그로스해킹이란? 그로스해킹은 사용자 행동 데이터로 성장 가설을 세우고, 제품과 마케팅 양쪽에서 빠르게 실험해 검증하는 성장 방법론이다. 회의실에서 "우리도 그로스해킹 좀 해보자"는 말이 나온 순간, 그 방에 있는 사람 다섯 명이 서로 다른 그림을 떠올린다. 누군가는 바이럴 이벤트를, 누군가는 A/B 테스트 툴을, 누군가는 퍼포먼스 광고 예산 재배분을 생각한다. 용어 하나가 이렇게 넓게 해석되면 실행 단계에서 반드시 충돌이 난다. 그래서 이 글에서는 정의를 다시 설명하지 않는다. 개념 전반과 실행 프레임은 그로스해킹 실전 가이드에 정리돼 있으니 그쪽을 먼저 보면 된다. 여기서는 용어가 어디서 나왔고, 왜 지금처럼 오염됐고, 숫자로 따지면 무엇이 달라지는지만 질문 형태로 짚는다. 그로스해킹이라는 말은 어디서 나왔나요? 2010년 실리콘밸리의 마케터 션 엘리스(Sean Ellis)가 자기 블로그에 쓴 글에서 처음 쓴 표현으로 알려져 있다. 그가 던진 문제의식은 마케팅 기법이 아니

퍼널 분석 대시보드란? 퍼널 분석 대시보드는 사용자가 핵심 전환에 도달하기까지 거치는 단계별 전환율과 이탈 지점을 매일 같은 기준으로 확인하도록 한 화면에 고정해 둔 운영용 화면이다. 대시보드를 열어놓고 아무도 보지 않는 팀이 많다. 위젯은 서른 개가 넘는다. 스크롤을 세 번 내려야 퍼널이 나오고 지난달 캠페인 때 급하게 만든 차트가 아직 상단에 붙어 있다. 주간 회의에서 그 화면을 띄우면 다들 잠깐 쳐다보다가 각자 노션 문서로 돌아간다. 문제는 데이터가 부족해서가 아니다. 화면이 답해야 할 질문을 정하지 않은 채로 만들었기 때문이다. 퍼널 분석 대시보드는 정보를 모아두는 창고가 아니라 매일 아침 3분 안에 "어제와 다른 일이 있었나"를 판정하는 도구다. 여기서는 그 판정이 가능한 화면을 만드는 절차를 단계별로 정리한다. 대시보드에 남길 것과 뺄 것을 가르는 기준 위젯을 하나 추가하기 전에 물어볼 질문은 하나다. "이 숫자가 흔들리면 내일 무엇을 다르게 하는가." 답이 나오

사용자 행동 로그 분석이란? 사용자 행동 로그 분석은 앱과 웹에서 발생한 원천 이벤트 기록을 정제, 세션화, 집계 단계로 가공해 전환율과 리텐션 같은 의사결정용 지표로 바꾸는 작업이다. 같은 회의실에서 두 사람이 다른 전환율을 말한다. PM은 4.4%라 하고, 개발팀은 서버 원장 기준 4.2%라 한다. 둘 다 틀리지 않았다. 원천 로그에서 지표까지 오는 길에 정제 규칙이 서로 달랐을 뿐이다. 행동 로그 분석이 어려운 지점은 분석 기법이 아니다. 원천 데이터가 지표가 되기까지 거치는 변환 단계가 문서화되지 않은 채 각자의 SQL 안에만 숨어 있는 구조다. 이 글은 가상의 국내 구독형 커머스 팀 하나를 세워두고, 로그 한 줄이 대시보드 숫자 하나가 되기까지의 경로를 실제 숫자를 대입해 따라간다. 각 단계의 변수는 그대로 두었으니 자기 서비스 숫자를 넣어 계산해 보면 된다. 기준 시점은 2026년 8월이다. 원천 로그와 지표 사이에는 네 개의 층이 있다 로그가 지표가 되는 경로는

