아임웹의 데이터 분석가는 100만 개가 넘는 브랜드와 그 고객들의 행동 데이터를 바탕으로 고객이 어떤 순간에 가치를 느끼고 어떤 지점에서 이탈하는지를 해석합니다. 커머스와 비커머스가 공존하는 B2B2C 환경에서 같은 행동도 서로 다른 의미를 갖는 도메인을 다루며, 고객 경험과 제품·비즈니스의 방향을 연결하는 판단 기준을 데이터로 만들어 갑니다.
Chapter 1. 데이터로 고객이 가치를 느끼는 순간을 발견하다
Chapter 2. 불확실한 문제를 데이터로 좁혀가는 팀
Chapter 3. Lead by Example로 기준을 만드는 사람들
Chapter 4. 데이터를 흐르게 만드는 팀의 다음 목표
아임웹의 데이터 분석가는 이런 질문에서 출발합니다. 사이트를 만들기로 결심한 이유, 운영을 이어가다 멈칫했던 지점, 어떤 기능은 쓰고 어떤 기능은 지나쳤던 판단의 기준까지. 이 과정은 좀처럼 말로 남지 않습니다. 대신 클릭, 체류, 설정, 이탈 같은 행동의 흐름으로만 남아 있죠. 데이터는 고객이 남긴 선택의 결과이자, 그 뒤에 있었던 생각을 추적할 수 있는 거의 유일한 단서입니다.
아임웹의 데이터가 특히 까다로운 이유도 여기에 있어요. 아임웹은 전형적인 B2C 서비스처럼 동일한 행동 패턴이 반복되는 환경이 아닙니다. B2B2C 구조 안에서 커머스와 비커머스 고객이 함께 있고, 같은 기능이라도 고객의 목적과 운영 방식에 따라 전혀 다른 의미로 작동합니다. 그래서 숫자는 곧바로 답이 되지 않고 일부 성공 사례나 단일 지표만으로는 제품의 기준을 세우기 어렵습니다. 대신 여러 고객에게 반복적으로 나타나는 행동의 패턴을 구분하고, 그 안에서 고객이 가치를 느끼는 순간을 정의하는 일이 필요해졌어요.
그래서 아임웹의 데이터 분석가는 분석 결과를 정리하는 역할에 머무르지 않습니다. 고객의 행동을 통해 망설임과 선택의 이유를 복원하고, 그 해석이 제품과 조직의 판단으로 이어지도록 만드는 역할에 가깝죠. 이번 인터뷰에서는 데이터를 통해 고객 경험을 어떻게 해석하고, 그 해석이 실제로 제품과 비즈니스의 선택을 어떻게 바꾸고 있는지 아임웹 데이터 분석가 세 명의 이야기를 따라가 봅니다.
비즈니스와 제품 조직 전반에 필요한 데이터를 설계하고 통계 제품의 기반을 만들고 있는 Data 팀 용민 님
사이트 개설부터 구독, 주문까지 고객의 핵심 여정을 분석하고 있는 Data 팀 소현 님
CPO이자 Data 팀을 함께 이끌고 있는 태오 님
Chapter 1. 데이터로 고객이 가치를 느끼는 순간을 발견하다
데이터 분석을 통해 제품이나 조직의 판단 기준을 정교하게 만들었던 경험이 있나요?
명절 시즌을 앞두고 ‘선물하기’ 기능 고도화의 효과를 분석했던 적이 있어요. 직관적으로는 명절에 선물을 주고받는 수요가 늘어나는 만큼 이 기능을 강화하면 전체 거래액에도 유의미한 상승이 있을 거라고 기대했죠. 실제로 선물하기를 통한 거래액 비중, 명절 기간의 상승폭, 카테고리별·고객사별 효과를 나눠 살펴봤습니다.
분석 결과는 예상과 달랐어요. 선물하기 기능의 거래액 상승 효과는 일부 카테고리와 소수의 고객사에서는 분명하게 나타났지만 전체 고객군으로 확장했을 때는 거래액을 유의미하게 끌어올릴 만큼의 영향은 아니었습니다. 해당 기능이 분명 도움이 되는 고객은 있었지만 전사적인 우선순위로 가져가기에는 한계가 있다고 판단했고, 결과적으로 기능 고도화의 우선순위를 낮추고 다른 성장 지점을 찾게 됐어요.
이 경험을 통해 느낀 건 그럴듯해 보이는 직관이나 아이디어일수록 실제 데이터로 검증해보는 과정이 반드시 필요하다는 점이었어요. 개발 리소스를 투입하기 전에 “이게 정말 우리가 기대하는 만큼의 임팩트를 만들 수 있는가”를 데이터로 먼저 확인하는 게, 결과적으로 조직의 속도와 선택의 질을 지키는 데 중요하다고 생각하게 됐습니다.
분석 결과를 통해 고객 여정을 바라보는 기준이 달라진 부분도 있었나요?
최근 신규 사이트를 개설한 고객을 대상으로 팝업 모달 노출 방식으로 도메인 구매를 제안하는 실험을 진행했습니다. 도메인 구매가 사이트 운영을 본격적으로 시작하는 신호가 될 수 있고 구독 전환에도 긍정적인 영향을 줄 것이라는 가설에서 출발했죠. 실험 결과 자체만 보면 기대했던 만큼의 전환 효과는 확인되지 않았어요. 하지만 대신 사이트를 막 개설한 고객이 관리자 페이지에 처음 들어왔을 때 무엇을 가장 중요하게 생각하고, 어떤 여정을 기대하는지를 데이터로 확인할 수 있었습니다. 특정 시점의 개입이 고객의 초기 탐색과 설정 과정을 방해할 수 있다는 점도 분명해졌고요.
