[개인 프로젝트] 장바구니 담기 전환 데이터 분석 & 개선안 제안 - 회고

 

과제 최종 결과물

[20260617]_권민정__장바구니_전환율_개선_제안 (1).pdf

7.82MB

 

 

이번 과제는 PDP에서 장바구니 담기로 이어지는 전환율을 높이기 위해,

데이터를 기반으로 문제를 정의하고 개선안을 제안하는 프로젝트였다.

 

단순히 어떤 기능을 추가하면 좋을지를 고민하는 것이 아니라,
어떤 사용자의 어떤 행동이 장바구니 전환과 연결되는지 데이터를 통해 확인하고,
그 결과를 바탕으로 핵심 문제 정의, 가설 수립, MVP 실험 설계까지 진행했다.

 

---

KPT 회고

Keep. 계속 가져가고 싶은 점

1. 기능보다 데이터를 먼저 본 점

이번 과제에서 가장 좋았던 점은 처음부터 해결책을 정하지 않았다는 것이다.

목표 KPI가 상세페이지 → 장바구니 담기 전환율로 정의 되어 있었고, 페르소나를 먼저 선정한 뒤 해당 페르소나의 특성을 분석했다.
그리고 어떤 사용자군에서 전환 병목이 발생하는지, 왜 발생하는지 데이터로 확인했다.

---

2. 상관관계를 인과관계로 단정하지 않으려 한 점

분석 과정에서 리뷰 클릭 여부와 장바구니 전환율 사이에 큰 차이가 있었다.

리뷰를 클릭한 사용자의 장바구니 전환율은 리뷰를 클릭하지 않은 사용자의 장바구니 전환율보다 4배 가량 높았다.

하지만 이를 바로 “리뷰를 클릭하게 만들면 반드시 전환율이 오른다”라고 단정하지 않았다.

리뷰를 클릭한 사용자는 원래 구매 의도가 높았을 가능성도 있고,
반대로 리뷰를 확인하면서 구매 확신을 얻었을 가능성도 있다.

이처럼 데이터가 보여주는 것과, 데이터만으로는 알 수 없는 것을 구분하려고 노력했다.

앞으로도 데이터를 해석할 때는 데이터가 실제로 말해주는 것과 추가 검증이 필요한 것을 나누어 봐야겠다고 느꼈다.

---

3. 문제 정의를 기능 제안보다 먼저 잡은 점

고가 상품 구매 리스크를 낮추는 판단 정보가 PDP 안에서 사용자 관점의 구매 의사결정 흐름에 맞게 충분히 구조화되어 있지 않아, 사용자가 장바구니에 담기 전 구매 확신을 얻지 못하는 것이다.

 

단순히 문제 현상에 대해 해결하기 위한 기능을 제안하는게 아닌 문제 근본 원인을 깊게 파고들어 핵심 문제를 정의했다.

따라서 사용자가 왜 장바구니에 담지 못하는지, 그 이유를 구매 확신 형성 실패라는 관점에서 설명할 수 있었다.

---

4. 최종 개선안을 MVP로 줄인 점

최종 개선안은 PDP의 정보 구조를 구매 판단 순서에 맞게 재구성하는 것이었다.

완성형 기능을 만드는 것보다 먼저 정보 구조 개선이 실제 장바구니 전환율 개선으로 이어지는지 검증하는 것이 중요했기 때문에

1차 MVP에서는 핵심 기능이면서 간단하게 제품에 반영할 수 있는 범위로 제한하여 실험을 진행하기로 했다.

---

 

Problem. 아쉬웠던 점

1. 중간에 해결책이 먼저 커지는 순간이 있었다

분석을 하다 보니 리뷰 진입 버튼 강화, 리뷰를 구매 판단 질문 중심으로 재배치, 구매 리스크 점검 모듈 추가 등 다양한 해결책이 떠올랐다.

하지만 중간부터 “이 기능이 지금 가장 먼저 검증해야 할 문제와 직접 연결되는가?”를 다시 점검해야 하는 순간이 생겼다.

좋은 아이디어가 떠오를수록 오히려 조심해야 한다는 것을 느꼈다.

기능이 커질수록 기획은 그럴듯해 보일 수 있지만, 핵심 문제에서 멀어지면 실험의 초점이 흐려질 수 있다.

---

2. 프레임워크의 역할이 일부 섞였다

이번 과제에서는 RICE, Kano, Value/Effort 프레임워크를 모두 활용했다.

각 프레임워크는 분명 도움이 되었지만, 중간에는 각각의 역할이 조금 섞이면서 우선순위 판단이 헷갈리기도 했다.

RICE는 데이터 기반으로 우선순위를 정량화하는 데 사용하고,
Kano는 사용자 기대 관점에서 기능의 성격을 판단하는 데 사용하고,
Value/Effort는 실행 우선순위를 빠르게 정리하는 데 사용하는 것이 적절하다.

앞으로는 프레임워크를 많이 쓰는 것보다, 각 프레임워크를 왜 쓰는지 먼저 명확히 하고 사용해야겠다고 느꼈다.

