Rody's

토스의 Carrying Capacity (한계수용능력)이란 뭘까?

rody77 — Mon, 29 Jun 2026 21:26:50 +0900

토스 PO 세션 1~7편 총 정리

Carrying Capacity부터 Q&A까지 | 한 5달 전, 링크드인, 커리어리, 페이스북, 브런치, 서핏, 서플 등을 도배한 주제가 하나 있다. 바로 토스 이승건 대표가 유튜브를 통해 말한 Carrying Capacity (이하 C.C)다.

brunch.co.kr

< 토스의 C.C / 출처 - PUBLY >

오늘 다뤄볼 아티클은 한때 대한민국 기획자들을 떠들썩하게 했던

토스의 "Carrying Capacity (한계수용능력)" 에 관한 이야기이다.

2022년, 토스의 이승건 대표가 유튜브 채널을 통해 다소 생소한 개념을 소개한다.

"Carrying Capacity"

한계 수용능력이라는, 이 간단하고도 신기한 정량적 지표는

링크드인, 커리어리 등 기획 현직자 커뮤니티에서 금방 오르내리며 화제가 되었었다.

이번엔 위 아티클을 읽고 내용 요약과 인사이트를 정리해보려고 한다.

글을 읽기 전, 빠른 이해를 위한 용어정리

Carrying Capacity (C.C/ 한계수용능력),
Churn (이탈률), Inflow (유입),
MAU (월간활성사용자), PMF (제품-시장 적합성)

⚖️ C.C 란?

Carrying Capacity는 제품이 가지는 본질적인 체력에 대한 개념으로,
제품의 순수하게 유저를 모으는 힘의 능력을 뜻한다.
C.C는 광고와 마케팅을 걷어냈을 때 제품이 본질적으로 유지할 수 있는 유저 수의 한계치이며,
Inflow와 Churn 두 가지로 결정되고, 두 핵심 지표를 통해 제품의 본질적 체력을 진단하고 개선해야 한다.

Carrying Capacity를 구하는 공식은 다음과 같다.

< 내 노션 발췌 >

규모를 불문하고, 기업이란 항상 현재를 분석하고 미래를 설계한다.

그런데, Inflow 와 Churn 이라는 가장 기초적 수치를 사용하는 것만으로도
프로덕트 잠재력의 한계를 알 수 있다는 것이다.

< 개쩐다! >

와! 이렇게 쉽다고? 우리도 해볼까?

C.C를 도입하면 성장 한계점을 알게되고, 성과도 쉽게 측정 할 수 있겠네?

당연히 너도나도 할것없이 기업들이 Carrying Capacity 를 도입....

하지 않았다.

~~아니, 못했다고 해야 할까?~~

❌ 대부분의 기업이 Carrying Capacity 도입에 실패한 이유

토스 이승건 대표가 C.C 개념을 발표한 22년 당시, 데이터드리븐이 정착하지 못한 기업들이

이 달콤한 꿈같은 지표를 배끼기 위해 무작정 뛰어든 경우가 많았다.

우리도 이런 지표 하나 만들어보자고, 만들어 오라고,

상부에서, 팀 내부에서 다양한 의견이 쏟아졌다고 한다.

그렇게 기획자들이 수없이 매달려온 결과 나온 해답은?

이건 토스에만 해당하는 이론이네...

예를 들어 어느 이커머스는 결제전환율이 더 중요함에도 리텐션에 집중하는 C.C 이론을 도입하면서 실패하는 등

도메인마다, 기업마다 핵심 지표가 달라도 너무 달랐다.
따라서 대부분의 기업은 "우리와 핏이 맞지 않는, 토스전용 이론"이라고 결론을 내렸고

그렇게 C.C라는 주제는 사장된 이론으로서 받아들여지게 된다.

❓ Aha Moment에 대하여

토스 이승건 대표가 Carrying Capacity를 공개하면서 동시에 소개한 지표가 하나 더 존재한다.
C.C라는 성장 한계치 벽에 MAU가 도달했을 때 성장은 멈추게 될 것이고,
이때 남은 유저들의 공통적 특징을 Aha Moment라고 한다.

Aha Moment 중 가장 중요한 요소는 "리텐션"이다.
특히, 리텐션은 PMF를 찾은 후 AARRR을 역순(Retention → Activation → Acquisition)으로 개선해야 한다.
리텐션이 잡히지 않은 상태에서 광고와 마케팅을 태우는 것은 밑 빠진 독에 물 붓기이기 때문이다.

유저가 서비스의 핵심 가치를 경험하는
가장 결정적 순간인 Aha Moment를 정량적으로 정의하는 것이 리텐션 개선의 출발점이며,

Activation 개선도 Aha Moment를 더 빠르고 많이 경험하게 만드는 방향으로 이루어져야 한다.

이때 주의할 점으로, Aha Moment 선정은 반드시 PMF와 Retention이 확보된 상태에서 진행해야 한다.

느낀점은?

아무리 광고나 마케팅을 잘해서 일시적으로 트래픽을 발생시킨다고 해도

C.C가 개선되지 않는 한 MAU가 C.C라는 평형점으로 돌아오게 되어있다는 이론이 흥미로웠다.

게다가 이러한 C.C를 정확하게 측정하기 위해서는 특정 기간동안 광고나 마케팅을 꺼야한다는 부분은

기업 입장에선 생각보다 매우 도전적이고 리스크가 큰 일이 아닐까? 라는 생각이 들었다.

그리고 제품 수가 매우 적은 스타트업 및 스몰 브랜드들이나,
구조적으로 유저의 리텐션이 길 수밖에 없는 기업 (여행사 등)은

리텐션 주기를 매우 길게 잡는 경우가 대부분이므로

Carrying Capacity 지표를 유의미하게 사용하기 힘들겠다고 생각했다.

따라서 Carrying Capacity 지표를 활용할 수 있는 기업은 매우 극소수일 것이다.

✅ 결론

다시 정리하지만, Carrying Capacity와 Aha Moment의 개념은
현재 토스 외엔 대부분의 기업이 사용하지 않는다.

Aha Moment 의 경우 링크드인, 원티드, 페이스북 정도만 사용한다고 한다.

따라서 흥미본위로 이론에 대해 얕게 훑어보았고, 재미있는 이론이라고 생각하면서 지나가기로 했다.

[배달의민족 역기획 프로젝트] 팀 프로젝트에 앞서, 역기획이란?

rody77 — Mon, 29 Jun 2026 17:59:10 +0900

지난 2주간 블로그 글 업데이트를 하지 못했다...

팀원들과 함께 역기획 프로젝트를 진행했는데,

각 단계마다 쉽사리 의견조율이 되지 않아서
하루 대부분을 사용하고도 시간이 부족하고, 지쳤던 관계로

프로젝트가 전부 끝난 오늘부터 차근차근 회고 겸 정리를 해보려고 한다ㅠㅠ

1. 역기획이란?

역기획은 이미 성공한 프로덕트의 훌륭한 레퍼런스를 해체해 보며

논리적 사고 능력을 키우는 활동이다.
서비스기획자를 목표로 프로세스 전반을 종합적으로 수행해보며
관심 있는 서비스가 어떤 사용자 문제를 풀고 있는지, 비즈니스 모델은 무엇인지
이해해 볼 수 있다.

< 2026년 카카오 신입 크루 공체 과제 >

다양한 기업의 서비스기획자 채용공고에서는 사전 과제를 요구한다.
'자사 프로덕트'의 문제점과 개선점을 묻고,
이를 해결할 수 있는 역량을 가진 주니어&경력자를 곧바로 실무에 투입하기 위함이다.

이때 우리는 과제를 수행하기 위해
주어진 데이터 없이 프로젝트의 역기획을 진행해야만 한다.

요점은, 데이터 없는 역기획으로 기업이 현재 고민하는 문제의 효과적인 해결방안을 제시해야
채용으로 이어질 수 있다는 것이다.

⚙️ 2. 상황 설정

배달의민족 성장을 위해 성장TF가 구성되었으며,
여러분은 해당 TF의 PM으로 발령받았습니다.
비즈니스 방향성과 같은 방향의 전략을 제안해주세요.

<비즈니스 방향성>
배민클럽, 멤버십 경쟁에서 앞서갑니다

멤버십은 장기 고객을 붙잡고,
객단가를 높이는효과적인 수단입니다.
우리는 배민 클럽을 더 매력적으로 만들 필요가 있습니다.

이 상황을 설정하면서 가장 먼저 든 생각은,

성장 TF의 PM 이므로 기업 이익 상승 등의 비즈니스 측면이 강하게 고려되어야 한다는 점이었다.
또한 주어진 데이터가 없이 진행하므로
문제 정의를 위한 리서치 데이터(리뷰데이터, 시장 데이터, 경쟁사 조사) 가 핵심적 역할을 할 것 같았다.

