G마켓 홈 화면 코너 발견성 개선: 데이터로 검증한 사용자 경험 개선 프로젝트

“슈퍼딜이 뭐지?” - 사용자 입장에서 발견한 문제를 A/B 테스트로 검증하고, 비즈니스 임팩트까지 계산한 PM 포트폴리오

📌 목차

1. 왜 이 프로젝트를 시작했나요?
2. 문제를 어떻게 발견했나요?
3. 가설을 어떻게 세웠나요?
4. 어떻게 검증했나요?
5. 결과는 어땠나요?
6. 비즈니스에 어떤 영향을 줄 수 있나요?
7. 이 과정에서 무엇을 배웠나요?

1. 왜 이 프로젝트를 시작했나요?

G마켓 Browsing PM 직무 이해

G마켓 홈/버티컬코너 PM 채용 공고를 보면서 핵심 업무가 무엇인지 파악했습니다:

✅ 홈 및 버티컬 코너 영역의 사용자 경험 개선
✅ 사용자 행동 데이터 기반 분석
✅ A/B 테스트 등 실험 기반 개선
✅ 개발, 디자인 등 유관 부서와 협업

단순히 “PM이 되고 싶다”가 아니라, “내가 이 직무에서 실제로 어떤 일을 할 수 있는지” 경험해보고 싶었습니다. 그래서 실제 업무와 최대한 비슷한 프로젝트를 직접 만들어보기로 했습니다.

실제 서비스를 사용자 관점에서 분석

가장 먼저 한 일은 G마켓 앱을 직접 써보는 것이었습니다. 단순히 쇼핑하는 게 아니라, PM처럼 생각하면서 사용했습니다:

• 홈 화면을 볼 때 어떤 코너가 눈에 띄는가?
• 각 코너의 이름을 보고 무엇을 할 수 있는지 바로 이해되는가?
• 다른 경쟁사와 비교하면 어떤 차이가 있는가?

이런 질문들을 하면서 자연스럽게 문제를 발견하게 되었습니다.

2. 문제를 어떻게 발견했나요?

경쟁사 벤치마킹: G마켓 vs 쿠팡

G마켓과 쿠팡 앱을 동시에 켜놓고 홈 화면을 비교했습니다.

📱 G마켓 홈 화면:

[슈퍼딜] [오늘은] [스타배송 카테고리]

솔직한 첫 반응:

• “슈퍼딜이 뭐지? 딜(Deal)인 건 알겠는데… 슈퍼는?”
• “오늘은… 오늘은 뭐? 문장이 안 끝난 것 같은데?”
• “스타배송 카테고리? 배송인가 상품인가?”

📱 쿠팡 홈 화면:

[반짝세일] [골드박스 (하루특가)] [로켓배송]

느낌:

• “반짝세일 - 아, 지금 세일하는구나!”
• “골드박스 (하루특가) - 오늘만 특가구나, 괄호로 설명까지 친절하네”
• “로켓배송 - 빠른 배송이구나”

문제 정의

이 차이를 보면서 핵심 문제를 발견했습니다:

G마켓의 코너명이 추상적이어서, 사용자가 코너의 의미를 이해하지 못하고 클릭하지 않는 것 같다.

PM 용어로 표현하면, 이것은 “발견성(Discoverability)” 문제입니다. 좋은 상품과 할인이 있어도, 사용자가 그 존재를 모르면 의미가 없습니다.

왜 이게 중요한 문제일까?

사용자 여정을 그려봤습니다:

1. 홈 화면 진입 
   ↓
2. 코너 발견 ❓
   ├─ 이해함 → 클릭 → 상품 발견 → 구매 ✅
   └─ 이해 못함 → 스킵 → 검색으로 이동 → 기회 손실 ❌

코너명이 불명확하면:

• 사용자는 코너를 클릭하지 않음
• 할인 상품을 발견하지 못함
• 결국 매출 기회를 놓침

3. 가설을 어떻게 세웠나요?

가설 수립

발견한 문제를 검증 가능한 가설로 만들었습니다:

H0 (귀무가설):

코너명의 명확성은 클릭률(CTR)에 영향을 미치지 않는다.

H1 (대립가설):

명확한 코너명이 모호한 코너명보다 클릭률이 높다.

실험 설계

Before (기존):

• 코너명: “슈퍼딜”
• 문제: 추상적, 의미 불분명

After (개선안):

• 코너명: “오늘의 특가 (24시간 한정)”
• 개선: 명확한 혜택 + 긴급성

왜 이렇게 바꿨을까?

1. “오늘의 특가” - 무엇을(특가), 언제(오늘) 제공하는지 명확
2. (24시간 한정) - 긴급성을 주어 “지금 봐야겠다”는 동기 부여
3. 쿠팡의 “골드박스 (하루특가)”를 벤치마킹

CTR 수치는 어떻게 정했나요?

