[interview] 아이디어스팀이 데이터로 일하는 방법
아이디어스팀의 데이터 기반으로 일하는 문화를 함께 만들어가고 있는 효은님을 만나 Product data analyst에 대해 deep dive 해보았습니다.
Part 1. How I started.
Q. 안녕하세요 효은님, 자기소개 부탁드립니다.
안녕하세요 아이디어스팀의 Product data analyst 리더 신효은입니다.
저는 오프라인 서비스 CRM, 멤버십 설계로 커리어를 시작했어요. 화장품 브랜드 중에는 다루지 않은 데이터가 없는 것 같아요. FMCG 분야부터 한 때 인기 있었던 SNS 텍스트 데이터 분석까지 데이터로 할 수 있었던 것은 모두 경험했던 것 같습니다.
*FMCG : 일상 생필품 (fast-moving consumer goods)
하지만, 브랜드 매장의 고객 경험 개선 프로젝트를 진행하면서 오프라인 기반 서비스의 한계를 느끼고 E-commerce로 커리어를 옮기게 되었습니다.
오프라인 서비스는 고객 여정(방문-둘러보기- 떠나기 등 행동 데이터)을 측정하는데 많은 시간과 비용이 들었고, 수집한 자료들을 통계화하고 개선점을 측정하는데 어려움이 많았었거든요.
이후 이직한 쿠팡에서는 프론트(고객사이드 앱/웹 서비스)와 비즈니스 조직의 KPI 및 성과를 측정했었어요. Bounce Rate라는 지표를 운영하며 서비스의 버그를 발견하고 개편해나갔던 일들이 기억에 남네요. 지표 하나로 홈 담당 PO와 며칠 동안 회의하며 명확할 때까지 검증하기도 했었거든요.
쿠팡에서는 주로 서비스를 위한 데이터를 다루었다면, 야놀자에서는 데이터 중심으로 일하는 조직을 만들어가는데 주력했던 것 같아요. BI(Business Intelligence)를 만들기 위해 각 조직의 눈높이에 맞춘 데이터를 제공하고, 자동화를 통한 리포팅 간소화 프로젝트를 진행했어요. 각 조직들이 어떤 목표와 Role을 갖고 있는지, 또 필요한 데이터는 무엇인지 인터뷰하며 크로스 조직 간의 co-KPIs를 수립하기도 했어요. 그 밖에 Data-driven 조직을 만들기 위해 수많은 리포트 자동화 작업들을 하기도 했습니다.
고객 경험 설계로 일했던 이전 커리어들이 고객지향 서비스를 만들어 가는데 큰 도움이 되고 있고요. 쿠팡, 야놀자에서 진행했던 수많은 UX 측정과 A/B Test 경험들이 현재까지 이어져 Product Vision과 Main jobs를 달성하는 데 도움이 되고 있는 것 같아요.
Q. 많은 e-commerce 중 아이디어스를 선택한 이유가 궁금한데요! 어떤 매력에 이끌려 합류하게 되셨나요?
아이디어스는 합류하기 전부터 자주 사용하던 서비스에요.
서비스 이용자 관점
몇 년 전부터 수제 비누에 관심이 많아 샴푸바, 린스바 등 다양한 작품을 사용하고 있었는데요. 주변 지인들은 아이디어스를 통해 기능성 비누를 구매한다는 이야기를 듣고 앱을 처음 설치했었어요. 흔히 볼 수 있는 기성품이 아니라 아기자기하고 커스텀 된 상품이 많아 ‘어떻게 이런 서비스가 운영 될 수 있지?’ 생각이 드는 취향 저격 서비스였습니다.
또 사용하면 할수록 애정이 가득 가는 서비스였어요. SNS처럼 다양한 이야기를 제공하고 매일 새로운 작품을 발견할 수 있었거든요.
판매 되고 있는 작품 그리고 서비스만으로도 아이디어스의 매력에 빠져있었기 때문에, 이 서비스 ‘내가 더 잘 만들어 보고 싶다’라는 생각이 들었어요.
데이터애널리스트 관점
아이디어스도 E-commerce Service이기 때문에 타 오픈 마켓과 근본적인 구매 Funnel, 그 자체는 크게 다르지는 않을 것 같았습니다.