---

3. 실험 표본 수에 대한 이해가 더 필요했다

실험 설계 단계에서 표본 수를 계산할 때, 현재 데이터 205명을 기준으로 표본 수를 생각하려는 흐름이 있었다.

하지만 A/B 테스트에서 중요한 것은 단순 설문 표본 수가 아니라,
전환율 차이를 검증할 수 있을 만큼의 실험군과 대조군 규모다.

현재 전환율이 32.5%이고, 목표 개선폭이 +4~6%라면 생각보다 훨씬 큰 표본이 필요할 수 있다.

실험 설계를 할 때는 현재 전환율, 목표 개선폭, 신뢰수준, 검정력을 기준으로 표본 수를 더 정확히 판단해야 한다.

---

4. 정해진 기간 내에 결과물을 만드는 데 시간 및 리소스 분배를 효율적으로 하지 못했다

과제를 수행하면서 중간중간 특강도 듣고, 아티클카타도 진행하면서

새롭게 알게 되었던 점, 흥미로워 더 알고 싶었던 점 등에 대해 

더 깊이 탐구하고 내용을 정리하는 데 시간과 리소스를 너무 많이 썼다.

이에 따라 정해진 기간 내에 과제를 완료 하는 데 시간이 촉박하게 느껴졌고,

마감 기한이 임박해서는 결과물에 대해 최종 검수 및 다듬기를 진행할 수 없었다.

---

 

Try. 다음에 시도할 점

1. 가설을 세우기 전에 지금 검증할 문제를 먼저 고정하기

지금 가장 먼저 검증해야 할 핵심 문제는 무엇인가 -> 해결책보다 문제를 먼저 고정

이 기능은 그 문제를 직접 해결하는가 -> 아이디어가 핵심 문제에서 벗어나지 않도록

이 기능 없이도 가설 검증이 가능한가 -> MVP 범위를 최소화

이 기능은 1차 실험용인가, 후속 고도화용인가 -> 기능 우선순위를 분리

 

 

2. 프레임워크를 쓰기 전에 왜 쓰는지 먼저 정의하기

프레임워크	사용할 목적
RICE	데이터 기반으로 문제 또는 기능의 우선순위를 정량적으로 비교하기
Kano	사용자 기대 관점에서 해당 기능이 기본 기대인지, 만족을 높이는 요소인지 판단하기
Value/Effort	실행 관점에서 어떤 가설을 먼저 실험할지 빠르게 정리하기
MVP 범위 산정	1차 실험에 넣을 기능과 후속으로 미룰 기능을 결정하기

 

 

앞으로는 여러 프레임워크를 사용하더라도 마지막에는 하나의 결론표로 합치려고 한다.

가설	데이터 근거	사용자 기대	임팩트	공수	최종 판단
[가설 1]	[ ]	[ ]	[ ]	[ ]	[ ]
[가설 2]	[ ]	[ ]	[ ]	[ ]	[ ]
[가설 3]	[ ]	[ ]	[ ]	[ ]	[ ]

 

이렇게 정리하면 프레임워크를 많이 사용하더라도 결론이 흐려지지 않을 것 같다.

 

 

3. A/B 테스트 표본 수는 현재 데이터 수가 아니라 검증하고 싶은 변화폭 기준으로 계산하기

이번 실험 설계에서 현재 분석 데이터 205명을 기준으로 표본 수로 생각했다.

하지만 조사해보니 A/B 테스트에서 더 중요한 것은 단순히 현재 데이터가 몇 명인지가 아니라,

전환율 차이를 검증할 수 있을 만큼 실험군과 대조군의 표본이 충분한지이다.

 

항목	확인 내용
현재 전환율	기준이 되는 전환율은 몇 %인가?
목표 개선폭	몇 % 개선을 검증하고 싶은가?
실험군/대조군 규모	각 그룹에 몇 명이 필요한가?
실험 기간	필요한 표본이 모이려면 얼마나 걸리는가?
통계적 의미	필요한 표본이 모이려면 얼마나 걸리는가?
실무적 의미	통계적으로 유의하더라도 비즈니스적으로 의미 있는 크기인가?

 

 

4. 객관적으로 우선순위를 판단하여 후순위에 완벽주의를 적용하지 않는다.

헷갈리는 지점이나 잘 모르는 개념에 깊게 파고드는 것은 좋지만.. 시간은 항상 촉박하다.

그렇다고 명확하지 않은 상태로 지나치는 것은 건강하지 않은 습관인 것 같다.

 

앞으로는 다음과 같이 의사결정을 해보려 한다.

1. 지금 의사결정에 직접 영향을 주는 개념인가? → 바로 확인

2. 지금 결과물의 품질이나 방향을 크게 바꿀 수 있는 개념인가? → 일정 시간을 정해두고 확인

3. 알면 좋지만 지금 당장 핵심은 아닌가? → 질문 목록에 남기고 나중에 학습

4. 10분 안에 1차로 이해 해보고, 이해도가 부족하면 “현재 이해한 수준”과 “추가 확인이 필요한 부분”을 분리해 놓고 일단 다음 단계로 넘어간다.