퍼널 분석 SQL이란? 퍼널 분석 SQL은 사용자 이벤트 로그에서 단계별 도달 인원과 전환율을 집계해 어디서 이탈이 일어나는지 쿼리로 계산하는 방법이다. "결제 전환율이 떨어졌다"는 보고는 왔는데, 어디서 떨어졌는지는 아무도 모른다. 회원가입인지, 장바구니인지, 결제 수단 선택 화면인지. 이 질문에 답하려면 단계별 인원을 세야 하고, 세려면 쿼리를 짜야 한다. 그런데 퍼널 SQL은 겉보기보다 함정이 많다. 이벤트를 그냥 COUNT 하면 한 사람이 장바구니를 세 번 담은 것이 3명으로 잡힌다. 순서를 강제하지 않으면 결제부터 하고 상품을 본 사용자가 정상 전환으로 계산된다. 전환 윈도우를 안 걸면 3개월 전에 가입한 사람이 오늘 결제한 것까지 같은 퍼널에 들어온다. 여기서는 그 함정을 하나씩 막아가는 순서로 쿼리를 세운다. 퍼널 SQL에서 먼저 잡아야 할 개념 세 가지 1. 집계 단위는 이벤트가 아니라 사용자다 퍼널의 각 단계는 "해당 행동을 한 고유 사용자 수"다. 이벤

코호트 분석 SQL이란? 코호트 분석 SQL은 사용자를 첫 행동 시점(가입월, 첫 구매일 등)으로 묶은 뒤, 그 집단이 이후 N번째 기간에 얼마나 다시 활동했는지를 쿼리 한 벌로 계산해 리텐션 표(코호트 × 기간 행렬)로 출력하는 분석 기법이다. 대시보드의 리텐션 숫자를 못 믿게 되는 순간 리텐션 30%. 이 숫자 하나만 보고 회의에 들어갔다가 "어떤 기준이죠?"라는 질문에 막힌 경험은 데이터 담당자라면 대부분 있다. 30일 안에 한 번이라도 들어온 비율인지, 정확히 30일째 되는 날 들어온 비율인지, 분모가 가입자인지 활성화 완료 사용자인지에 따라 같은 데이터에서 15%도 나오고 45%도 나온다. 코호트 표를 SQL로 직접 뽑는 이유가 여기 있다. 정의를 내 손으로 고정하기 위해서다. 쿼리에 적힌 WHERE event_name IN (...) 한 줄이 곧 "우리 팀이 말하는 리텐션"의 정의가 된다. 이 글은 개념 설명보다 실행 순서에 무게를 둔다. 6단계 쿼리 패턴과 각 단

퍼널 분석 툴이란? 퍼널 분석 툴은 사용자가 유입부터 전환까지 거치는 단계를 순서대로 추적해 단계별 통과율과 이탈 지점을 계산해주는 분석 소프트웨어다. (툴 스펙과 요금 정보는 2026년 8월 기준) 퍼널이 안 보이는 게 아니라, 보는 방식이 다르다 퍼널 분석 툴을 찾는 팀은 대개 같은 상황에 놓여 있다. 결제 완료 수는 매일 대시보드에 찍힌다. 그런데 지난주 대비 12% 떨어진 이유를 아무도 설명하지 못한다. 회의에서 나오는 답은 늘 가설이다. 배송비 안내가 늦게 뜨는 것 같다, 신규 유입 질이 나빠진 것 같다, 앱 업데이트 이후 뭔가 꼬인 것 같다. 이 상황에서 필요한 건 퍼널을 그리는 기능이 아니다. 퍼널을 그리는 기능은 거의 모든 툴에 있다. 진짜 차이는 "왜 빠졌는지"를 되묻는 두 번째, 세 번째 질문을 누가 몇 분 만에 던질 수 있느냐에서 갈린다. 퍼널 분석 툴 비교를 기능 목록 대조로 시작하면 이 차이가 표에서 사라진다. 그래서 이 글은 개별 제품이 아니라 유형