하지만 아이디어스가 흥미로웠던 건 일반 커머스와 전혀 다른 고객 행태가 있다는 사실이었어요.
대표적인 예로 아이디어스를 이용하는 고객은 구입 목적과 니즈에 적합한 제품을 마음에 정한 후 빠르고 싸게 구매하려고 하는 ‘지름길 고객’ 이 아니라는 점입니다.
어떤 고객이 초콜릿을 구매한다고 가정해 볼게요.
쿠팡과 같은 e-commerce에서는 특정 브랜드의 초콜릿이나 최저가를 빨리 찾아 구매하려는 고객 행태가 주를 이룹니다. 하지만, 아이디어스에서는 특정 브랜드 초콜릿을 대체 할 수 있는 디저트가 없는지 찾아보며, 다양한 제안을 추천 받길 원하고 또 발견하길 원하는 고객이 훨씬 많아요.
이러한 아이디어스 서비스에서는 다양한 고객 행태들을 살펴볼 수 있을 것 같았습니다. 합류하고 보니 알고리즘에 따른 추천 작품, MD 기획전 등에 많은 반응을 보이고 있어요. 데이터 애널리스트에게는 천국인 거죠. 정형화된 데이터의 반복 분석 업무 비중이 높은 타 이커머스 대비, 새롭게 추가되는 다양한 데이터를 기존과 다른 방식으로 분석하고 인사이트를 도출해야만 하기 때문에 분석가로서의 문제해결력과 분석 역량을 키우기에 최적화되어 있는 것 같아요.
Part 2. I’m idusTeam PDA.
Q. 아이디어스의 Product data analyst는 어떤 업무를 진행하고 있나요?
크게 3가지를 이야기하고 싶어요.
Task 1) 공통 지표 표준화/수립
쉽게 말해 ‘전사 모두 활용 하기 위한 Official 데이터 만들기’ 라고 이야기 할 수 있겠어요.
프로덕트 데이터 애널리스트는 단순히 데이터를 소비하는 것이 아니라, 관련 데이터를 아이디어스팀 모두가 사용할 수 있도록 Convention을 만들고 관리/운영 하는 역할을 해요. 운영 DB상의 여러가지 메타데이터와 기준을 정의하여 표준화된 데이터를 만드는 거죠.
데이터를 산출할 때 같은 지표여도 조직별로 차이가 있을 수 있어요. 똑같은 GMV여도 쿠폰 할인을 포함하여 산출하는 조직이 있는가 하면, 포함시키지 않고 산출하는 조직이 있을 수 있는거죠.
이는 전사적으로 데이터에 ‘숫자’간 오차를 발생시키기 때문에 조직간 의사결정의 신뢰도를 떨어트리게 됩니다. 이런 불협화음을 방지 하기 위해 저희가 하는 역할은 데이터를 오피셜하게 정리하여 모든 조직 별 지표를 표준화 하는 거에요. 또 전사적으로 자주 사용하는 특정 지표는 공통된 기준을 갖고 의사결정을 할 수 있게 돕고 있습니다.
Task 2) 데이터 생산
데이터를 분석 역할을 넘어 창조하기도 합니다.
구체화된 목표가 정해지고 과제 단위로 스프린트가 시작되면, 각 피처에 Role을 갖고 있는 동료들이(마케터, 디자이너, PO, 운영팀 등) 본인의 결과물을 측정하기 위한 데이터를 검토하는데요. 이때 Product data analyst는 개발팀과 함께 데이터를 생성하기도 합니다.
추천 알고리즘과 같은 모델링을 할 때 로그 데이터를 원재료로 활용하려면 정성적 자료인 로그 데이터를 정량화해야 하잖아요? 애널리스트는 데이터를 적시에, 즉시 활용할 수 있도록 ‘사전에 좋은 재료를 남기고, 또 만들어내는 데이터의 생산자 역할’도 하고 있다’라고 생각해 주시면 될 것 같아요.
Task 3) 로그와 데이터 기획
(1) UX 디자인을 분석하여 측정 가능한 데이터로 만들기
주관적인 기호가 들어가는 디자인 영역, 앱/웹 UX에서 실제 사용 경험 데이터 바탕으로 객관성을 유지하도록 UX 디자인을 서포트 하고 있어요. 또 해당 UX가 사용자에게 효과적인 이유를 분석하고 사용자 측면에서 특정 디자인을 제외해야 하는 사유를 제시하기도 하죠.
