내일배움캠프 TIL: 데이터만 믿다가 30조 날린 나이키에서 배운 것, PM의 데이터 읽기

 

오늘 계속 머릿속에 떠오른 생각이 있었어요.

"나 그동안 정량 데이터에만 엄청 치중해서 일했구나."

 

마케터로 일할 때 ROAS, CTR, 전환율을 보고 의사결정했던 기억이 자꾸 떠올랐습니다.

정성 데이터를 수집하고 분석하는 것은 거의 해본 적이 없었다는 걸 오늘 처음으로 제대로 인식했습니다..

 

오늘 나이키 아티클을 먼저 읽은 게 정말 잘한 것 같다는 생각이 들더라구요

이 맥락을 먼저 잡고 나서 지표 분석 방법론들을 읽으니까 "왜 이걸 배워야 하는지"가 훨씬 선명하게 느껴졌어요.

---

1. 나이키에게 30조 재앙을 부른 데이터 드리븐

무슨 일이 있었나

나이키는 데이터 중심 경영으로 전환하면서 D2C(직접 판매) 중심으로 재편하고, 카테고리별 모델을 없애며 운영 효율화를 추진했습니다. 그런데 결과는 처참했어요.

 

왜 실패했는가:

• 측정하기 쉬운 정량 데이터만 수집하면서 기존 고객에게서 돈을 더 뽑아내는 데 집중
• 새로운 고객을 유입시키고 시장을 넓혀가는 작업을 멈춤
• 기존 고객의 데이터만 쌓이면서 의사결정도 기존 고객 데이터 기반으로만 이뤄짐
• 대중적으로 인기 있는 상품이 밀려나고 일반 고객들은 경쟁사로 이탈

악순환의 구조:

기존 고객만 공략 → 틈새 고객 취향에만 맞춤 → 대중 상품 밀려남 → 일반 고객 경쟁사로 이탈 → 기존 고객 데이터만 쌓임 → 다시 기존 고객 데이터 기반 의사결정

핵심 메시지

데이터 중심 경영이란, 측정하기 쉬운 데이터가 아니라 정성적 데이터까지 함께 다각도로 판단하는 것을 의미합니다.

 

따뜻한 데이터 vs 차가운 데이터:

 

차가운 데이터	정량적 수치만 보고 판단	소파를 산 고객에게 소파 광고를 더 노출 (이미 샀는데?)
따뜻한 데이터	고객의 구매 맥락과 의도를 이해하는 정성적 데이터	핫도그 옆에 번을 진열하는 MD (빵에는 토핑이 필요하다는 맥락 이해)

 

그렇다면 나이키는 어떻게 해야 했을까요?

 

목소리를 내지 못했던 사람들(신규 사용자)을 찾아 의견을 수렴하고 총체적으로 판단하는 것이었습니다.

리서치 능력에 기반해 정보에 입각한 가설을 세우고, 이해관계자들을 설득시킬 비즈니스 감각이 필요했습니다.

---

2. 매트릭 하이라키 — 인풋 지표 vs 아웃풋 지표

매출을 뜯어보면

매출(아웃풋) = 활성 사용자 수 × 구매 전환율 × 객단가(AOV)

 

매출은 아웃풋 지표(결과로 나타나는 지표)입니다.

매출을 올리려면 매출 자체를 건드릴 수 없고, 매출에 영향을 미치는 인풋 지표들을 개선해야 해요.

하수 PM vs 제대로 된 PM

오늘 가장 재밌었던 부분이에요!

팀 KPI가 "QoQ 앱 푸시 매출 20% 상승"으로 정해진 상황을 가정해봤습니다.

 

하수 PM: 매출이 안 오르네 → 마케팅팀에 프로모션 더 해달라고 요청

제대로 된 PM:

1. 인풋 지표들을 뜯어보니 신규 전환율은 늘었지만 기존 충성 고객의 활성 사용자 수가 감소 추세다.

2. 지금 매출은 허상이다. 곧 하락할 것이다.

→ 급하다, CRM팀과 논의하고 필요한 기능이 무엇인지 개발팀과 협의해야겠다.

 

실제로 이렇게 상황을 가정해서 이해를 해보려고 하니 훨씬 와닿고 머리에 쏙쏙 들어오는 느낌이었어요

지표 하나가 좋아 보여도 전체 구조를 보지 않으면 잘못된 판단을 내릴 수 있다는 걸 실감했습니다.

이전에 튜터님이 말씀하신 가드레일 지표와 완전히 같은 맥락이었어요.

그러나 수식으로 표현되지 않는 인풋 지표도 있다

• 상품 카테고리 개수
• 카테고리 내 상품 다양성
• 사용자들이 원하는 상품을 얼마나 쉽게 찾을 수 있는가
• 판매 상품에 대한 사용자의 신뢰도

이런 지표들은 수식으로 명확히 표현하기 어렵지만, 결국 구매 전환율에 영향을 미친다는 건 모두가 알죠.