위와 같은 상황에서, 전사적 비즈니스 방향성을 고려한
멤버십 서비스의 UX개선 기획을 시작하였다.

3. 회고

프로젝트에 관한 최종 인사이트는

진행 과정을 전부 포스팅 한 이후에 다시 정리할 예정이므로

이곳에서는 프로젝트 외적 사건들을 회고해보기로 한다.

데이터 리서치 과정까지만 해도 팀원들과 역할분담이 이루어져

나름 순탄하게 흘러갔으나... 진정한 난관은 문제정의 과정이었다.

리서치 데이터로부터 발견된 문제 정의가 총 3개였고...

문제를 주장하는 3명 모두 설득력 있는 근거를 제시했기 때문에

문제 정의 과정을 조율하고 합의점을 도출하는데만 하루하고도 반나절(...)이 걸렸다! ㅋㅋㅋ

그래도 팀원 6명 모두 적극적으로 끝까지 맡은 바 임무를 충실히 해주어 감사했다.
막판에 시간이 부족해서 다같이 발을 동동 구르는 와중에도, 퀄리티를 조금이라도 높여보겠다고

자진해서 개인시간을 투자하여 추가 정리를 하는 등 정말 감사한 분들이였다.

사육사 분들 감사했고, 재미있는 프로젝트였습니다!

다음 포스팅부터는

목표 및 타겟 설정 → 문제 정의 → 가설 수립 → 해결방안 정리 → KPI 검증 및 기대효과 → CBT 시나리오
순서로 이어지는 프로젝트 전반을

단계별로 나누어 정리해보려고 한다.

[네이버 플러스 스토어 개선] 마감과 피드백

rody77 — Wed, 10 Jun 2026 21:36:11 +0900

오늘은 기존에 진행했던

『네이버 플러스 스토어 개선』 활동을 최종적으로 마감하고

현직 PM 멘토님의 피드백을 받아보았다.

[네이버 플러스 스토어 개선 노션링크]

네이버_스토어_UX개선 (서정진) .pdf

6.77MB

<내가 작성한 네이버 스토어 개선 활동 첨부>

멘토님은 "서비스기획"에 막 입문하여 학습하는

나의 환경을 감안하여 피드백 해주신 점을 유념하자.

잘한 점에 대하여

< 정리했던 출시 배경과 차별점 >

1. 네이버플러스 스토어의 서비스 맥락(출시 배경, 기존 스마트스토어와의 차별점)을

먼저 정리하고 분석을 시작한 점이 돋보입니다.

서비스 방향성과 철학을 이해한 뒤 문제를 바라보는 시각이 분석 전체에 일관되게 반영되어 있어,

단순 불만 나열이 아닌 구조적 맥락을 갖춘 기획 문서로 완성되었습니다.

< 5Whys 정리 부분 >

2. 5Whys 방법론을 세 가지 문제 모두에 충실히 적용하여

표면적 증상이 아닌 근본 원인을 도출한 점이 특히 인상적입니다.

'추천 로직 우선순위 과잉 할당', '내부 쿠폰 정책의 사용자 전가',

'단기 성과 중심의 데이터 편향' 등 구체적이고 논리적인 원인 분석이 이루어졌습니다.

< Impact-Effort Matrix 도표 부분 >

3. Impact-Effort Matrix를 활용한 우선순위 선정과

세 가지 해결 가설(노출 랭킹 재조정, 라벨 명확화, 상품명 표준화)의

예상 수치(CVR +8%, CTR -5% 등)까지 제시하며

기획의 완결성을 높인 점도 훌륭합니다.

개선할 점에 대하여

< 나뉘어야 할 카테고리를 합쳐놓아버렸다. >

1. 리뷰 데이터를 카테고리로 분류하여 분석한 점은 좋았습니다.

다만, ‘상품 검색 및 가격 비교’가 같은 카테고리에 묶여 있는 것이 적절한지는 조금 더 고민해볼만 합니다.

두 문제를 하나로 묶다 보니 문제 정의 단계에서도 엮어서 서술하는 부분이 종종 보이는데,

사실 상품 검색과 가격 비교는 근본 원인도, 솔루션도 다릅니다.

이로 인해 ‘검색 정확도가 떨어지고 가격 비교가 어려워 이탈한다’처럼

최종 문제 정의가 하나로 집중되지 못하고 다소 분산되는 느낌이 듭니다.

< 불만족 비율 산출공식에 만족 리뷰를 포함시키지 못했다. >

2. 리뷰 데이터 분석(2장)에서 불만족 비율 산출 방식이 '불만족 빈도 / 총 불만족 수 × 100'으로 표기되어 있는데,

이는 전체 리뷰 대비 비율이 아닌 불만족 내 구성비에 해당합니다.

전체 리뷰(만족 19개 + 불만족 39개 = 58개) 대비 각 카테고리 불만족 비율도 함께 제시한다면

데이터의 신뢰도와 해석의 정확성이 높아질 것입니다.

3. 우선순위에서 1순위로 꼽아주신 ‘상품 검색 및 가격 비교’의 리소스를 ‘보통’으로 잡아주셨는데

사실 검색 엔진이나 필터를 고도화하는 작업은 실무에서 생각보다 공수가 많이 드는 프로젝트일 수 있습니다.

단순히 작업 뿐만 아니라, 백엔드 로직 재설계부터 데이터 검증, QA 테스트까지 진행해야 하므로

일반적으로 리소스가 ‘높음’ 단계로 판단될 가능성이 큽니다.

< 해결가설 3을 요약한 이미지. 5번, 6번 피드백 모두 해당한다. >

5. 해결 가설3 에서 CVR +8%, 검색 정확도 +15% 등 수치를 제시하였으나,

해당 수치의 산출 근거나 가정 조건이 명시되지 않아 다소 아쉽습니다.

물론 실무 데이터를 알 수 없기 때문에 수치를 정하는 것이 어려운 것은 사실이나,

예를 들어 유사 사례, 업계 벤치마크 등을 덧붙이면 기획의 설득력이 크게 향상됩니다.

6. 가설 3의 경우, ‘일부 판매자가 과도한 키워드를 등록하고 상이한 상품명을 사용하여

사용자 의도와 다른 상품이 노출된다’는 현황을 제시해 주셨습니다.

다만 이 내용은 앞서 작성해 주신 문제 현상이나 원인 분석 단계에서는 언급되지 않았던 부분이라,

해결 가설 단계에서 다소 갑작스럽게 튀어나왔다는 느낌을 줍니다.

이러한 가설은 기획서 전체의 설득력을 떨어뜨릴 수 있으므로,

해결 가설은 반드시 앞단에서 정의한 문제와 원인으로부터 자연스럽게 도출되도록 흐름을 다듬어 주세요.

인사이트 정리

아직 의견을 뒷받침하는 "근거"를 논리적으로 설정하지 못하는 문제가 여실히 드러났다.

서비스 맥락 → 문제 정의 → 원인 분석 → 해결책이 하나의 논리적 흐름으로 연결되어야 하는데

개선 활동을 진행하면 할수록 논리력이 떨어졌던 것 같다.

그리고 앞으로는 근본 원인을 찾아내는 역량을 좀 더 기르기 위해

왜 (Why)를 충분히 고려하였는지 수시로 검토하면서

기획에 접근해야겠다.

나이키의 데이터 드리븐 전략은 왜 실패했는가?

rody77 — Wed, 10 Jun 2026 20:35:58 +0900

나이키가 당한 데이터 드리븐의 유혹

나이키에게 30조원 재앙을 부른 데이터 드리븐

나이키의 데이터 중심 전략이 왜 실패했을까요? 겉보기엔 데이터에 기반한 의사결정을 한 것 같았지만, 어떤 함정에 빠져 30조 원의 손실을 겪게 됐을까요? 측정 가능한 것의 함정을 깨닫고 따뜻

mustache-pm.blog

오늘 다뤄볼 아티클은 명실상부한 세계적 거대기업
"나이키"에 관한 이야기이다.

나이키는 의류 판매를 중심으로한 글로벌 스포츠웨어 브랜드으로서

세계 최고 수준의 물류 역량을 가지고 있다.

이러한 나이키도 한때 30조원의 막대한 손실을 입은 적이 있는데, 그 원인은 다름아닌

"데이터 드리븐"

이번엔 이 아티클을 읽고 내용 요약과 인사이트를 정리해보려고 한다.

데이터 드리븐이란?

데이터 드리븐을 한마디로 정리하자면 데이터 기반 의사결정이다.

즉, 객관적인 수치와 분석된 데이터를 바탕으로 의사결정을 내리고 행동하는 방식을 말한다.

