[인프런] PM을 위한 데이터 리터러시_#2. 3년차 PM 이직 1일차, 무엇을 해야 할까요?

📌 이 글은 [인프런] 카일스쿨의 'PM을 위한 데이터 리터러시' 강의 내용을 요약 정리한 것입니다.

 

1-1. 이직 1일차, 일을 잘하기 위해 고민할 것들

 1. 새로운 곳에 가서 매번 1일차 때 하는 생각

• 이 회사에서 어떻게 해야 빠르게 적응하고 일을 잘 할 수 있을까?

 
2. 영향력 관점에서 일을 잘하는 것의 정의

• 내 영향력의 범위가 확장되는지: 나 -> 프로젝트 멤버 -> 회사의 구성원 -> 고객

 

3. 좋은 영향력을 끼치기 위해서는

• 회사의 방향성 이해하기(회사의 비전)
• 회사의 현재 상황 파악하기(회사가 잘 하고 있는 영역, 회사가 아직 챙기지 못하고 있는 영역)
• 내가 잘 할 수 있는 것과 내가 잘하진 않지만 해보고 싶은 것 정의하기
  -> 내가 잘할 수 있고 회사가 잘 하고 있는 영역 & 내가 잘할 수 있는데 회사가 아직 챙기지 못하고 있는 영역을 먼저 생각해보기

나에게 새로운 관점을 제시해준 대목!

 

회사의 현재 상황을 파악하는 관점 

• 회사: 회사 비즈니스에 대한 전반적인 부분, 조직 구조, 서비스가 해결하려는 문제
• 제품: 화면 기획서, 기능 히스토리, 성과
• 데이터: 데이터 조직 구조, 데이터 문화, 실험, 데이터 인프라 

 

나도 회사에 들어가면
이런 내용들을 빠르게 파악해야겠다

문서화가 잘 안 되어 있는 경우,
이후 입사할 분들을 위해
온보딩 자료를 만드는 느낌으로
직접 문서화하라는 말이 인상적

---

1-2. 제품(Product)에서 꼭 확인해야 하는 내용

 1. 제품이란?

• 고객의 문제 상황을 해결해줄 수 있는 서비스
• 대표적으로 웹 서비스, 앱 서비스 등이 있음 

2. 제품을 알기 위한 지식

1) 제품이 해결하려는 문제: 고객은 왜 우리 제품을 사용해야 하는가?
2) PMF(Product Market Fit): 사람들의 문제를 해결하고, 문제 해결을 위해 비용을 지불할 시장이 있는가?
3) Aha Moment: 고객이 제품의 핵심 가치를 처음 경험하는 순간
- 우리 제품이 근본적으로 제시하려는 가치를 생각 
- 그 가치를 느끼는 시점엔 어떤 행동을 하고 있을지 고민하기 
- 행동을 했다 안 했다 보다는 몇 번 했는지 빈도를 생각해보기 

 
4) 습관 형성

• 우리의 제품이 고객의 일상에 스며들게 한다.
  즉, 이 앱을 사용하는 것을 습관화 한다.
  
  
• 습관: 특정 시간 동안 반복적인 행동을 진행한 경우
  우리의 제품이 고객의 일상에 스며드는 것이 목표 
  습관을 형성했다면 계속 사용 = 리텐션 증가
  
  
• 습관의 3단계
  - Cue: 루틴을 실행시키는 환경
  - Routine: 습관화하고 싶은 행동 
  - Reward: 행동을 통해 얻는 이득 

 

단순히 몇 사람만 사용하고 마는 목적으로 제품을 만드는 게 아니니까,
반드시 ‘습관 형성’ 단까지도
충분히 고민하자

3. 제품을 만드는 핵심 Key Point

• [문제 상황에 직면]
  => 제품 사용하며 [Aha Moment] 겪음
  => 제품 계속 써보면서 [습관 형성]
  
  
• 활성화 정도를 높이고 리텐션으로 이어지게 하기 위해 핵심적으로 생각할 4가지 요소
  - 고객이 우리 서비스를 왜 써야 하는가?에 대한 이유 명확히 제시하기 
  - 우리 서비스를 어떻게 사용할지 가이드 제시(예: 온보딩 제공)
  - 계속 재미있게 사용하도록 만들기: 사용주기가 길다면, 고객이 겪을 문제 중 사용 주기가 짦은 서비스를 추가해 활성화하기(혹은 다시 사용해야 하는 시기에 알람 제공)
  - 고객이 필요로하는 정보를 맞춤형으로 제공하기(전환율 개선)
  
