내일배움캠프 TIL : 이커머스 PM의 눈으로 서비스 문제 정의하기 "무신사·올리브영 현업자 아티클 분석"

 

오늘의 학습 목표

어제 사용자 여정(User Journey)을 단계별로 분석했다면,

오늘은 한 발 더 들어가서 각 단계에서 실제로 어떤 문제가 발생하는지 데이터 관점으로 정의해봤다.

이론으로 배운 내용을 현업에서는 어떻게 적용하는지 확인하기 위해 무신사와 올리브영의 공식 기술 블로그 아티클 두 편도 직접 읽고 분석했다.

---

1. 탐색 단계 : 이탈이 가장 많이 시작되는 곳

Pain Point 1: 목적 없이 탐색하다 이탈한다

패션·뷰티는 탐색 자체가 목적인 유저가 많다. 무신사 매거진이나 지그재그 스타일 피드를 구경하다가 구매로 이어지는 흐름이 설계 전제인데, 문제는 체류 시간은 길지만 구매로 이어지지 않는 세션이 많다는 것이다.

확인해야 할 데이터	파악할 것	개선 방향성
스타일 피드 체류 시간 vs 구매 전환율 상관관계	탐색에서 구매로 이어지는 트리거가 무엇인지	전환율 높은 콘텐츠 유형을 우선 노출 + 상품 상세 페이지로 자연스럽게 이동하는 UX 설계
콘텐츠 유형별(코디/매거진/랭킹) 구매 전환율	어떤 클릭 패턴이 구매로 이어지는지	이탈률 높은 콘텐츠 구간에 구매 진입 경로 추가

Pain Point 2: 선택지가 너무 많아 구매를 포기한다

올리브영 단일 플랫폼에 수만 개 SKU, 무신사에 입점 브랜드 7,000개 이상. 선택지가 많을수록 결정을 포기하는 현상(Choice Overload)이 심화된다.

비즈니스 문제: 탐색은 했지만 구매로 이어지지 않는 세션이 늘면 광고비 대비 전환 효율이 떨어진다. 유입 비용은 발생했지만 매출로 연결되지 않는 구조다.

PM 개선 포인트:

• 카테고리 진입 후 아무것도 클릭하지 않고 이탈하는 세션 비율 측정
• 이탈률이 높은 카테고리 중심으로 큐레이션·랭킹 기능 강화
• 사용자가 봐야 할 상품 수를 줄여주는 방향으로 개선

---

2. 탐색 단계 현업 아티클 : 무신사 추천프로덕트팀 PM이 개인화 추천을 고도화한 방법

이 아티클이 해결하려는 문제

• 전체 상품의 80%가 캐주얼·스트릿 스타일로 분류되어 걸리시·미니멀 등 다른 스타일 선호 고객에게 맞는 추천이 제공되지 않는 상황
• "최근 본 상품 1개"를 기준으로 추천하다 보니 실수로 보거나 선물용으로 본 상품까지 추천에 반영되어 "기계적인 추천"으로 느껴지는 문제

PM의 가설 설정과 검증 과정

가설	검증 방법	결과
스타일을 5개 → 12개로 세분화하면 상품이 더 적합한 스타일로 분류될 것이다	기존 캐주얼 분류 상품 재분류	40%를 다른 스타일로 재분류
고객이 반응(본/좋아요/구매)한 상품 스타일을 집계하면 관심 스타일을 알 수 있을 것이다	구매>좋아요>본 순으로 가중치 부여	관심 스타일 도출
스타일마다 인기 카테고리가 다를 것이다	구매 데이터 분석	스타일별 인기 카테고리 차이 확인

 

결과: 상품 전환율(CTR) 41% 증가, 인당 클릭수 54% 증가

인상 깊었던 PM 사고방식

• 추천 커버리지 개념: 추천 정확도만 보는 게 아니라, 얼마나 많은 고객에게 추천이 제공되는지 + 추천 상품이 얼마나 다양한지를 함께 지표로 관리
• 콜드 스타트 문제 해결: 데이터가 충분하지 않은 신규/저활동 고객은 "비슷한 성연령대 고객의 탐색 패턴"으로 보완

비판적으로 읽은 부분

카테고리 다양성 증가가 실제로 고객의 "새로운 상품 발견" 경험으로 이어졌는지 확인하려면 클릭률이나 구매 전환율 변화가 함께 제시되어야 한다. "구매력이 높은 고객이 많이 클릭한다"는 결과가 인과관계인지 상관관계인지 불분명하다.

