메인비주얼 영역

NETHRU Digital Marketing Solutions

고객 행동을 주시하고 다양한 관점으로 분석하여 고객 특성에 따른 효과적인 마케팅 채널 선정과
차별화된 마케팅 실행으로 고객 경험을 강화하고 매출 향상에 기여합니다.

Digital Marketing Solutions Digital Marketing Solutions
+

지식 노하우

구글 애널리틱스의 사용자 식별 방법

작성일 : 2022.07.21

  구글 애널리틱스에서는 퍼스트 파티 쿠키(자사 쿠키), 기기/브라우저 관련 데이터, IP 주소, 사이트/앱 내에서의 활동을 수집하여 웹사이트 또는 앱에서 일어나는 사용자 상호작용에 대한 통계를 측정하여 보고합니다. 웹사이트에서 순 사용자와 세션을 구분하기 위해 _ga라는 퍼스트 파티 쿠키에 클라이언트 ID를 저장합니다. 이러한 쿠키를 웹사이트 식별자라고 합니다.  개인정보 보호를 위해서 사용자는 쿠키를 사용하지 않도록 설정하거나 개별 쿠키를 삭제하면, 구글 애널리틱스가 클라이언트 ID를 저장하지 않습니다. 구글 애널리틱스에서 사용자를 식별하기 위해 사용하는 정보를 하나씩 살펴보겠습니다.     1. 구글 신호(Signals) 데이터 구글 신호 데이터는 구글에 로그인한 사용자의 데이터입니다. 구글 애널리틱스에서 구글 신호 데이터를 활성화하면, 구글 애널리틱스가 사이트 및 앱으로부터 방문 정보를 수집하여 구글 계정으로 로그인한 사용자 중 개인 광고 최적화를 위해 정보와 계정을 연결하는 데 동의한 사용자 계정의 구글 정보와 이 정보를 연결합니다. 이러한 구글 정보는 최종 사용자 위치, 검색 기록, YouTube 기록 및 구글과 파트너 관계를 맺은 사이트의 데이터를 포함할 수 있으며, 사용자의 교차 기기 행동에 대한 유용한 정보를 집계 및 익명처리하여 제공하는 데 사용됩니다. 즉, 사용자가 기기와 플랫폼 간에 이동할 때 단일 구글 계정으로 로그인하면 이러한 행동이 구글 애널리틱스 보고서에 반영됩니다.      2. 디바이스 ID 웹사이트의 디바이스 ID는 클라이언트 ID에서 값을 가져옵니다. 앱용 구글 애널리틱스 또는 파이어베이스(Firebase)용 구글 애널리틱스 SDK를 사용하는 경우, 고유한 앱 설치를 식별하는 무작위 생성 번호인 앱-인스턴스 식별자를 구글 애널리틱스가 수집합니다. 이것은 쿠키와 유사한 기술을 사용합니다. 사용자가 광고 식별자(Android의 ADID 및 iOS의 IDFA)를 재설정할 때마다 앱-인스턴스 식별자도 재설정됩니다.  3. IP 주소 구글 애널리틱스에서는 인터넷 프로토콜(IP) 주소를 수집하여 방문자가 세계 어디에서 접속하는지 국가, 주 또는 도시 정보('IP 위치정보'라고 함)를 파악할 수 있도록 해 줍니다. 유니버설 애널리틱스에서는 IP 주소를 익명처리(IP 마스킹)하지만, GA4에서는 IP 주소가 로깅되거나 저장되지 않으므로 IP 익명처리가 필요하지 않습니다.   4. 사용자 ID User-ID 기능을 사용하면 고유 식별자를 개별 사용자와 연결할 수 있으므로, 여러 세션과 다양한 기기 및 플랫폼에서 발생하는 활동을 연결할 수 있습니다. 하지만 사이트에 사용자 로그인 옵션이 없으면, 즉 로그인이나 다른 식별 방법이 없다면 이 기능은 적합하지 않습니다. 구글 애널리틱스에 사용자 ID를 전송하려면, 사용자별로 고유 아이디를 만들어 사용자에게 할당하고 이를 일관성 있게 재할당해야 합니다. 이 작업은 일반적으로 로그인 과정에서 수행됩니다. 구글 애널리틱스에 전송되는 사용자 ID는 로그인할 때 사용하는 계정 ID가 아니고, 재할당된 고유 ID입니다.  GA4에서는 사용자를 식별할 때, 사용자 ID에 가장 높은 우선 순위를 부여합니다. 개인에 대한 사용자 ID가 감지되지 않으면 개인이 구글 계정에 로그인되어 있는 경우, 구글 신호 데이터를 사용하여 개인을 식별할 수 있습니다. 그리고 사용자 ID 또는 구글 신호 데이터로 개인을 식별할 수 없는 경우, GA4는 자사 쿠키 또는 모바일 앱의 앱-인스턴스 식별자와 같은 광고 식별자(기기 ID)로 개인을 식별합니다. [GA4에서 사용자 ID 수집이 불완전한 세션을 처리하는 방법] 사용자가 로그인 전 또는 로그아웃 후 사이트나 앱에서 이벤트를 트리거하는 경우가 있습니다. 첫 번째 경우 GA4에서는 사용자가 로그인할 때 제공된 사용자 ID와 해당 세션을 연결하기 위해 세션 ID를 사용합니다. 두 번째 경우 사용자가 로그아웃하면 애널리틱스는 후속 이벤트와 해당 사용자 ID 연결을 중지합니다. 예를 들어 사용자가 연결된 사용자 ID 없이 세션을 시작하고 이벤트 1과 2를 트리거합니다. 이러한 이벤트와 연결된 사용자 ID는 없습니다. 그런 다음 사용자가 로그인하여 이벤트 3을 트리거합니다. 이제 이벤트 1, 2, 3 모두가 이 사용자의 ID와 연결됩니다. 사용자가 최종적으로 로그아웃한 후 이벤트 4를 트리거합니다. 이벤트 4에 연결된 사용자 ID는 없습니다. 이벤트 1, 2, 3은 해당 사용자에 연결된 상태로 유지됩니다. 한편 GA4에서 선택한 기간 동안 특정 사용자에게 로그인한 상태의 활동과 로그아웃한 상태의 활동이 모두 있는 경우, 탐색 분석은 사용자 전체 기간 데이터 중에서 로그인한 상태의 데이터만 사용합니다. 사용자 수가 중복되지 않고, User-ID 기반 사용량을 통해 평균 평생 가치(LTV) 등의 측정항목이 더 정확해지기 때문입니다.       유추 가능하거나 명백하게 동일한 사용자의 로그인 전과 후의 활동을 묶어서 볼 수 없는 점은 아쉬움이 남습니다. 이 부분은 넷스루에서 만든 데이터스토리로 커버가 가능합니다. 데이터스토리는 로그인 전의 활동과 로그인 상태의 활동, 그리고 로그인 후의 활동을 모두 묶어서 사용자 행동을 분석합니다.  넷스루는 구글 애널리틱스 공식 파트너로 구글 애널리틱스 설치 및 맞춤형 분석 보고서 등 고도화된 구글 웹로그 분석 서비스를 제공하며, 자사 개발 디지털 분석 솔루션인 데이터스토리로 구글 애널리틱스로 해결할 수 없는 비즈니스 맞춤형 지표 및 통계 보고서를 제공하여 마케팅 및 비즈니스 성과를 향상시킬 수 있도록 지원합니다.   