  
• 그로스해킹 같은 것이 핵심이 아니라,
  본질적으로 제품을 좋게 만들고, 계속 개선하는 것이 핵심

 

단순히 제품을 만드는 것에 그치지 않고,
계속 재미있게 사용하도록 만드는 것까지도
기획 단계에서 고려해야겠다

4. 제품을 만드는 핵심 Key Point 더 나아가서

• 극진한 경험
• 하나를 예상했는데, 두 개가 와서 감동
• 극진한 경험을 고객에게 드리면, 그게 곧 우리 제품을 알리고 다시 사용하게 만들 것
• => 때론 MVP(Minimum Viable Product)가 아닌 극진함을 Maximum하게 하는 제품을 만드는 것은 어떨까? 

제품을 만들다 보면
일단 핵심적인 기능부터 넣자고 하면서
시야가 좁아지기도 하는데,
오히려 고객이 극진한 경험을 하도록
하자는 말이 인상적이었다

---

1-3. 회사와 비즈니스 모델 체크리스트 

1. 회사의 방향성은 어떻게 되는가? 어떤 생각을 가지고 사업을 시작했을까?

• 회사의 전략은 무엇인가?
• 어떤 로드맵을 가지고 있는가?
• 어떻게 비즈니스를 확장하는가? 

 
2. 비즈니스 모델

• 우리 회사는 어떻게 매출을 만들고 있는가?
• 매출과 비용 구조는 어떻게 되는가?
• 고정비, 변동비(매출액과 비례해서 증가하는 비용) 등이 존재하는가? 이런 데이터를 파악할 수 있는가?
• 추가) 비즈니스 모델에 대한 이해도 높이려면, "한 장으로 끝내는 비즈니스 모델 100" 책 추천

 

---

1-4. 제품과 조직구조 체크리스트

1. 제품

• 화면 기획서
• 기능(feature)별 배포 히스토리
• 기능 배포 후 성과(어떤 지표를 선택했고, 어떤 결과를 얻었는가? 어떤 어려움이 있었는가?)

 

2. 조직 구조

• 어떤 업무 프로세스로 일이 진행되는가? ( 데일리, 스프린트, 회고) 
• 목적 조직인가, 기능 조직인가? 어떻게 협업하는가? 
• 어떻게 기획이 구체화되는가? (PM이 처음 생각하는지, 운영, 사업쪽에서 처음 생각하는지, Top-Down인지(C레벨에서 처음 생각))

 

3. 운영 프로세스(정책) & 법률 

• 고객 응대, 서비스의 운영 프로세스
• 운영에 필요한 법률 지식

 

4. 핵심: 잘 기록하고 문서화

• 앞에서 나온 내용들을 잘 기록하며 지식 내재화
• 한 번에 다 체득하긴 어렵고 방대한 내용
• 하지만 앞으로 일을 잘 하기 위해 알면 좋은 도메인 지식 

 

 

좋은 제품, 비즈니스가 선행된 후에 데이터를 보는 것이 좋음
좋은 제품, 비즈니스가 없는 상태에서 데이터를 보는 것은 본질을 잃고 수치 최적화를 하게 됨 
거시적(비즈니스 전반, 산업, 제품) -> 미시적(매출, 비용 세부, 제품의 기능)

 

---

1-5. 데이터 조직 구조 체크리스트 

1. 데이터 조직 파악

1) 데이터 조직 구조를 파악하면 현재 데이터 문화, 인프라 발전 상황 유추 가능 
 
2) 대표적인 질문

• 데이터 조직이 존재하는가?
• 어떤 조직에 속하는가? (CEO 직속, CTO 직속, 사업/운영 조직)
• 어떤 데이터 직무가 존재하는가? 