과거에는 담당자의 경험이나 직관에 의존해 결정하는 경우가 많았지만,

데이터 드리븐 조직은 "감"보다 실제 측정된 데이터를 우선적으로 활용한다.

❌ 직관 기반

"이 버튼을 빨간색으로 바꾸면 클릭률이 올라갈 것 같아."

✅ 데이터 드리븐

"A/B 테스트 결과 빨간색 버튼의 클릭률이 12% 높게 나타났으므로 적용하자."

데이터 드리븐은

가설 → 데이터 수집 → 분석 → 의사결정 → 검증

의 과정을 반복 시행하여

문제 정의, 우선순위 설정, 가설 검증을 수행한다.

이때, 반드시 정량적 데이터(수치기반) / 정성적 데이터 (리뷰, 인터뷰 등) 을 함께 활용해야 한다.

✔️ 나이키가 실패한 이유는?

나이키는 온라인 시장의 데이터 분석에만 집중한 근시안적 전략으로

신규 고객과 일반 고객을 등한시해 큰 마케팅적 손실을 입었다.

기업은 성과지표를 올리기 위한 수단으로서 데이터 의존증의 유혹에 빠지기 쉽다.

데이터는 과거를 증명하고 미래를 예측하기 위한 도구이나,

지속해서 아이디어를 떠올려 전략에 적용하는 혁신적 사고방식을 완전히 배제해 버리는 경우

측정 데이터 중심 전략은 효율화, 비용 절감을 이유로

판단 근거에서 고객의 의향이 분리되어 버리는 최악의 문제를 야기하게 된다.

< 나이키는 신규 고객유치를 배제해버렸다. >

나이키의 경우에는 온라인 광고 알고리즘이 구매 내역 데이터에만 기반하여

동일 카테고리 상품을 지속적으로 노출하였는데,

그것은 이미 자사 제품을 애용하는 고객들에게만 대대적인 홍보를 한 셈이었다..!

신규 고객에게 나이키의 신제품은 선뜻 구매하기 어려운 제품이 되었고

마케팅은 이해하기 어려웠으며, 시장은 점점 경직화되었다.

데이터 드리븐의 전사적 도입이라는 성과에 취해 누구하나 문제를 파악하지 못한 것이다.

느낀점은?

기획을 공부하며 데이터에 근거한 기획이 설득력이 크다는 말을 많이 들었다.

하지만 혁신적 사고방식을 완전히 배재하고 데이터에 의존해버리는 경우,

아이디에이션을 받쳐주는 데이터가 아니라

잘못된 데이터를 추종하는 아이디어가 될 수도 있다는 사실을 알게 되었다.

✅ 결론

눈앞의 기업 성과 지표에 갇혀 근시적 시야를 갖지 않도록,

끊임 없이 사고하고 의심하는 기획자적 사고를 가져야 할 것 같다.

기획자의 소프트스킬 - 킥오프, 정보공유, 회고를 알아보자!

rody77 — Tue, 9 Jun 2026 14:25:29 +0900

프로젝트를 기획자의 입장에서 3단계로 분리한다면

크게 킥오프 / 정보공유-관리 / 회고 로 나눠질 것이다.

이는 프로젝트 진행 중 팀원들의 목표를 하나로 모아주는

중요한 단계들이다.

<나와 타인은 완전히 다르다.>

"나와 저사람은 다르다"

기획자가 가장 유념해야 할 상식이다.

나는 개발자와 다르고, 나는 디자이너와 다르고,

나는 마케터와 다르고, 심지어 동료 기획자와도 다르다.

나와 다른 사람들을 한데 모아 같은 목표를 향하려면

프로젝트의 시작, 중간, 끝 매순간마다 "서로의 의견교환" 이 동반되어야 할 것이다.

1. 킥오프

< Kick-Off Meeting >

킥오프 회의는 프로젝트의 『 시작 』 단계이다.

킥오프 미팅을 통해 프로젝트의 목표와 범위가 명확히 정의되며,

프로젝트 중 발생할 수 있는 갈등을 예방하고 팀원들이 효율적으로 협력할 수 있는 환경이 조성된다.

킥오프가 제대로 이루어지지 않으면, 프로젝트 중간에 혼란이나 목표 불일치, 일정 지연 등이 발생할 수 있다.

핵심 요소들은 다음과 같다.

1. 프로젝트 목표 , 프로젝트 범위
2. 일정, 팀 구성 ,커뮤니케이션
3. 리스크 / 이슈 대응

기획자는 킥오프 미팅을 준비하며

프로젝트 목표, 범위, 일정, 예산 등 정확한 데이터 등이 빠짐없이 전달되도록 준비해야한다.

기획자는 킥오프 회의의 핵심적인 사항들을 다양한 부서에 미리 전달하고

발표할 자료와 문서 등을 작성한다.

킥오프 미팅 이후에는 회의록을 작성하여 기록으로 남긴다.

1-1. 프로젝트 목표 / 범위

먼저 프로젝트 진행 전

무엇을 달성할 것인지, 어디까지 다룰 것인지 명확히 해두어야 한다.

< 예시 >

프로젝트 목표
- 신규 서비스 출시로 시장 점유율 7% 증가
- 데이터 관리 프로세스를 자동화하여 연간 600시간 절감

프로젝트 범위
- 포함 : 웹 디자인 및 개발, UX/UI 테스트
- 제외 : 서버 유지보수, 고객지원서비스 제공, 앱 개발

1-2. 일정, 팀구성, 커뮤니케이션

< 예시 >

일정

- 총 프로젝트 기간 : ~ 2026 10/30
- 요구사항 분석 및 설계 : 2026 6/ 9 ~ 6/ 23
- 개발 및 테스트 : 2026 6/ 24 ~ 7/ 3
- 1차 배포 : 2026 7/ 8

팀 구성

PM : Rody
디자이너 : ★ ★ ★
개발 : ■ ■ ■
QA : ▲ ▲ ▲

커뮤니케이션

- 매주 월요일 10:00 AM 정기 회의
- 소통 및 의사결정사항 전달 등은 Slack으로 통일
- 프로젝트 진척사항은 매주 금요일 4:30 PM 사내 메신저로 보고

주요 마일스톤과 기한을 설정하고,

프로젝트에 참여하는 각 팀원의 단계별 역할과 책임을 명시한다.

그리고 협업 시 정보 교환 방법을 일륜화시킨다.

1-3. 리스크 / 이슈 대응

일정 상의 문제나 기술적 난제, 자원 부족 등

예상되는 리스크나 문제를 공유하고, 문제가 발생했을 때의 대응 방법도 미리 논의한다.

2. ℹ️ 정보 공유

중요사항을 모두가 알 수 있도록 공유하는 것은 프로젝트 진행에 있어 매우 중요하다.

프로젝트의 진척도를 각 팀원이 전부 인지하고, 발생할 수 있는 문제를 미리 파악할 수 있기 때문이다.

< 청년장사꾼의 정보 공유 및 피드백 문화 >

정보 공유는 킥오프 단계에서 지정한 채널을 통해 (ex. 노션 등) 진행되어야 한다.

노션 등의 실시간 업데이트 세션이나, 정기회의를 통해 팀원들이 프로젝트 진행 상황을 이해할 수 있다.

하지만 과도한 정보 공유는 오히려 혼선을 야기할 수 있으므로

기획자는 각 부서의 목표에 맞는 정보를 조율하여 제공하는 것이 중요하다.

공유는 단순히 정보를 주고받는 것이 아닌

필요한 정보를 필요한 사람에게 정확히 전달하는 과정이다.

프로젝트에 참여하는 각 사람들은 서로 다른 관점에서 일을 하기 때문에

오해가 생기지 않도록 모호한 표현을 지양하여 구체적으로 전달하여야 하며,

전달 이후에는 공유된 정보를 문서화하고, 나중에 필요한 정보를 쉽게 찾을 수 있도록 해야 한다.

3. 회고

< 활동을 정리하고 인사이트를 정리하는 회고 >

회고라는 활동의 필요성은 생각보다 중요하다.

사람은 망각의 동물이기 때문에,

지속적으로 뒤를 돌아보지 않으면 많은 것을 잊어버린다.

회고 과정에서는 팀의 작업 과정, 의사소통, 도전 과제, 성공적인 점 등을 되돌아보고

도출된 인사이트를 정리하게 된다.

또한 프로젝트 진행 중 발생했던 각 부서의 불편사항 등을 개선하기 위해서도 반드시 필요하다.

3-1 . 왜? (WHY) 의 중요성

회고는 무엇이 부족했고, 왜 그랬는지를 근본적으로 분석하여야 한다.

