Jino

생성형AI 도메인의 Contents Designer를 모십니다.

2024년 정말 치열해지고 있는 생성형AI 분야에서

치열하게 도전하고 성과를 만들 믿을 수 있는 동료를 구하고 있습니다!

2024년 1월 마이타로는 유의미한 성장을 만들었습니다.

이를 기반으로 폭발적인 성장을 하는 마지막 조각을 맞춰 주실

역량있는 동료가 필요합니다.

관심 있으신 분은 디스콰이엇 메시지 주시거나

dev@1zlabs.com 으로 메일 부탁 드리겠습니다!

생성형AI Contents Designer를 모십니다.

생성형 AI는 이미 문제 해결의 중요한 도구가 되었습니다. 많은 회사들이 AI를 도입하여 업무 생산성을 높이려 하고 있지만, 대부분은 기존 업무의 개선, 효율화에 그치고 있습니다. 하지만 원지랩스는 조금 다릅니다.

저희는 "마이타로" 서비스에 좋은 콘텐츠를 제공하기 위해 생성형 AI 기반의 CMS를 자체 개발하여 기존 대비 50배 이상의 콘텐츠 생산성을 이루어냈습니다. 단 2명의 콘텐츠 기획자가 수십명 규모의 컨텐츠/마케팅 팀이 수행할 업무를 해낼 수 있게 되었습니다. AI CMS를 통해 완전히 초개인화된 컨텐츠 제공과 실시간 소통이 가능한 사용자 경험을 만들어 내고 있습니다.

아무리 훌륭한 콘텐츠를 제작한다 해도,

그것에 공감하는 사용자를 제품으로 유입시키지 못한다면 그 가치는 반감됩니다.

콘텐츠의 성격과 타겟이 공감할 수 있는 배너와 썸네일 디자인이 없다면,

사용자가 콘텐츠를 탐색하는 경험이 좋지 않게 됩니다.

저희는 콘텐츠의 진정한 가치를 사용자에게 전달할 수 있기 위해서

LEAN Cycle : [고객 퍼소나 > 가설 > 실험 기획 > 디자인 > 데이터 분석 > 학습] 능력을 가진

역량있는 인재를 기다리고 있습니다.

이는 단순히 디자인 문제가 아니라, 콘텐츠 전략과 사용자 경험을 통합하는

깊은 이해와 전문성을 요구하는 과제입니다.

저희와 함께 할 Contents Designer는 이런 일들을 하시길 기대 합니다.

• 기획된 콘텐츠와 타겟에 대한 이해를 바탕으로

  • Product Manager, Contents Manager와 함께 콘텐츠 이미지 에셋에 대한 가이드라인 수립

    • 탐색, 구매 경험에 임팩트를 줄 수 있는 디자인 업무 : 콘텐츠 배너, 썸네일, 표지 페이지

    • 생성형 AI를 활용하여 콘텐츠에 새로운 경험을 줄 수 있는 다양한 실험

• Product Manager, Contents Manager와 함께 마케팅 전략 수립

  • 마케팅 캠페인에 사용될 디자인 업무 : 이미지, 영상광고 소재, 랜딩페이지

SUPER Individual STUDIOS인 원지랩스에서 기다리겠습니다.

생성형AI 컨텐츠매니저를 모십니다.

생성형 AI는 이미 문제 해결의 중요한 도구가 되었습니다.

많은 회사들이 AI를 도입하여 업무 생산성을 높이려 하고 있지만,

대부분 기존 업무의 개선, 효율화에 그치고 있습니다.

하지만 원지랩스는 조금 다릅니다.

저희는 "마이타로" 서비스에 좋은 콘텐츠를 제공하기 위해

생성형 AI 기반의 CMS를 자체 개발, 기존 대비 50배 이상의 콘텐츠 생산성을 이루어냈습니다. 단 2명의 콘텐츠 기획자가 수십명 규모의 컨텐츠/마케팅 팀이 수행할 업무를 해낼 수 있게 되었습니다. 그리고 AI CMS를 통해 완전히 초개인화된 컨텐츠 제공과 실시간 소통이 가능한 사용자 경험을 만들어 내고 있습니다. 

초개인화된 컨텐츠는 사용자들의 반응도 뜨거웠습니다. 올해 3월 출시 이후 6개월만에 10만명의 가입자에게 50만건 이상의 해석 제공을 제공하며 타로앱 카테고리 기준 Google Play / App Store 매출 1위 달성 했습니다.

그러나 여전히 해결해야 할 과제가 많습니다.

공감을 얻을 수 있는 컨텐츠를 지속적으로 생산하기 위해서는

생성형 AI의 활용만으로는 충분치 않습니다. 좋은 컨텐츠를 만들기 위해서는

시즌과 타겟 퍼소나에 맞는 컨텐츠를 기획하고, 고객 피드백을 통해 점진적으로 개선하는 활동이 꼭 필요합니다. 