작가홈 팔로우 넛징 테스트 사례를 소개해 드릴게요. 이 테스트는 작가님 팔로우 쿠폰을 어떤 방식으로 디자인해야 유입률이 더 좋을지 분석하기 위한 테스트였어요.
신규 팔로우 수와 노출된 유저 수 등 로그를 추출한 뒤, 전환율을 확인하여 피쳐에 impact를 측정할 수 있었습니다. 사용자 경험 데이터를 기반으로 A와 B 중 더 좋은 디자인을 찾을 수 있었던 거죠. 따라서 저희는 측정 지표를 셋팅하고 테스트가 객관적으로 잘 설계될 수 있도록 가장 큰 의견을 내는 역할을 하고 있어요.
(2) 데이터를 활용해 과제 방향성과 지표 제시하기
Product data analyst 지만, 매번 UX, 로그 분석만을 하는 것은 아니에요.
프로덕트는 새로운 피처를 만들 때, 비즈니스 임팩트가 얼마나 있을 것인지 또는 어느 정도의 lift를 만들 수 있을 것인지 가설을 설정 한 뒤 실험을 시작해요.이때 저는 회원, 구매, 작품, 멤버십 등 모든 데이터를 활용해 과제 방향성, 가능성을 지표로 제시하고 있습니다. 테스트 예시와 함께 설명드려볼게요.
[Test!]
Ex) 작품 상세 페이지(PDP)에 후기 미리보기 노출
ⓐ 피쳐 : 후기 미리보기
ⓑ 비즈니스 임팩트 : ATF(Above the Fold)에 후기 미리보기를 노출함으로써, 후기 발견과 구매 CVR 긍정적인 영향
ⓒ 가설 : ATF에 후기 미리보기 피쳐가 노출되면 사용자 구매 결정에 도움을 주어 PDP to Cart 및 PDP to Checkout 전환율이 증가할 것이다.
*PDP (Product Detail Page) : 작품 상세페이지
새로운 피쳐가 만들어지고 비즈니스 임팩트와 가설이 세워지면, 저는 데이터를 바탕으로 어떤 지표를 타겟팅 하고 중점적으로 분석해야 할지 ‘성공 지표’를 제시합니다. 해당 테스트가 유의미한 테스트인지 과제의 방향성을 제시하는 거죠.
일정 기간의 데이터를 기반으로 설정한 성공 지표로 해당 테스트를 분석해요. 성공 지표로 기준을 잡았던 데이터들이 이번 테스트에서 긍정적인 효과를 보였는지 확인하며 실험 성공 여부를 판단 할 수 있는 report를 제시하고 있습니다.
Q. A/B 테스트 진행 시, 데이터애널리스트의 역할이 궁금합니다.
A/B 테스트 전 과정이 데이터 기반으로 결정되기 때문에 각 과정 별로 소개해 볼게요.
Step ① 설계 과정
보통 테스트 설계는 PO가 오너십을 가지고 있지만, 데이터 기반으로 확인하고 검증하기 때문에 설계 과정에서 애널리스트의 역할도 빼놓을 수 없어요.데이터 기반으로 방향성을 정하기 위해 아이디어스팀은 다음과 같은 요소를 함께 확인하며 설계해요.
[Check point!]
테스트 목적과 부합하는 실험인가
데이터 측면에서 충분히 올바른 가설인가
검증 가능한 가설인가
테스트가 서로 독립적으로 잘 구성이 되었는가
Step② 지표 수립 과정
모든 A/B 테스트는 목표 지표를 개선시키기 위해 진행하는 테스트잖아요?
일례로 구매 전환율 지표를 개선하기 위해 작품 상세 페이지에 후기 미리 보기 옵션을 추가하는 실험을 하는 것처럼요. 개선이 필요하거나 비즈니스에서 설정한 핵심 지표에 긍정적인 영향을 주고자 하는 A/B 테스트를 위해 저는 핵심 지표를 수립하고 이를 바탕으로 실험의 방향성과 결과를 전달하고 있습니다.