이후로는 단일 실험의 성과보다 그 과정에서 드러난 고객의 행동 흐름과 맥락을 더 중요하게 보게 됐어요. 신규 고객의 초반 여정에 영향을 미치는 작업을 설계할 때도 이 도메인 제안 실험에서 얻은 인사이트를 참고해 가설을 세우고 실험 방식을 다듬고 있습니다. 제품 분석이 항상 큰 임팩트로 이어지지는 않지만, 이런 경험들이 쌓이면서 스쿼드 안에서도 작업의 효과와 검증 가능성을 먼저 고려하는 기준이 생겼어요. 기대에 의존하기보다 확인할 수 있는 가설을 바탕으로 진행 방향을 결정하려고 합니다.
팝업 모달을 통한 구독 전환 분석 결과
고객 이해를 바탕으로 요즘 가장 집중하고 있는 문제는 무엇인가요?
요즘은 개별 분석 결과를 해석하는 데서 나아가 *통계 제품에서 어떤 데이터를 어떤 기준으로 만들어 보여줄 것인지에 더 집중하고 있어요. 고객이 운영·마케팅·세일즈 과정에서 실제로 고민하게 되는 지점이 어디인지, 그 순간에 어떤 숫자가 판단에 도움이 되는지를 먼저 생각합니다. 그래서 단순히 지표를 나열하기보다, 이 수치가 무엇을 의미하고 지금 어떤 선택을 가능하게 하는지까지 함께 전달하는 방향을 중요하게 보고 있어요.
또 하나는 아임웹에서 구독을 결심하고 유지하게 만드는 고객 경험을 이해하는 일이에요. 쇼핑몰 운영에 필요한 기능들이 실제로 어떻게 사용되고 있는지, 사이트를 개설한 뒤 어디에서 망설이고 왜 이탈하는지를 함께 살펴봅니다. 고객이 아임웹의 가치를 자연스럽게 느끼는 경험이 만들어지면 구독과 사용은 따라온다고 생각해요.
다만 아임웹 고객들은 사이트를 운영하는 목적과 방식이 다양해 하나의 기준으로 일반화하기 어려운 경우가 많아요. 그래서 데이터 분석뿐 아니라 고객 인터뷰나 UT(Usability Test∙사용성 테스트)를 병행하며 직접 드러나지 않는 맥락을 함께 살펴보고 있습니다. 이런 과정을 통해 여러 고객에게 반복적으로 나타나는 ‘일반적인 경험’을 찾아가고 있고 고객 유형에 따라 무엇을 가치로 느끼는지, 그 가치를 체감하는 지점을 조금씩 명확하게 밝혀나가고 있어요. 이 축적된 이해가 결국 제품의 성장 방향으로 이어진다고 보고 있습니다.
(*통계 제품: 브랜드가 매출과 마케팅 성과를 직접 진단하고, 그 결과를 바탕으로 다음 비즈니스 판단을 할 수 있도록 돕는 분석 제품)
‘일반적인 경험’을 데이터로 밝혀내는 것이 왜 특히 중요하다고 생각하시나요?
아임웹에서는 특정 고객에게 효과가 있었던 기능이나 경험이 다른 고객에게는 전혀 다르게 작동하는 경우가 많아요. 그래서 일부 성공 사례만 보고 판단하면 제품의 방향이 쉽게 흔들릴 수 있다고 생각해요. 이런 환경에서는 개별 사례보다 여러 고객에게 반복적으로 나타나는 경험의 패턴을 구분해 내는 일이 더 중요하다고 봅니다. 고객이 어떤 맥락에서 아임웹의 가치를 느끼는지를 데이터로 설명할 수 있어야 제품의 기준도 세울 수 있고요.
아임웹 고객들은 목적과 운영 방식이 다양해서 단일 지표 만으로는 답이 나오지 않는 경우가 많아요. 그래서 숫자만 보기보다는 데이터와 고객 맥락을 함께 보며 공통된 조건을 찾아가고 있어요. 이렇게 정리된 인사이트가 쌓일수록 제품과 사업 모두 더 일관된 판단을 할 수 있다고 생각합니다.
Chapter 2. 불확실한 문제를 데이터로 좁혀가는 팀
불확실성이 큰 문제를 풀 때 아임웹에서는 어떤 방식으로 접근하나요?
아임웹의 데이터 분석가는 여러 스쿼드와 협업하며 각 스쿼드가 맡고 있는 제품과 문제에 대해 분석 업무를 함께 하고 있어요. 그래서 불확실성이 큰 문제를 다룰 때는, 현재 담당 스쿼드와 수요나 임팩트에 대한 단서를 데이터로 확인하는 것부터 작업을 시작합니다. 무엇을 검증하려는지, 이를 위해 어느 정도 수준의 분석이 필요한지, 기대하는 효과는 어느 정도인지를 먼저 함께 정리해요. 처음부터 완성된 답을 내기보다는 작은 시도를 통해 방향을 맞춰가는 방식에 더 익숙해져 있어요. 작업자와 요청자의 생각이 처음부터 완전히 같기는 어렵기 때문에, 말로 설명하기보다 한 번 만들어본 결과물을 놓고 데이터 기준으로 논의하는 편을 선호합니다. 실제 결과를 기준으로 얘기할 때, 맥락을 훨씬 빠르게 공유할 수 있고 다음 판단으로도 자연스럽게 이어진다고 느끼고 있어요.
과거에는 분석가가 특정 스쿼드를 전담하지 않아 스쿼드가 어떤 맥락에서 어떤 데이터를 필요로 하는지 파악하는 데 소통 비용이 컸던 시기도 있었어요. 지금은 분석가가 특정 스쿼드를 전담해 긴밀하게 협업하면서, 맥락을 빠르게 이해하고 작은 시도를 반복하는 방식이 훨씬 잘 작동하고 있습니다.
이런 방식이 실제 업무에서 특히 잘 작동했다고 느꼈던 사례가 있을까요?
생성형 AI를 활용해 프롬프트 기반으로 사이트를 만드는 기능이 그 사례 중 하나예요. 처음에는 굉장히 큰 목표에서 출발했지만, 그대로 진행하면 수개월의 작업과 많은 비용이 필요한 프로젝트라는 판단이 있었어요. 기술적으로도 고려해야 할 요소가 많았고요. 그래서 본격적인 개발에 들어가기 전에, 고객들이 실제로 생성형 AI로 사이트를 만들고 싶어하는지부터 먼저 확인해보기로 했습니다.