그리고 저희는 이런 역량있는 컨텐츠 매니저에게 AI CMS라는 강력한 도구를 제공해드릴 준비가 되어있습니다.

생성형 AI의 활용성과 한계에 대해 가장 잘 알고 있는 원지랩스와 좋은 컨텐츠를 함께 만들어 보고싶으신 분은 꼭 연락주세요.

PM/PO 커피챗 회고

@송예찬 님과 커피챗이 아닌 3시간동안 진행 한 미팅에 대한 회고

디스콰이엇, 링크드인에 대학교4학년 또는 주니어 PM(PO)분들을 대상으로
커피챗을 통해서 경험을 나눈다는 포스팅을 한 후에 처음으로 연락을 해 주신
감사한 분과 3시간, 2회에 걸친 커피챗이 아닌 그 무엇인가를 진행한 회고 입니다.

성장한 점
[조금 성장 했다고 확실히 느낄 수 있었습니다.]
처음이라 어설프고 경험을 나누는 것이 조심스러웠지만
다른 분들을 본받아 커피챗이 필요한 분들에게 저를 알리고
신청을 받아 1회를 완료하자 자신감이 생겼습니다.
새로운 것을 시도 했을 때 결과와 상관없이 comfort zone을 넘었을때만
느낄 수 있는 감정을 다시 느낄 수 있게 되었습니다.

아쉬운 점
[굿 리스너가 되지 못한 저의 모습을 관찰 할 수 있었습니다.]
당분간은 이 포맷을 유지하면서 진행 해 볼 생각입니다만,
질문 형태의 설문을 먼저 받다보니 사전에 답변을 준비해서
그것을 잘 설명드리는데 집중했던 것 같습니다.
잘 듣고 좋은 질문을 던지는 문답이 아니라
세션 형태, 인터뷰 형태로 진행되는 아쉬움이 있었습니다.

좋았던 점
1. 미리 저와 이야기 하고 싶은 주제, 질문에 대해
제가 충분한 시간을 가지고 답변을 준비해서 깊이 있는 대화가 가능했습니다.

2. 예찬님의 질문에 답변을 하기 위해서 준비하는 과정을 통해서
저의 생각도 정리되고 평소 소홀하게 생각하고
관성으로 일하고 있었던 점을 발견 할 수 있었습니다.

예찬님과 대화
1. 예찬님은 대학교 4학년 마지막 학기를 보내고 계시고 현재 #PARD를 운영하고 계십니다. PARD를 시작하면서 PM(PO) 역할을 수행하시게 되었고 역할, 전문성, 제품, 창업에 대한 깊이 있는 고민을 가지고 계셨습니다.

2. 1차로 10월 18일에 1시간 30분, 2차로 10월 21일 1시간 30분동안 온라인으로
진행 하였습니다. 제가 공유 드린 커피챗 신청 양식에 맞춰 10개 질문을 해 주셨고
그것에 맞춰서 제 생각을 정리한 간단한 문서를 만들어서 예찬님과 커피챗 전에
사전에 공유드리고 시작하였습니다.

3. 예찬님의 질문은 모두 날카로운 질문이여서
제 생각을 전달하기 위해서는 한번씩 제가 어떤 경험을 했는지,
어떻게 생각하고 있었는지를 복기할 필요가 있었습니다.
예찬님은 듣는 태도와 능력이 뛰어나
추가 질문도 적절하게 해 주는 모습을 보여 주셨습니다.

4. 예찬님이 질문해 주신 내용은 아래와 같습니다.
- 성장이란 무엇인가요?
- PM/PO 성장의 노하우
- 학생으로서 그로스해킹을 실제 실행하는데 한계를 어떻게 극복할 수 있는가?
- 제품과 사용자를 바라보는 관점
- 창업 VS 취업
- 힘들었던 문제 해결 과정
- 사용자의 진짜 문제인지 확인하는 방법 (본인의 제품에 매몰되지 않고)
- 신입을 뽑을때 가장 중요하게 보는 역량
- 진로결정 시 도메인을 어떻게 고를 수 있을까?
- PM만 해왔던 사람이 가질 수 있는 맹점

5. 위의 질문들을 보시면 왜 3시간을 예찬님과 진행 했는지
이해가 되실 거라고 생각합니다. 🤣

디스콰이엇, 브런치의 글, 링크드인 프로필만을 보고

솔직한 고민을 기꺼이 알려주시고 경청해 주신

예찬님과 커피챗을 하면서 기분좋은 자극을 많이 받았습니다.
놀라울 정도로 잘하고 있고 더 잘할 것으로 기대되는 예찬님께
저의 첫 커피챗에 신청해 주셔서 너무 감사하다는 말씀 드립니다.