앱 사용자 획득을 위한 지표

작성일 : 2021.08.27

사용자가 앱을 어떻게 찾는지 파악하고, 앱을 더 잘 찾게 하고 더 많이 사용하도록 유도하기 위해서는 이러한 사용자 활동의 정교한 측정이 필요합니다. 사용자 획득을 위한 캠페인에 추적 URL을 할당하여 특정 마케팅 채널이 클릭, 설치, 노출 등 주요 지표 측면에서 어떻게 진행되고 있는지 확인해야 합니다. 사용자 획득을 위한 어떤 앱 지표를 측정해야 하는지 살펴보고, 마케팅 캠페인이 예상대로 작동하지 않으면 어떤 채널에서 어떠한 메시지를 전달해야 하는지 팁을 알려드리겠습니다.   앱 스토어 순위(App Store Ranking) 앱이 앱 스토어 검색 결과에 표시되는 순위입니다. Apple에 따르면 65%의 사람들은 App Store에서 무언가를 검색한 후, 앱을 다운로드하기 때문에 (Google Play에서도 비슷한 비율로 예상), 검색 결과 상위에 랭킹되어야 합니다. 앱 이름 및 앱 목록에 키워드를 올바르게 사용하여 앱 스토어 최적화 지침을 충족해야 합니다. 또한 앱을 정기적으로 업데이트(한 달에 1~4회)하고, 긍정적인 앱 평점과 리뷰를 만들어 순위를 높일 수도 있습니다.   앱 기여(App Attribution) 사용자를 앱으로 유도하는 레퍼러를 추적하여 마케팅 캠페인의 성공을 측정합니다. 즉 사용자가 어디에서 유입되었는지 알 수 있습니다. 예를 들어, 광고를 본 사용자를 추적하는 특별 캠페인 링크를 설정할 수 있습니다. 앱을 설치하고 앱 내에서 구매하는지 분석해서 어떤 마케팅 캠페인과 채널이 최고의 수익을 내고 있는지 알 수 있습니다. 마케팅 캠페인 수익을 높이려면 딥 링크를 사용하여 사용자를 광고 또는 프로모션에서 상호작용하기를 원하는 정확한 화면으로 안내해야 합니다. 마케팅 메시지를 A/B 테스트하여 잠재 사용자에게 적합한 것을 찾을 수도 있습니다. 예를 들어 두 개의 서로 다른 메시지가 포함된 서로 다른 검색 광고 캠페인을 만들어 테스트 할 수 있습니다. 그런 다음 분석 도구를 사용하여 어떤 캠페인이 더 나은지 모니터링합니다.   앱 포기(App Abandonment) 앱을 등록(가입)하거나 사용하기 전에 앱을 포기한 사용자의 비율입니다. 앱의 온 보딩 프로세스의 결함이나 새 사용자를 등록하는데 방해가 되는 다른 문제를 가리킬 수 있으므로 모니터링해야 합니다. 가입하기 전에 사용자가 이탈하는 문제가 있는 경우, 사용자가 앱을 떠나는 위치를 정확히 파악하는 것이 좋습니다. 예를 들어 사용자가 앱 가입 프로세스 중간에 이탈하면 문자 메시지나 이메일을 통해 해당 사용자에게 다시 연락하여 가입을 권유할 수 있습니다. 분석 도구를 사용하여 다운로드, 세션 및 사용자 수와 비교하여 포기율에 대한 아이디어를 얻을 수 있습니다. 분석 도구가 익명 사용자(가입 프로세스를 완료하지 않은 사용자)를 측정하는 경우 이를 실제 사용자와 비교하여 포기율을 파악할 수 있습니다. 로그인 화면과 후속 가입 화면을 조회한 총 사용자 수를 확인하고, 가입 확인을 진행하는 화면을 조회한 총 사용자 수와 비교할 수도 있습니다.     퍼널 추적(Funnel Tracking) 획득에서 전환까지의 사용자 흐름 순서를 보여줍니다. 친구 추천, 서비스 신청, 인앱 구매 등을 사용자 지정 퍼널에 포함할 수 있습니다. 얼마나 많은 사용자가 전환하기 전에 어떤 단계에서 이탈하는지 알 수 있습니다. 많은 사용자가 특정 유입 경로 단계에서 이탈하는 것을 발견하면 해당 단계에 집중하여 전환을 방해하는 문제를 식별, 분리 및 제거 할 수 있습니다. 유입 경로의 여러 단계에 있는 사용자를 타겟팅하여 인센티브를 제공하고 다음 단계로 계속 진행하도록 장려할 수 있습니다.     입소문(Viralness) 앱에 유입하는 신규 사용자 수를 측정합니다. 이러한 사용자는 이 앱을 사용하는 친구나 가족과 연결되어 활동적이고 앱을 고수하는 경향이 있습니다. 입소문으로 앱을 가입하기 때문에 마케팅 캠페인으로 앱을 유치할 필요가 없어서 획득 비용이 적게 드는 경향이 있습니다. 기존 사용자가 앱 내부 및 외부에서 추천 프로모션을 통해 입소문 공유를 하도록 장려해야 합니다. 다른 사람과 공유하면 포인트를 제공하거나, 앱을 공유하는 사용자에게만 프로모션으로 보상하는 것도 좋고, 새로운 사용자에게 앱을 사용해 보도록 인센티브를 더 많이 제공하는 것도 좋습니다. 