< 회고 예시 >

- 좋았던 점
할인율을 높였을 때, 기존 고객의 구매 빈도가 상했다.
프로모션을 SNS와 이메일 마케팅으로 동시에 진행하여, 다양한 채널에서의 노출을 얻었다.

- 개선할 점
광고 타겟팅이 너무 넓어서 정확한 타겟층에 도달하지 못했다.
이메일 클릭 비율이 기대 이하였다.

- 원인 분석
지나치게 넓은 광고 타켓팅으로 잠재 고객 및 실제 구매 의향이 있는 고객에게 집중되지 않았다.
제목에 할인 혜택 명시가 명확하지 않아, 이메일 마케팅 클릭율이 낮았다.

- 해결방안
다음 프로젝트에서는 고객 세분화 전략을 활용해서 더욱 정밀한 광고를 진행하자.
이메일 마케팅에서는 개인화된 제목과 함께 할인 혜택을 더 눈에 띄게 배치해보자.

무엇이 잘 되었고, 무엇이 문제였는가?

잘된 점과 개선할 점을 나눈 후,

문제나 불편함에 도달했을 때마다 Why? 를 묻는 과정을 통해 발생 원인을 분석한다.

이때 각각 경험한 것을 듣고, 서로의 관점을 이해하는 것이 중요하다.

3-2 . 회고 내용 정리 후 공유

회고 미팅에서 나온 핵심적인 피드백과 개선 사항을 정리하여 팀과 이해관계자들에게 공유해야 한다.

이때, 회고에서 나온 아이디어가 실제 프로젝트에서 어떻게 적용될지 명확히 알 수 있도록 해야 한다.

실패 및 개선사항을 공유하여 전사적인 업무 방식의 개선이 이루어지면 가장 좋지만,

여의치 않을 경우 팀 규모의 회고로도 좋다.

< 회고 회의록 예시 >

회의 목적: 이번 프로젝트 진행 후, 디자인팀과 개발팀의 회고를 통해 잘된 점과 개선할 점을 정리하고,
향후 프로젝트에서의 개선 방안을 도출하기 위한 회의.

참석자 : 김배움, 최내일, 박스파르타
회의 일시: 2024년 12월 25일 (목)

잘된 점 : 디자인팀과 개발팀 모두 일정 내에 큰 문제 없이 작업을 완료했으나,
중간에 요구 사항 불명확으로 일부 수정이 발생.

문제점 : 초기 요구 사항 정의와 소통의 부족이 주요 문제로,
이를 개선하기 위해 기획팀과의 협업 강화 및 명확한 우선순위 설정이 필요.

액션 아이템 : 명확한 요구 사항 정의, 정기적인 미팅, 우선순위 설정 등을 통해
향후 프로젝트에서는 효율성과 소통을 개선할 예정.

(상세 내용 첨부)

데이터란 무엇일까? - 데이터의 이해와 분석

rody77 — Thu, 4 Jun 2026 21:04:34 +0900

서비스기획자로서 가장 친해져야하는 것.

나를 받쳐주는 든든한 아군이고, 나를 지켜주는 든든한 근거이며

때로는 나를 공격하기도 하는 애증의 관계.

기획 업무의 시작이자 끝을 관리하는 이것은 과연 무엇일까?

지금부터 "데이터"에 관해 정리해 보려고 한다.

1. 데이터란?

데이터 (Data): 현실 세계에서 측정하고 수집한 사실이나 값
정보 (Imformation): 어떠한 목적이나 의도에 맞게 데이터를 가공 처리한 것

요즘엔 다양한 업무환경에서 흔히들 "데이터적 사고" 를 지향하지만

데이터란 그저 "수집된 자료"를 뜻하는 용어이다.

목적도, 의도도 없는 단순한 수치에 불과하며,

기획자가 "분석"이라는 목적을 들고 요리하는 순간

그것은 "정보"가 된다.

2. 데이터의 종류

< 전설의 쨔쟝꿍꼬또 >

데이터의 종류는 총 2가지

『정성적 데이터』와 『정량적 데이터』이다.

위 배민 리뷰를 예시로, 5점 만점의 별점은 수치화가 가능하므로 정량적 데이터,

리뷰와 같이 숫자로 측정하지 못하는

주관적 느낌, 태도, 의견 등 언어적 표현은 정성적 데이터이다.

3. ❓데이터는 왜 중요할까?

데이터를 기반으로 한 의사결정은 정확하고 신뢰성 있는 판단을 가능하게 한다.

바꿔말하면, 데이터가 없는 의사결정은 신뢰성을 얻기 어렵다.

직관이나 경험 등 지극히 주관적이고 추상적인 기준에 의한 판단이 되기 때문이다.

< 출처- 리디북스 기술 블로그 >

데이터를 통해 성과를 측정하면, 목표 달성 여부를 명확히 알 수 있으며

문제에 대한 개선점을 찾아 서비스를 더 직관적으로 만들 수 있다.

따라서 숫자를 읽는데 머물지 않고,

데이터에서 중요한 인사이트를 발견해 유의미한 가치로 추출하는 과정은

서비스기획자의 중요한 능력이다.

4. 본격적으로 데이터를 분석해보자!

- 데이터 분석 방법론 중 기획자에게 중요한 3가지 방법을 정리해보았다.

4-1 . 퍼널분석 (Funnel Analysis)

< 퍼널 분석 >

퍼널분석은 사용자가 특정 목표(예: 가입, 구매 등)에 도달하기까지의 여정을 추적하는 방법이다.

보통 마케팅 분야에서 사용하지만, 데이터 기반 사고를 하는 기획자에게도 친근한 방법론이다.

주로 마름모꼴 모양으로 표현하며, 각 단계별로 나누어 분석하므로

사용자의 이탈 지점을 비교적 쉽게 파악할 수 있다.

퍼널 분석은 크게 4단계로 나누어 분석한다.

1. 목표 수립
2. 단계 정의
3. 단계별 이탈률 분석
3. 문제점 식별 및 개선안 제시

회원 가입을 예로들면, 방문/ 회원가입 진입/ 폼 작성/ 가입 완료의 단계로 나눌 수있다.

그리고 각 단계별 이탈률에 근거하여 문제점을 도출하고,

그 문제점이 존재하는 단계를 개선하는 것이다.

4-2 . AARRR 프레임워크

<AARRR>

Acquisition (획득, 유입) : 사용자가 서비스를 처음 유입하는 단계
Activation (활성화) : 사용자가 서비스의 핵심 가치를 처음 경험하는 단계(예: 회원가입, 첫거래).
Revenue (수익화) : 사용자가 실제 매출을 발생시키는 단계
Retention (리텐션) : 사용자가 지속적으로 서비스를 재방문하는 단계
Referral (추천 및 공유) : 기존 사용자가 새로운 사용자를 데려오는 단계

AARRR은 사용자 여정을 5단계로 나누어 분석하고, 단계별 성과를 측정하는 프레임워크이다.

각 단계에서는 사용자의 유입부터 수익 발생, 서비스 성장까지 이어지는 일련의 과정을 알 수 있다.

AARRR 프레임워크를 사용하면

어디에서 사용자가 이탈하는지를 파악할 수 있으며,

병목 등 문제점을 빠르게 짚어내어 보다 구체적인 문제 정의를 수행할 수 있다.

4-3 . A / B 테스트

< A/B 테스트 예시. 출처 -당근 테크 블로그 >

“이 버튼 색을 바꾸면 클릭률이 올라갈까?”

“타이틀 문구를 바꾸면 구매 전환율이 높아질까?”

A/B 테스트는 소비자의 행동을 살펴보는 실험이다.

기존의 서비스를 제 1안(대조군)으로 두고 시험적 개선안을 제 2안으로 하여

특정 사용자 집단을 대상으로 한 실험을 통해 데이터를 확보한다.

이때, 사용자 집단을 두 그룹으로 나누고, 각 그룹에 다른 버전을 노출시켜야 한다.

실험을 통한다면 더 명확하게 가설을 확인하게 되고,
의사결정도 단순 아이디어가 아닌 사실을 기반으로 할 수 있게 된다.

이전에 정리했던 글 중 당근의 A/B 테스트 문화에 대해 정리했던 아티클에서는

A/B 테스트 효과를 위와 같이 요약했다.

A/B 테스트의 본질은 단순히 ‘소비자의 실제 행동’을 데이터로 관찰한다는 데 있다.

의견이나 추측이 아니라, 실제로 어떤 변화가 전환율/ 클릭률/ 매출 등에 긍정적인 영향을 주는지

객관적으로 검증하기 위해 사용한다.

[네이버 플러스 스토어 개선] 해결방안 가설 설정 및 도출

rody77 — Mon, 1 Jun 2026 17:47:57 +0900

1. 데스크 리서치 및 리뷰 데이터 분석

2. 문제 정의 및 우선순위 파악

3. 해결 방안 가설 설정 및 도출 현재 여기!