마지막으로
PM/PO 관련해서 커피챗이 필요하신 분들은

아래의 이전 디스콰이엇 포스팅을 확인 부탁 드리겠습니다!

성과분석 100% 망하는 방법 #1

회사 또는 팀에 데이터분석가가 없다면 PM(PO)가 성과분석을 하게 됩니다.

통계에 대한 지식과 성과분석에 대한 경험이 부족하다면 할 수 있는 성과분석 망하는 노하우(?) 지금 시작합니다!

첫 번째,

A/B 테스트 환경이 없는 상태에서 전체 사용자 대상 전, 후 비교에만 의지한다.

어제와 오늘 일정한 비율의 사용자 seg가 들어온다는 확실한 보장이 있나요?

이번 기능이 배포되면 100% 적용되는 시점에 일주일 지표와 이전 동일(요일)의 일주일 지표를 비교하고자 합니다. 신규 마케팅 캠페인은 해당 기간에 없는 것으로 확인하였고 일주일 집행 예산 평균도 큰 차이가 없는 것으로 확인하였습니다.

실패할 수밖에 없는 이유.

완벽한 통제 환경을 우린 만들 수 없기 때문에 아무리 같은 요일, 기간 등을 동일하게 조절하려고 해도 이전 데이터와 비교는 신뢰도를 보장하기 어렵습니다.

: 제품 내에서 굉장히 depth가 깊고 명확하게 정의된 사용자를 대상으로 하는 기능이 아니라면 일반적으로 제품의 활성사용자 구성은 어제와 오늘이 차이가 납니다. 

성별, 나이, 관심사, 제품에 대한 애정 등 이런 다양한 사용자들의 구성을 우리는 DAU라고 부르는 지표 속에 포함되어 있습니다. 그렇다 보니 같은 기간이라고 하더라도 전체 사용자의 구성비를 동일하게 조절하기는 힘듭니다. 

의사결정 할 수 있는 수준의 유의미한 실험을 하려면 실험 대상, 모수를 균등하게 배분할 수 있는 A/B테스트가 가장 신뢰할 수 있는 방법이라고 생각합니다. 자체 개발하기 어렵다면 다양한 솔루션을 연동하여도 되고 구글의 파이어베이스_리모트 컨피그 기능에 실험기능을 제공합니다. 물론 이 A/B테스트의 성과도 실험 대상을 얼마나 균등하게 두 그룹으로 나눌 수 있는가가 관건이라고 할 수 있겠습니다.

두 번째,

통계의 함정에 빠져 성과를 잘못 해석한다.

중요한 성과분석, 모수가 많을수록 성과분석을 위한 통계적인 오류가 없는지 한번 더 확인이 필요합니다.

이번달에 릴리스한 기능의 전체 이용자는 10만 명입니다. 이 중에서 결제한 사용자는 1만 명으로 10% 수준입니다. 결제한 사용자는 전월 대비 3천 명이 줄었지만 결제 유저당 평균 금액은 1,000원으로 이전달 대비 100원이 증가하였기 때문에 매출의 유의미한 증가가 있었습니다.

실패할 수밖에 없는 이유.

성과가 개선되었는지 비교, 분석을 할 때는 평균의 함정, 상관관계와 인과관계, 퍼센트와 퍼센트 포인트 차이 등 알고 보면 간단하지만 무심코 해석해 버리면 결과가 전혀 달라지는 것들을 주의해야 합니다.

: 통계학 전공 또는 데이터 분석가가 회사, 팀에 없다면 제품의 기능이 출시된 후의 성과를 확인하는 것은 PM(PO)의 역할입니다. (있어도 다른 구성원이 분석한 내용을 검토해야 합니다) 성과분석 경험이 적으면 생길 수 있는 간단한 통계의 함정들에 대해 설명드리겠습니다.

평균의 함정 : 이건 데이터의 분포와 중앙값을 확인해 봐야 한다는 내용입니다. 같은 평균값이라도 데이터의 분포가 상단에 치우쳐 있는지, 하단에 치우쳐 있는지에 따라서 목표로 하는 성과가 났는지 분석할 수 있습니다. 유저당 평균 금액이 증가했다면 헤비유저의 구매 금액이 올라갔을 수도 있고 라이트 유저의 구매 건수가 올라갔을 수도 있습니다. 이것을 "평균"이라는 값으로 정의하게 되면 올바른 분석이 어렵습니다.