CRO(전환율 최적화)란? CRO(Conversion Rate Optimization)는 방문자 중 목표 행동을 완료하는 비율을 높이려고 퍼널 병목을 데이터로 찾고, 가설을 세워 실험하고, 결과를 검증해 반영하는 반복 프로세스다. 트래픽을 늘리는 예산은 매달 승인되는데, 그 트래픽이 어디서 새는지는 아무도 정확히 모르는 팀이 많다. 광고비를 두 배로 쓰면 매출도 두 배가 될 것 같지만, 결제 전환율이 그대로면 늘어난 건 비용뿐이다. 개념 정의와 계산식, 기본 지표 구조는 전환율 최적화의 기본 개념을 정리한 글에서 이미 다뤘으니, 이 글은 그다음을 맡는다. 실제로 무엇을 어떤 순서로 하는지, 각 단계에서 무엇을 확인하고 넘어가야 하는지를 체크리스트로 정리했다. CRO가 실패하는 이유는 아이디어가 부족해서가 아니다. 버튼 색을 바꾸자는 제안은 늘 넘친다. 무너지는 지점은 대개 순서다. 어디가 병목인지 모른 채 실험부터 시작하고, 표본이 모이기 전에 결과를 읽고, 성공한 실험조차 왜

퍼널마케팅이란? 퍼널마케팅은 잠재 고객이 제품을 처음 인지한 시점부터 구매에 이르기까지 거치는 단계를 깔때기 모양으로 나누고, 각 단계의 전환율과 이탈 지점을 기준으로 마케팅과 제품 개선을 설계하는 방식이다. 퍼널마케팅 뜻은 정확히 무엇인가? 퍼널마케팅은 "모든 사람에게 같은 메시지를 던지지 않는다"는 한 문장으로 요약된다. 퍼널(funnel)은 깔때기다. 입구는 넓고 출구는 좁다. 광고를 본 사람 1만 명 중 회원가입까지 오는 사람은 수백 명, 결제까지 가는 사람은 수십 명이다. 이 모수 감소를 단계로 쪼개서 보는 순간, 마케팅 예산을 어디에 넣어야 하는지가 숫자로 드러난다. 퍼널의 기본 단계 정의, 채널별 메시지 설계, AIDA와 AARRR의 차이 같은 개념 전반은 퍼널마케팅 기본 가이드에서 이미 정리해뒀다. 이 글은 그 위에 얹는 실무 편이다. 개념 반복 대신 계산으로 간다. 단계를 나누면 의사결정이 구체적으로 어떻게 달라지는지, 숫자로 확인하는 게 목적이다. 왜 단

고객 행동 분석 솔루션이란? 고객 행동 분석 솔루션은 사용자가 제품이나 웹사이트에서 남기는 클릭, 화면 이동, 결제 같은 행동을 이벤트 단위로 수집하고 퍼널, 리텐션, 코호트 형태로 재구성해 다음 개선 지점을 찾아내는 소프트웨어다. (본문 스펙과 요금 기준: 2026년 8월) 툴 목록이 아니라 유형부터 틀린다 솔루션 선정이 어긋나는 지점은 대개 툴 이름 단계가 아니다. 유형 단계다. 세션 리플레이 툴을 사놓고 리텐션 커브를 그리려 하거나, 마케팅 트래픽 도구로 제품 내 이탈 원인을 캐려다 반년을 쓰는 팀이 반복해서 나온다. 도구가 나쁜 게 아니라 그 도구가 답하도록 설계된 질문이 애초에 달랐을 뿐이다. 수집 구조와 지표 정의 같은 기본기는 고객 행동 분석의 개념과 실행 방법을 정리한 가이드에서 이미 다뤘다. 여기서는 반복하지 않는다. 이 글이 다루는 건 하나다. 다섯 가지 솔루션 유형이 각각 어떤 질문에 답하고, 어떤 질문에는 구조상 답하지 못하는가. 그 차이를 표로 놓고 봤