사이트 생성에 대한 고객 반응을 먼저 살펴보니 이후의 작업 방향이 많이 달라졌어요. 유료 구독 전환율보다, AI로 사이트 생성을 시도하도록 만드는 초기 경험이 더 중요하다는 점을 알게 됐고요. 생성 횟수 역시 처음부터 크게 열기보다, 생성 요청 로그를 먼저 수집해 살펴본 결과 반복 생성을 원하는 사용자가 많지 않다는 걸 확인할 수 있었어요. 덕분에 초기 스펙을 과도하게 키우지 않아도 되겠다는 판단을 할 수 있었습니다.
처음에는 스펙을 작게 가져가는 게 서비스가 부족해 보이지 않을까 하는 우려도 있었던 것 같아요. 하지만 이번 경험을 통해, 검증되지 않은 가설 위에서 일을 키우기보다 작게 시작하고 결과를 보며 다음 단계를 정하는 방식이 팀 안에서도 더 합리적이라는 공감대가 만들어진 것 같습니다.
생성형 AI 기능을 통해 웹사이트 및 쇼핑몰을 제작할 수 있는 기능
문제가 예상보다 복잡해졌을 때 보통 어떻게 풀어가나요?
유저에게 자유도가 높은 통계 경험을 제공하려다 보면 내부 구현은 오히려 훨씬 복잡해지는 순간들이 있어요. 단순히 집계된 숫자를 보여주는 게 아니라, 조건에 따라 여러 테이블을 유연하게 조회하고 조인해야 했고, 동시에 속도도 놓칠 수 없는 상황이었죠. 혼자서 붙잡고 가기엔 한계가 있다고 느껴서 전반적인 로직은 동료 분석가와, 성능 관련 이슈는 데이터 엔지니어와 함께 논의하면서 방향을 잡아갔어요. 정말 감사하게도 매번 정성스럽게 의견을 주고받으며 함께 문제를 풀어나갈 수 있었죠.
이 경험을 통해 느낀 건, 고객에게 자유롭고 편한 경험을 제공하려면 그 뒤에서는 더 많은 고민과 정교한 설계가 필요하다는 점이었어요. 그리고 막히는 지점에서는 오래 혼자 고민하기보다, 맥락을 공유하고 도움을 요청하는 게 팀 전체의 속도를 높이는 방법이라는 것도요.
Chapter 3. Lead by Example로 기준을 만드는 사람들
아임웹이 DA Lead에게 기대하는 역할과 리더십은 무엇인가요?
아임웹에서 DA Lead에게 기대하는 역할은 더 많은 분석 기법을 도입하거나 복잡한 모델을 적용하는 것보다는 지금 어떤 분석이 필요하고 그 결과가 어떤 판단으로 이어져야 하는지 방향을 잡아주는 일에 가깝다고 생각해요. 분석 결과를 설명하는 데서 멈추지 않고, 이 분석이 왜 중요한지, 어떤 임팩트를 만들 수 있는지를 함께 고민해주실 수 있으면 좋겠어요.
각 분석가들이 스쿼드에 깊이 들어가 실무를 하고 있는 만큼, DA Lead 역시 한 단계 떨어진 위치에서 판단만 하는 사람이 아니라 같은 문제를 데이터로 풀면서 제품과 비즈니스 맥락을 더 넓게 연결해 주는 역할을 맡게 될 것 같아요. 한 스쿼드에 집중하다 보면 놓치기 쉬운 관점이나 서로 다른 해석이 나올 수 있는 지점을 짚어주며 팀의 판단 기준을 맞춰가는 역할이라고 생각합니다.
아임웹에서는 DA Lead를 단순히 관리만 하는 역할로 보지 않고 실무를 함께하는 포지션으로 생각하고 있어요. 탄탄한 실무 역량을 바탕으로 좋은 분석 기준과 사고 방식을 팀 전체로 확산시킬 수 있는 역할을 기대하고 있습니다. 직접 보여주면서 기준을 세우는 이른바 lead by example의 리더십이죠.
여러 스쿼드와의 협업을 강조하셨는데, 그런 점에서 아임웹 DA 팀에 잘 맞는 분은 어떤 분일까요?
여러 스쿼드와 협업하며 문제를 정의하고 풀어가야 하는 환경이다 보니, 업무를 시작할 때 이 일을 왜 해야 하는지 스스로 이해하고 공감할 수 있는 분이라면 아임웹 환경에 잘 몰입할 수 있다고 생각해요. 아임웹에서는 구체적인 태스크보다 상황과 맥락이 먼저 주어지는 경우가 많아서 그 맥락을 바탕으로 무엇을 해야 할지 스스로 정의해 나가는 과정이 중요해요. 그래서 주어진 일을 그대로 수행하기보다 동료들과 논의하며 방향을 만들어가는 데 익숙한 분이라면 금방 적응하실 거예요. 일에 의미를 두고 능동적으로 몰입하는 태도 역시 중요하게 보고 있습니다.
소현 “피드백은 하는 사람도 듣는 사람도 어려운 일이지만, 동료로서 함께 성장하기 위한 일이니 가능하면 더 잘할 수 있는 방법을 같이 고민하려고 해요.”
업무적인 부분 뿐만 아니라 아임웹의 문화적인 측면에서도 높은 기준으로 몰입해 일하고 그 과정에서 팀 동료들에게 자연스럽게 동기부여를 줄 수 있는 분이라면 아임웹과 잘 맞을 거라고 생각해요.
DA Lead가 합류한다면 가장 먼저 만들어가야 할 변화는 무엇일까요?