이 부분이 중요한데, 솔직하게 말씀드리겠습니다. 실제 G마켓 데이터가 없기 때문에, 업계 자료를 참고해서 합리적으로 가정했습니다.

참고한 자료:

1. WordStream (2023) - “Google Ads Industry Benchmarks”
   • 이커머스 평균 CTR: 2.69%
   • 상위 25%: 5.87%
2. Nielsen Norman Group 연구
   • 명확한 라벨이 모호한 라벨 대비 높은 성과

보수적으로 설정:

기존 (슈퍼딜): 2.8% CTR
개선 (오늘의 특가): 7.0% CTR
→ 약 2.5배 개선 가정

중요: 이 수치는 “실제 데이터”가 아니라 “합리적 가정”입니다. 실제 G마켓에서 테스트한다면 다른 결과가 나올 수 있습니다. 하지만 A/B 테스트 방법론과 데이터 분석 프로세스는 동일하게 적용 가능합니다.

4. 어떻게 검증했나요?

A/B 테스트 설계

실험 조건:

• 대상: 가상의 G마켓 홈 화면 방문자
• 기간: 지속적 (데이터 수집)
• 분배: 50% → Variant A (슈퍼딜), 50% → Variant B (오늘의 특가)
• 측정 지표: 클릭률(CTR), 체류시간

왜 50:50으로 나눴나요?

• 공정한 비교를 위해
• 충분한 샘플 확보
• 편향 제거

데이터 수집 및 분석

실제로 이 프로젝트를 검증하기 위해 실시간 데이터 파이프라인을 구축했습니다. (기술 스택: Kafka, Spark, Redis 등을 사용했지만, 중요한 건 “왜” 이렇게 했는지입니다)

왜 실시간 파이프라인을 만들었나요?

PM으로서 중요한 건 “빨리 배우는 것”입니다:

• A/B 테스트 결과를 실시간으로 확인
• 문제가 있으면 빠르게 조정
• 데이터 기반으로 빠른 의사결정

데이터 흐름:

사용자 클릭 → 이벤트 발생 → 실시간 집계 → 통계 분석 → 결과 확인

통계적 검증: Chi-square Test

단순히 “B가 더 높네!”로 끝나면 안 됩니다. 통계적으로 유의미한지 검증해야 합니다.

Chi-square Test란?

• 두 그룹 간의 차이가 “우연”인지 “실제 차이”인지 판단하는 방법
• p-value < 0.05면 “실제 차이가 있다”고 판단

왜 필요한가?

예를 들어:

• A: 10명 중 1명 클릭 (10%)
• B: 10명 중 2명 클릭 (20%)

B가 2배 높지만, 샘플이 너무 적어서 우연일 수 있습니다. 하지만:

• A: 1,000명 중 100명 클릭 (10%)
• B: 1,000명 중 200명 클릭 (20%)

이 정도면 “실제로 B가 더 좋다”고 확신할 수 있습니다.

5. 결과는 어땠나요?

실험 결과 (시뮬레이션)

약 2,000개의 샘플을 수집한 결과:

📊 핵심 지표:

통계적 검증 결과

Chi-square 통계량: 15.29
p-value: 0.0001
신뢰도: 99.99%

✅ 결론: 통계적으로 매우 유의미한 차이

무슨 뜻인가요?

p-value 0.0001은 “이 차이가 우연일 확률이 0.01%”라는 뜻입니다. 즉, 99.99% 확률로 실제로 Variant B가 더 좋다는 의미입니다.

정성적 인사이트

숫자 뒤에 숨은 사용자 행동을 해석해봤습니다:

Variant A (슈퍼딜):

• 평균 체류시간 3.73초
• 해석: “이게 뭔지 잘 모르겠네, 넘어가자”

Variant B (오늘의 특가):

• 평균 체류시간 9.14초 (+145%)
• 해석: “오, 오늘 특가구나! 뭐가 있을까?”

인사이트:

사용자는 명확한 혜택을 바로 이해할 수 있을 때, 더 오래 머물고 더 많이 클릭한다.

6. 비즈니스에 어떤 영향을 줄 수 있나요?

PM으로서 가장 중요한 질문입니다: “그래서 이게 비즈니스에 얼마나 도움이 되나요?”

비즈니스 임팩트 계산

가정:

일 방문자: 100,000명
코너 노출률: 85% (방문자의 85%가 코너를 봄)
클릭 → 구매 전환율: 2.3%
평균 구매액: $18

계산 과정:

Step 1: CTR 개선으로 인한 추가 클릭 계산

일 코너 노출: 100,000 × 85% = 85,000회

기존 클릭: 85,000 × 2.6% = 2,210회
개선 클릭: 85,000 × 6.28% = 5,338회

일 추가 클릭: 5,338 - 2,210 = 3,128회

Step 2: 클릭에서 구매로 전환

일 추가 구매: 3,128 × 2.3% = 72건
월 추가 구매: 72 × 30 = 2,160건
연 추가 구매: 72 × 365 = 26,280건