고객 행동 분석 사례란? 고객 행동 분석 사례는 제품 안에서 수집한 사용자의 실제 행동 데이터를 퍼널, 리텐션, 세그먼트 단위로 계산해, 기존 제품 결정을 뒤집거나 우선순위를 바꾼 구체적 사례를 말한다. 같은 데이터를 보고도 팀마다 다른 결정을 내린다. 전환율이 떨어졌다는 사실은 누구나 안다. 문제는 그다음이다. 어느 단계를 먼저 손댈지, 그 개선이 매출로 얼마나 돌아오는지 계산하지 않으면 결국 목소리 큰 사람 의견으로 결정된다. 이 글은 개념 설명이 아니라 계산 과정을 다룬다. 분석 프레임과 기본 지표 정의는 고객 행동 분석 가이드에서 이미 정리했으니, 여기서는 가상의 팀 세 곳을 세워두고 실제 숫자를 대입해 결정이 뒤집히는 지점만 따라간다. 모든 시나리오는 익명 가상 사례이고, 수치는 독자가 자기 팀 숫자로 바꿔 넣을 수 있게 변수로 표기했다. 왜 "전환율 %"만 보면 우선순위가 틀어지는가 퍼널 단계별 전환율은 비율이다. 비율이 가장 낮은 단계가 가장 아픈 단계처럼 보인

그로스해킹 AARRR이란? AARRR은 사용자 여정을 획득(Acquisition), 활성화(Activation), 리텐션(Retention), 수익(Revenue), 추천(Referral)의 다섯 단계로 나눠 각 단계의 전환율을 측정하고 병목을 찾아내는 그로스 지표 프레임워크다. 2007년 데이브 맥클루어가 "Startup Metrics for Pirates" 발표에서 제안했고, 약자 발음 때문에 '해적 지표'로 불린다. 지표를 다 보는데도 어디가 새는지 모르는 이유 대시보드에 카드가 스무 개쯤 붙어 있다. 방문자 수, 가입자 수, DAU, 결제액, 앱스토어 평점. 그런데 "다음 분기에 어디를 고쳐야 하느냐"는 질문에는 아무도 답을 못 한다. 지표가 부족해서가 아니다. 지표끼리 같은 사용자 흐름 위에 놓여 있지 않아서다. AARRR의 진짜 쓸모는 다섯 개 이름표가 아니라, 단계 사이에 전환율을 끼워 넣어 손실 구간을 계산할 수 있게 만드는 데 있다. 프레임워크의 배경과 그로스

SQL 리텐션 분석이란? SQL 리텐션 분석은 이벤트 로그 테이블에서 사용자의 첫 활동 시점으로 코호트를 만들고, 이후 기간별 재방문 사용자 수를 첫 코호트 크기로 나눠 잔존율을 계산하는 쿼리 기반 분석 방법이다. 가입자는 매주 늘어나는데 활성 사용자 그래프가 평평하다. 이럴 때 가장 먼저 봐야 할 건 리텐션 커브다. 문제는 커브를 그리는 방법이 하나가 아니라는 점이다. 같은 로그 테이블에서도 코호트 기준을 어떻게 잡느냐에 따라 4주차 리텐션이 19%로도, 68%로도 나온다. 리텐션 지표 자체의 정의와 커브 해석법은 믹스패널 리텐션 분석 가이드에서 이미 다뤘다. 여기서는 그 위에 얹는다. 실제 이벤트 테이블을 가정하고 SQL로 숫자를 직접 뽑아본 다음, 같은 결과를 프로덕트 애널리틱스(PA)툴에서 만들 때와 무엇이 달라지는지 비용까지 계산한다. 시나리오: 주간 1,000명이 가입하는 B2B SaaS 팀 가상의 국내 B2B SaaS 팀을 세운다. 아래 값은 계산 흐름을 보여주