지금은 각 분석가가 스쿼드와 제품에 깊이 들어가 있어요. 그래서 스쿼드 단위의 분석은 잘 이뤄지고 있지만, 전사적인 관점에서 제품 간 흐름을 연결하거나 공통된 기준으로 성과를 바라보는 데에는 한계가 있는 상황이에요. DA Lead가 합류한다면 이런 인사이트들을 한 단계 위에서 엮어주는 역할이 가장 중요하다고 생각해요. 전사 차원의 핵심 지표를 정의하고 합의하거나 스쿼드별 분석 결과를 연결해 각 스쿼드의 선택이 아임웹 전체의 성장과 어떻게 이어지는지를 데이터로 설명해 주는 역할이죠. 그런 기준이 생긴다면 조직 전체의 판단도 훨씬 선명해질 거라고 봅니다.
이런 변화를 만들어야 하는 이유는 분명해요. 아임웹은 단순히 웹사이트를 제공하는 서비스가 아니라, 고객의 비즈니스 성장을 돕는 솔루션을 목표로 하고 있기 때문이에요. 고객들이 어떤 시도를 했을 때 실제로 성과로 이어졌는지, 어떤 단계의 고객에게 어떤 행동이 더 효과적인지를 데이터로 설명할 수 있어야 한다고 생각해요. 아직 쉽지 않은 영역이지만, DA Lead와 함께 이런 가설들을 하나씩 쌓고 검증해 나간다면 제품과 사업 전반에 의미 있는 변화를 만들어갈 수 있을 거라고 기대하고 있습니다.
데이터 분석가로서 아임웹에서만 경험할 수 있는 점은 무엇일까요?
아임웹은 B2B2C 구조의 서비스라서 고객사의 운영 데이터와 그 서비스를 사용하는 실제 최종 사용자(End-User) 행동을 함께 다룰 수 있는 환경이에요. 고객사의 비즈니스 성과가 사용자 행동과 어떻게 연결되는지를 하나의 흐름으로 볼 수 있다는 점이 아임웹 데이터의 가장 큰 특징이라고 생각해요. 예를 들어 특정 기능이 고객사의 거래액에 어떤 영향을 주는지, 그 과정에서 사용자는 어떤 행동 변화를 보이는지를 함께 분석할 수 있습니다.
또 하나의 특징은 고객과 사용 맥락의 다양성이에요. 비커머스와 커머스 고객사가 함께 있고, 커머스 안에서도 판매 상품, 매출 규모, 운영 방식이 모두 달라요. 하나의 기능이 모든 고객사에서 동일한 결과를 만들지 않고, 어떤 고객군에서는 효과적이지만 다른 고객군에서는 그렇지 않은 경우도 많아요. 하나의 고객사 안에서도 여러 사용자 페르소나가 공존하고 있고요.
이런 환경에서는 정형화된 패턴이나 기존의 경험에 기대기보다, 매번 가설을 세우고 검증하는 방식으로 접근하게 돼요. 쉽지는 않지만 그만큼 다양한 데이터와 분석 과제를 경험할 수 있고, 데이터를 통해 제품과 비즈니스를 입체적으로 이해하는 힘을 키울 수 있다고 생각해요. 직접 고민하고 부딪히지 않으면 얻기 어려운 경험이라는 점에서 데이터 분석가에게는 밀도 높은 성장 환경이라고 느껴집니다.
Chapter 4. 데이터를 흐르게 만드는 팀의 다음 목표
새로운 DA Lead와 팀으로서 함께 넘고 싶은 목표는 무엇인가요?
용민 "데이터 팀의 목표는 결국 데이터가 흐르는 조직을 만드는 것이라고 생각해요."
크게 보면 두 가지 방향을 함께 만들어가고 싶어요.
- 데이터가 의사결정에 자연스럽게 쓰이는 환경 만들기
더 많은 구성원들이 판단이 필요한 순간에 데이터를 떠올리고 참고할 수 있으면 좋겠어요. 그러기 위해서는 데이터에 접근하는 과정이 지금보다 훨씬 쉬워져야 하고, DA가 각 팀·스쿼드와 더 밀접하게 협업하면서 그들이 어떤 고민을 하고 있는지를 잘 이해하고 있어야 한다고 생각해요. 데이터가 특정 역할만의 도구가 아니라, 조직 전반에서 공통의 언어처럼 쓰이는 상태를 목표로 하고 있어요.
- 고객에게 제공되는 통계·인사이트 제품을 함께 완성해 가는 것
아임웹에서는 고객에게 제공되는 통계와 인사이트 제품을 굉장히 중요한 영역으로 보고 있어요. 이건 특정 스쿼드만의 결과물이 아니라, 데이터 팀이 깊이 관여해 함께 만들어가는 제품이고요. 데이터를 어떻게 수집하고, 쌓고, 서빙할지에 대한 구조부터 분석가의 시각까지 모두 필요합니다. 제품 조직과 데이터 팀이 함께 고민하면서, 고객에게 정말 도움이 되는 인사이트를 만들어가는 데 기여하고 싶어요.
마지막으로 지원을 고민하는 분들께 한 마디 부탁드려요
용민 아임웹은 B2B SaaS, 커머스, 행동 데이터까지 다양한 성격의 데이터를 한 환경에서 다뤄볼 수 있는 곳이에요. 이미 잘 정리된 영역도 있고 앞으로 함께 만들어가야 할 부분도 분명히 있어요. 완성된 시스템에 합류하기보다, 데이터가 문화적으로·기술적으로 성숙해가는 과정을 함께 경험해 보고 싶다면 좋은 환경이라고 생각해요.
소현 아임웹에서 일하면서 데이터에 대한 시야와 활용 범위가 빠르게 넓어졌다는 걸 느꼈어요. 지금은 ‘어떻게 더 좋은 데이터 환경을 만들고, 분석으로 어떤 임팩트를 낼 수 있을지’를 직접 그리고 실행해야 하는 시점이라고 생각해요. 그만큼 시도해 볼 수 있는 게 많은 팀이라, 이런 고민에 흥미가 있다면 충분히 도전해볼 만한 곳이에요.
