레전드 오브 슬라임, 조직 전체의 데이터 리터러시를 향상하다
2023-07-01

Q. 자기소개 부탁드립니다.

안녕하세요 저는 로드컴플릿의 메가 마카롱 스튜디오에서 데이터 애널리스트를 맡고 있는 김정윤입니다.

­­

Q.ThinkingData가 귀하의 일상 업무에 어떤 변화를 가져왔나요?

ThinkingData는 저희 조직 전체의 데이터 리터러시를 향상시키는데 큰 도움을 주었습니다.

저희는 ThinkingData 도입 이전부터 데이터에 대한 큰 관심이 있었는데요. 데이터 분석이라는 업무 자체에 진입장벽이 있어서, 팀원들이 데이터를 쉽게 볼 수 없다는 것이 가장 큰 어려움이 아니었나 싶습니다. 아무래도 복잡한 데이터 분석을 진행하려다 보면 SQL이라는 프로그램의 언어를 알아야 되는데요. 그럴 때는 이제 보통 데이터 애널리스트를 통해서 데이터 요청을 하고, 분석을 진행하는 경우가 있는데 ThinkingData 같은 경우는 코드리스(codeless)로 데이터 분석을 진행할 수 있어서 팀원 모두가 간편하고 빠르게 데이터 분석을 진행할 수 있다는 것이 도입 이후에 가장 큰 변화였습니다.

아무래도 게임과 같은 방대한 데이터를 분석을 할 때에는 이제 유저들을 그룹별로 묶어서 자세하게 분석을 해야 될 때가 많은데요. 그럴 때는 이제 데이터 애널리스트가 직접 코드로 그 그룹들을 나누어주는 작업이 필요한데, ThinkingData같은 경우는 태그 만들기나 코호트 만들기 등의 기능을 통해서 쉽게 유저가 코드 없이도 다양한 그룹들을 만들고, 이에 대한 상세한 분석을 진행할 수 있었던 것이 가장 큰 장점이었습니다.

Q. 주로 ThinkingData를 통해 어떤 게임 지표들을 확인하시나요?

저희는 주로 인게임 데이터 마케팅 지표를 분석하고 있습니다. 인게임 데이터의 경우에는 유저의 로그인, 광고 시청, 분석 등의 모든 활동들을 기록하고 있고, 마케팅 데이터로는 이 유저가 어느 캠페인으로 들어왔는지를 기록하고 있는데요. ThinkingData는 이제 서드파티 인테그레이션이라는 기능을 통해서 인게임 로그와 마케팅 채널을 연결할 수 있기 때문에 저희는 이 분석을 진행할 때에 있어서 큰 도움을 받았습니다.

Q.ThinkingData의 가장 큰 장점은 무엇인가요?

제가 생각하는 ThinkingData의 장점은 크게 두 가지가 있는데요. 첫 번째는 이제 보고서 템플릿이 많다는 점입니다. 데이터 조직이 작은 기업 같은 경우에는 보고서 템플릿을 준비하는 작업 자체가 굉장히 큰 업무일 수 있는데요. ThinkingData같은 경우는 준비된 보고서 템플릿이 많아서 그 보고서 템플릿을 따라 하기만 해도 괜찮은 인사이트를 뽑아낼 수가 있습니다. 그리고 둘째는 태그, 코호트 기능을 통해서 유저를 상세하게 그룹별로 분석을 할 수 있다는 점입니다. 이때 조건부 코호트 같은 기능을 사용해서 예를 들어 첫날에 가입하고 특정 아이템을 구매한 유저를 하나의 그룹으로 묶어서 분석하고 싶을 때에는 이제 조건부텍 코호트 기능을 이용해서 쉽게 분석을 진행할 수 있습니다.

저희는 게임에 특정 이슈가 있을 때 이벤트 분석을 주로 활용을 합니다. 이벤트 분석은 이벤트의 트렌드를 분석할 때 아주 활용하기 좋은 분석 방법인데요. 이때 트렌드에 변화가 있는지를 관찰하고 이슈를 해결하는 데 사용하고 있습니다. 아무래도 ThinkingData는 데이터 애널리스트의 도움이 없이도 사업실, 개발실 할 거 없이 모두가 손쉽게 데이터를 분석을 할 수 있기 때문에 이로 인한 업무의 효율화가 큰 것 같습니다.

Q. ThinkingData 제품을 자주 사용하는 애널리스트로서, 제품 사용에 관한 많은 팁을 가지고 계실 텐데 이 부분에 대해 공유해 주실 수 있나요?

ThinkingData에는 크게 8가지 분석 기법이 있는데요. 저는 이 8가지 분석 기법에 대해서 자세하게 이해를 하고 사용하면 좋을 것 같다는 생각을 하고 있습니다. 예를 들어서 잔존 분석의 경우에는 보통의 경우 리턴 이벤트를 유저의 로그인으로 설정하여, 유저가 가입하고 어떠한 리텐션을 보이는지 분석할 때 사용이 되기도 하지만, 유저의 반복적인 행동을 분석할 때 큰 도움이 될 수 있어서 리턴 이벤트를 구매와 같은 이벤트로 설정하게 된다면, 이제 구매 리텐션을 분석할 수 있어서 다양하게 활용할 수 있다는 점이 제 개인적인 팁일 것 같습니다.

또한 저는 태그 기능을 이용해서 유저를 구매 성향에 따라 그룹별로 묶어서 분석을 진행하였는데요. 이때 고가치 유저의 플레이 패턴을 분석할 수 있어, 이들의 성향을 알아낼 수 있는 데 큰 도움이 되었습니다.데이터 분석 인원이 부족한 조직의 경우 사용하기 매우 좋은 툴이라고 생각합니다.

Q. 전하고 싶은 다른 말씀이 있으신가요?

조직 전체의 데이터 리터리시를 키우고 싶다면 ThinkingData를 사용하시는 걸 추천드립니다.

연관 아티클 보기