아웃풋 지표를 수식으로 쪼개는 것도 중요하지만, 여기에만 그치면 지표 개선 아이디어도 그 수준에 그칠 수 있다.

 

아마존 사례:

- 상품 상세 페이지 개수(인풋)를 늘리면 매출(아웃풋)이 오를 것이라는 가설로 수천 개 상품을 추가했지만 매출이 오르지 않음

- 수요가 없는 상품들이었기 때문

- 이후 "상세 페이지 조회 건 중 재고가 있으며 2일 내 배송 완료가 가능한 건의 비율"이라는 소비자 수요를 반영한 인풋 지표로 재정의하여 측정

 

> 여전히 해당 지표에는 허점이 있지만(전체 상세페이지 조회 볼륨이 낮을 수 있다는 가능성),

1. 아마존도 시행착오를 겪으면서 인풋/아웃풋을 정의했다
2. 완벽하지 않지만, 가설에 따라 팀의 역량을 집중했다

이 두가지에서 교훈을 얻을 수 있었던 사례였습니다.

---

3. 핵심 KPI 카테고리 7가지

프로덕트 전문가 500명 대상 글로벌 설문조사에서 가장 중요한 Top 3는 리텐션, 참여, 전환이라고 합니다.

다만 서비스 특성에 따라 달라지기 때문에 비즈니스가 속한 산업의 지표를 참고해서 설정하는 것이 중요해요.

 

활성 유저	일/주/월 활성 사용자 수	DAU, WAU, MAU
참여	핵심 작업의 빈도와 주기	세션 기간, 유저 당 세션 수
전환	구매 유도, 가입, 폼 채우기	CVR, ATC
리텐션	재방문	CRR, Churn Rate
활동	유저의 첫 번째 가치 있는 활동 순간	Activation Rate
수익	발생 수익	MRR, CAC, LTV
NPS	고객 만족도	Net Promoter Score

---

4. 유저 데이터 분석 4가지 방법

① 세그먼트 분석 vs 코호트 분석

학습을 하면서 헷갈렸던 두 가지를 비교해서 정리하니 명확해졌다.

	세그먼트 분석	코호트 분석
기준	특성이 비슷한 사람들을 분류	같은 시점/경험을 기준으로 묶음
질문	"어떤 유형의 유저가 어떤 행동을 하는가?"	"이 그룹이 시간이 지나면서 어떻게 변했는가?"
예시 질문	돈을 가장 많이 쓰는 고객은 누구?	이번 업데이트 이후 이탈이 줄었나?
비유	문과/이과/예체능 차이	2025학번 학생들이 시간에 따라 달라지는 방식

 

실무에서는 두 개를 함께 쓰는 경우가 많습니다.

e.g. "2월 가입자 코호트 중에서도 20대 여성 세그먼트가 재방문율이 가장 높다"

② 퍼널 분석 vs 사용자 경로 분석

	퍼널 분석	사용자 경로 분석
접근 방식	정해진 목표까지 어디서 이탈하는지	유저가 실제로 어떻게 움직였는지
질문	"목표까지 가는 과정에서 어디서 막히는가?"	"사람들이 실제로 어떤 행동 흐름을 가지는가?"
활용	회원가입, 구매 전환, 구독 결제 등	UX 문제, 정보 부족, 버튼 위치 문제 발견

 

실무 활용 흐름:

1. 퍼널 분석으로 문제 발견 → "결제 단계 이탈 심함"
2. 경로 분석으로 원인 파악 → "배송비 안내 페이지 갔다가 많이 나감"

---

5. 오늘의 회고

오늘 강의 3개 듣고 아티클 4개를 읽으면서, 공부보다 "현장에서 일하는 것처럼 적용해보는" 활동이 훨씬 재밌었어요.

(특히 매트릭 하이라키 아티클에서 현업 PM 시나리오를 가정해서 분석해본 부분에서)

역시 나는 개념을 배우는 것보다 실제 상황에 적용해볼 때 훨씬 더 몰입하는 것 같습니다..

공부싫어...............

 

오늘 배운 내용 한줄 정리

 

" 정량 데이터는 '무엇이' 일어났는지를 알려주고, 정성 데이터는 '왜' 일어났는지를 알려준다. PM은 둘 다 봐야 한다. "

 

나이키처럼 수치만 좇다 보면 숫자 뒤에 숨어 있는 진짜 고객의 목소리를 놓치게 됩니다.

앞으로 서비스를 기획할 때 "이 데이터가 정말 고객의 맥락을 담고 있는가?"를 먼저 물어보는 습관을 만들어야겠어요!!