태오 지금 아임웹은 기존 사업의 안정적인 성장 위에서 새로운 시도들을 적극적으로 해 나가는 단계에 있어요. 타겟 고객 확장, AI 제품, 신규 사업까지 동시에 고민하고 있고요. 데이터 팀 역시 단순히 분석을 지원하는 역할을 넘어서, 제품과 사업을 함께 만들어가는 과정에 깊이 참여할 수 있다고 생각해요. 좋은 동료들과 함께 치열하게 성장해보고 싶은 분이라면 잘 맞을 거예요.
imweb Corp.
아임웹의 데이터 분석가는 100만 개가 넘는 브랜드와 그 고객들의 행동 데이터를 바탕으로 고객이 어떤 순간에 가치를 느끼고 어떤 지점에서 이탈하는지를 해석합니다. 커머스와 비커머스가 공존하는 B2B2C 환경에서 같은 행동도 서로 다른 의미를 갖는 도메인을 다루며, 고객 경험과 제품·비즈니스의 방향을 연결하는 판단 기준을 데이터로 만들어 갑니다.
아임웹의 데이터 분석가는 이런 질문에서 출발합니다. 사이트를 만들기로 결심한 이유, 운영을 이어가다 멈칫했던 지점, 어떤 기능은 쓰고 어떤 기능은 지나쳤던 판단의 기준까지. 이 과정은 좀처럼 말로 남지 않습니다. 대신 클릭, 체류, 설정, 이탈 같은 행동의 흐름으로만 남아 있죠. 데이터는 고객이 남긴 선택의 결과이자, 그 뒤에 있었던 생각을 추적할 수 있는 거의 유일한 단서입니다.
아임웹의 데이터가 특히 까다로운 이유도 여기에 있어요. 아임웹은 전형적인 B2C 서비스처럼 동일한 행동 패턴이 반복되는 환경이 아닙니다. B2B2C 구조 안에서 커머스와 비커머스 고객이 함께 있고, 같은 기능이라도 고객의 목적과 운영 방식에 따라 전혀 다른 의미로 작동합니다. 그래서 숫자는 곧바로 답이 되지 않고 일부 성공 사례나 단일 지표만으로는 제품의 기준을 세우기 어렵습니다. 대신 여러 고객에게 반복적으로 나타나는 행동의 패턴을 구분하고, 그 안에서 고객이 가치를 느끼는 순간을 정의하는 일이 필요해졌어요.
그래서 아임웹의 데이터 분석가는 분석 결과를 정리하는 역할에 머무르지 않습니다. 고객의 행동을 통해 망설임과 선택의 이유를 복원하고, 그 해석이 제품과 조직의 판단으로 이어지도록 만드는 역할에 가깝죠. 이번 인터뷰에서는 데이터를 통해 고객 경험을 어떻게 해석하고, 그 해석이 실제로 제품과 비즈니스의 선택을 어떻게 바꾸고 있는지 아임웹 데이터 분석가 세 명의 이야기를 따라가 봅니다.
비즈니스와 제품 조직 전반에 필요한 데이터를 설계하고 통계 제품의 기반을 만들고 있는 Data 팀 용민 님
사이트 개설부터 구독, 주문까지 고객의 핵심 여정을 분석하고 있는 Data 팀 소현 님
CPO이자 Data 팀을 함께 이끌고 있는 태오 님
Chapter 1. 데이터로 고객이 가치를 느끼는 순간을 발견하다
데이터 분석을 통해 제품이나 조직의 판단 기준을 정교하게 만들었던 경험이 있나요?
명절 시즌을 앞두고 ‘선물하기’ 기능 고도화의 효과를 분석했던 적이 있어요. 직관적으로는 명절에 선물을 주고받는 수요가 늘어나는 만큼 이 기능을 강화하면 전체 거래액에도 유의미한 상승이 있을 거라고 기대했죠. 실제로 선물하기를 통한 거래액 비중, 명절 기간의 상승폭, 카테고리별·고객사별 효과를 나눠 살펴봤습니다.
분석 결과는 예상과 달랐어요. 선물하기 기능의 거래액 상승 효과는 일부 카테고리와 소수의 고객사에서는 분명하게 나타났지만 전체 고객군으로 확장했을 때는 거래액을 유의미하게 끌어올릴 만큼의 영향은 아니었습니다. 해당 기능이 분명 도움이 되는 고객은 있었지만 전사적인 우선순위로 가져가기에는 한계가 있다고 판단했고, 결과적으로 기능 고도화의 우선순위를 낮추고 다른 성장 지점을 찾게 됐어요.
이 경험을 통해 느낀 건 그럴듯해 보이는 직관이나 아이디어일수록 실제 데이터로 검증해보는 과정이 반드시 필요하다는 점이었어요. 개발 리소스를 투입하기 전에 “이게 정말 우리가 기대하는 만큼의 임팩트를 만들 수 있는가”를 데이터로 먼저 확인하는 게, 결과적으로 조직의 속도와 선택의 질을 지키는 데 중요하다고 생각하게 됐습니다.
분석 결과를 통해 고객 여정을 바라보는 기준이 달라진 부분도 있었나요?
최근 신규 사이트를 개설한 고객을 대상으로 팝업 모달 노출 방식으로 도메인 구매를 제안하는 실험을 진행했습니다. 도메인 구매가 사이트 운영을 본격적으로 시작하는 신호가 될 수 있고 구독 전환에도 긍정적인 영향을 줄 것이라는 가설에서 출발했죠. 실험 결과 자체만 보면 기대했던 만큼의 전환 효과는 확인되지 않았어요. 하지만 대신 사이트를 막 개설한 고객이 관리자 페이지에 처음 들어왔을 때 무엇을 가장 중요하게 생각하고, 어떤 여정을 기대하는지를 데이터로 확인할 수 있었습니다. 특정 시점의 개입이 고객의 초기 탐색과 설정 과정을 방해할 수 있다는 점도 분명해졌고요.