포스트호그(PostHog)란? 포스트호그는 프로덕트 애널리틱스, 세션 리플레이, 피처 플래그, A/B 실험, 에러 트래킹, 설문을 하나의 이벤트 데이터 위에서 함께 제공하는 오픈소스 기반 제품 분석 플랫폼이다 (2026년 8월 기준). 도구를 고르는 자리에서 포스트호그는 늘 같은 방식으로 등장한다. "오픈소스니까 비용이 덜 들지 않을까." 이 한 문장이 검토의 출발점이자, 대부분의 오판이 시작되는 지점이다. 제품 자체의 스펙은 화려하다. 공식 사이트 기준으로 10개가 넘는 제품이 한 계정 안에 묶여 있고, 무료 한도도 넓게 열려 있다. 문제는 그 넓이가 조직의 실제 사용량과 만나는 순간 어떻게 변하는지다. 두 도구의 기능을 나란히 놓고 본 비교는 믹스패널 vs 포스트호그 비교 글에서 이미 정리했으니, 여기서는 포스트호그 단독으로 파고든다. 무료 한도가 실제 트래픽을 만났을 때 어디서 깨지는지, 그 계산을 중심에 둔다. 포스트호그는 정확히 어떤 도구인가요? 이벤트 하나를 여러

아하 모먼트란? 아하 모먼트는 유저가 제품의 작동 방식을 이해하는 수준을 넘어 그 제품이 약속한 가치를 실제로 체감하는 첫 순간이다. 팀 전체가 함께 보도록 이 순간을 측정 가능한 행동 기준 하나로 못박은 것이다. 왜 우리 팀은 아직 아하 모먼트를 못 찾았을까? 팀 대부분이 아하 모먼트를 못 찾는 이유는 데이터가 없어서가 아니라, 찾기 전에 이미 답을 정해놓기 때문이다. "우리 제품은 대시보드를 처음 만들었을 때 감동하지"라는 팀 내부의 확신이 그대로 온보딩 설계에 들어간다. 검증은 건너뛴다. 이 글은 리텐션, 액티베이션, 전환율 같은 지표 체계 전반을 다룬 프로덕트 메트릭스 가이드에서 갈라져 나온 글이다. 지표 종류와 계층 구조 자체가 궁금하다면 원글을 먼저 보는 편이 낫다. 여기서는 그중 한 칸, 아하 모먼트를 어떤 숫자로 확정하는지에만 집중한다. 핵심 질문은 하나다. 가입 후 어떤 행동을 몇 번 한 유저가, 그러지 않은 유저보다 얼마나 더 오래 남는가. 아하 모먼트

그로스해킹 사례란? 그로스해킹 사례는 제품 사용 데이터에서 성장 병목을 찾아 가설을 세우고, 실험으로 검증한 뒤 그 결과를 반복 가능한 구조로 남긴 기록이다. 성공한 그로스해킹 사례를 읽고 나서 그대로 따라 해본 팀은 대부분 같은 지점에서 막힌다. 추천 배너를 붙였는데 아무 일도 일어나지 않고, 온보딩 단계를 줄였는데 유료 전환은 그대로다. 사례가 틀린 게 아니다. 사례에서 눈에 보이는 건 실행한 액션인데, 성장을 만든 건 그 액션을 고르기까지의 계산이기 때문이다. 그로스해킹의 개념과 프로세스 전반은 그로스해킹 기본 가이드에서 이미 다뤘다. 이 글은 그다음 질문을 다룬다. 성장을 만든 실험들이 공통으로 거친 계산 과정을 가상 팀의 숫자로 끝까지 따라가 본다. 사례에서 베껴야 할 것은 액션이 아니라 계산이다 그로스해킹은 창의적 아이디어와 분석적 사고, 제품 자체에 마케팅을 녹여내는 전략을 묶은 개념이다(위키백과). 여기서 실무자가 자주 놓치는 단어가 '분석적 사고'다. 아이디