https://brunch.co.kr/@edte1020/14

인과관계와 상관관계 : 통계적으로 인과관계인지 상관관계인지를 분석하는 수식이나 방법들이 있습니다만 제가 설명드리고자 하는 것은 개념입니다. 어떤 업데이트를 통해 리뷰를 작성하는 유저 수가 늘었고, 매출이 증가되는 결과를 얻었습니다. 리뷰 작성 유저 수 < > 매출 증가가 원인과 결과의 관계가 명확한 인과관계인지 아니면 원인과 결과는 아니지만 한쪽이 올라가면 같이 놀라가고 내려가면 같이 내려가는 상관관계인지를 따져볼 필요가 있습니다. 특히 예시처럼 구매의사결정에 도움이 되는 정보나 기능들이 실제 매출에 영향을 주었는지를 따져 볼 때는 이런 것들이 잘 분석할 필요가 있습니다.

https://www.beusable.net/blog/?p=1797

퍼센트(%), 퍼센트 포인트(% P) : 얼마 전에 저도 혼용하여 사용해서 코멘트를 받았습니다만 생각보다 많이, 자주 틀리는 내용입니다. 00% 증가하였습니다.라는 설명을 많이 하는데 이때 퍼센트인지 퍼센트포인트 인지에 따라 단위가 달라지는 경우가 많기 때문에 명확하게 정의를 인식하고 사용하는 것이 좋습니다.

세 번째,

모든 의사결정의 기준을 데이터에 의존한다.

근거를 데이터로 삼는 것은 좋지만 데이터 만으로 의사결정을 하려는 고집은 경계해야 합니다.

'실험을 통해 데이터가 나오지 않았는데 어떻게 결정할 수 있죠?'
'실험 환경을 구축하고 기능을 개발하는데 한 달 정도 걸리는데 그동안의 기회비용은..'
'우리는 데이터로만 이야기하고 결정하겠어요. 가설과 가정이 섞인 직관적인 판단은 신뢰할 수 없어요.'
'그 데이터는 얼마나 신뢰할 수 있는 것인가요? 절대적인 믿음을 가질 만큼의 데이터라고 할 수 있나요?'

실패할 수밖에 없는 이유.

데이터 기반 의사결정은 중요합니다. 다만 데이터에 매몰되는 걸 경계할 필요가 있습니다.

: 경계가 필요한 자세는 데이터로 모든 걸 설명할 수 있다거나, 데이터가 없으면 아무것도 결정하지 않는 것입니다. 과제(기능)를 개발할 때 수립한 가설에 가정이 포함되어 있을수록 결과인 데이터에 영향을 미치는 변수가 많다는 것을 뜻하고 그 변수를 통제하기는 사실상 어렵습니다. 결과의 데이터만 보고 중요한 의사결정의 100%를 거기에 의존하는 자세를 경계해야 합니다.

네 번째,

Segment를 나누지 않고 통으로 분석한다.

나누지 않으면 보이지 않습니다.

'전환율이 1% P 높아졌는데 왜 1인당 평균 결제 금액이 이 만큼 높아졌을까요?'
'평균이 2% P 높아졌는데 왜 리텐션이 이렇게 많이 떨어졌는지 모르겠어요'

실패할 수밖에 없는 이유.

사용자, 고객, 트래픽을 쪼개어 봐야 합니다.

: 지표, 데이터를 구성하는 사용자의 특성에 따라 여러 segment로 분류할 수 있습니다. 새로운 기능이나 콘텐츠에 반응하는 segment가 어디인지 확인해야 올바른 의사결정을 할 수 있게 됩니다.

제품에서 회원가입 때 회원의 특성을 분류할 수 있는 정보가 있다면 이것을 1차로 분류하기도 하고, 결제가 비결제자, 콘텐츠 생산자와 소비자, 뉴비와 충성 유저 등으로 제품의 특성이나 현재 집중하고 있는 KPI에 따라 중요하게 관찰하고 있는 segment는 달라질 수 있습니다. 

다섯 번째,

추출한 데이터의 검증 없이 분석으로 바로 들어간다.

분석 전 그 데이터의 신뢰도를 확인하지 않는다면 100,000% 실패할 수밖에 없습니다.

'GA데이터랑 DB데이터가 좀 차이가 있는데 어떤 데이터로 분석하면 될까요?'
'믹스패널, GA, DB에 사용자(USER) 수가 차이가 있는데 어떤 데이터를 기준으로 구매자를 분석하나요? '

실패할 수밖에 없는 이유.

보고 있는 데이터가 어떻게 만들어지는지 분명하게 알아야 합니다.

: 각각의 솔루션이 데이터를 생성하는 기준, 방법이 다르기 때문에 조금 복잡하거나 여정이 긴 데이터를 분석하려면 분석하기 전에 그 데이터에 대한 정합성, 신뢰도, 분석 목적에 부합하는 지를 반드시 따져봐야 합니다. 특히, 여러 솔루션에 데이터와 로그가 흩어져 있고 이것을 하나로 합쳐서 분석하는 경우(ex. 클라이언트 로그는 GA, 결제 데이터는 DB)에는 기준이 되는 값들을 신경 쓰지 않으면 이상한 분석이 되어 버립니다.