 

2. 데이터 직무 파악

어떤 직무가 있는지 알 경우, 앞으로 어떻게 협업을 해야 할지 예상 가능 
 
1) 데이터 분석가

• 주요 업무: 데이터 기반 Action 수립, 실험 / 데이터 분석 / 회사마다 집중 영역 다를 수 있음(예: Product, Business, Marketing, 모두 다 커버)
• 이 직무의 역할이 "데이터 요청하면 추출"일 경우 데이터를 잘 활용하지 못할 수 있음
• 데이터 분석가가 현업과 많은 의견을 주고받고, 실제 Action Item을 만드는 것이 핵심
•  PM과 데이터 분석가의 협업 형태: 제품을 더 좋게 만들기 위한 가설을 만들고 Action Item 진행 & 데이터 기반 사고를 같이 하는 영혼의 파트너 

PM과 데이터 분석가는
데이터 기반 사고를 하는 영혼의 파트너

2) 데이터 사이언티스트

• 주요 업무: 데이터 기반 알고리즘(AI, 머신러닝 모델)을 만드는 역할, 예측 모델 개발
•  PM과 데이터 사이언티스트의 협업 형태: 데이터 기반 알고리즘을 어떻게 활용할지 논의(예: 추천 알고리즘), 제품을 만드는 개발자분들과도 같이 진행, 제품의 Feature 중 하나로 알고리즘을 적용 

 

3) 데이터 엔지니어

• 데이터를 활용할 수 있도록 데이터를 저장하는 역할 
• 주요 업무: 데이터 기반 개발, 데이터 인프라, 데이터 웨어하우스, 대시보드 플랫폼 구축, 데이터 파이프라인구축
• 작은 회사라면 백엔드 개발자가 데이터 엔지니어 역할을 하기도 함      
• PM과 데이터 엔지니어의 협업 형태: 데이터 분석을 위해 특정 데이터를 보고 싶은데, 어떻게 볼 수 있을까?(데이터 파이프라인), 데이터를 잘 보기 위한 데이터 플랫폼 논의 

 

4) AI 연구자(Research Scientist)

• AI, 딥러닝 모델을 만들어 논문을 출판하는 역할
• 주요 업무: 딥러닝 모델 연구, 연구 후 논문 출판, 서비스에 적용할 수 있는 모델 연구
• 비즈니스 모델에 AI가 메인이 아니라면 나중에 생기거나, 데이터 사이언티스트가 겸하는 경우도 존재
• PM과 AI 연구자의 협업 형태: 데이터 사이언티스트와 유사하게 진행, 데이터 기반 알고리즘을 어떻게 활용할지 논의 

---

1-6. 데이터, 데이터 문화 체크리스트 

1. 데이터 파악하기

• 사용자(DAU, WAU)는 얼마나 되는가?
• 주차 리텐션은 어떻게 되는가?
• 재구매 주기는 얼마나 되는가?
• 제품의 퍼널별 이탈률은 얼마나 되는가?
• 핵심 고객의 정의가 되어 있는가?   

 

2. 데이터 문화

• 사람들이 데이터에 얼마나 익숙한가?
• 과거에 진행한 데이터 분석 Report가 있는지? 분석을 위한 가이드 문서가 있는지?
• 실험을 진행하고 있는가? (ex. AB Test)
• 실험 가이드가 있는가?

---

1-7. 데이터 인프라 체크리스트

1. 데이터 인프라 파악하기

1) 데이터 인프라

• 데이터 사용, 저장, 공유할 수 있도록 도와주는 소프트웨어, 서비스 등 
• SaaS(Software as a Service)도 포함 

 

2) 대표적인 데이터 인프라 

• BI(회사의 주요 지표를 쉽게 볼 수 있는 대시보드, 시각화 플랫폼), 데이터 시각화 도구가 있는가? 예시: Tableau, Redash, Spreadsheet
• Product Analytics 도구가 있는가? (쿼리 작성 필요 없이, 사용자가 어떻게 제품을 사용하는지를 쉽게 분석할 수 있도록 해주는 도구) 예시: Google Analytics 4(+ Google Tag Manager), Amplitude, Mixpanel
• Database의 ERD가 있는가? (Database의 Table 연결 관계를 알기 위해) 
• 데이터 웨어하우스(더 빠르게 데이터 분석할 수 있도록 데이터를 중앙으로 모아둔 데이터 창고)가 구축되어 있는가? 예시: Google의 BigQuery, Amazon의 Redshift 
• 웹, 앱 로그는 어떻게 저장되고 있는가? 

---

1-8. 정리와 Action Plan

• 잘 되어 있다: 더 개선하려면 어떻게 해야 할까?
• 체크된 리스트가 거의 없다면 => 앞으로 해야 하는 목표!

 
"좋은 제품, 비즈니스가 없다면 아직 데이터 분석이 필요 없을 수 있음"
(= PMF를 찾는 것이 먼저 필요하다)