드디어 네이버+ 스토어를 분석해보는 활동의 마지막 단계에 도달했다.

그동안의 활동에서는 공유받은 정성적 데이터(리뷰데이터)를 분석하여

사용자가 겪는 핵심 문제를 정의하였고, 사용자 경험을 향상시킬 수 있는 기회를 찾는것이 목표였다.

오늘은 이를 해결할 가설을 수립할 차례이다.

0. ⌛ 지난 활동 정리

지난번 비즈니스 임팩트 매트릭스 분석에서 도출된 핵심 문제는

" 상품 검색 및 가격 비교선정 근거" 였다.

검색 결과에 개인화 추천·탐색 로직이 강하게 개입하면서 UX 문제가 발생하였고
사용자의 구매 의도가 가장 높은 검색 단계에서 발생하는 문제였으므로 개선 시급도 또한 높았다.

또한 AI 추천 알고리즘 문제현상과도 관련이 높아 이를 개선하려면

반드시 검색 정확도 개선이 선행되어야 했다.

5Whys 방법론을 수행하며 도출된 정의는 다음과 같다.

최종 문제 정의

네이버+스토어는 기존의 검색 중심 쇼핑 경험에서 개인화 추천 중심의 쇼핑 경험으로 확장해 나가고 있지만
사용자의 검색 결과보다 추천·탐색 로직의 우선순위가 너무 높게 할당되어
가격 비교 신뢰도 저하까지 동반되어 구매 전환율, 이탈율에 큰 영향을 주고,
정확한 상품 탐색 경험이 저하되고 있다.

1. ⚖️ 가설 설정

가설은 반드시 문제의 원인에 대한 논리적 분석과 연계되어야 한다.

따라서 상기한 "최종 문제 정의에 근거"한 해결 방안을 수립해보았다.

또한 이전에 학습한 내용처럼 "(만약) ~한다면, ~할것이다." 라는 형태를 지키려고 노력했다.

< 해결 가설 1>

검색어 포함 일치 상품의 노출 비율을 기존 60% → 70%로 상승시키고

연관 상품 및 제휴 추천상품의 노출비율은 기존 40% → 30%로 하락시켜

노출 랭킹 가중치를 재조정한다면

사용자의 CVR(구매전환율) 이 8% 상승할 것이다.
다만 제휴/추천 상품은 노출 감소로 인해 CTR(클릭율)이 5% 감소할 것이다.

< 해결가설 2 >

상품 노출 비율은 3~5%씩 소폭 조정하고,

사용자가 추천 및 연관상품을 검색 결과로 오인하는 경우를 개선하기 위해

해당 상품들을 <제휴상품>, <광고> 등의 명확한 라벨을 붙여 제공한다면
제휴 및 연관상품 구매율이 3% 상승하고 사용자의 CVR이 5% 상승할 것이다.

< 해결 가설3 >

일부 판매자가 수익 확대를 위해 너무 많은 키워드를 상품명으로 등록한 경우나

같은 상품을 전혀 다른 상품명으로 제각각 등록하는 경우에는
전혀 다른 의도의 사용자 검색에 노출되는 경우가 있으므로

상품명 등록 및 상품 속성의 가이드 표준을 구축하고,
검색 시 이를 반영한다면

검색 정확도가 15% 상승할 것이고, CVR이 8% 상승할 것이다.

[네이버 플러스 스토어 개선] 문제 정의 및 우선순위 파악

rody77 — Fri, 29 May 2026 21:55:51 +0900

지난번엔 네이버 + 스토어의

리뷰데이터를 분석하고 데스크 리서치를 진행하였다.

그리고 오늘은 분석한 리뷰데이터를 이용해

문제를 정의하고, 우선순위를 파악해보려고 한다.

나는 얼마전 5Whys 방법론과 로직 트리를 사용하여

문제를 정의하는 방법을 학습하였다.

5Whys 방법론은 하나의 문제상황에 왜? 라는 질문을 5번 시도하는 것을 뜻하고,

로직트리 기법은 MECE 원칙을 적용하여 하나의 큰 문제를 여러 가지 세부 가지로 분리하는 것이다.

따라서 리뷰데이터를 상기한 두가지 방법으로 정의 후, 우선순위까지 파악해보자.

1. 문제 정의

이전 리뷰 데이터 분석을 통해 총 5가지의 문제상황이 도출되었다.

문제 카테고리	문제 상황
상품 검색 및 가격 비교	사용자는 검색 정확도가 떨어지고, 가격 비교가 어려워 구매 의사결정 중 이탈하고 있다.
UX · UI	사용자는 앱의 느린 속도와 복잡한 UI의 사용성 저하로 구매 과정까지 이어지지 못한다.
포인트 적립/ 쿠폰 혜택	사용자가 쿠폰 혜택을 제대로 인지·활용하지 못하고 있는 문제가 발생하였다.
AI 추천 알고리즘	추천 알고리즘의 개인화 정확도가 낮아 사용자의 구매 맥락·취향과 맞지 않는 상품이 과도하게 노출되는 문제 발생
배송 서비스	부정확한 배송 일정 안내와 낮은 예측 신뢰도로 인해 사용자가 배송 상태를 명확히 파악하지 못하는 문제 발생

문제 상황들을 살펴보면, 전부 AI 기반 이커머스 서비스의 핵심 기능들임을 알 수 있다.

이 중 ~~개인적으로 공감이 가는~~ 3개의 문제들을 문제 정의 방법을 통해 정의해보자.

1-1. 상품 검색 및 가격 비교

- 사용자가 원하는 상품을 검색해도, 정확한 상품을 빠르게 찾지 못하는 문제가 발생하였다.

<상품 검색 및 가격비교의 5Whys 방법론 문제 정의>

5Whys 방법론을 통해 분석한 결과

상품 검색 시 정확도가 떨어지는 문제의 근본적 원인은

추천 상품 노출 로직의 우선순위가 검색 결과 노출보다 우선되는 부분이었다.

네이버는 AI를 도입한 네이버+스토어를 출시하며

쇼핑 서비스를 기존의 검색 중심에서 추천 중심으로 전환하는 방향을 가져가고 있지만,

그 결과 검색 결과에 개인화 추천·탐색 로직이 강하게 개입하면서 생긴 UX 문제가 발생한 것이다.

사용자의 추가적인 상품 탐색을 유도하고, 구매량을 증가시키기 위한 방법이

오히려 사용자의 불만 및 타 서비스로의 이탈로 이어지는 것이다.

최종 문제 정의

네이버+스토어는 기존의 검색 중심 쇼핑 경험에서 개인화 추천 중심의 쇼핑 경험으로 확장해 나가고 있지만
사용자의 검색 결과보다 추천·탐색 로직의 우선순위가 너무 높게 할당되어

정확한 상품 탐색 경험이 저하되고 있다.

1-2. 포인트 적립/ 쿠폰 혜택

- 사용자가 쿠폰 혜택을 제대로 인지·활용하지 못하고 있는 문제가 발생하였다.

<적립/ 멤버쉽 혜택의 5Whys 방법론 문제 정의>

5Whys 방법론을 통한 분석 결과,

할인 쿠폰에 대해 플랫폼, 각 브랜드, 입점 판매자 간 합의된 복잡한 내부 정책이 존재하고

그 때문에 과도하게 많은 브랜드별 / 스토어별 쿠폰 종류, 사용 조건에 대한 해석 등이

쿠폰 사용 단계의 사용자에게 전가되고 있다.

게다가 이러한 쿠폰들의 유효기간 알림 등도 제대로 제공되지 않아

사용자들은 쿠폰이 기간 만료로 사라지는 것에 대해 불만을 제기하고 있다.

최종 문제 정의

플랫폼·브랜드·판매자의 다양한 내 할인 정책이 쿠폰 사용 과정에 그대로 노출되었고,

쿠폰 정책과 사용 조건의 해석 부담이 사용자에게 전가되어

사용자가 쿠폰 혜택을 이해하고 활용하는 데 어려움을 겪고 있다.

1-3. AI 추천 알고리즘

- 사용자의 추천 정확도가 떨어지는 문제가 발생하였다.

5Whys 방법론으로 분석해본 결과,

AI 추천 알고리즘의 사용자 추천 정확도가 떨어지는 문제의 근본적 원인은

단기 성과를 안정적으로 높이는 것을 우선시하는 내부 정책으로,

그 때문에 수집 및 예측이 용이한 "사용자의 과거 데이터 및 범용 데이터"를 중심으로 추천 알고리즘이 작동한 것이 주요했다.