지표를 수립할 때 고려하고 있는 요소는 다음 3가지입니다.
> 가장 중요한 것은 핵심지표 수립!
많은 매트릭스를 보는 것이 중요하진 않은 것 같아요. 테스트 방향성의 오류와 혼란을 초래할 리스크 등을 줄이기 위해! 가장 필요한 1~2개의 지표를 모니터링하고 논의하는 것이 더 중요한 것 같아요.
> 지표 측정에는 한계가 없다.
비즈니스, 개발, 데이터 모든 사이드를 통틀어서 뽑을 수 없는 지표는 없다고 생각해요. 다시 말해, 측정 가능한 방식을 고민하다 보면 방법을 찾아낼 수 있기 때문에 측정 불가능한 지표는 없다는 것이죠.
예를 들어, 매우 방대한 고객 행태를 측정할 때 연속적인 행동을 구분할 수 있도록 페이지, 스크롤, 클릭 단위로 고객 행태를 정의하고 있습니다. 이 데이터를 기반으로 고객 행태를 최소 단위로 원하는 만큼 알 수 있기 때문에 비정형에 대한 액션을 정형화해서 데이터로 남길 수 있어요.
물리적으로 실현된 것, 그리고 말이 되는 것들은 모두 지표로 만들 수 있기 때문에, 항상 ‘측정 범위에 한계 없는 데이터’를 남기고자 노력하고 있습니다.
>늘 유지하자. 해석의 객관성
‘A/B 테스트는 가설을 확인하는 수단이지 고객의 행동을 설명하진 않는다’는 점을 항상 고려하고 있어요. 실험을 할 때에는 철저하게 가설 이상의 고객 행태로 확대 해석하지 않도록 객관성을 유지하려고 합니다.
Part 3. How to analyze data.
Q. 아이디어스팀은 데이터의 중요성에 대한 공감대가 형성되어 있는지? 데이터 기반으로 일하는 문화가 갖추어져 있는지 궁금합니다.
데이터의 중요성에 대해 이해하고 있기 때문에 찐 공감대가 형성되어 있어요. 두 가지 측면으로 데이터 기반으로 일하는 문화에 대해 이야기해 드릴게요.
Biz- driven side
ⓐ 신규 BM 모델 런칭 및 새로운 피쳐에서 활용
‘BM 영역을 확대해 신규 사업을 런칭’하거나 ‘고객의 재방문율을 상승시키자’ 와 같이 내세우고 싶은 전략적 피쳐가 정해진다면, 데이터 관점에서 측정가능한지 판단하고, 필요 시 추가 로그 설계를 진행합니다.
이 과정에서 ‘특정 지표가 진행하고자 하는 테스트에 왜 필요한지?’, ‘테스트의 성공성을 판단할 때 어떤 지표를 기준으로 테스트 할 것인지?’ 개발자와 상의합니다.
또, 해당 테스트가 스프린트 내에 실제 프로덕션으로 연결되어 결과물들이 나올 수 있도록 데이터 조직화 작업을 시작합니다. 필요한 데이터를 적시에 잘 활용할 수 있도록 만드는 작업 중 하나로, 개발 과정에서 실제 프로덕션에 잘 적용되었는지, 사용자에 최적화되어 있는지 등을 확인하기도 해요. 이렇게 아이디어스팀은 신규 사업 런칭 그리고 피쳐 전 단계에서부터 데이터 기반으로 설계하고 있어요.
ⓑ 사용자 VOC에서의 활용
고객으로부터 VOC가 인입되면, ‘어느 정도의 유저들이 어떤 불편 겪고 있는지’ 데이터를 통해 발생 빈도와 경로를 파악합니다. 이후 데이터를 기반으로 집중할 수 있는 퍼널을 찾아 우선순위를 정하고 해결해 나가고 있어요.
Data- driven side
프로덕트 조직이 얼마나 data-driven 한지 쉽게 확인하려면 ‘A/B 테스트 실행 빈도’로 판단 할 수 있는데요. 실험의 중요성을 인지하고 있는 아이디어스팀은 매 스프린트마다 다양한 피쳐를 실험한 뒤 학습 된 결과를 피쳐에 반영하고 있습니다.