이후로는 단일 실험의 성과보다 그 과정에서 드러난 고객의 행동 흐름과 맥락을 더 중요하게 보게 됐어요. 신규 고객의 초반 여정에 영향을 미치는 작업을 설계할 때도 이 도메인 제안 실험에서 얻은 인사이트를 참고해 가설을 세우고 실험 방식을 다듬고 있습니다. 제품 분석이 항상 큰 임팩트로 이어지지는 않지만, 이런 경험들이 쌓이면서 스쿼드 안에서도 작업의 효과와 검증 가능성을 먼저 고려하는 기준이 생겼어요. 기대에 의존하기보다 확인할 수 있는 가설을 바탕으로 진행 방향을 결정하려고 합니다.
팝업 모달을 통한 구독 전환 분석 결과
고객 이해를 바탕으로 요즘 가장 집중하고 있는 문제는 무엇인가요?
요즘은 개별 분석 결과를 해석하는 데서 나아가 *통계 제품에서 어떤 데이터를 어떤 기준으로 만들어 보여줄 것인지에 더 집중하고 있어요. 고객이 운영·마케팅·세일즈 과정에서 실제로 고민하게 되는 지점이 어디인지, 그 순간에 어떤 숫자가 판단에 도움이 되는지를 먼저 생각합니다. 그래서 단순히 지표를 나열하기보다, 이 수치가 무엇을 의미하고 지금 어떤 선택을 가능하게 하는지까지 함께 전달하는 방향을 중요하게 보고 있어요.
또 하나는 아임웹에서 구독을 결심하고 유지하게 만드는 고객 경험을 이해하는 일이에요. 쇼핑몰 운영에 필요한 기능들이 실제로 어떻게 사용되고 있는지, 사이트를 개설한 뒤 어디에서 망설이고 왜 이탈하는지를 함께 살펴봅니다. 고객이 아임웹의 가치를 자연스럽게 느끼는 경험이 만들어지면 구독과 사용은 따라온다고 생각해요.
다만 아임웹 고객들은 사이트를 운영하는 목적과 방식이 다양해 하나의 기준으로 일반화하기 어려운 경우가 많아요. 그래서 데이터 분석뿐 아니라 고객 인터뷰나 UT(Usability Test∙사용성 테스트)를 병행하며 직접 드러나지 않는 맥락을 함께 살펴보고 있습니다. 이런 과정을 통해 여러 고객에게 반복적으로 나타나는 ‘일반적인 경험’을 찾아가고 있고 고객 유형에 따라 무엇을 가치로 느끼는지, 그 가치를 체감하는 지점을 조금씩 명확하게 밝혀나가고 있어요. 이 축적된 이해가 결국 제품의 성장 방향으로 이어진다고 보고 있습니다.
(*통계 제품: 브랜드가 매출과 마케팅 성과를 직접 진단하고, 그 결과를 바탕으로 다음 비즈니스 판단을 할 수 있도록 돕는 분석 제품)
‘일반적인 경험’을 데이터로 밝혀내는 것이 왜 특히 중요하다고 생각하시나요?
아임웹에서는 특정 고객에게 효과가 있었던 기능이나 경험이 다른 고객에게는 전혀 다르게 작동하는 경우가 많아요. 그래서 일부 성공 사례만 보고 판단하면 제품의 방향이 쉽게 흔들릴 수 있다고 생각해요. 이런 환경에서는 개별 사례보다 여러 고객에게 반복적으로 나타나는 경험의 패턴을 구분해 내는 일이 더 중요하다고 봅니다. 고객이 어떤 맥락에서 아임웹의 가치를 느끼는지를 데이터로 설명할 수 있어야 제품의 기준도 세울 수 있고요.
아임웹 고객들은 목적과 운영 방식이 다양해서 단일 지표 만으로는 답이 나오지 않는 경우가 많아요. 그래서 숫자만 보기보다는 데이터와 고객 맥락을 함께 보며 공통된 조건을 찾아가고 있어요. 이렇게 정리된 인사이트가 쌓일수록 제품과 사업 모두 더 일관된 판단을 할 수 있다고 생각합니다.
Chapter 2. 불확실한 문제를 데이터로 좁혀가는 팀
불확실성이 큰 문제를 풀 때 아임웹에서는 어떤 방식으로 접근하나요?
아임웹의 데이터 분석가는 여러 스쿼드와 협업하며 각 스쿼드가 맡고 있는 제품과 문제에 대해 분석 업무를 함께 하고 있어요. 그래서 불확실성이 큰 문제를 다룰 때는, 현재 담당 스쿼드와 수요나 임팩트에 대한 단서를 데이터로 확인하는 것부터 작업을 시작합니다. 무엇을 검증하려는지, 이를 위해 어느 정도 수준의 분석이 필요한지, 기대하는 효과는 어느 정도인지를 먼저 함께 정리해요. 처음부터 완성된 답을 내기보다는 작은 시도를 통해 방향을 맞춰가는 방식에 더 익숙해져 있어요. 작업자와 요청자의 생각이 처음부터 완전히 같기는 어렵기 때문에, 말로 설명하기보다 한 번 만들어본 결과물을 놓고 데이터 기준으로 논의하는 편을 선호합니다. 실제 결과를 기준으로 얘기할 때, 맥락을 훨씬 빠르게 공유할 수 있고 다음 판단으로도 자연스럽게 이어진다고 느끼고 있어요.
과거에는 분석가가 특정 스쿼드를 전담하지 않아 스쿼드가 어떤 맥락에서 어떤 데이터를 필요로 하는지 파악하는 데 소통 비용이 컸던 시기도 있었어요. 지금은 분석가가 특정 스쿼드를 전담해 긴밀하게 협업하면서, 맥락을 빠르게 이해하고 작은 시도를 반복하는 방식이 훨씬 잘 작동하고 있습니다.
이런 방식이 실제 업무에서 특히 잘 작동했다고 느꼈던 사례가 있을까요?
생성형 AI를 활용해 프롬프트 기반으로 사이트를 만드는 기능이 그 사례 중 하나예요. 처음에는 굉장히 큰 목표에서 출발했지만, 그대로 진행하면 수개월의 작업과 많은 비용이 필요한 프로젝트라는 판단이 있었어요. 기술적으로도 고려해야 할 요소가 많았고요. 그래서 본격적인 개발에 들어가기 전에, 고객들이 실제로 생성형 AI로 사이트를 만들고 싶어하는지부터 먼저 확인해보기로 했습니다.