경험상 앱에 초대 버튼을 포함하는 것보다 콘텐츠를 공유할 수있는 옵션을 제공할 때 앱이 더 많은 성공을 거둔다고 합니다. 사용자에게 공유할 콘텐츠를 제공함으로써 앱의 즐거움을 넘어서 공유할 이유를 제공할뿐만 아니라 아직 사용하지 않은 사람들에게 앱의 가치를 더 잘 보여줄 수 있습니다.  획득 당 비용(Cost per Acquisition) 획득 당 비용은 활성 유료 사용자 또는 구독자를 확보하기 위해 지출해야 하는 금액을 측정합니다. 획득 비용에는 광고 및 PR에 지출한 비용, 호스팅 및 인프라와 같은 기술 비용, 디자인, 개발, 고객 지원, 법률 지원, 급여 및 계약 비용 등이 포함될 수 있습니다. 획득 당 비용 = 총 캠페인 비용 / 획득 수 앱 내에서 수익을 창출할 기회에 따라 전환 당 비용을 조정해야 합니다. 예를 들어 유료 앱의 경우 획득 비용을 앱 가격 보다 낮게 유지하려고 할 것입니다. 인앱 구매를 사용하는 앱의 경우, 업계 표준 획득 비용으로 시작한 다음, 얼마나 많은 시간 동안 실제 수익을 가져오는지 확인하면서 조정해야 합니다. 가치있는 사용자 당 평균 획득 지출이 얼마인지 살펴봐야 합니다. 예를 들면 앱을 다운로드했지만 사용하지 않는 사용자가 아니라, "가치가 높은" 작업을 완료하는 사용자를 확보하는 데 드는 비용을 측정해야 합니다. 입소문은 마케팅 채널 보다 적은 비용이 드는 반면에, 타겟 마케팅 캠페인은 일반 사용자가 아닌 가치가 높은 사용자를 대상으로 지출합니다. 대부분의 마케팅 채널에서는 마케팅 메시지를 전달하려는 사람들의 유형에 대해 성별, 연령, 기기, 위치와 같은 특정 기준을 설정할 수 있습니다. 평생 가치(Lifetime Value) 평생 가치 (LTV)는 사용자가 앱 사용을 중단하기 전에 사용자로부터 얻은 총 수익입니다. 이것은 또한 취득 당 비용을 염두에 둡니다. 수익을 창출하기 위해 사용자를 유지해야 하는 기간을 파악할 수 있습니다. 평생 가치는 앱이 미래에 얼마나 많은 수익을 올릴지 예측하는 데도 도움이 된다. 사용자를 확보하는 시간 보다 사용자가 앱에 더 많은 돈을 지출하는 데 시간이 걸릴 수 있습니다. 평생 가치를 높이는 가장 좋은 방법은 사용자의 요구에 맞추는 것입니다. 피드백을 듣고 일반적인 문제와 요청을 해결하기 위해 정기적인 앱 업데이트를 하면 앱을 계속 사용하는 데 도움이 됩니다. 앱 성능 뿐만아니라, 만족스러운 고객지원과 빠른 응답 시간도 중요합니다. 사용자를 일회성 구매 대신 구독 모델로 유도하는 것도 좋습니다.   수익 목표(Revenue Target) 수익 목표는 시간이 지남에 따라 일정 금액의 수익을 달성하기 위해 설정한 목표입니다. 달성 목표를 백분율이나 숫자처럼 구체적으로 만드는 것이 중요하고, 목표를 달성하고 현재 상태를 체크하기 위해서는 매주 이 측정 지표를 살펴봐야 합니다.   사용자 당 평균 수익(Average Revenue per User) 사용자 당 평균 수익 (ARPU)은 앱 사용자로부터 생성되는 평균 수익입니다. 총 수익을 사용자 수로 나누어 ARPU를 계산합니다. 이는 일반적으로 투자자에게 중요한 지표일 뿐만 아니라 사용자 당 평균 수익은  목표 달성 여부를 나타내는 지표입니다. 정확하게 추적하려면 특이치가 평균을 왜곡하지 않도록 해야 합니다. 사용자가 많지 않은 경우, 고수익 고객 1명이 평균에 큰 영향을 미칠 수 있기 때문입니다.  유료 사용자 당 AOV 및 AOV(AOV and AOV per Paying User) 평균 주문 가치(AOV: Average Order Value)는 앱에서 사용자가 지출한 평균 금액이며, 유료 사용자 당 평균 주문 가치는 유료 사용자가 평균적으로 지출할 것으로 예상되는 금액입니다. 이 두 가지 측정 항목은 전자 상거래 분야에서 유용하며, 아직 유료 사용자로 전환하지 않은 사용자의 가치를 측정하는 데 도움이 됩니다. 이러한 측정 항목을 사용하여 사용자가 평균적으로 구매하는 수를 파악하고, 유료 사용자가 더 많이 구매하도록 유도하는 전략을 계획할 수 있습니다. 유료 사용자 당 AOV 및 AOV를 개선하려면 결제시 또는 결제 직전에 추가 제품 또는 서비스를 제안해 볼 수 있습니다. 넷스루의 개인화 추천 솔루션 스마트오퍼를 적용하면 이러한 제품 추천과 서비스 제안이 더욱 정교해지고 정확해집니다. 출처: https://savvyapps.com/blog/mobile-app-analytics  

