[2026년 8월 뉴스레터] ☀️
안녕하세요 구독자님, 데이터리안 혜정입니다.
어느새 장마가 지나고 폭염이 찾아왔네요. 더운 여름 잘 보내고 계신가요?
8월 뉴스레터에는 하반기 취업을 준비하시는 분들을 위해 데이터 활용 역량이 있다면 지원 가능한 채용 공고를 모아봤습니다. 이 외에 실무자들이 많이 묻는 LTV 질문에 대한 답변부터, 토스와 딜라이트룸의 데이터 분석 실무 사례까지 담아보았어요.
구독자님만의 자리에서 열심히 노력하고 계신 만큼, 하반기에는 더 좋은 일 가득하시길 데이터리안이 응원할게요. 오늘도 뉴스레터 찾아와 주셔서 감사드립니다. 알찬 소식과 함께 9월 뉴스레터에서 또 뵐게요!
|
|
|
1. 블로그 | 데이터 역량이 강점이 되는 26년 8월 채용공고 모음
2. 블로그 | 당장 실무에 LTV를 활용한다면?: 실무자들이 많이 묻는 질문 20가지
3. 블로그 | LTV를 넘어 서비스의 가치를 측정하는 새로운 지표, MTVi
4. 블로그 | DAU를 늘린다고 무조건 광고 수익이 늘지 않는 이유
|
|
|
📚
데이터 역량이 강점이 되는
26년 8월 채용공고 모음
|
|
|
안녕하세요, 데이터 분석가 혜정입니다. 2026년 8월, 하반기 취업을 준비하는 분들을 위해 지금 바로 지원할 수 있는 채용 공고를 한곳에 모았습니다. 특히 이번 글에서는 '데이터 분석가' 직무가 아니더라도 중요한 데이터 역량, SQL 능력을 활용할 수 있는 직무와 관련 자격 요건을 정리해 보았어요.
⋯⋯⋯
✅ SQL 활용 직무 채용 공고
1. 컬리 | 상품마케팅 전략기획 및 분석 담당자
- "SQL 사용이 능숙하며, 이를 바탕으로 대시보드 구축 및 In-depth 분석 업무를 수행한 경험이 있는 분"
2. 쏘카 | 차량 서비스 운영 및 파트너십 매니저
- 'SQL(BigQuery) 및 파이썬을 활용한 데이터 추출 및 분석 역량을 보유하신 분"
3. 오늘의집 | 그로스 마케터
- "1st Party Data 기반 광고·내부 성과 통합 분석 경험 있는 분 (SQL 가능자)"
|
|
|
이미지 출처: 당근 Data Analyst (인턴) - Chatting 채용 공고
✅ 데이터 분석가 채용 공고
1. 당근 | Data Analyst (인턴) - Chatting
- "Python, SQL 등을 이용해 데이터 조회 및 가공을 능숙하게 할 수 있으신 분"
2. AI-Driven Data Analyst (인턴) - 로컬 잡스
- "SQL로 여러 테이블을 조인하고, 복잡한 집계와 윈도우 함수를 활용해 데이터를 자유롭게 분석할 수 있는 분"
3. 카카오뱅크 | CS 데이터 분석 담당자
- "SQL 활용 데이터 추출 및 분석 업무를 수행할 수 있는 분"
4. 쿠팡 | CS 데이터 분석 담당자
- "2년 이상의 SQL을 활용한 데이터 추출 및 분석 실무 경험이 있으신 분"
5. CJ올리브영 | Product Data Analyst
- "SQL, Python 기반의 데이터 분석 역량 및 통계적 사고를 바탕으로 한 실험 결과 해석·활용 경험"
⋯⋯⋯
각 공고에 대한 자세한 정보는 데이터리안 블로그에서 확인하실 수 있습니다. 남은 하반기, 구독자님의 성공적인 이직과 취업을 데이터리안이 응원합니다!
|
|
|
🕵️♀️
당장 실무에 LTV를 활용한다면?
: 실무자들이 많이 묻는 질문 20가지
|
|
|
지난달에 진행된 데이터리안 7월 세미나 ‘LTV, 실무에서는 이렇게 씁니다’에서는 데이터리안 대표 윤선미님, 딜라이트룸 데이터 분석가 이두희님과 함께 LTV 계산법부터 실무 활용 노하우까지 이야기 나눠보았습니다. 강연 중 참석자분들께서 남겨주신 질문이 많았는데요. 라이브 세미나에서 진행된 질의응답의 일부를 공유합니다. 실무에 LTV를 활용하고는 싶지만 막막하셨다면 이번 내용을 살펴보세요!
* LTV(Lifetime Value): 고객 생애 가치
⋯⋯⋯
Q. LTV로 실험 결과를 분석했을 때, 위너가 달라지는 예시를 보여주셨는데요. 이런 케이스가 자주 발생하나요? 이럴 수도 있다는 예시인지, 실무에서 자주 발생하는 케이스인지 궁금합니다!
A. (선미) 여러 프로모션을 분석했을 때 위너가 달라지는 경우도 있지만, 저희의 경우 ROAS 만 봤을 때는 계속 진행하지 못할 정도로 수익성이 없는 프로모션이 LTV 관점으로 봤을 때 1000% 이상 수익성을 보인 경우가 있었어요 :)
Q. LTR은 그래도 어느 정도 시간을 두고 지켜봐야 구할 수 있는 지표일 것 같은데요. 시간에 따른 누적 결제액을 봐야 하니까 처음 진행하는 프로모션에 대한 빠른 의사결정을 하고 싶다면 LTV로 보는 게 나은 걸까요?