믹스패널 히트맵이란? 믹스패널 히트맵은 세션 리플레이가 수집한 클릭 데이터를 화면 위에 겹쳐 그려, 사용자가 페이지 안에서 어느 요소를 얼마나 누르는지 보여주는 기능이다 (2026년 8월 기준). 히트맵을 켜 뒀는데 왜 이탈 원인은 여전히 모를까? 히트맵 단독으로는 "어디를 눌렀나"까지만 답하고, "누가 어떤 맥락에서 눌렀고 그다음 무엇을 했나"는 답하지 못하기 때문이다. 클릭이 몰린 빨간 영역을 봐도 그 클릭이 구매로 이어졌는지, 화가 나서 같은 버튼을 다섯 번 누른 흔적인지 구분이 안 된다. 그래서 행동 시각화는 세 층으로 나눠 봐야 한다. 퍼널이 이탈 구간을 좁히고, 히트맵이 그 화면의 클릭 분포를 보여주고, 세션 리플레이가 개별 사용자의 실제 동선을 재생한다. 이벤트 설계와 기본 리포트 조작은 믹스패널 사용법을 정리한 글에서 다뤘으니 여기서는 반복하지 않고, 시각화 기능 두 가지를 어떻게 붙여 쓸지에 집중한다. 믹스패널 히트맵은 어떤 방식으로 화면을 그리나? 두

LTV 마케팅이란? LTV 마케팅은 고객 한 명이 서비스를 이용하는 전체 기간에 남기는 누적 공헌이익(LTV)을 기준으로 채널 예산, 타겟 세그먼트, 리텐션 개선 과제를 결정하는 마케팅 운영 방식이다. ROAS 180%인데 왜 계좌 잔고는 줄어들까 월간 리포트에서 광고 ROAS는 180%가 찍힌다. 신규 가입자도 전월 대비 늘었다. 그런데 3개월 뒤 현금흐름은 나빠져 있다. 구독형 서비스나 재구매 기반 커머스에서 반복되는 장면이다. 원인은 대부분 하나로 모인다. 첫 결제 금액만 보고 획득 비용을 판단했기 때문이다. 첫 달 매출로는 흑자처럼 보이던 채널이, 3개월 차에 절반 넘게 이탈하면서 실제로는 돈을 태우고 있었다. 이 간극을 메우는 지표가 LTV다. LTV의 기본 정의와 CAC, 리텐션, MRR 같은 인접 지표의 관계는 SaaS 팀이 먼저 보는 핵심 지표 정리에서 다뤘다. 이 글은 그다음 단계로 간다. 실제 숫자를 대입해 LTV를 계산하고, 채널 예산을 어떻게 다시 나눌

이벤트 택소노미 설계란? 이벤트 택소노미 설계는 서비스에서 수집할 사용자 행동을 이벤트와 속성으로 분류하고, 이름 문법·필수 속성·값 형식 규칙을 팀 공용 문서로 고정하는 작업이다. (본문 기준 시점: 2026년 8월) 트래킹은 한 번에 무너지지 않는다. 조금씩 어긋나다가, 어느 분기 회의에서 "이 퍼널 숫자 왜 이래요?" 한마디로 무너진다. 대개 원인은 계측 누락이 아니다. 같은 행동이 서로 다른 이름으로 세 번 쌓였을 뿐이다. 웹 팀은 purchase, iOS 팀은 Purchase Complete, 리뉴얼 때 붙인 신규 코드는 order_completed. 데이터는 다 있는데 하나의 퍼널로 묶이지 않는다. 이 글은 이벤트를 무엇으로 정할지가 아니라, 정한 이벤트가 2년 뒤에도 살아남게 만드는 명명 규칙과 검수 절차를 다룬다. 어떤 행동을 이벤트로 뽑을지, 트래킹 플랜 문서를 어떻게 채울지는 믹스패널 이벤트 트래킹 플랜 작성 가이드에서 이미 정리했으니, 여기서는 그다음 단계인

액티베이션 지표란? 액티베이션 지표는 신규 가입자가 정해진 기간 안에 제품의 핵심 가치를 처음 경험했는지를 하나의 행동 기준으로 정의해 측정하는 지표다. 가입은 늘었는데 리텐션 곡선이 안 움직이는 이유 가입자 수가 전월 대비 40% 늘었다는 보고를 받았다. 그런데 30일 리텐션은 그대로다. 이 조합이 반복되면 문제는 유입이 아니라 가입 직후 구간에 있다. 많은 팀이 퍼널을 "방문 → 가입 → 결제"로 끊는다. 이 구조에서는 가입과 결제 사이의 공백이 통째로 블랙박스가 된다. 사용자가 무엇을 해봤는지, 어디서 멈췄는지, 어떤 행동을 한 사람이 다음 달에도 돌아왔는지를 아무도 답하지 못한다. 액티베이션 지표는 이 공백에 눈금을 새기는 작업이다. 지표 체계 전반의 구성과 우선순위 판단은 프로덕트 메트릭스 설계 가이드에서 이미 정리했다. 이 글은 그중 액티베이션 한 칸만 떼어내, 후보 행동을 고르고 검증해서 숫자로 확정하는 절차를 다룬다. 액티베이션은 '아하 모먼트'와 같은 말