사용자에게 과거 데이터란 이미 구매가 완료되었거나 흥미가 떨어진 상품군일수도 있고,

사용자의 성별, 나이, 구매성향 등을 고려하지 않은 범용 데이터는

전혀 매력적이지 않은 상품일 뿐 아니라 불쾌한 광고로만 느껴질 것이다.

최종 문제 정의

추천 시스템이 사용자의 구매 맥락과 의도보다

예측 가능성이 높은 "과거 행동 데이터 및 범용 데이터" 중심으로만 최적화되어 있어,

실제 사용자의 관심사와 괴리감이 발생하여 개인화 추천의 정확도가 저하되고 있다.

2. 문제 우선순위 파악

< 문제 정의 요약>

문제 상황	최종 문제 정의
상품 검색 및 가격 비교	네이버+스토어는 기존의 검색 중심 쇼핑 경험에서 개인화 추천 중심의 쇼핑 경험으로 확장해 나가고 있지만, 사용자의 검색 결과보다 추천·탐색 로직의 우선순위가 너무 높게 할당되어 정확한 상품 탐색 경험이 저하되고 있다.
포인트 적립/ 쿠폰 혜택	플랫폼·브랜드·판매자의 다양한 내 할인 정책이 쿠폰 사용 과정에 그대로 노출되었고, 쿠폰 정책과 사용 조건의 해석 부담이 사용자에게 전가되어 사용자가 쿠폰 혜택을 이해하고 활용하는 데 어려움을 겪고 있다.
AI 추천 알고리즘	추천 시스템이 사용자의 구매 맥락과 의도보다 예측 가능성이 높은 "과거 행동 데이터 및 범용 데이터" 중심으로만 최적화되어 있어, 실제 사용자의 관심사와 괴리감이 발생하여 개인화 추천의 정확도가 저하되고 있다.

다음은 각 문제 상황을 분석하면서 발견된 대표적인 3가지 문제 중

어떤 것을 우선적으로 해결해야 할지 우선순위를 정리해야 한다.

우선순위 선정에는 비즈니스 임팩트 매트릭스(Impact-Effort Matrix) 방식을 사용하기로 했다.

< Impact-Effort Matrix>

문제 상황	임팩트 영향 ( Impact )	리소스 소모 ( Effort )	우선도	우선도 평가 이유
상품 검색 및 가격 비교	임팩트 높음	리소스 소모 보통	1순위	상품 추천 로직의 우선순위를 조정하고, 검색 정확도 개선, 추천상품 노출 위치 수정 등의 조치만으로 타 서비스 이동까지 검토중이던 사용자들의 불만을 대부분 해결 할 수 있다.
포인트 적립/ 쿠폰 혜택	임팩트 보통	리소스 소모 낮음	2순위	쿠폰은 사용자 혜택과 브랜드 프로모션에 관련된 사항이고, 구매 전환 직전 단계에서 발생하므로, 개선 시 구매전환율이 상승할 것이다. 또한 시급도가 높은 사항도 아니기 때문에 장기적으로, 단계적인 소규모 개선을 진행하면 좋다.
AI 추천 알고리즘	임팩트 보통	리소스 소모 높음	3순위	AI 추천 알고리즘이 사용자의 구매 경험 상승과 상품 추천으로 인한 수익 증가에 직접적으로 기여하기는 하지만, AI 알고리즘의 모델을 조정하고 기반 데이터 전반을 수정·검토 해야하는 만큼 대규모 작업이 불가피하다.

1 순위 : 상품 검색 및 가격 비교 선정 근거

- 사용자의 구매 의도가 가장 높은 검색 단계에서 발생하는 문제이다.

- 검색 실패 → 상품 발견 실패 → 구매 실패로 직접 연결된다.
- 가격 비교 신뢰도 저하까지 동반되어 전환율에 영향을 주고, 타 서비스로의 이탈까지 발생한다.

-네이버 쇼핑의 핵심 경쟁력인 "검색 + 가격비교"와 직결된다.

2 순위 : 포인트 적립/ 쿠폰 혜택 선정 근거

- 구매 전환 직전 단계에서 발생하는 문제이므로, 개선 시 구매 전환율이 상승할 것이다.

- 다양한 쿠폰을 제공받는 멤버쉽 구독 고객들과도 관련성이 높다.

- 다만 상품 탐색 자체 혹은 결제를 막는 문제는 아니기 때문에 시급도는 높지 않다.

- 장기적인 플랜으로, 단계적 소규모 개선을 진행해도 좋은 반응을 얻을 수 있다.

3 순위 : AI 추천 알고리즘 선정 근거

- 검색 실패보다 영향도가 낮고 개선 비용이 매우 크다.

- 추천 품질이 낮아도 서비스 사용 자체가 불가능해지지는 않으므로 시급도는 낮다.

- 모델을 조정하고 기반 데이터 전반을 수정·검토 해야하는 만큼 대규모 작업이 불가피하다.

3. 핵심 문제 정의

상단에서 비즈니스 임팩트 매트릭스를 사용하여 분석한 우선순위를 바탕으로

가장 먼저 해결해야 할 핵심 문제 1개를 선정하여 명확하게 요약해보기로 했다.

<문제 상황>

1 순위로 선정된 문제상황은 " 상품 검색 및 가격 비교선정 근거" 이며

현재 사용자는 검색 정확도가 떨어지고, 가격 비교가 어려워 구매 의사결정 중 이탈하고 있다

<문제 원인>

네이버는 AI를 도입을 강조한 네이버+스토어를 출시하며

쇼핑 서비스를 기존의 검색 중심에서 추천 중심으로 전환하는 전략을 가져가고 있지만,

사용자의 검색 결과보다 추천·탐색 로직의 우선순위가 너무 높게 할당되어

정확한 상품 탐색 경험이 저하되고 있다.

즉, 검색 결과에 개인화 추천·탐색 로직이 강하게 개입하면서 UX 문제가 발생했다는 것이다.

< 문제 우선순위>

사용자의 구매 의도가 가장 높은 검색 단계에서 발생하는 문제이며

가격 비교 신뢰도 저하까지 동반되어 구매 전환율에 큰 영향을 주고,

타 서비스로의 이탈까지 발생하기 때문에 개선 시급도가 높다.

또한 구매전환율, 이탈율 외에도 수익과 이어지는 영향이 클 뿐만 아니라

3순위의 AI 추천 알고리즘과도 관련이 높아 반드시 해당 검색 정확도 개선이 선행되어야 한다.

[네이버 플러스 스토어 개선] 데스크 리서치 및 리뷰 데이터 분석

rody77 — Fri, 29 May 2026 17:27:56 +0900

오늘부터 네이버 플러스 스토어 개선 프로젝트를 시작했다.

현재 동시에 진행하고 있는 치지직 UX 개선 프로젝트와 동일하게

리뷰데이터 분석+데스크 리서치 후

문제를 정의한 다음 문제 우선순위를 설정하고 (핵심문제를 정의)

최종적으로 해결방안을 정리해보는 활동이다.

1. 네이버 플러스 스토어에 대해

네이버 플러스 스토어 연혁

년 - 월	주요사업내용	상세내용
2024년 12월	브랜드 및 서비스 개편 진행	AI 추천 및 프로모션을 통한 '발견형 쇼핑'을 본격적으로 브랜딩
2025년 3월	네이버플러스 스토어 앱 정식 출시	생성형 AI(하이퍼클로바X)를 기반으로 상품을 우선 추천하는 초개인화 쇼핑 앱을 지향
2025년 4월	출시 약 1개월 후 성과 발표 ▶출처	브랜드 충성고객 약 4.8배 증가, 평균 거래액 증가 등의 지표 공개와 AI 추천 기반 취향 매칭 강화 추진
2026년 2월	‘쇼핑 AI 에이전트’ 베타 도입 ▶출처	네이버플러스 스토어 앱 내 대화형 AI 쇼핑 에이전트 공개. 네이버가 “AI 커머스 고도화 단계”라고 설명

네이버 + 스토어는 2025년 3월 12일에 정식 출시한 서비스이다.

네이버가 기존 앱 내의 "스마트 스토어" 라는 성공한 커머스 생태계를 따로 떼어내

별도 AI 쇼핑 앱 "N+ 스토어" 로 독립시키며 탄생했으며

설치 쿠폰과 첫 구매 프로모션의 효과로

출시 단 8일 만에 100만 다운로드를 달성하며 많은 신규 사용자를 유치했다.

또한 2025년 11월에는 구글플레이가 선정한 "올해를 빛낸 수상작 2025" 베스트 앱 부문을 수상하면서

불과 1년여 만에 괄목할만한 성과를 이뤄냈다.