ⓐ 실험의 중요성
전사적으로 실험의 중요성을 공감하고 있는 이유는 다른 플랫폼에서 성공한 케이스가 반드시 우리 서비스에서 성공하지 않는다는 것을 인지하고 있기 때문입니다.
한 예로 상세 페이지 후기 섹션에 ‘구매한 옵션 정보’를 노출하는 테스트를 진행한 적이 있었어요. 고객 후기에서 해당 상품의 상세 옵션(향기, 색상, 맛 등)을 알려주는 피쳐를 제공하는 테스트였습니다.
구매자의 주문 옵션이 한눈에 보이는 후기이기 때문에 구매를 고민하는 또 다른 고객들에게 도움이 되는 기능이잖아요? 당연히 여타 플랫폼 기능들과 이길 수 밖에 없는 테스트라고 생각했어요.
그런데, 첫 테스트 후 긍정적이지 않은 지표 결과를 보며 당황했었습니다.
고객의 작품 탐색 및 구매 맥락과 상관없이 작품 옵션 후기를 더 구체적으로 확인할 수 있게 만든다고 해서 판매를 촉진시키지는 않는다는 것을 발견했죠. 찾고자 하는 작품과 비슷한 작품들을 더 많이 발견할 수 있게 만드는 개인화 추천 및 탐색이 중요하다는 것을 다시금 깨달았습니다. 이런 A/B 테스트 결과를 반영하여, 기존 기능을 원상 복귀하고 노출 위치 및 디자인을 변경한 뒤 2차 테스트 및 컨버젼을 확인하고 릴리즈 되었어요.
노출 방법에 따라 고객이 정보를 파악하는 흐름이 방해 받을 수 있다는 점을 배우고, 2차 테스트를 기획하면서 전사적으로 A/B 테스트의 중요성을 다시 한번 느낄 수 있었죠.
ⓑ 다양한 피쳐 실험
아이디어스는 다양한 피처를 실험하여 인사이트를 얻고 이를 바탕으로 기획 단계에서 디자이너, 개발자와 늘 데이터를 공유하고 요청받는 사이클로 업무가 진행됩니다. 다양한 피처 실험 중 예시를 들자면 iOS, Android 두 플랫폼의 사용자 특징에 따라 발견한 인사이트를 개발 테스트에 활용하는 것인데요.
플랫폼별로 주문 기여도 유형에 주요 특징들은 유사하지만, 약간의 차이가 있었어요. iOS사용자는 주문 추천 고객의 필요한 연관 추천 등 큐레이션을 했을 때 사용자 반응이 크지 않아요. 큐레이션 영역보다는 주체적으로 작품을 찾고 싶어하고 바로 검색해서 구매할 수 있는 직접적 포멀 주문을 많이 하는 경향을 보였습니다.
예로, 아이디어스의 대표 큐레이션인 작품 기획전에서 iOS 사용자는 큐레이션 의존도가 낮은 걸 확인할 수 있었죠.
실제로 두 플랫폼간의 고객들이 앱에 대한 사용성, 구매하는 과정, 중요하게 생각하는 가치가 약간씩 다르다는 인사이트를 데이터 통해 발견해서 관련 피처 실험에서도 활용하고 있어요. 이렇게 아이디어스는 정기 미팅부터 스크럼까지 데이터 기반으로 의사결정하는 문화가 정말 일상적입니다.
Q. 아이디어스팀이 데이터 분석에서 가장 중요하게 생각하는 요소는 무엇일까요?
아이디어스팀이 중요하게 생각하는 3가지 요소를 이야기해볼게요.
> 적시에 정확한 데이터를 전달한다.
데이터가 없다고 의사결정을 할 수 없는 건 아니에요. 의사결정자의 직관 혹은 기호에 따라 의사결정 할 수 있죠. 하지만, 이러한 경우 의사결정의 옵션이 늘어나고, 논리적 의사 결정이 어렵기 때문에 결론 내기 어려운 토의가 이어질 수도 있어요. 속도 저하 이슈가 발생하는 거죠.
많은 스타트업에서 겪는 페인포인트 중 하나가 ‘의사 결정권자가 근거 없이 의사결정한다는 것’, 이로 인해 ‘구성원들은 공감대를 형성이 어렵다는 것’인데요. 이럴 때 데이터를 활용하면, 의사결정 과정에 대한 객관성을 확보할 수 있고, 공감 기반의 추진력도 확보할 수 있습니다.