데이터 드리븐 마케팅이란? 데이터 드리븐 마케팅은 담당자의 감이나 관행 대신 사용자 행동 데이터를 근거로 캠페인과 제품 개선의 의사결정을 내리고, 그 결과를 다시 데이터로 검증하며 반복 개선하는 마케팅 방식이다. "이번 캠페인, 느낌이 좋은데요"로 끝나는 회의 월요일 아침 마케팅 회의. 지난주 캠페인 성과를 묻자 "반응이 괜찮았던 것 같다"는 답이 돌아온다. 근거는 광고 클릭 수 하나. 클릭한 사용자가 가입했는지, 가입한 사용자가 일주일 뒤에도 남아 있는지는 아무도 모른다. 많은 팀이 이 지점에서 멈춰 있다. 데이터 드리븐 마케팅은 성장 실험 문화의 토대 위에서 작동한다. 실험과 반복 개선이라는 큰 틀, 즉 그로스마케팅이란 무엇인가에서 다룬 개념이 전략이라면, 이 글은 그 전략을 실제로 굴러가게 만드는 팀의 조건과 단계별 체크리스트를 다룬다. 도구 이야기보다 조직 이야기가 먼저다. 핵심은 도구가 아니라 "데이터를 보는 사람의 수" 데이터 드리븐 조직의 성패를 가르는 변수

CDP(고객 데이터 플랫폼)란? CDP는 웹, 앱, CRM, 광고 채널 등에 흩어진 고객 데이터를 사람 단위의 통합 프로필로 묶어, 마케팅 실행과 분석 도구가 쓸 수 있는 형태로 만들어주는 소프트웨어다. CDP 추천을 검색하는 팀이 먼저 확인할 것 "CDP 추천"을 검색하는 팀의 문제의식은 대체로 같다. 고객 데이터가 GA, CRM, 결제 시스템, 광고 플랫폼에 흩어져 있고, 같은 고객이 시스템마다 다른 ID로 존재한다. 그런데 CDP 시장은 이름만 같을 뿐 하는 일이 전혀 다른 제품군이 섞여 있다. 어떤 CDP는 데이터 배관 공사에 가깝고, 어떤 CDP는 마케팅 자동화 스위트에 가깝다. 목적 정의 없이 계약부터 하면, 연 단위 비용을 쓰고도 "그래서 유저가 왜 이탈하는가"라는 질문에는 여전히 답하지 못하는 상태가 된다. 그래서 이 글은 제품 나열 대신 유형 비교와 선택 기준을 다룬다. 데이터 스택에서 CDP는 수집·통합·전송 계층이고, 그 위에 분석 계층이 따로 있다. 분석

코호트 분석이란? 코호트 분석은 특정 시점이나 특정 행동을 기준으로 묶인 사용자 그룹(코호트)의 행동을 시간 흐름에 따라 추적해, 리텐션과 이탈이 왜 일어나는지 원인을 파악하는 분석 방법이다. 코호트 분석은 왜 전체 평균 지표보다 유용할까? 전체 사용자의 평균 리텐션율만 보면 문제가 어디서 생기는지 알 수 없기 때문이다. "이번 달 활성 사용자 30% 감소"라는 숫자는 결과일 뿐, 원인을 말해주지 않는다. 어떤 달에 가입한 사용자가 유독 빨리 이탈했는지, 특정 기능을 쓴 사용자와 안 쓴 사용자의 리텐션이 얼마나 차이 나는지는 전체 평균으로는 보이지 않는다. 코호트 분석은 이 평균을 쪼갠다. 가입 시점, 유입 채널, 특정 행동 여부 같은 기준으로 사용자를 그룹화하고, 그룹별로 시간이 지나며 얼마나 남는지를 비교한다. 그 결과 "왜 줄었는가"에 대한 실마리가 나온다. 코호트는 어떤 기준으로 나눠야 할까? 가장 널리 쓰는 기준은 두 가지다. 하나는 가입일이나 첫 결제일 같은