앱 사용자 만족을 측정하는 지표

작성일 : 2021.02.10

앱이 사용자의 기대에 충족하는지 여부를 가늠할 수 있는 측정 항목을 살펴 보겠습니다. 이러한 측정항목으로 사용자가 선호하는 기능 및 놓친 기능, 다른 사람에게 앱을 추천할 가능성, 의도한 대로 앱과 상호 작용하는지 여부를 판단할 수 있습니다.   앱 평가(App Rating)앱 내에서 사용자가 평가하는 지표로, 사용한 앱에 대해 사용자가 어떻게 생각하는지 가장 빠르게 확인할 수 있는 방법입니다. 이 지표는 나중에 앱 스토어에서 앱 스토어 순위에 영향을 미칠뿐만 아니라, 신규로 앱을 다운로드하는 데에도 영향을 미칩니다. 주로 사용자에게 앱 자체 내에서 앱을 평가하도록 유도합니다. 인 앱 피드백 도구를 통해 앱에 좋은 평가를 남기는 경우, 앱 스토어 리뷰에도 동일하게 평가해 주도록 앱 스토어의 앱 목록으로 직접 보내도록 링크를 제공합니다.   앱 스토어 리뷰(App Store Reviews)App Store 또는 Google Play 목록에 표시되는 사용자가 남긴 피드백입니다. 앱 평가와 마찬가지로 앱 스토어 순위에 영향을 미칩니다. 앱 내에서 긍정적인 리뷰를 남기도록 유도하고, 앱 스토어 목록으로 바로 가는 링크를 포함시키면 좋습니다. 리뷰 모니터링 도구를 사용하면 앱 리뷰를 추적 할 수도 있습니다. 그리고 리뷰에서 부정적인 것을 발견하면 잠재적인 버그 또는 앱 내의 더 깊은 문제를 조사하는 데 도움이 됩니다.   히트맵 및 세션 리코딩(Touch Heatmaps and User Recordings)히트맵은 화면에서 사용자가 가장 많이 상호작용하는 영역을 추적합니다. 세션 리코딩은 실제 사용자가 앱과 상호작용하는 상황을 모니터링합니다. 히트맵은 사용자가 시간을 많이 소비하거나 놓치는 부분을 확인하는데 유용합니다. 반면에 세션 리코딩은 사용자가 앱을 어떻게 느끼고, 앱 사용이 얼마나 즐거운 지에 대한 중요한 지표가 될 수 있습니다. 이러한 지표는 특정 작업이 발생한 이유를 확인하고 충돌, 불만 및 문제의 원인에 대한 이론을 만들수 있습니다. 특정 작업에 걸리는 소요시간을 조사하면 사용자에게 특히 어렵거나 혼란스러운 것이 있는지 여부를 확인할 수 있고, 어떤 것이 재미있고 매력적이며 쉬운지 가늠해 볼 수 있습니다.     인앱 피드백(In-App Feedback)인앱 피드백은 설문 조사, 문의 양식과 같이 앱 자체에서 사용자가 보내는 피드백입니다. 인앱 피드백을 보내는 사용자는 이미 앱을 적극적으로 사용하고 있으므로 거의 보내지 않는 사용자보다 더 가치가 있습니다. 그리고 인앱 피드백을 보내기 위해 사용자가 앱을 떠날 필요가 없으므로 앱 내에서 세션이 계속됩니다. 일부 인앱 피드백 도구는 사용자의 피드백과 함께 추가 진단 정보를 전송하여 문제를 이해하고 식별하는데 중요한 컨텍스트를 제공하기도 합니다. 이처럼 사용자로부터 얻는 정보를 자동화하는 것이 중요합니다. 기기 유형, 기기모델, OS 버전 등 기타 진단 정보를 제공하는 인앱 피드백 도구를 선택해야 합니다. 무엇보다도 사용자가 당황하지 않고 응답하도록 설문 조사 오버레이 팝업 당 한 개의 질문으로 메시지를 짧게 유지하는게 좋습니다.   지원 응답 시간(Support Response Times)지원 응답 시간 지표는 고객 피드백 및 요청에 응답하는데 걸리는 시간을 반영합니다. 그런데 고객 지원 응답의 품질과 사용자가 응답에 얼마나 만족하는지도 고려해야 합니다. 그리고 지연된 응답 시간은 긴급성이 부족함을 암시할 수도 있습니다. 고객 지원팀이 달성할 예상 응답 시간 목표를 지정하면 좋습니다. 또한 고객으로 부터 비슷한 요청이 넘쳐나고 있는지도 꼼꼼히 살펴봐야 합니다.   순 추천고객 지수(Net Promoter Score)사용자가 친구, 가족, 지인처럼 다른 사람에게 앱을 추천 할 가능성입니다. 주로 1-10 척도의 순위를 사용하며, 9-10을 앱을 추천할 가능성이 가장 높은 사용자 즉, 적극형(promoters)으로 정의하고, 7-8을 수동형(passives), 나머지는 비방형(detractors)으로 정의합니다. 적극형 비율에서 비방형 비율을 빼면 순 추천고객 지수가 계산됩니다. 적극형은 앱을 더 오래 사용하고 더 많은 수익을 창출하며 다른 사람에게 앱을 추천할 가능성이 높기 때문에 비방형보다 3~8배 높은 평균 평생 가치를 갖게 됩니다. 순 추천고객 지수를 높이려면 실시간 고객지원을 우선시하고 대응팀의 긴급성을 강조해야 합니다. 또한 이메일과 인앱 메시지를 보내서 앱의 부족한 부분을 식별하고 비방형 사용자를 찾아내 서비스를 개선해야 합니다.   출처: https://savvyapps.com/blog/mobile-app-analytics  