사이트 생성에 대한 고객 반응을 먼저 살펴보니 이후의 작업 방향이 많이 달라졌어요. 유료 구독 전환율보다, AI로 사이트 생성을 시도하도록 만드는 초기 경험이 더 중요하다는 점을 알게 됐고요. 생성 횟수 역시 처음부터 크게 열기보다, 생성 요청 로그를 먼저 수집해 살펴본 결과 반복 생성을 원하는 사용자가 많지 않다는 걸 확인할 수 있었어요. 덕분에 초기 스펙을 과도하게 키우지 않아도 되겠다는 판단을 할 수 있었습니다.
처음에는 스펙을 작게 가져가는 게 서비스가 부족해 보이지 않을까 하는 우려도 있었던 것 같아요. 하지만 이번 경험을 통해, 검증되지 않은 가설 위에서 일을 키우기보다 작게 시작하고 결과를 보며 다음 단계를 정하는 방식이 팀 안에서도 더 합리적이라는 공감대가 만들어진 것 같습니다.
생성형 AI 기능을 통해 웹사이트 및 쇼핑몰을 제작할 수 있는 기능
문제가 예상보다 복잡해졌을 때 보통 어떻게 풀어가나요?
유저에게 자유도가 높은 통계 경험을 제공하려다 보면 내부 구현은 오히려 훨씬 복잡해지는 순간들이 있어요. 단순히 집계된 숫자를 보여주는 게 아니라, 조건에 따라 여러 테이블을 유연하게 조회하고 조인해야 했고, 동시에 속도도 놓칠 수 없는 상황이었죠. 혼자서 붙잡고 가기엔 한계가 있다고 느껴서 전반적인 로직은 동료 분석가와, 성능 관련 이슈는 데이터 엔지니어와 함께 논의하면서 방향을 잡아갔어요. 정말 감사하게도 매번 정성스럽게 의견을 주고받으며 함께 문제를 풀어나갈 수 있었죠.
이 경험을 통해 느낀 건, 고객에게 자유롭고 편한 경험을 제공하려면 그 뒤에서는 더 많은 고민과 정교한 설계가 필요하다는 점이었어요. 그리고 막히는 지점에서는 오래 혼자 고민하기보다, 맥락을 공유하고 도움을 요청하는 게 팀 전체의 속도를 높이는 방법이라는 것도요.
Chapter 3. Lead by Example로 기준을 만드는 사람들
아임웹이 DA Lead에게 기대하는 역할과 리더십은 무엇인가요?
아임웹에서 DA Lead에게 기대하는 역할은 더 많은 분석 기법을 도입하거나 복잡한 모델을 적용하는 것보다는 지금 어떤 분석이 필요하고 그 결과가 어떤 판단으로 이어져야 하는지 방향을 잡아주는 일에 가깝다고 생각해요. 분석 결과를 설명하는 데서 멈추지 않고, 이 분석이 왜 중요한지, 어떤 임팩트를 만들 수 있는지를 함께 고민해주실 수 있으면 좋겠어요.
각 분석가들이 스쿼드에 깊이 들어가 실무를 하고 있는 만큼, DA Lead 역시 한 단계 떨어진 위치에서 판단만 하는 사람이 아니라 같은 문제를 데이터로 풀면서 제품과 비즈니스 맥락을 더 넓게 연결해 주는 역할을 맡게 될 것 같아요. 한 스쿼드에 집중하다 보면 놓치기 쉬운 관점이나 서로 다른 해석이 나올 수 있는 지점을 짚어주며 팀의 판단 기준을 맞춰가는 역할이라고 생각합니다.
아임웹에서는 DA Lead를 단순히 관리만 하는 역할로 보지 않고 실무를 함께하는 포지션으로 생각하고 있어요. 탄탄한 실무 역량을 바탕으로 좋은 분석 기준과 사고 방식을 팀 전체로 확산시킬 수 있는 역할을 기대하고 있습니다. 직접 보여주면서 기준을 세우는 이른바 lead by example의 리더십이죠.
여러 스쿼드와의 협업을 강조하셨는데, 그런 점에서 아임웹 DA 팀에 잘 맞는 분은 어떤 분일까요?
여러 스쿼드와 협업하며 문제를 정의하고 풀어가야 하는 환경이다 보니, 업무를 시작할 때 이 일을 왜 해야 하는지 스스로 이해하고 공감할 수 있는 분이라면 아임웹 환경에 잘 몰입할 수 있다고 생각해요. 아임웹에서는 구체적인 태스크보다 상황과 맥락이 먼저 주어지는 경우가 많아서 그 맥락을 바탕으로 무엇을 해야 할지 스스로 정의해 나가는 과정이 중요해요. 그래서 주어진 일을 그대로 수행하기보다 동료들과 논의하며 방향을 만들어가는 데 익숙한 분이라면 금방 적응하실 거예요. 일에 의미를 두고 능동적으로 몰입하는 태도 역시 중요하게 보고 있습니다.
업무적인 부분 뿐만 아니라 아임웹의 문화적인 측면에서도 높은 기준으로 몰입해 일하고 그 과정에서 팀 동료들에게 자연스럽게 동기부여를 줄 수 있는 분이라면 아임웹과 잘 맞을 거라고 생각해요.
DA Lead가 합류한다면 가장 먼저 만들어가야 할 변화는 무엇일까요?
지금은 각 분석가가 스쿼드와 제품에 깊이 들어가 있어요. 그래서 스쿼드 단위의 분석은 잘 이뤄지고 있지만, 전사적인 관점에서 제품 간 흐름을 연결하거나 공통된 기준으로 성과를 바라보는 데에는 한계가 있는 상황이에요. DA Lead가 합류한다면 이런 인사이트들을 한 단계 위에서 엮어주는 역할이 가장 중요하다고 생각해요. 전사 차원의 핵심 지표를 정의하고 합의하거나 스쿼드별 분석 결과를 연결해 각 스쿼드의 선택이 아임웹 전체의 성장과 어떻게 이어지는지를 데이터로 설명해 주는 역할이죠. 그런 기준이 생긴다면 조직 전체의 판단도 훨씬 선명해질 거라고 봅니다.