고객 측면에서 보자면, 불편함을 유발하는 UI 등을 빠르게 개선할 수 있는 정보를 전달하기 때문에 부정적인 고객 경험을 최소화할 수 있다는 장점도 있습니다.
> 눈에 보이는 모든 서비스 영역을 측정 가능하게 만든다.
고객에게 보여지는 서비스는 그냥 보여지는 것 없이, 특정 의도와 의미를 담고 있어야 한다고 생각해요. 아이디어스는 노출되는 서비스 내 모든 기능, 디자인들이 저마다 타당한 비즈니스 전략과 이유를 담고 있죠. 어떤 것을 노출할지 결정하는 과정 자체가 데이터 기반이기 때문에 눈에 보이는 모든 영역은 데이터로 측정 가능해야 합니다.
> 측정 지표 기반의 서비스로 운영한다
Search&Recommend셀의 검색 추천 퀄리티 측정과 향상에 따른 데이터 활용 부분이 좋은 예시일 것 같은데요. 퀄리티 높은 검색 결과를 만들기 위해 검색 조건마다 Conversion 상태를 측정하고, 고객의 검색 행태를 모니터링할 수 있는 지표를 만들고 있습니다.
검색 결과 Conversion이 다음 검색 퀄리티를 높이는 원천이 되므로, 로그 데이터에서 얻을 수 있는 정보들을 더 다양하게 확장하는 작업도 놓치지 않고 있어요.
또한, 사용자들에게 좋은 서비스를 제공했는지 평가하고, 보다 정밀한 진단을 위해 PV에서 노출 아이템 단위로 모니터링 지표를 업그레이드하기도 합니다.
Q. idus에서 진행했던 프로젝트 중 기억에 남는 경험 소개해 주세요!
카테고리 *PLP 구조를 변경하기 위해 여전히 진행되고 있는 A/B 테스트를 소개하고 싶어요. 해당 테스트는 한눈에 보기 쉬운 검색 경험을 제공하기 위해 작품 카테고리의 계층 구조를 만드는 A/B 테스트인데요, 그 과정에서 아이디어스 개발 조직의 성장 가능성을 느꼈어요. (유의미한 결과가 나오지 않아 여전히 진행 중인 프로젝트이기도 합니다.)
*PLP (Product Listing Page) : 작품 목록 페이지
구체적으로 설명드려볼게요,
먼저 해당 A/B 테스트는 다양하게 이루어져 있는 36개의 판매 카테고리가 작품의 발견을 저해하고 작품 탐색에 불편함을 느끼게 만든다는 가설 하에 시작되었어요.
Hypothesis
ⓐ 36개 플랫한 카테고리 구조가 작품과 카테고리의 발견성을 저해하고 있다.
ⓑ 각 카테고리 간의 관계를 고려하여 클러스터링되어 전시되어 있지 않아 작품 탐색에 있어 불편함을 가중시키고 있다.
ⓒ BTF(Below the Fold) 하위 카테고리는 구매자들에게 노출 될 기회를 제한한다.
ⓓ 전체 카테고리를 확인하기 위해 사용자는 스크롤을 해야 하며, 최근 활발하게 생성하고 있는 기획전은 노출 기회를 가지지 못하고 있다.
위와 같은 문제를 해결하기 위해 ⓐ 카테고리 간소화 ⓑ 대, 중, 소 메뉴로 분류한 카테고리 계층구조를 만들어 테스트했습니다. 카테고리 구조가 한눈에 들어오기 때문에 클릭률이 높아지고, 카테고리별 ‘대, 중, 소’ 메뉴에서 원하는 제품을 드릴 다운하여 찾을 수 있어 긍정적인 사용자 경험 결과가 나올 것이라 생각했어요.
조금 더 쉽게 설명드리면요, ‘패션 잡화’라는 하나의 대분류 카테고리에 하위 카테고리 ‘시계, 수제화’ 등을 묶는 거죠. 하지만 예상했던 결과와 달리, 카테고리 계층 구조에 불편함을 느끼는 고객 VOC가 인입되었습니다.