Step 3: 매출 계산

일 추가 매출: 72 × $18 = $1,296
월 추가 매출: $1,296 × 30 = $38,850
연 추가 매출: $1,296 × 365 = $472,672

최종 비즈니스 임팩트

💰 예상 추가 매출:
- 월간: $38,850
- 연간: $472,672

📈 트래픽 개선:
- 일 추가 클릭: +3,128회
- 연 추가 클릭: +1,141,720회

✅ ROI:
- 개발 비용: 낮음 (코너명만 변경)
- 유지 비용: 거의 없음
- 투자 대비 효과: 매우 높음

중요: 이 수치는 “가정”에 기반한 시뮬레이션입니다. 실제 G마켓에서는 다를 수 있지만, 이런 식으로 PM이 비즈니스 케이스를 만든다는 것을 보여드리고 싶었습니다.

7. 이 과정에서 무엇을 배웠나요?

PM으로서 성장한 부분

1. 사용자 입장에서 생각하기

처음엔 “슈퍼딜이라는 이름이 괜찮은데?”라고 생각했습니다. 하지만 실제로 앱을 쓰면서, 특히 쿠팡과 비교하면서, 사용자 입장에서 느끼는 불편함을 발견했습니다.

배운 점:

PM은 자신의 생각이 아니라, 사용자의 경험을 기준으로 판단해야 한다.

2. 데이터로 검증하기

“이렇게 하면 더 좋을 것 같아요”가 아니라, “데이터로 검증하면 A보다 B가 141% 더 좋습니다”라고 말할 수 있게 되었습니다.

배운 점:

직관도 중요하지만, 데이터로 뒷받침되어야 설득력이 있다.

3. 비즈니스 임팩트로 설명하기

단순히 “CTR이 올랐어요”가 아니라, “연간 $472K의 추가 매출을 기대할 수 있습니다”라고 비즈니스 언어로 번역할 수 있게 되었습니다.

배운 점:

PM은 기술과 비즈니스를 연결하는 역할이다.

프로젝트를 진행하며 겪은 어려움

1. “내가 맞나?” 하는 의구심

처음에는 “내가 발견한 문제가 정말 문제일까?”라는 생각이 들었습니다. 하지만 쿠팡과 비교하고, 업계 자료를 찾아보면서 확신을 얻었습니다.

극복 방법:

• 경쟁사 벤치마킹
• 업계 연구 자료 조사
• 가설 수립 및 검증

2. 실제 데이터가 없는 한계

G마켓의 실제 데이터를 볼 수 없으니, 모든 게 “가정”이 될 수밖에 없었습니다.

극복 방법:

• 신뢰할 수 있는 출처(WordStream, Nielsen Norman) 인용
• 보수적으로 추정
• “가정”임을 명확히 밝히기

배운 점:

한계를 인정하되, 그 안에서 최선을 다하면 된다.

3. 기술 구현의 어려움

실시간 데이터 파이프라인을 만드는 것이 쉽지 않았습니다. Docker, Kafka, Spark 등 처음 써보는 도구들이었습니다.

극복 방법:

• 하나씩 차근차근 학습
• 에러가 나면 구글링하고 해결
• 작동하지 않으면 단순한 버전부터 시작

배운 점:

PM도 기술을 이해해야 개발팀과 효과적으로 협업할 수 있다.

G마켓 Browsing PM 직무에 어떻게 적용할 수 있을까?

이 프로젝트를 통해 배운 것들을 실제 직무에 어떻게 적용할 수 있을지 생각해봤습니다:

1. 홈/버티컬 코너 UX 기획

✅ 사용자 관점에서 문제 발견 능력
✅ 경쟁사 벤치마킹 경험
✅ 개선안 도출 능력

2. 데이터 기반 분석

✅ A/B 테스트 설계 및 실행 경험
✅ 통계적 검증 방법 이해
✅ 결과 해석 및 인사이트 도출

3. 협업 및 커뮤니케이션

✅ 비즈니스 임팩트로 설득하는 법
✅ 데이터로 의사결정하는 법
✅ 기술팀과 소통하기 위한 기본 지식

마무리: 이 프로젝트를 왜 만들었나요?

PM은 문제를 발견하고, 가설을 세우고, 데이터로 검증하고, 비즈니스 임팩트를 만드는 사람이라고 생각합니다.

이 프로젝트는:

• ✅ 실제 서비스에서 문제를 발견했고
• ✅ 합리적인 가설을 세웠고
• ✅ A/B 테스트로 검증했고
• ✅ 비즈니스 임팩트를 계산했습니다

완벽하지 않습니다. 실제 G마켓 데이터가 아니고, 가정이 많습니다. 하지만 “PM이 어떻게 일하는지”를 스스로 경험하고 배웠습니다.

G마켓 Browsing PM이 되면, 이런 과정을 실제 데이터로, 실제 사용자와 함께, 실제 비즈니스 임팩트를 만들어내고 싶습니다.