이런 변화를 만들어야 하는 이유는 분명해요. 아임웹은 단순히 웹사이트를 제공하는 서비스가 아니라, 고객의 비즈니스 성장을 돕는 솔루션을 목표로 하고 있기 때문이에요. 고객들이 어떤 시도를 했을 때 실제로 성과로 이어졌는지, 어떤 단계의 고객에게 어떤 행동이 더 효과적인지를 데이터로 설명할 수 있어야 한다고 생각해요. 아직 쉽지 않은 영역이지만, DA Lead와 함께 이런 가설들을 하나씩 쌓고 검증해 나간다면 제품과 사업 전반에 의미 있는 변화를 만들어갈 수 있을 거라고 기대하고 있습니다.
데이터 분석가로서 아임웹에서만 경험할 수 있는 점은 무엇일까요?
아임웹은 B2B2C 구조의 서비스라서 고객사의 운영 데이터와 그 서비스를 사용하는 실제 최종 사용자(End-User) 행동을 함께 다룰 수 있는 환경이에요. 고객사의 비즈니스 성과가 사용자 행동과 어떻게 연결되는지를 하나의 흐름으로 볼 수 있다는 점이 아임웹 데이터의 가장 큰 특징이라고 생각해요. 예를 들어 특정 기능이 고객사의 거래액에 어떤 영향을 주는지, 그 과정에서 사용자는 어떤 행동 변화를 보이는지를 함께 분석할 수 있습니다.
또 하나의 특징은 고객과 사용 맥락의 다양성이에요. 비커머스와 커머스 고객사가 함께 있고, 커머스 안에서도 판매 상품, 매출 규모, 운영 방식이 모두 달라요. 하나의 기능이 모든 고객사에서 동일한 결과를 만들지 않고, 어떤 고객군에서는 효과적이지만 다른 고객군에서는 그렇지 않은 경우도 많아요. 하나의 고객사 안에서도 여러 사용자 페르소나가 공존하고 있고요.
이런 환경에서는 정형화된 패턴이나 기존의 경험에 기대기보다, 매번 가설을 세우고 검증하는 방식으로 접근하게 돼요. 쉽지는 않지만 그만큼 다양한 데이터와 분석 과제를 경험할 수 있고, 데이터를 통해 제품과 비즈니스를 입체적으로 이해하는 힘을 키울 수 있다고 생각해요. 직접 고민하고 부딪히지 않으면 얻기 어려운 경험이라는 점에서 데이터 분석가에게는 밀도 높은 성장 환경이라고 느껴집니다.
Chapter 4. 데이터를 흐르게 만드는 팀의 다음 목표
새로운 DA Lead와 팀으로서 함께 넘고 싶은 목표는 무엇인가요?
크게 보면 두 가지 방향을 함께 만들어가고 싶어요.
더 많은 구성원들이 판단이 필요한 순간에 데이터를 떠올리고 참고할 수 있으면 좋겠어요. 그러기 위해서는 데이터에 접근하는 과정이 지금보다 훨씬 쉬워져야 하고, DA가 각 팀·스쿼드와 더 밀접하게 협업하면서 그들이 어떤 고민을 하고 있는지를 잘 이해하고 있어야 한다고 생각해요. 데이터가 특정 역할만의 도구가 아니라, 조직 전반에서 공통의 언어처럼 쓰이는 상태를 목표로 하고 있어요.
아임웹에서는 고객에게 제공되는 통계와 인사이트 제품을 굉장히 중요한 영역으로 보고 있어요. 이건 특정 스쿼드만의 결과물이 아니라, 데이터 팀이 깊이 관여해 함께 만들어가는 제품이고요. 데이터를 어떻게 수집하고, 쌓고, 서빙할지에 대한 구조부터 분석가의 시각까지 모두 필요합니다. 제품 조직과 데이터 팀이 함께 고민하면서, 고객에게 정말 도움이 되는 인사이트를 만들어가는 데 기여하고 싶어요.
마지막으로 지원을 고민하는 분들께 한 마디 부탁드려요
용민 아임웹은 B2B SaaS, 커머스, 행동 데이터까지 다양한 성격의 데이터를 한 환경에서 다뤄볼 수 있는 곳이에요. 이미 잘 정리된 영역도 있고 앞으로 함께 만들어가야 할 부분도 분명히 있어요. 완성된 시스템에 합류하기보다, 데이터가 문화적으로·기술적으로 성숙해가는 과정을 함께 경험해 보고 싶다면 좋은 환경이라고 생각해요.
소현 아임웹에서 일하면서 데이터에 대한 시야와 활용 범위가 빠르게 넓어졌다는 걸 느꼈어요. 지금은 ‘어떻게 더 좋은 데이터 환경을 만들고, 분석으로 어떤 임팩트를 낼 수 있을지’를 직접 그리고 실행해야 하는 시점이라고 생각해요. 그만큼 시도해 볼 수 있는 게 많은 팀이라, 이런 고민에 흥미가 있다면 충분히 도전해볼 만한 곳이에요.
태오 지금 아임웹은 기존 사업의 안정적인 성장 위에서 새로운 시도들을 적극적으로 해 나가는 단계에 있어요. 타겟 고객 확장, AI 제품, 신규 사업까지 동시에 고민하고 있고요. 데이터 팀 역시 단순히 분석을 지원하는 역할을 넘어서, 제품과 사업을 함께 만들어가는 과정에 깊이 참여할 수 있다고 생각해요. 좋은 동료들과 함께 치열하게 성장해보고 싶은 분이라면 잘 맞을 거예요.
분석 결과를 넘어 분석의 기준을 만들고 싶다면?
채용 공고 바로가기