앱 사용자 참여를 측정하는 지표

작성일 : 2021.01.06

사용자의 앱 참여도를 측정하는 데 필요한 주요 측정 지표는 앱에 대한 사용자의 관심과 투자 정도를 알 수 있기 때문에 중요합니다. 이러한 지표를 사용하면 앱을 설치하고 사용하는 사용자 수, 사용자가 앱과 상호작용하는 빈도, 가끔 앱을 사용하는 사용자를 매일 또는 정기적인 사용자로 전환할 가능성, 사용자가 앱을 더이상 사용하지 않는지 여부 등을 파악할 수 있습니다. 지속적인 모니터링이 필요한 주요 지표 몇 가지를 소개해 드립니다.   앱 다운로드(App Downloads)앱 다운로드 수는 앱이 설치된 횟수를 나타내며 앱 작동 상태를 나타내는 첫 번째 신호입니다. 다운로드 수를 알고 시간 경과에 따른 추세를 확인하면 마케팅이 잘 진행되고 있는지 알 수 있습니다. 다운로드가 거의 또는 전혀 발생하지 않으면, 마케팅 노력, 앱 스토어 등록 정보의 효율성 또는 앱 스토어 최적화 부족 문제를 지적 할 수 있습니다. 이 경우 랜딩 페이지를 만들거나 앱 스토어에서 앱 목록을 최적화하여 마케팅 활동을 확장하는 것이 좋습니다. 앱의 이름과 아이콘 조차도 앱을 다운로드하는 사용자 수에 큰 영향을 미칠 수 있습니다.     앱 활성 사용자(Active Users of Your App)앱을 다운로드해서 설치만 해 놓은게 아니라, 실제로 앱을 정기적으로 사용하는 사용자 수를 측정합니다. 분석 도구에는 "활성 사용자"에 대한 자체 기준이 있으며, 일반적으로 "세션"을 중심으로 합니다. 주로 활성 사용자는 세션을 시작하는 사용자입니다. 일일 활성 사용자(DAU)는 하루에 적어도 한 세션이 있는 사용자이고, 월간 활성 사용자(MAU)는 한 달 내에 적어도 한 세션이 있는 사용자입니다. 예를 들어 DAU는 앱을 매일 사용하는 사용자를 반영합니다.   DAU / MAU = Stickiness Ratio DAU와 MAU의 비율을 사용하여 앱의 "Stickiness"를 결정할 수 있습니다. Stickiness Ratio는 MAU를 DAU로 전환할 수 있는 기회입니다. 이 비율을 높이려면 푸시 알림을 활용해서, 사용자가 설치(가입)한 후 앱으로 다시 돌아 오도록 해야 합니다. 또한 자주 앱 업데이트를 유도하여 앱의 기능과 콘텐츠를 최신 상태로 유지함으로써 사용자가 앱을 다시 사용할 수 있는 인센티브를 더 많이 제공할 수도 있습니다.     평균 방문(머문) 시간 및 방문당 화면 조회수(Average Visit Time and Screen Views per Visit)평균 방문 시간은 사용자 세션의 평균 머문 시간입니다. 방문당 화면 조회수는 사용자가 세션 중에 상호작용하는 앱 화면 수를 추적합니다. 두 지표 모두 활성 사용자가 앱에 얼마나 참여했는지를 보여줍니다. 일반적으로 사용자가 앱에서 보내는 시간이 길고 방문당 상호 작용하는 화면이 많을수록 사용자의 참여도가 높아집니다. 단지 앱의 기능에만 집중하기보다는 경험을 만드는 것이 이 지표를 늘리는데 도움이 됩니다.   앱 세션 간격(App Session Intervals)사용자가 앱으로 돌아오는 빈도를 측정합니다. 사용자의 참여도를 결정하는 또 다른 방법입니다. 기본적으로 사용자 세션 간의 시간을 측정합니다. 일반적으로 짧은 세션 간격을 사용하는 것이 좋습니다. 앱 세션 간격을 개선하는 비결은 앱을 사용자 일상의 일부로 만드는 것입니다. 상황별 푸시 알림은 사용자를 평소보다 더 빨리 앱으로 다시 끌어들이는 데 도움이 됩니다. 또한 이메일을 통해 제안, 할인 및 새로운 기능에 대한 업데이트를 보내서 사용자를 앱으로 다시 돌아 오도록 상기시킬 수 있습니다. 특별 상품, 서비스, 아이템을 사용할 수 있는 시간 제한을 두어서 긴급성을 높여도 좋습니다.     앱 유지(App Retention)리텐션은 첫 방문 후 얼마나 많은 사용자가 앱을 다시 방문했는지 측정합니다. 사용자가 앱을 자주 사용할수록 앱이 성공할 수 있는 기회가 더 많으므로 앱 유지는 중요한 측정 항목 중 하나입니다. 2017년 Localytics 연구에 따르면 평균 43%의 사용자가 앱을 다운로드 한 후 한 달 이내에 한 번 이상 앱을 다시 사용합니다. 이러한 비율은 산업별로 다르지만 두 번째 달에는 34%로, 세 번째 달에는 29%로 떨어집니다.     위의 Appboy(지금은 Braze로 바뀜) 차트는 평균 앱 다운로드 후 며칠 동안 유지율이 얼마나 빨리 떨어지는지 보여줍니다. 사용자가 앱을 다시 사용하지 않는 이유를 진단하려면 일별, 주별, 월별 유지율을 측정합니다. 그래서 감소나 증가를 특정 마케팅 캠페인, 알려진 문제 또는 기타 잠재적인 원인과 연결시켜 확인해 볼 수 있습니다. 앱 이탈(App Churn)앱 유지와는 반대로 앱 이탈은 앱 사용을 중단한 사용자의 비율을 측정합니다. 이탈은 가장 활동적인 사용자(예 : 수익을 창출하는 최고 사용자)가 "가치가 낮은" 사용자보다 더 많이 이탈할 때 문제가 됩니다. 앱의 종류에 따라 다르지만 2017년에 Localytics에 의하면 일반적으로 사용자의 57%가 첫 달에 이탈하고 3개월간 평균 이탈률은 71%에 달하는 것으로 나타났습니다. 높은 이탈률을 해결하려면 누가 앱을 떠나는지 살펴봐야 합니다. 앱 설치 후 떠나는 사람들이 많다면, 처음에 앱 사용법 안내에 대한 효과적인 프로세스가 없다고 볼 수 있습니다. 버그, 충돌 및 기타 성능 결함은 또 다른 가능한 원인입니다. 또는 마케팅 및 홍보 채널이 잘못된 유형의 사용자를 끌어 들인 경우일 수 있습니다. 사용자가 앱을 얼마 동안 사용한 후 이탈하는 경우, 앱이 장기적인 가치나 흥미를 충분히 제공하지 못한다는 의미일 수 있습니다. 실제로 앱을 제거하는 신호가 감지되는 사용자를 다시 참여시킬 수있는 방법을 고민해 봐야 합니다. 개인화된 메시지 및 기타 인센티브로 설득할 수도 있습니다.     앱 이벤트 추적(App Event Tracking)앱 이벤트 추적은 사용자가 앱의 중요한 기능을 어떤 흐름으로 사용하고, 어떻게 상호 작용하는지 모니터링합니다. 이벤트 추적을 사용하면 사용자가 앱으로 수행하는 실제 작업을 분석하기 때문에, UX분석 보다 더 구체적입니다. 이벤트의 예로는 친구와 콘텐츠 공유, 구매, 게임의 특정 목표 도달 등이 있습니다. 가능한 한 많은 이벤트를 추적하고 싶겠지만 모든 데이터를 다루기는 어렵기 때문에, 앱에 가장 적합한 이벤트를 신중하게 생각해야 합니다. 그리고 추적하는 이벤트는 앱의 목표에 대한 직접적인 지표여야 합니다. 예를 들어, "오늘의 퀴즈" 기능에 대한 이벤트 추적은 퀴즈풀기를 시도한 사용자 수와 성공적으로 완료한 사용자 수입니다. 이를 통해 사용자 유지를 장려하는 기능인 "오늘의 퀴즈"가 어떻게 수행되는지 모니터링 할 수 있습니다.   출처: https://savvyapps.com/blog/mobile-app-analytics  