이후에도 저희는 테스트를 멈추지 않고 사용자 측면에서 불편함을 느꼈던 요소와 카테고리 계층구조가 필요한 서비스 측면의 간극을 해소하고자 노력하고 있어요. 예를 들면 사용자가 느끼는 불편이 UX 측면의 문제는 아닐까?라는 가설을 세운 후 스와이프형 혹은 펼침형으로 디자인을 디벨롭 하여 A/B 테스트를 준비하고 있습니다.
아이디어스팀은 눈에 보이는 새로운 피쳐 뿐 아니라, 미세한 알고리즘에 대한 변화까지도 계속 A/B 테스트를 시도하는 서비스 향상에 적극적인 프로덕트 문화를 갖추고 있어요.
발견의 즐거움을 제공하는 아이디어스 서비스는 지금 이 시간에도 새로운 시도, 또 다른 테스트를 진행하며 매 순간 퀄리티가 향상되고 있습니다.
Part 4. Join idus!
Q. 이전 회사들과 비교했을 때, 아이디어스팀의 매력이 있다면 어떤 점일까요?
찐 One team!
신규 입사자의 빠른 적응을 위해 지속적으로 온보딩하는 모습에서 찐 One Team의 모습을 많이 느꼈습니다.
다른 조직들에서 흔히 말하는 텃세가 아이디어스팀에서는 없는데, 이런 문화는 ‘아이디어스팀은 좋은 서비스를 만들기 위해 모인 사람들이야!’라는 공감대가 형성되어 있기 때문인 것 같아요.
신규 입사자가 쉽게 적응할 수 있도록 서로 서로 각자의 시간을 쪼개어 회사와 업무에 대한 히스토리들을 알려주기도 하고요, 뉴비들의 질문에 대해 막힘없이 답변해 주기 위해 성심성의껏 자료를 찾아보고 개인 시간을 배려해 주는 모습을 보면 온기 가득한 동료들의 마음을 느낍니다ㅎㅎ
Action, 빠름 빠름 빠름!
이미 많은 분들이 이야기하셨겠지만 아이디어스팀은 정말 빠르게 아웃풋을 만드는 조직입니다. 단순히 속도만 내세운다고 빠르게 아웃풋이 나오는게 아니잖아요?
저는 Action을 만들어 내는 많은 요소들 중 다음 3가지가 가장 중요하다고 생각하는데요, 놀랍게도 아이디어스팀 이 요소들을 다 갖춘 조직이더라고요.
ⓐ 크리틱(critic)을 하기보다는 가능성을 찾는 조직
ⓑ 오너십은 각 도메인, 애자일 안에서!
ⓒ 효율적인 의사소통 방식을 기반으로 한 속도
그 이유를 소개하자면,
> 정말 빠르게 A/B 테스트를 만들어 내고 있어요.
2–3개의 A/B 테스트가 나오는 스프린트가 2주 단위이니까, 평균적으로 2주에 3개 정도 A/B 테스트가 만들어집니다. 제가 경험한 다른 회사들은 A/B 테스트가 진행되기 위해 6개월 이상의 시간이 소요되더라고요. 기술적인 문제가 있었을 수도 있고요, 실험 결과가 우려되어 가능성을 찾기보단 비판이 앞섰을 수도 있어요. 또 테스트 자체를 프로덕트 우선순위로 두지 않았기 때문일 수도 있죠. 아무튼 하나의 테스트를 시작하고 또 진행되기까지 너무나 오랜 시간이 필요했어요.
하지만 아이디어스는 A/B 테스트의 중요성에 대한 공감대가 있기 때문에 빠르게 실행하고 아웃풋을 만들어 가고 있어요. 합류하시면, 서비스 개선 속도가 정말 빠른다는 것을 체감할 수 있어요! 속도감 있는 A/B 테스트에 목마른 분들이라면, 아이디어스팀에서 그 갈증을 해소할 수 있겠죠?
> 신속한 의사결정을 추구하고 있어요.
아이디어스팀은 각 프로젝트와 도메인 별로 오너십을 갖고 있기 때문에 불필요한 보고 없이 빠른 의사결정이 가능해요. 업무 속도도 빠르지만, 의사결정의 로스가 없다는 점이 구성원들이 가장 만족하는 요소 중 하나입니다. 또 데이터 기반, 합리적 의사결정 과정 때문인지 프로덕트를 담당하는 동료들간의 신뢰가 강한 것도 큰 매력입니다.
