환 구조 형성
✔ 고객 만족도를 높여 자연스럽게 신규 고객 유입 유도

이 모델을 적용하면 광고나 마케팅 비용을 많이 들이지 않고도 지속적인 성장을 만들어낼 수 있다.

---

3. 데이터 기반 의사결정 방법: 효과적인 솔루션 선택하기

마케팅과 PM 실무에서는 여러 솔루션 중 가장 효과적인 방법을 선택하는 것이 중요하다. 이를 위해 ICE 스코어링 기법을 활용할 수 있다.

ICE 스코어링 (Impact, Confidence, Ease)

각 솔루션의 비즈니스 영향력(Impact), 성공 가능성(Confidence), 실행 용이성(Ease)을 점수화하여 가장 효과적인 전략을 선택하는 방법이다.

 

ICE(Impact, Confidence, Ease) 프레임워크에서 각 점수는 정량적/정성적 평가를 바탕으로 주관적으로 산출됩니다. 보통 1~10점 척도를 사용하며, 각 요소의 의미는 다음과 같습니다.

 

1️⃣ Impact (임팩트): 해당 솔루션이 성공했을 때, 사업 성장에 미치는 영향이 얼마나 큰가?

•   높은 점수 (8~10점): 매출, 사용자 증가, 고객 유지율 등에 큰 영향을 줄 가능성이 큼.
•   중간 점수 (4~7점): 일정 수준의 효과는 예상되지만, 핵심적인 변화를 이끌 가능성은 낮음.
•   낮은 점수 (1~3점): 전체적인 성과에는 큰 영향을 미치지 않음.

2️⃣ Confidence (신뢰도): 해당 솔루션이 성공할 가능성에 대한 확신 정도

•    높은 점수 (8~10점): 과거 유사한 사례에서 검증된 전략이거나, 강력한 데이터 근거가 있음.
•    중간 점수 (4~7점): 어느 정도 가능성이 있지만, 불확실성이 존재함.
•    낮은 점수 (1~3점): 실험적이거나, 성공 가능성에 대한 근거가 부족함.

3️⃣ Ease (용이성): 해당 솔루션을 실행하는 것이 얼마나 쉬운가?

•    높은 점수 (8~10점): 즉시 실행 가능하며, 리소스 투입이 적고 개발이 쉬움.
•    중간 점수 (4~7점): 일정한 리소스와 개발 시간이 필요하지만, 실행 가능함.
•    낮은 점수 (1~3점): 기술적 난이도가 높거나, 많은 비용과 시간이 소요됨.

예제: ‘무료 쿠폰 vs 신메뉴 출시’ 점수 산출 방식

1️⃣ 무료 쿠폰 (총점: 24점)

요소	점수	이유
Impact (임팩트)	8	할인 혜택 제공으로 구매 전환율 증가 예상. 기존 고객의 재구매율 상승 가능.
Confidence (신뢰도)	9	과거 할인 이벤트에서 유사한 효과가 있었음. 재구매율 향상 데이터 존재.
Ease (용이성)	7	별도의 신제품 개발 없이, 시스템 내에서 쿠폰 적용만 하면 됨.

 

2️⃣ 신메뉴 출시 (총점: 18점)

요소	점수	이유
Impact (임팩트)	7	신메뉴가 성공하면 브랜드 강화 가능. 하지만 고객 반응을 예측하기 어려움.
Confidence (신뢰도)	6	신제품이 성공할지 미지수이며, 초기 마케팅이 필요함.
Ease (용이성)	5	제품 개발, 재료 수급, 마케팅 준비 등 실행까지 시간이 오래 걸림.

 

ICE 점수 산출 시 고려할 점

1️⃣ 과거 데이터 활용

• 과거 유사한 이벤트나 전략이 어떤 결과를 냈는지 확인하여 신뢰도를 평가.
• 예: “이전 할인 프로모션에서 30% 매출 증가 효과가 있었다면, 비슷한 할인 정책은 높은 Confidence 점수를 받을 수 있음.”

2️⃣ 시장 및 고객 데이터 활용

• 고객 설문 조사, 경쟁사 사례, 트렌드 분석 등을 활용해 점수를 조정.
• 예: “최근 건강식 트렌드가 증가하고 있다면, 신메뉴 출시의 Impact 점수를 높게 평가할 수 있음.”

3️⃣ 실행 리소스 고려

• 개발팀, 마케팅팀, 예산, 기간 등의 요소를 반영하여 Ease 점수를 산정.
• 예: “기존 제품에서 쿠폰을 발급하는 것은 빠르게 가능하지만, 신메뉴 개발은 최소 2개월이 걸릴 경우 Ease 점수를 낮게 평가해야 함.”

💡 위의 예시에서: 카페에서 "무료 쿠폰 vs 신메뉴 출시" 중 무엇을 할까 고민된다면?

솔루션	영향력 (Impact)	성공 확률 (Confidence)	실행 용이성 (Ease)	총점
무료 쿠폰	8	9	7	24
신메뉴 출시	7	6	5	18

 

✔ 총점이 높은 "무료 쿠폰"이 더 좋은 선택!
✔ 이렇게 데이터를 기반으로 선택하면 객관적인 의사결정을 할 수 있습니다.

---

4. A/B 테스트: 의사결정의 객관적인 검증

A/B 테스트는 서로 다른 두 가지 전략을 비교하여 어떤 방법이 더 효과적인지 검증하는 실험 방법이다.

📌 예시: 이메일 마케팅 A/B 테스트

• A 그룹: "20% 할인 쿠폰 제공" 이메일 발송
• B 그룹: "무료 배송 혜택 제공" 이메일 발송
• 결과 비교: 전환율(CTR)과 구매율이 더 높은 전략 선택

A/B 테스트를 통해 실제 데이터를 기반으로 의사결정을 내릴 수 있으며, 장기적으로도 비즈니스 운영의 경험치가 축적된다.

---

결론: 데이터 기반 문제 해결 프로세스 정리

1️⃣ 비즈니스 목표를 명확히 이해한다
2️⃣ MECE, AARRR, 플라이휠 모델을 활용해 문제를 분석한다
3️⃣ ICE 스코어링을 통해 최적의 솔루션을 선택한다
4️⃣ A/B 테스트로 전략의 효과를 검증한다

 

이러한 프로세스를 반복하면, 데이터를 활용한 의사결정 능력을 키울 수 있고, 더 나은 결과를 만들어낼 수 있다.