모델 기반 협업 필터링 베이지안 개인화 랭킹 알고리즘

작성일 : 2020.10.05

협업 필터링 : 비슷한 우리, 취향도 비슷할까? 머신러닝을 활용하는 추천 알고리즘은 크게 두 가지로 나누어집니다. 사용자 정보와 상품을 활용하여 추천하는 방식인 콘텐츠 기반 필터링(Contents-Based Filtering)과 사용자와 상품 간 상호작용 정보를 활용하여 추천하는 방식인 협업 필터링(Collaborative Filtering)입니다.   협업 필터링은 크게 두 가지로 나누어집니다. 모델 학습 없이 명시적 데이터를 활용해 아이템 간 유사도를 계산하여 아이템을 추천하는 메모리 기반 협업 필터링(Memory-Based Collaborative Filtering)과 암묵 데이터로부터 상품과 사용자의 특성을 추론하여 유사도를 계산하는 모델 기반 협업 필터링(Model-Based Collaborative Filtering)이 있습니다. 메모리 기반 협업 필터링은 모델 학습 시간이 없어서 비교적 직관적으로 추천할 수 있다는 점에서 유용하지만, 뻔한 추천을 한다는 약점이 존재합니다. 모델 기반 협업 필터링은 사용자의 취향과 상품의 특성을 있는 그대로 사용하지 않고, 상호 작용 데이터(사용자가 상품에게 어떤 액션을 취했는지에 대한 정보)로부터 추론하여 추천하기 때문에 좀 더 다양한 형태의 추천을 끌어낼 수 있다는 장점이 있습니다.    Source : https://towardsdatascience.com/introduction-to-recommender-systems-6c66cf15ada   이번 주제는 메모리 기반 협업 필터링의 문제를 해결하기 위한 모델 기반 협업 필터링의 알고리즘 중 하나인 베이지안 개인화 랭킹 알고리즘을 소개하고자 합니다.   모델 기반 협업필터링 : 베이지안 개인화 랭킹 알고리즘 베이지안 개인화 랭킹 (BPR : Bayesian Personalized Ranking) 알고리즘은 고객 행동 데이터 중 암묵 데이터(Implicit Data)를 활용할 때 사용합니다. 암묵 데이터란 고객이 직접 선호를 드러내지는 않았지만 소비 활동에서 자연스럽게 기록된 “페이지 뷰 로그”, “장바구니 담기 기록”, “구매” 등이 있습니다. “사용자는 선호하는 상품에 대해서는 로그를 여러 번 발생시킨다”라고 가정하고, 이를 통해 암묵적으로 사용자의 취향을 알 수 있다고 하여 붙여진 이름입니다.   Source : https://velog.io/@vvakki_/Matrix-Factorization-1-ExplicitImplicit-Feedback   BPR 알고리즘의 핵심 아이디어는 “클릭 횟수”, “구매 횟수”등 과 같은 데이터를 그대로 선호도로 치환하여 비교하지 않고, 클릭 여부 또는 구매 여부와 같은 유무에 대한 데이터를 쓰거나 활용하는 것입니다. “클릭 횟수”나 “구매 횟수” 등과 같은 정보로는 “A를 B보다 훨씬 더 선호한다” 같은 상품 간 선호 차이를 판단할 수 없습니다. 대신 확실히 말할 수 있는 것은 “고객은 자신이 클릭 또는 구매한 상품을 그렇지 않은 상품보다 선호한다”입니다. 고객은 자신이 선호하는 상품은 찾아서 클릭해볼 것이고, 자신이 관심 없는 상품은 웬만하면 클릭하지 않기 때문입니다. 이 단순한 가정이 BPR 알고리즘의 핵심이 됩니다. BPR 알고리즘은 모델 기반 협업 필터링 중 대표적인 알고리즘인 행렬 인수분해 (MF: Matrix Factorization)를 사용합니다. 행렬 인수분해 기법에 따라 ALS(Alternating Least Squares), BPR(Bayesian Personalized Ranking), LMF(Logistic Matrix Factorization) 와 같은 알고리즘이 존재하며 이번 시간에는 BPR 알고리즘에 대해 설명합니다. 예를 들어 “페이지 뷰 로그” 데이터를 a와 같은 사용자-상품 간의 행렬로 나타냅니다. 이때 행렬에 채워지는 값은 1과 0으로, 클릭 횟수에 상관없이 클릭한 상품은 1, 클릭하지 않은 상품은 0으로 채워지게 됩니다. 사용자는 모든 상품을 소비할 수 없기 때문에 사용자-상품 행렬의 많은 값은 비어있게 됩니다. MF는 사용자-상품 간 행렬을 사용자의 취향 정보 행렬과 상품의 특성 정보 행렬로 도출하여, 사용자-상품 간 행렬에서 몰랐던 값을 내적 연산 (dot product) 하여 얻을 수 있게 됩니다. 결과적으로 사용자가 반응하지 않은 아이템의 선호도 예측이 가능하며, 유사한 사용자 또는 유사한 상품을 찾을 수 있는 장점이 있습니다.   [ a. 행렬 데이터 ]   MF로 사용자-상품 간 행렬에서 사용자의 취향 정보 행렬과 상품의 특성 정보 행렬로 도출하였다면, 사용자 A가 가장 선호할만한 상품은 어떻게 찾을 수 있을까요? 사용자의 취향 정보 행렬과 상품의 특성 정보 행렬은 b1, b2와 같은 행렬로 나타냅니다. 사용자 A와 모든 상품의 행렬 값의 내적 연산을 통해 유사도 값을 각각 구하고, 유사도 값이 클수록 더 선호하는 상품이라 판단할 수 있습니다. [ b1. 사용자 행렬 데이터 : M X D (M은 사용자 수, D은 피처 수)]  [ b2. 상품 행렬 데이터 : N X D (N은 상품 수, D은 피처 수)]     유사도 값의 추출 결과는 c와 같이 나타냅니다. 각 사용자 별로 반응하지 않은 상품을 포함하여 모든 상품에 대해 유사도 값을 추출할 수 있으며, 높은 유사도 값을 가진 상품 N 개를 추천하게 됩니다. [ c. 추천 결과 ]     개인화 추천 효과 극대화 : 메인과 상품 상세 페이지  메인 페이지와 상품 상세페이지는 개인화 추천 시나리오를 적용하였을 때 가장 효과를 많이 보는 페이지입니다. 어디에 추천영역을 둘지, 어떤 시나리오를 적용하는지 등에 따라 추천 결과는 달라집니다.  BPR 알고리즘은 사용자의 취향과 상품의 특성을 있는 그대로 사용하지 않고, 상호 작용 데이터(사용자가 상품에게 어떤 액션을 취했는지에 대한 정보)로부터 추론하여 추천하기 때문에 좀 더 다양한 형태의 추천을 끌어낼 수 있다는 장점이 있습니다.  따라서 중요도가 높은 메인 페이지와 상품 상세페이지 추천 영역에 BPR 알고리즘 기반 추천상품을 노출시켜준다면, 고객이 사이트에 방문했을 때 좀 더 다양한 상품, 고객에게 최적화된 상품을 접할 수 있어서 사이트 이탈을 최소화 할 수 있습니다.   [ 메인 페이지 - 상단 ] [ 상품 상세 페이지 - 상단 ]