믹스패널 앰플리튜드 가격 비교란? 믹스패널(Mixpanel)과 앰플리튜드(Amplitude)의 플랜별 요금 체계, 이벤트 초과 단가, 부가 기능 포함 범위를 나란히 놓고 팀의 월간 이벤트 규모에 따른 실질 총비용(TCO)을 산출하는 분석이다. 두 툴 모두 이벤트 기반 과금이지만, 무료 구간 한도와 초과 단가 공개 여부에서 구조적 차이가 있다. (2026년 7월 공식 pricing 페이지 기준) 비교 전에 먼저 믹스패널의 플랜 구조와 이벤트 기반 과금 방식을 처음 접한다면 믹스패널 가격 플랜 상세 가이드를 먼저 확인하자. 이 글은 그 내용을 전제로, 앰플리튜드와 직접 맞대어 플랜별 포함 기능과 규모별 실제 비용이 어떻게 달라지는지를 계산한다. 가격표만 보면 두 툴이 엇비슷해 보인다. 둘 다 이벤트 기반 과금이고, 무료 플랜을 제공하며, 규모가 커지면 유료로 전환하는 구조다. 그런데 무료 구간 이벤트 한도, 초과 단가 공개 여부, 부가 기능 묶음 방식에서 차이가 생긴다. 그 차이

시나리오 3. 시리즈 A 전후 스케일업 (MAU 50,000~150,000) 팀이 커지고 PM, 마케터가 분석 툴을 직접 쓰기 시작하는 시점이다. 비용도 본격적으로 올라간다. 항목 케이스 C (MAU 50,000) 케이스 D (MAU 100,000) 사용자당 월 이벤트 (가정)100개100개 월간 총 이벤트 추정500만1,000만 100만 초과분400만900만 계산 ($0.28/1K 이벤트)4,000 × $0.289,000 × $0.28 월 예상 비용 (Growth)약 $1,120약 $2,520 SOURCE · Growth 플랜 이벤트 단가 $0.28/1K | Mixpanel 공식 Pricing 페이지 (2026.07) ↗ 원문 이 구간에서 볼륨 할인이 적용될 수 있다. 공식 사이트의 가격 계산기에서 이벤트 수를 직접 입력하면 예상 금액을 확인할 수 있다. MAU 100,000 수준이라면 Enterprise 플랜 견적도 함께 받아 비교하는 것이 합

BI 툴 vs 프로덕트 애널리틱스란? BI 툴(Business Intelligence Tool)은 기업의 매출·운영·재무 데이터를 여러 소스에서 연결해 집계·시각화하는 도구이고, 프로덕트 애널리틱스(Product Analytics)는 웹·앱 사용자의 행동 이벤트를 개인 단위로 실시간 수집·분석해 제품 개선과 성장 의사결정을 지원하는 전문 분석 도구다. 두 범주는 대시보드를 보여준다는 공통점이 있지만, 설계 철학과 답할 수 있는 질문의 종류가 근본적으로 다르다. 비슷해 보이는 두 가지 툴, 무엇이 다른가 PM이나 데이터 분석가라면 한 번쯤 이런 상황을 겪어봤을 것이다. 태블로(Tableau)로 멋진 대시보드를 만들었는데, "이 퍼널에서 3단계에 도달한 사용자가 왜 4단계로 가지 않았나요?"라는 질문이 나오는 순간 막힌다. 반대로 믹스패널(Mixpanel) 퍼널을 보고 있는데, "그럼 이 코호트의 실제 매출 기여는 얼마야?"라고 물어오면 역시 멈춘다. 두 툴이 문제가 있는 게 아