나라면 이렇게 측정했을 것:

• 추천 경유 구매 전환율 (클릭이 실제 구매로 이어지는지 확인)
• 걸리시·로맨틱 스타일 선호 고객의 재방문율 개선 여부 (이탈 위험 고객 그룹이 가장 중요한 검증 대상)

---

3. 구매 결정 단계 — 불확실성이 해소되지 않아 구매 버튼을 못 누른다

Pain Point

뷰티 제품은 "내 피부에 맞을지"를 구매 전에 알 수 없어 상품 상세 페이지에서 리뷰를 수십 개 읽고도 확신을 못 하고 이탈한다.

비즈니스 문제: 상품 상세 페이지까지 진입했지만 구매하지 않는 이탈은 가장 비용이 높은 이탈이다. 유입·추천 비용을 모두 쓰고 나서 마지막 단계에서 전환에 실패하는 구조이기 때문이다.

 

확인해야 할 데이터	파악할 것	개선 방향
상품 상세 페이지 내 리뷰 탭 체류 시간	리뷰 탐색이 구매를 돕는지, 불확실성을 키워 이탈로 이어지는지 방향 파악	내 피부 타입과 유사한 사용자 리뷰 자동 상단 노출
피부 타입·피부 고민 필터 사용률	필터를 쓰는 사람이 실제로 전환율이 높은지 확인	리뷰 필터를 더 눈에 띄는 위치에 배치
커뮤니티(셔터) 경유 → 상품 상세 페이지 전환율	커뮤니티 경유 사용자의 전환율이 직접 진입보다 높은지 비교	상품 상세 페이지 내 관련 커뮤니티 게시물 연결

---

4. 구매 결정 단계 현업 아티클 — 올리브영이 커뮤니티와 콘텐츠를 만드는 진짜 이유

이 아티클이 해결하려는 문제

• 주요 타겟층인 2030 여성 방문자가 포화 상태에 근접하면서 신규 유입 증가보다 재방문율을 높이는 것이 성장의 핵심 과제가 됨
• 텍스트·별점 리뷰만으로는 "내 피부에 맞을지"를 확인하려는 사용자 니즈를 충족하기 어렵다는 데이터를 서비스 운영 중에 이미 확인

PM의 가설 설정과 검증 과정

가설	결과
관심 상품이 있는 사용자에게 연관성 높은 게시글을 보여주면 전환율이 높아질 것이다	관심 상품 이용자의 게시물 상세 전환율이 미이용자보다 2배 이상 높음
카테고리 중심보다 피부 고민·관심 브랜드 같은 키워드 중심으로 콘텐츠를 보여주면 클릭률이 높아질 것이다	키워드 큐레이션 영역이 매거진관 내 가장 높은 클릭수와 활성 사용자 비율 기록

 

인상 깊었던 PM 우선순위 설정 프레임:

• 고객 수 × 빈도 값이 충분히 큰지
• 핵심 지표를 움직이기 위한 퍼널인지
• 기능 배포로 해결하는 게 최선인지

비판적으로 읽은 부분

콘텐츠 조회수와 커뮤니티 전환율은 제시했지만, 콘텐츠 경유 실제 구매 전환율 데이터는 공개되지 않았다. 체류 시간과 콘텐츠 소비가 늘어나는 것이 반드시 구매 전환율 향상으로 이어지는지는 별개의 문제다. 재방문율이 올라도 구매 전환율이 함께 오르지 않으면 서버·콘텐츠 제작 비용만 증가하는 구조가 될 수 있다.

나라면 이렇게 측정했을 것:

• 콘텐츠 경유 구매 전환율 (셔터나 매거진을 거쳐 진입한 사용자의 구매 전환율이 직접 진입보다 높은지)
• 콘텐츠 이용자와 비이용자의 재구매 주기 차이

---

5. 수령/이용 단계 현업 아티클 — 올영매장 PM이 배운 것: 접근성과 전환은 다른 문제다

핵심 메시지

"정보를 잘 보여주는 것"과 "행동을 이끌어내는 것"은 다른 문제다.