구글 빅쿼리의 원시 데이터 가치

작성일 : 2020.08.13

Google Analytics 360을 이용하면 웹 로그 데이터를 BigQuery로 내보낼 수 있고, BigQuery는 외부 데이터와 마케팅 분석 데이터를 연결하는 링크가 될 수 있습니다. Google Analytics 360과 BigQuery의 통합은 원시 데이터를 쿼리하고 , 다른 데이터 소스와 연결 , 시각화를 위한 데이터 내보내기의 세 가지를 기본 목적으로 사용됩니다. 여기에서는 원시 데이터를 쿼리함으로써 얻는 가치에 대해서 이야기하려고 합니다.   원시 데이터 쿼리BigQuery는 구글 클라우드에서 호스팅되는 데이터베이스입니다. Google Analytics 360에 가입하면 SQL 데이터베이스처럼 쿼리 할 수 있도록 분석 데이터가 히트 단위로 BigQuery로 내보내집니다. 이에 반해 Google Analytics 보고서에서 표시되는 데이터는 세션 기반으로 집계 됩니다. 예를 들어 Google Analytics에서는 휴대 기기에서 발생한 세션수를 쉽게 계산할 수 있습니다. 그러나 세션에서 특정 사용자의 비디오 재생 이벤트 수를 계산하려면 Google Analytics로는 대답하기 힘들 것입니다. 왜 Google Analytics로는 힘든지, 그리고 BigQuery에서는 왜 가능한지 설명해 보려고 합니다.     1. 샘플링이 아닌 전수 데이터 분석Google Analytics의 제약사항 중 하나는 '샘플링'으로 연산이 복잡하거나 사용자 정의된 보고서 또는 긴 기간을 실행하려고 할 때 샘플링 방식으로 계산됩니다. 이 경우 Google은 일부 데이터 포인트만 계산하고 나머지는 모델링하여 표시되는 데이터를 추정합니다. 그래서 보고서의 데이터는 경우에 따라 근사치 일뿐입니다.   무료 버전에서 Google 애널리틱스 360으로 전환하면 샘플링이 개선됩니다. Google Analytics 무료 버전에서는 속성 수준에서 50만 개가 넘는 세션이 있는 경우에 샘플링이 발생합니다. 반면에 Google Analytics 360은 보기 수준에서 1억 세션까지는 샘플링이 발생하지 않습니다. BigQuery를 사용하면 샘플링을 피할 수 있습니다. BigQuery에서는 모든 원시 데이터를 가지고 있으므로 어떤 방식으로든 쿼리하고 나누어 볼 수 있으며 100% 실제 데이터를 보유할 수 있습니다.     2. 세션 대신 사용자 중심의 분석Google Analytics에서 목표 유입 경로 분석은 세션 기반입니다. 즉, 사용자가 목표를 완료하기 위해 여러 번 방문하는 경우 Google Analytics의 목표 유입 경로에서 이전 세션의 행동은 볼 수 없습니다.   이 경우 전자상거래 중심의 분석에는 큰 영향을 미칩니다. Google Analytics에서 향상된 전자상거래 보고서를 사용하는 경우 해당 보고서는 세션 기반입니다. 그러나 실제 시나리오에서 사람들이 한 번의 방문(세션)에서 장바구니에 항목을 추가하고 바로 구매하는 경우는 많지 않습니다. BigQuery를 사용하면 두 개 이상의 세션을 사용하는 사용자의 구매 행동을 볼 수 있습니다. 물론 Google Analytics에서는 사용자 세그먼트를 사용해 볼 수도 있습니다. 하지만 사용자 기반 세그먼트는 최대 90일까지로 제한됩니다. 만약 기간이 90일 이상으로 설정된 상태이면 사용자 기반 세그먼트를 만들 때 기간이 자동으로 시작일부터 90일로 재설정됩니다. 반면에 BigQuery의 데이터는 사라지지 않습니다. 복잡한 세분화 규칙을 만들거나 원하는 만큼 시간을 거슬러 올라가거나 특정 동작이 다른 동작에 필요한 동적 세그먼트를 만들 수도 있습니다.   3. 차원을 결합하여 분석Google Analytics의 데이터 모델은 나란히 볼 수있는 측정 기준의 수에는 제한이 있습니다. '소스/매체' 보고서처럼 세션 기반 측정기준을 사용자 또는 페이지 레벨의 측정 기준 및 측정 항목과 결합 될 때 제대로 작동하지 않도록 구성되어 있습니다.   일반적으로 2개의 측정 기준으로 제한되어 있고, 맞춤 보고서에서 5개, API로는 7개의 측정 기준을 허용합니다. 예를 들면, 소셜 미디어에서 제품 페이지를 본 다음 동일한 제품을 전자상거래 사이트에서 구매한 사용자 수 통계를 가져 오는 데 어려움을 겪을 수 있습니다. 하지만 BigQuery에는 이러한 제한이 없고, 단일 쿼리로 처리할 수 있습니다.   4. 과거 데이터로 목표 설정과 재분석Google Analytics는 목표 및 필터와 같이 데이터 구성을 적용하면, 그 이후의 날짜 부터 변경된 데이터를 저장합니다. 즉 과거의 데이터에는 적용할 수 없습니다. 그러나 BigQuery를 사용하면 본질적으로 데이터 구성을 다시 적용해 볼 수 있습니다. 과거에 목표 설정 오류를 범했거나 과거 데이터(페이지 경로, 이벤트, 전체 세션)를 필터링하고 수정하려는 경우, BigQuery에서는 이러한 문제를 처리하도록 쿼리를 동적으로 조정할 수 있습니다.     사후에 사이트에서 주요 작업에 대한 목표를 설정하기로 결정했거나 과거의 목표 설정에서 실수를 발견하더라도 과거 데이터를 기반으로 새로운 목표 달성을 계산하는 쿼리를 작성할 수 있습니다. 또한 여려 세션에 걸쳐 확장 할 수있는 복잡한 유입 경로를 목표로 추가 할 수 있습니다.   5. 데이터 사이언스 기반의 예측 통찰력BigQuery의 원시 데이터를 R 또는 Python과 같은 다른 프로그래밍 언어를 사용하여 요즘 핫하게 이야기하는 데이터 사이언스를 수행 할 수 있습니다. 예를 들어, 통계 모델을 사용하여 다음 달의 구매량을 예측하고, 새로운 이메일 마케팅으로 발생할 수있는 리드수를 추정하거나, 광고 지출에 대한 예상 수익을 살펴 보는 등의 예측을 할 수 있습니다.     또한 머신 러닝 알고리즘을 사용하여 BigQuery에서 데이터를 살펴보고 새로운 것을 발견하거나 이미 알고있는 것을 검증 할 수 있습니다. 팀에 데이터 과학자가있는 경우 BigQuery를 활용하면 이러한 흥미로운 데이터 과학 기술을 수행해 볼 수 있습니다.   넷스루는 Google Analytics 360의 판매와 구축, 그리고 BigQuery 연동으로 데이터 과학 기반의 예측 인사이트 도출까지 웹분석과 컨설팅 서비스를 제공합니다.   출처: https://cloud.google.com/bigquery/docshttps://support.google.com/analytics/answer/3123951 https://www.bounteous.com/insights/2017/05/17/value-google-bigquery-and-google-analytics-360/https://firebase.google.com/docs/predictions/bigquery-export?hl=ko  