❓Why : 출시 목적을 알아보자

Q. 그럼 기존의 "스마트 스토어"와 "네이버+ 스토어" 의 차이는 뭘까?

Q. 왜 네이버는 잘 돌아가는 스마트스토어를 놔두고 "네이버+ 스토어"라는 서비스를 출시했을까?

✔️ 스마트 스토어

기존의 스마트 스토어는 전형적인 오픈마켓 중심의 이커머스 플랫폼이다.

누구나 손쉽게 쇼핑몰을 개설하여 상품을 판매하고,

사용자가 특정 키워드를 입력하면 결과가 나오는 검색 중심 노출이 이루어진다.

즉, 고객이 사고 싶은 물건이 명확할 때 주로 이용한다.

✔️ 네이버+ 스토어

반면 네이버+ 스토어는 AI( AiTEMS ) 기반의 개인화된 쇼핑 경험을 제공한다.

판매자는 스마트스토어와 연동하여 동일하게 입점시지만,

사용자의 검색 없이도 AI가 취향에 맞는 상품을 먼저 보여주는 발견 중심 노출이 이루어진다.

마치 유튜브 알고리즘 처럼, 개개인의 소비 성향과 관심에 맞는 맞춤형 상품이 추천되는 것이다.

즉, 네이버는 기존의 이커머스 서비스에 AI 서비스를 접목한

사용자 중심 서비스를 이용해 매출을 증대시켰다는 말이다.

2. 리뷰 데이터 분석

지난번 치지직 분석 프로젝트 때에는

서비스의 문제점을 도출하기 위해

직접 사용자 VOC의 리뷰 데이터를 수집 및 탐색했다.

하지만 이번엔 타 팀원들과 같은 프로젝트를 수행하기 위해

리뷰 데이터 샘플을 제공받을 수 있었다.

0.02MB

< 리뷰 데이터의 일부 >

해당 리뷰 데이터를 쭉 살펴보니,

각 리뷰들을 여러개의 카테고리로 나눠서 분류하면 한눈에 보기에도 편하고카테고리 별 주요 문제를 정의하기도 좋을 것 같아 분류해 보았다.

역시 데이터는 간결한게 최고다.

< 리뷰 카테고리 정리 >

리뷰 카테고리	내용	빈도 수	불만족 비율
상품 검색 및 가격 비교	검색 depth 및 정확도, 상품 탐색 불편, 가격 신뢰성 부족 등	불만족 : 5 / 만족 : 3	12.8%
UX · UI	UI 배치, 속도 저하, 광고 노출 등	불만족 :10 / 만족 : 2	25.6%
포인트 적립/ 쿠폰 혜택	적립 포인트, 할인 쿠폰, 멤버쉽 쿠폰 혜택 등	불만족 : 10 / 만족 : 3	25.6%
AI 추천 알고리즘	추천 신뢰성, 추천 오류 등	불만족 : 5 / 만족 : 4	12.8%
배송 서비스	배송/ 반품, 배송일정 안내, 배송 오류	불만족 : 4 / 만족 : 2	10.3%
기타	판매자 신뢰성, 앱 정체성, 타사 서비스 비교 등	불만족 : 5 / 만족 : 5	12.8%

* 불만족 비율: 불만족 빈도 / 총 불만족 수 x100

통계 결과 전체 리뷰 중

만족 리뷰는 19개,

불만족 리뷰는 39개였다.

각 카테고리별 주요 리뷰들을 정리해보자면 다음과 같다.

1. 상품 검색 및 가격 비교

- 인공눈물 검색했더니 왜 <인공눈물> 책이 먼저 떠요? 검색 결과 별로에요.

- 검색어가 포함되지 않은 유사상품을 같이 보여줘서 원하는 물건 찾기 더 힘들어짐.

- 네이버 PC에서 검색한거랑 검색결과가 달라요. PC쪽이 더 싸고, 가격비교도 잘되어있습니다.

➡️ 문제 현상 : 사용자는 검색 정확도가 떨어지고, 가격 비교가 어려워 구매 의사결정 중 이탈하고 있다.

2. UX · UI

- 앱이 너무 느려서 쓰다가 꺼버린 적 많아요. 개선 필요합니다.

- 배송비랑 쿠폰 적용이 결제 직전까지 따로 놀아요. ‘최종 금액 한눈에 보기’ 화면 만들어줘요.

- 멤버십 혜택이 흩어져 있어서 알기 어려워요.혜택 많은 건 좋은데 공부하면서 앱 쓰고 싶진 않아요.

➡️ 문제 현상 : 사용자는 앱의 느린 속도와 복잡한 UI의 사용성 저하로 구매 과정까지 이어지지 못한다.

3. 포인트 적립/ 쿠폰 혜택

- 쿠폰 소멸 알림이 안 떠서 혜택 못 받고 소멸된 적 많아요.

- 쿠폰 종류가 많고 조건이 복잡해서 어떤 게 진짜 이득인지 모르겠어요.

- 앱 첫 구매시 10%쿠폰이 있길레 사려고보니 최대 5,000원 짜쳐요. 열심히 물건 골라뒀는데 황당해요.

➡️ 문제 현상 : 사용자가 쿠폰 혜택을 제대로 인지·활용하지 못하고 있는 문제가 발생하였다.

4. AI 추천 알고리즘

- 이미 다른 데서 결제까지 끝냈는데 며칠 뒤에 ‘이 상품 어때요?’ 알림 뜸ㅋㅋ 이미 샀다구요...

- 발견탭에서 숏폼 나오는거 너무 아무 상품이나 나와요. 저한테 맞는 상품만 추천으로 보여줘요.

- 취향에 맞춰서 추천해주는 건 좋은데, 너무 카테고리가 다양하게 추천되니까 머리 아파요.

➡️ 문제 현상 : 추천 알고리즘의 개인화 정확도가 낮아 사용자의 구매 맥락·취향과 맞지 않는 상품이 과도하게 노출되는 문제 발생

5. 배송 서비스

- '내일배송'인데도 이틀 넘게 걸리고 배송조회도 모호해요. 배송 신뢰도가 낮아요.

- 발송 시작 날짜만 나오고 실제 도착 예측이 부족하네요. 예상 도착일 표기 강화 필요.

➡️ 문제 현상 : 부정확한 배송 일정 안내와 낮은 예측 신뢰도로 인해 사용자가 배송 상태를 명확히 파악하지 못하는 문제 발생

이렇게 정리해보니 각 카테고리 별 문제상황이 어느정도 가시화된것 같다.

이어서 다음 활동에서는 카테고리 별로 문제 원인을 정의하고,

문제 우선순위를 정하는 활동을 할 예정이다.

3. 인사이트 및 회고

이전에 했던 치지직 분석때는 내가 직접 사용자 리뷰를 찾아가며 진행했지만

이번엔 외부 데이터를 제공받아 진행했더니, 주어진 데이터 상의 내용에 기반하여

문제 내용들의 공통분모를 콕콕 뽑아내는 부분이 어려웠던 것 같다.

리뷰 데이터 카테고리의 범주를 결정하는데 있어서 GPT의 도움을 받아보았다.

이번엔 58개의 데이터 뿐이었지만, 실제 기업의 리뷰데이터는 엄청나게 클 것이다.

너무 방대한 양의 데이터를 분석할 때, 그것을 일일히 내 손으로 하고있다면...

그날은 야근이다 ㅋㅋㅋ

이런 부분에서 AI를 이용한 업무 자동화가 필요한 시점 아닐까?

앞으로도 데이터 드리븐을 이용한 서비스기획자의 역량 강화에 힘써야겠다.

[개인 프로젝트 - 치지직 UX 개선] 데스크 리서치 및 리뷰 데이터 탐색

rody77 — Thu, 28 May 2026 21:50:22 +0900

오늘부터 개인 프로젝트를 하나 시작하려고 한다.

자주 사용하는 앱 하나를 선정하여 문제를 정의하고,

최종적으로 해결방안을 정리해보는 활동이다.

나는 콘텐츠 미디어 도메인 및 VOD 시장에 흥미가 많으므로

1. 치지직에 대해

<'치지직' 로고>

먼저 치지직에 대한 간략한 정보와 연혁등을 정리해보자.

2023년 12월 19일: 오픈 베타 서비스 시작 (트위치 코리아의 한국 사업 철수 발표에 맞춰 대체재로 급부상)
2024년 2월: VOD 다시 보기 및 정식 서비스 수준의 기능 순차 오픈
2024년 5월 9일: 약 4개월간의 베타 테스트를 거쳐 정식 서비스(정식 출시)로 전환
2024년 이후: 네이버 클립(숏폼), 스마트스토어, 네이버 카페 등 자사 생태계와 연동을 강화하며
국내 라이브 스트리밍 시장 1위로 자리매김

네이버는 2017년부터 네이버TV라는 라이브서비스를 운영하고 있었지만

이는 쿠팡플레이같은 유형의 중계 송출 및 예 하이라이트 VOD를 제공하는 형태였다.