매장 픽업 기능을 앱에 노출했지만 전환율이 기대만큼 오르지 않았다. 고객이 기능을 발견하는 것(접근성)과 실제로 사용하는 것(전환)은 별개의 설계 문제였다.

PM의 가설 설정과 검증 과정

가설	결과
올영매장으로 이어지는 접점을 넓히면 전체 접속 볼륨이 증가할 것이다	직접 유입 비중 약 10%p 증가, MAU·UV 우상향
매장별 콘텐츠와 혜택을 가시화하면 탐색 소비량이 증가할 것이다	올영매장 UV 비중 성장
프로모션 정보와 함께 행동 유도 요소를 제공하면 픽업 전환율이 높아질 것이다	픽업 전환율은 기대만큼 오르지 않음 → "접근성과 전환은 다른 문제"라는 인사이트 도출

 

주목할 만한 사례: 픽업 장바구니 버튼 하나를 전면 배치한 것만으로 픽업 주문이 한 달 만에 2배 증가

복잡한 기능 추가보다 명확한 CTA 설계가 더 강력할 수 있다.

비판적으로 읽은 부분

픽업 전환율이 오르지 않은 원인을 "설득 부족"으로 귀결했는데, 고객이 픽업을 선택하지 않는 이유가 설득 부족이 아니라 "픽업이 실제로 더 불편하기 때문" 일 수도 있다.

매장까지 이동하는 시간·비용 대비 오늘드림 배송이 더 편리하다면, 아무리 설득해도 픽업 전환율은 오르기 어렵다. 픽업이 진짜 더 나은 선택지가 되는 상황(재고 소진 임박, 즉시 수령 필요)을 먼저 정의하고, 그 상황에서만 픽업을 강하게 노출하는 전략이 더 효과적일 수 있다.

 

나라면 이렇게 측정했을 것:

• 픽업 고객의 객단가 (픽업 전환율이 낮아도 픽업 고객의 객단가가 높다면 충분히 가치 있는 채널)
• 올영매장 탭 진입 후 7일 내 재방문율 (습관 형성의 핵심 지표)

---

6. 오늘 배운 PM 사고방식 3가지

오늘 아티클 두 편을 읽으면서 공통적으로 발견한 PM의 사고방식이 있었다.

첫째, 문제 → 가설 → 검증의 순서를 항상 지킨다. VoC(고객 피드백)에서 출발해 가설을 세우고, 데이터로 검증하는 과정이 두 아티클 모두에서 명확하게 드러났다. 직관이나 경험보다 데이터를 먼저 본다.

둘째, 지표를 하나만 보지 않는다. 무신사는 CTR만 보지 않고 커버리지를 함께 봤고, 올리브영은 트래픽만 보지 않고 전환율을 따로 분리해서 봤다. "좋아 보이는 지표"가 실제 비즈니스 임팩트와 다를 수 있다는 걸 항상 의심한다.

셋째, "정보를 보여주는 것"과 "행동을 이끄는 것"은 다른 문제다. 올영매장 아티클에서 가장 인상 깊었던 문장이다. 기능을 만들었다고 끝이 아니라, 고객이 그 기능을 봤을 때 "다음에 무엇을 해야 하는지"가 명확한지를 따로 설계해야 한다.

---

7. 오늘의 회고

오늘은 처음으로 현업 PM이 쓴 아티클을 직접 읽고 분석했다. 강의나 유튜브로 PM을 배우는 것과는 완전히 달랐다.

실제로 문제를 어떻게 정의하고, 가설을 어떻게 세우고, 어떤 데이터로 검증하는지가 생생하게 담겨 있어서 "PM이 실무에서 어떻게 생각하는지"를 처음으로 제대로 엿볼 수 있었다.

 

특히 무신사 PM이 가설 하나를 검증할 때 단순 A/B 비교에서 그치지 않고 "헤비 유저 노이즈를 제거하기 위한 추가 검증"까지 한 부분이 인상 깊었다. 데이터를 보는 것과 데이터를 제대로 해석하는 것이 다르다는 것을 다시 한번 느꼈다.

앞으로 각 플랫폼의 기술 블로그를 정기적으로 읽는 습관을 만들어야겠다고 다짐했다.

 

---

참고 아티클

• 무신사 기술블로그: https://techblog.musinsa.com
• 올리브영 기술블로그: https://oliveyoung.tech