더 많은 태그 제어권을 마케터와 분석가에게

작성일 : 2020.05.20

  더 많은 태그 제어권을 마케터와 분석가에게   (주)넷스루 전략기획실 태그 관리 시스템은 태그를 관리하는 것을 도와 줍니다. 마케팅과 관련된 코드와 분석 코드를 모두 태그 관리 시스템을 통해 배포하면 모든 코드를 한눈에 추적할 수 있습니다. 태그 관리 시스템에서 말하는 코드는 일반적으로 스크립트를 말합니다. 주로 개발자들은 웹사이트에 다양한 스크립트를 심어두고 적어도 한동안 그 사실을 기본적으로 잊어 버립니다. 태그 관리 시스템을 이용하면 어떤 스크립트를 배포했는지, 그 스크립트를 어느 페이지에 배포했는지 추적하기가 훨씬 쉬워 집니다.  태그 관리 시스템은 모든 태그를 단일 컨테이너 안에 유지하면서 각 태그의 개별 실행을 제어할 수 있습니다. 태그는 트리거가 있어야 실행되기 때문에 트리거를 삭제한다면 일시적으로 태그를 비활성화시킬 수 있습니다. 물론 향후에 다시 사용할 수 있도록 해당 태그를 태그 관리 시스템 안에 보관할 수 있습니다. 이처럼 태그 관리 시스템으로 웹사이트에 배포한 대부분의 태그를 설명하고 보관할 수 있으며, 태그 변경 및 게시에 대한 접근 권한도 제어할 수 있습니다. 태그 관리 시스템의 핵심적인 개념에는 ‘컨테이너’와, 이 컨테이너가 담고 있는 ‘태그’, 그리고 그 태그를 실행하는 ‘트리거(Trigger)’가 있습니다.  태그 관리 시스템에서 제공하는 컨테이너 코드를 웹사이트나 앱에 포함시키고 나면 태그 관리 시스템으로 사이트에 태그를 게시할 수 있습니다. 즉 컨테이너를 통해 마케팅과 분석, 다른 형태의 태그를 추가하고 삭제하고 수정할 수 있습니다. 거의 모든 경우, 하나의 웹사이트나 앱에 하나의 컨테이너만 추가하게 되지만, 때에 따라서는 교차 도메인 추적을 위해서 여러 웹사이트에 단일 컨테이너를 포함시키는 것이 현실적일 수도 있습니다. 태그 관리 정책에 맞게 컨테이너 구성 방식에 대한 전략을 수립하는 것이 좋습니다. 태그는 데이터 수집하고 분석하는 서버에 데이터를 전송하는 코드를 말합니다. 태그는 페이지 또는 모바일 앱에서 실행되는 코드 스니펫입니다. 기본적으로 스크립트라고 생각하면 됩니다. 태그는 다양한 용도로 사용될 수 있지만, 태그 관리자에서 사용되는 태그는 대부분 사이트에서 외부로 정보를 전송하는 용도로 사용됩니다. 태그 관리 시스템을 사용하지 않으면 각 태그를 웹 페이지의 소스 코드에 바로 추가해야 합니다. 하지만 태그 관리 시스템을 사용하면 웹 사용자 인터페이스에서 모든 태그를 제어할 수 있습니다. 태그는 이벤트에 대한 응답으로 실행됩니다. 여기에서 말하는 이벤트란 페이지 로드, 버튼 클릭, 페이지 스크롤 등이 될 수 있습니다. 이러한 이벤트를 수신하는 것이 바로 트리거이며, 트리거로 태그의 실행 시점을 지정할 수 있습니다. 따라서 태그가 실행되려면 해당 태그와 관련된 트리거가 있어야 합니다. 트리거는 태그 실행과 실행 정지를 지시하는 유연하면서도 간단한 메커니즘을 제공합니다.  예를 들어 서로 다른 회원가입 버튼을 클릭하는 것을 구분하고자 하는 경우, 트리거를 통하여 회원가입과 클릭을 카테고리와 액션으로 구분하여 이벤트를 일관되게 생성하면서도 변수를 사용해 동적으로 버튼 사이즈나 색깔, 위치를 정하여 분석할 수 있습니다. 이처럼 태그 관리 시스템은 마케팅과 분석 스크립트를 웹사이트에 포함시키는 좀 더 체계화된 절차를 제공하며, 많은 변경사항을 적용하기 위해서 개발자가 코드를 수정하는 작업에 대한 의존성을 피하게 해 줍니다.  넷스루의 태그 관리 시스템에는 빌트인 태그와 트리거가 있으며, 맞춤 스크립트 태그도 생성할 수 있습니다. 태그와 트리거, 그리고 변수도 설정할 수 있는 특징 덕분에 태그 관리 시스템은 상당한 제어수준과 유연성을 동시에 제공합니다. 또한 태그, 트리거, 변수 같은 요소의 모듈성으로 재사용성을 높였습니다. 업무 프로세스 측면에서 보면, 마케터와 분석가가 태그 관리 시스템으로 코드 추가와 관련하여 더 많은 부분을 제어할 수 있으므로 태그를 추가하고 게시하는 일을 개발자가 하더라도 그들의 개발 주기와 상관없이 배포 속도를 기존 보다 높일 수 있습니다.  

디지털 행동데이터 수집 및 분석, 실시간 행동감지,

개인화 추천 기술을 기반으로 디지털 마케팅 성과를 높여 드리겠습니다.

신뢰와 존중으로 고객사와 함께하는 넷스루가 되겠습니다.

영업 내선번호 (1201~1204) · 기술지원 내선번호 (1100) · 업무시간 : 평일 09:30~18:30

전화문의 02-6243-4160
온라인 문의 전화 문의