하지만 SPOTV 등 타 서비스들에게 중계권 경쟁에서 밀려나고

하이라이트마저 유튜브에게 주도권을 빼앗기면서,

라이브 스트리밍 방면의 사업 확장을 통해서 콘텐츠분야 사업 재기를 노리기 위한 준비에 들어갔다.

20년도 이후 국내 라이브 스트리밍 업계가 급성장 할 당시

아프리카TV(현 SOOP)과 Twitch가 양분하고 있었는데,

아프리카TV는 2016년 갑질논란의 대규모 이탈 이후 답답한 대응 및 관리가 계속되었고

Twitch는 해외 기업의 특수성으로 인해 국내 운영을 등한시한 막장 운영이 지속되었다.

네이버 게임 서비스를 연계한 라이브 스트리밍 플랫폼을 준비하던 치지직은

국내 망 사용료 논란으로 끝내 한국 서비스를 종료하는 Twitch의 이용자들을

적절한 타이밍에 유치하며

성공적으로 업계를 선도하는 퍼스트 무버로 자리할 수 있었다.

1-2. 치지직 설립배경 & 연혁 인사이트

네이버에게 치지직이란 연혁 2년이 조금 넘은, 다소 신생 서비스이다.

13년 이상의 네이버TV, 5년 이상의 네이버 게임 서비스와 비교하면 더더욱 그렇다.

게다가 사업확장으로 인해 새로운 업계로 진입했으므로

수많은 사용자 UX, 서비스 개선점 및 비즈니스 서비스 기획안이 나올 것으로 생각된다.

2. 리뷰 데이터 탐색

본격적으로 치지직(Chzzk) 서비스의 문제점을 도출하기 위해

사용자 VOC의 리뷰 데이터를 수집 및 탐색했다.

실시간 문제점등은 커뮤니티나 SNS, 고객센터 문의 등에서 더 빠르게 수집할 수 있겠지만,

지금은 실제 업무 상황이 아니므로

리뷰데이터 수집처는 구글 플레이스토어와 앱스토어로 정하기로 했다.

< 위부터 순서대로 플레이스토어, 앱스토어 평점 >

전체적인 평점은 별 1개가 압도적으로 많았다.

생각외로 매우 저조한 수치라서 놀랐는데, 무려 전체 리뷰 비율 중 50% 이상에 달하는 상태였다.

다만 라이브 스트리밍 서비스 특성상 10대~20대 연령층의 사용자 비율이 높을 것이므로

연령적으로 다소 편향된 반응일 수 있음을 감안해야 한다.

이 리뷰들 중 "6개월 이내 리뷰" 와 "10명 이상의 공감을 받았을 것" 이라는 조건을 기준으로

리크루팅(User Recruiting) 하여 1차적으로 선별하였고,

이후 불만 사항들을 카테고리 별로 나누어 분류하여 보았다.

< 카테고리 : 광고 빈도 >

< 대다수의 사람은 광고에 불만이 많았다.>

사용자 불만사항 중 압도적으로 다수를 차지한 것은 "광고" 문제이다.

사용자 입장에선 당연하게도 재미있게 영상을 보고 있다가 광고를 마주친다면 매우 불쾌할 것이다.

광고를 줄여주세요, 광고가 너무 많아요 등의 불만사항이 가득한 것은 당연하다.

❓Why : 개선이 아직 안된 이유가 있을까?

라이브 스트리밍 플랫폼은 실시간 라이브와 시청자를 대상으로 서비스하는 만큼

주기적 영상 광고 노출이 주 수입원일 것이다.

특히 위에서 소개했던 대로 치지직은 연혁 3년 미만의 서비스 초기단계이므로,

네이버 치지직은 아직 플랫폼 초기 ~ 성장기에 해당한다고 볼 수 있다.

따라서 수익을 내기 위하여 전체 매출의 40% 이상에 해당하는

광고 수익 증대에 공격적으로 임할 것이라고 예측한다.

< 네이버의 26년 상반기, 분기보고서. 출처: KIND >

해당 예측의 근거를 찾기 위해 KIND에서 네이버의 분기보고서를 살펴보았다.

치지직이 속해있는 네이버 플랫폼 카테고리의 광고와 서비스 부문 영업수익은

두 부문 모두 전분기 대비 대폭 상승하였다.

물론 네이버 플랫폼 카테고리에는 다른 서비스들도 포함되어 있겠지만,

네이버는 플랫폼 전체의 광고와 서비스를 늘려 수익을 증가시키고 있다는 사실을 알 수 있다.

따라서 기획자로서 비즈니스 측면의 기업 이익을 내야한다는 현실을 생각한다면,

치지직의 광고를 줄이거나 제거하는 방식의 기획은

운영상 받아들여지기 힘들 것이다.

따라서 광고 빈도와 관련된 불편들은 일부만 수집하였다.

< 카테고리 : UX·UI 개선 >

< 광고에 관한 불만뿐인 줄 알았더니..>

다음으로 많이 존재한 불만사항은 UX·UI 개선사항에 관한 리뷰들이었다.

이 리뷰를 보고 나는 치지직 앱에서 실제로 존재하는 불편인지 확인해보았다.

확인 결과, 해당 스트리머의 라이브를 타인에게 공유하는

"공유하기" 버튼이 라이브 스트리밍 화면 상단에 배치되었고,

그 버튼은 "화면잠금" 기능을 사용하기 위한 더보기 버튼의 바로 옆에 위치해 있었다.

즉, 사용자가 잘못 누를 가능성이 꽤 높은 것이다.

< 자신이 팔로잉 한 스트리머 목록을 카테고리 별로 숨겨놓아서 불편하다는 의견 >

이 리뷰의 사용자는 치지직의 홈 화면에서

자신이 팔로우한 스트리머의 목록을 찾는데 어려움을 겪고 있었으며

유저 플로우(User Flow)가 지나치게 길어졌음을 시사한다.

짧게 예상되는 해결방안으로는 카테고리 구조 개선,

홈 화면에서 사용자가 팔로잉한 스트리머의 노출 로직 검토 등 여러가지가 있었다.

❓Why : 개선이 아직 안된 이유가 있을까?

만약 기업이 사용자 편의성을 희생하여

콘텐츠 추천 상품 구매자를 의도적으로 노출시킨 것이라면

수익 증대를 위한 기획이 반영되었을 수도 있다.

< 세로 비율 스트리밍을 시청할 때 가로로만 시청가능한 문제 >

이 사용자는 모바일 환경에서

세로 비율로 방송하는 스트리머를 시청하는데,

전체화면 시청 시 가로로만 송출되는 문제를 가지고 있다.

이 부분은 세로 비율 영상의 width 와 height, ratio 을 일차적으로 인식하고,

해당 정보에서 판별된 랜더링 데이터에 기반하여

Fullscreen 시 플레이어의 화면 방향 결정 로직을 개선해야 할 것으로 보인다.

< 카테고리 : 서버 부하 >

< 버퍼링에 관한 불만사항 >

세번째로, 스트리밍 시청 중 버퍼링 문제에 관한 리뷰가 생각보다 많았다.

스트리밍 중 버퍼링은 다양한 요소에 영향을 받는다.

사용자의 와이파이 및 데이터 환경이나 기기 상황,

지역 인터넷 환경, 트래픽 및 서버 상황,

앱 최적화 상황에 따라서도 변동한다.

따라서 많은 케이스들이 사용자 환경에 관련된 문제일 수도 있다.

다만 리뷰란에서 버퍼링에 관련하여 눈에 띄는 리뷰만 세어도 20개가 넘었으며,

6개월 내 정확한 갯수치를 측정하면 꽤 큰 숫자가 나올것 같았으므로

문제 카테고리 중 하나로 분류하였다.

해결방안을 잠시 생각해 보았는데

인터넷 상황에 따른 가변적 화질 변동,

서비스 리소스 관리 등 다양한 방법이 있을 것 같다.

최종 카테고리 정리

문제 카테고리	예상 리뷰 비율 (부정적 리뷰 중)
광고 빈도	약 40%
UX·UI 개선	약 20%
서버 부하	약 20%
기타	약 20%

3. 인사이트 및 회고

이것이 기획자적 사고의 일환일까?

내가 평소 사용하던 서비스를 기획자의 입장에서 돌아보는 활동이 흥미로웠다.

사용자의 입장에서는 그저 불편함만이 눈에 보였지만

이젠 불편함의 의도가 있진 않을까 의심하면서 이것이 "진짜 문제" 인지 의심하게 되었다.

이번 리뷰 데이터 리서치 및 문제 탐색 활동 결과를 정리하여

다음 활동인 "문제 정의" 와 "문제 우선순위 설정" 에 사용할 것이다.