Q. 효은님이 생각하시는 Product data analyst 직무의 장점과 매력을 이야기해 주세요.
데이터로 고객행동을 설명하다.
다룰 수 있는 데이터의 폭이 넓어 비정형 데이터의 관리 뿐 아니라, 비정형 데이터를 정형화 할 수 있는 스킬까지 익힐 수 있어요. 또 데이터로 고객 행동 의도를 알 수 있고, 설명할 수도 있죠.
내부 데이터를 담당하는 PO!
아이디어스팀에서 합류하기 전 PO로 일하기도 했었어요. 합류 시점 즈음, PO로 커리어를 이어갈지 데이터 애널리스트로 다시 전환할지 고민했었죠.
결과적으로는 데이터 애널리스트를 선택했습니다.
아이디어스 서비스를 가장 잘 이해하고 또 잘 만들고 싶다면, 그 기본이 되는 서비스 데이터들을 다 이해했을 때, 좋은 프로덕트를 만들 수 있다고 생각했거든요. 데이터 분석이 주 업무이지만, 오너십을 갖고 데이터 기반으로 프로덕트를 Managing 하기 때문에 PO와 동떨어져 있지 않습니다. 외부에 보여지는 도메인을 담당하는게 아니라 내부의 데이터라는 도메인을 담당하는 PO라고도 표현할 수 있죠.
좋은 프로덕트의 원천은 서비스에 대한 깊은 이해도와 데이터에 있다고 볼 수 있는데요. 데이터 애널리스트는 데이터 분석 과정에서 서비스에 대한 깊은 이해도를 가질 수 있기 때문에 데이터 분석 뿐 아니라 서비스 기획 업무에 대한 깊은 인사이트를 가질 수 있는 게 가장 큰 매력이라고 생각합니다.
Q. 마지막으로 ‘아이디어스팀의 데이터 분석가는 000이다’
러닝메이트입니다.
사실 프로덕트는 데이터가 없어도 만드는 사람 마음대로 만들 수 있어요. 여전히 그렇게 만들고 있는 서비스들도 있을 거고요.
하지만, 데이터 분석가는 좋은 서비스를 빠르게 개발할 수 있는 방향성을 제시하고, 적시에 리소스를 부스팅 할 수 있도록 만들죠. 아이디어스팀에서는 데이터 분석가들이 구성원들의 러닝 메이트처럼 같이 뛰고, 함께 전략을 세웁니다. 다시 말해, 퀄리티 높은 서비스를 만들 수 있도록 데이터를 바탕으로 서비스를 설계하고, 데이터 지표를 기준으로 함께 실행해 나가는 러닝메이트 역할을 하고 있어요.
같은 곳을 바라보며 달려서 인지, 아이디어스는 1년 전과 비교 불가능하게 도메인이 구체화되었어요. 점점 서비스도 확장되고, 같이 일하는 동료들이 많아지고 있죠. 아이디어스의 성장 속도에 발맞추어 더 많은 양의 데이터를 분석하고 인사이트를 도출해야 하는 시점입니다. 앞으로의 성장은 데이터 분석에 진심인 동료들과 함께 만들어가고 싶어요. 비즈니스 분석가로서 엄청나게 숙련되지 않아도 괜찮아요. 스타트업 또는 E-commerce와 같은 시장이 익숙하지 않고 분석 스킬에 자신이 없는 주니어라도 충분히 함께 할 수 있습니다.
비즈니스와 프로덕트에 대해 이해도가 있고 UX에 대한 감각이 있는 분! 하지만 그렇지 않더라도 프로덕트에 기여하고자 하는 의지가 강력한 분이라면 분석가로서 성장할 수 있도록 적극 돕고 싶어요. 아이디어스팀의 러닝메이트로서 저와 함께 하실 분 주저 말고 Knock knock 해주세요.
Written by idus Friends Cell
Content writer
Youngmin Lee & Saeyeon Park아이디어스팀과 함께 할 Product Data Analyst를 영입 중 입니다.
지금 여기에서 지원해 보세요!
