내일배움캠프 사전캠프 TIL: 'PM'이 데이터를 읽는 방법

 

마케터로 일하면서 "데이터 기반으로 판단한다"고 입버릇처럼 말했는데,

오늘 강의를 들으면서 사실 데이터의 표면만 긁고 있었다는 걸 깨달았습니다.

ROAS 보고, CTR 보고, 전환율 보는 것과 PM이 데이터를 다루는 방식은 결이 다르더라구요

PM은 숫자를 읽는 게 아니라, 숫자가 만들어지는 구조 자체를 설계한다는 차이가 선명하게 보였습니다.

---

데이터와 지표, 같은 말 아닌가요?

처음엔 데이터랑 지표를 거의 같은 말로 쓰고 있었는데, 오늘 제대로 구분했습니다.

 

구분	정의	예시
데이터 (Data)	수집된 원시 사실	사용자 클릭 기록, 페이지 체류 시간
지표 (Metric)	데이터를 가공해 의미를 부여한 것	전환율, DAU, 이탈률

 

데이터는 재료고, 지표는 그 재료로 만든 요리!

---

로그 설계: PM이 데이터를 '만드는' 사람인 이유

 

마케터 시절엔 GA나 픽셀이 알아서 데이터를 수집해준다고 막연히 생각했는데,

사실 그 데이터가 쌓이려면 누군가 로그를 설계해야 합니다. 그 누군가가 PM이었습니다.

 

로그란? 사용자가 서비스에서 취하는 모든 행동을 기록한 것

로그의 주요 용도:

• 문제 해결 및 디버깅: 결제 오류가 어느 단계에서 발생했는지 파악
• 사용자 행동 분석: 어떤 페이지에서 이탈하는지, 어떤 버튼을 누르는지 추적
• 성과 측정: KPI 달성 여부 확인

마케터 때 "왜 이 이벤트 데이터가 안 잡히죠?"라고 카페24 어플리케이션 개발 담당자분한테 물어본 적이 여러 번 있었는데,

혹시 그게 로그 설계가 안 돼 있어서였떤걸까요..

PM이 미리 버튼 클릭 로그 남겨달라고 요청해야 나중에 분석이 가능한 구조였을지도..

---

데이터 분석 방법론: 퍼널, AARRR, A/B테스트

퍼널 분석 (Funnel Analysis)

사용자가 목표에 도달하기까지의 여정을 단계별로 추적하는 방법입니다.

방문 → 상품 조회 → 장바구니 → 결제 시도 → 구매 완료

각 단계에서 몇 %가 이탈하는지 보고, 이탈률이 높은 구간을 집중 개선합니다.

이커머스에서 "결제 페이지 이탈률이 높다"고 판단하는 건 UX 개선의 시작점이 됩니다.

AARRR 프레임워크

단계	의미	핵심 질문
Acquisition	획득	어떻게 유저를 데려오는가?
Activation	활성화	첫 경험이 좋았는가?
Retention	유지	다시 돌아오는가?
Revenue	수익	돈을 내는가?
Referral	추천	주변에 알리는가?

 

마케터 시절엔 Acquisition에만 집중했던 것 같습니다.
퍼포먼스 마케팅이 그 영역이니까요. 근데 PM은 5단계 전체를 봐야 한다는 게 오늘 느낀 가장 큰 차이였습니다.

A/B 테스트

두 가지 버전을 동시에 테스트해서 어떤 것이 더 효과적인지 데이터로 검증하는 방법입니다.

---

실제 사례: 리디북스 AI 도서 추천

이론이 아니라 실제 PM이 어떻게 데이터로 의사결정하는지를 보여줬습니다.

- 문제 정의: AI 도서 추천 기능을 론칭하기 전, 어떤 사용자에게 먼저 보여줄 것인가?

- 가설 수립: 기존 알고리즘 추천 섹션("이 책을 구매한 분들의 선택")의 장르별 구매 기여도를 보면, AI 추천이 효과적인 사용자 그룹을 예측할 수 있을 것이다.

- 검증: 장르별로 알고리즘 추천 섹션의 구매 기여 점수를 분석 → 일반도서·만화 독자에게 효과적, 로맨스·장르물 독자는 효과 낮음

- 결과 적용: 일반도서·만화 독자를 대상으로 먼저 AI 추천 론칭

 

여기서 배운 포인트는 두 가지입니다.

1. 프록시 지표 활용: 새 기능의 효과를 직접 측정하기 어려울 때, 유사한 기존 기능의 데이터로 예측할 수 있다
2. 노출 위치도 데이터로 결정: 홈 화면은 PV가 높지만 구매 비중 낮음 → 개인화 추천 적합 / 도서 상세 페이지는 구매 비중 높음 → 맥락 기반 추천 적합

 

구글 애널리틱스: 마케터가 PM처럼 보는 법

GA는 마케터 시절부터 써왔는데, 오늘 PM 관점에서 다시 보니 읽는 방식이 달랐습니다.

마케터 시절 내가 보던 것: 광고 유입수, 전환율, ROAS

PM이 보는 것:

• 세션당 평균 참여 시간 → UX가 사용자를 붙잡고 있는가
• 이탈 페이지 → 어디서 경험이 끊기는가
• 활성 사용자당 참여 세션 수 → 재방문이 일어나는가

같은 툴인데, 보는 관점이 완전히 다르다는 걸 오늘 처음 실감했습니다.

 

 

배운 걸 바로 써먹다: 뷰티/헬스 트렌드 소싱 대시보드 만들기

강의에서 데이터 기반 의사결정을 배우고 나니, 평소 관심 있던, 몸담고 있떤 헬스앤뷰티 리테일 도메인에 직접 적용해보고 싶어졌습니다. 그래서 오늘 바이브코딩으로 간단한 툴을 하나 만들어봤습니다.

 

만든 것: 뷰티/헬스 트렌드 소싱 대시보드

핵심 기능:

• 네이버 데이터랩 API 연동해서 키워드별 검색량 트렌드 자동 수집, 시각화
• 2026 올리브영 공식 트렌드 키워드(FULLMOON) 기반으로 카테고리 구성
• 검색량 상승 키워드에 맞는 브랜드 후보 카드 표시 + 입점 여부 수동 체크

만들면서 배운 것:

 

오늘 강의에서 "데이터는 의사결정의 근거"라고 배웠는데, 직접 만들어보니 그게 더 선명하게 느껴졌습니다. 예를 들어 멜라토닌 키워드를 1년치로 보니 매년 6~7월에 검색량이 피크를 찍는 계절성이 보였습니다. 이걸 알면 소싱 타이밍을 데이터로 결정할 수 있는 거죠.

 

동시에 데이터의 한계도 직접 부딪혔습니다. 검색량이 왜 떨어지는지는 이 데이터만으로 알 수 없었습니다. 실제 구매 데이터와 교차해야 정확한 판단이 가능한데, 그게 없으니 "트렌드가 꺾인 건지, 소비자가 브랜드를 이미 알아서 검색 없이 바로 구매하는 건지" 구분이 안 됐습니다. 오늘 강의에서 배운 것처럼, 데이터는 맥락과 함께 읽어야 한다는 걸 직접 체감했습니다.

 

AI 브랜드 분석 기능도 붙여봤는데, 소규모 브랜드는 AI가 틀린 정보를 그럴듯하게 생성하는 할루시네이션 문제가 있었습니다. 결국 "AI가 어디까지 믿을 수 있고, 어디서부터 사람이 판단해야 하는가"를 직접 경험으로 배웠습니다.