A. (선미) 만약 고객의 생애가 길고, 의사결정이 빨라야 한다면 기존 수익, 이탈률 데이터를 기반으로 LTV 을 계산해 보시거나, 두희님 강연처럼 초반 리텐션 데이터를 가지고 예측을 해보시는 것도 좋을 것 같습니다.
|
|
|
Q. 광고 지면을 추가하기 위한 의사결정으로 LTV 계산이 필요한 것으로 이해했는데요. 수익원이 다양하면 데이터가 오염되지 않을까 궁금합니다.
A. (두희) 실험이 가능하다면 광고 지면 이외에는 변수를 두지 않고 LTV를 비교해 보는게 방법일 것 같습니다. 가능하다면 대조군과 실험군의 광고 LTV와 전체 LTV를 별도로 구해서 확인하는 게 더 정확할 것 같네요!
Q. 생애 주기가 긴 유통기업 마케터입니다. LTV 를 볼 엄두가 안 나는데, 어떻게 적용하면 좋을까요?
A. (두희) 주기가 길다면 굳이 LTV를 활용하기보단 방문 시에 총 결제액을 높이는 방식에 집중하는게 더 알맞지 않을까 싶습니다. 굳이 예상이 어려운 생애 주기를 예측하는 것보단 좀 더 가시적인 지표를 가져가는 게 좋을 수 있을 것 같아요.
⋯⋯⋯
더 많은 실무자들의 질문 답변을 아래 블로그 글에서 확인해 보세요.
지난 세미나 강연은 데이터리안 웹사이트에서 무료로 다시 보실 수 있습니다 :)
|
|
|
🔥
LTV를 넘어 서비스의 가치를
측정하는 새로운 지표, MTVi
|
|
|
시장도 사용자도 빠르게 변하는 요즘, 실무에서 가장 중요한 것 중 하나는 '속도'입니다. 그래서 긴 호흡으로 LTV를 예측하기는 어려울 때가 많죠. 그래서 지난 세미나에서는 대체 지표로 활용할 수 있는 LTR, 그리고 LTV 예측 등의 방법을 알려드렸는데요. 이번 글에서는 LTV의 한계를 극복하기 위해 새로운 지표를 만들어 사용하고 있는 토스의 사례를 공유합니다.
⋯⋯⋯
“이 서비스, 재무적 가치가 있나요?”
서비스를 분석하다 보면 자주 듣게 되는 질문 중 하나입니다. 서비스 MAU(Monthly Active User), Retention Rate, AMPU(Average Margin per User) 등 다양한 지표를 볼 순 있지만, 이 서비스가 플랫폼 관점에서 얼마나 가치를 만들어 내는지는 명확히 설명하기 어렵습니다.
하지만 데이터 분석가는 ‘언제’와 ‘얼마나’를 숫자로 증명해야 해요.
기존 LTV의 한계
UE(Unit Economics) 관점으로 재무적 가치를 이야기할 때 흔히 쓰는 지표로는 LTV(LifeTime Value)가 있습니다. 하지만 우리가 보고자하는 뷰에서 LTV는 한계가 명확했습니다 .
1. 기간이 너무 길다
LTV는 보통 3년, 5년, 혹은 ‘평생’을 전제로 계산됩니다. 그러다 보니, 단기간의 서비스 개선이 실제로 어떤 영향을 주었는지를 확인하기 어렵습니다.
2. 투자·회수 주기가 맞지 않는다
보통 마케팅을 할 때 CAC(Customer Acquisition Cost)를 LTV의 1/3 수준으로 설정합니다. LTV는 보통 5년을 보니까 이론적으로 약 1.7년에 걸쳐 투자금을 회수한다는 의미가 됩니다. 토스의 사일로는 짧은 주기로 실험하고 개선하고 이 과정을 수없이 반복합니다. 그래서 빠르게 판단해야 하는 의사결정에는 적합하지 않습니다.
3. ‘증분’을 구분하지 못한다
LTV는 유저 전체의 평균적인 가치를 계산합니다. 즉, 서비스가 실제로 가치를 ‘얼마나 더’ 높였는지는 알 수 없습니다. ’서비스 효과를 분리해서 측정하는 것’이 불가능했던 거죠.
이 세 가지 이유 때문에, LTV만으로는 서비스의 진짜 임팩트를 설명할 수 없었습니다. 우리는 더 빠르고, 더 구체적으로, 서비스를 이용함으로써 만들어진 순수한 변화를 보고 싶었습니다. 그 한계를 해결하기 위해 등장한 것이 바로 MTVi(Mid term Value - incremental) 입니다.
|
|
|
|
MTVi란 무엇인가
MTVi는 이렇게 정의됩니다.
- “유저가 특정 서비스를 새로 경험했을 때, 그로 인해 향후 1년간 만들어내는 순증 재무가치.”
여기서 핵심은 ‘증분(Incremental)’입니다. 단순히 서비스 이용자의 평균이 아니라, 그 서비스 때문에 추가로 생긴 변화를 측정해요. 이건 단순히 수익이 늘었는지를 보는 지표가 아닙니다. 유저가 서비스를 통해 앱 안에서 더 많은 활동을 하고, 다른 기능을 더 자주 쓰며, 결과적으로 더 큰 가치를 만들어내는 전환의 크기를 수치로 표현한 것이죠.
⋯⋯⋯
이번 사례처럼 방법론에 우리 데이터를 끼워 맞추기보다는, 회사의 상황과 속도에 맞는 지표를 개발하는 것 또한 분석가에게 중요한 문제 해결 능력이 아닐까 생각하게 되었습니다. 자세한 MTVi 계산 방법은 블로그 글 전문에서 확인해 주세요.
|
|
|
💸
DAU를 늘린다고
무조건 광고 수익이 늘지 않는 이유
|
|
|
오늘의 마지막 글은 광고 수익화에 관한 글을 준비했습니다. 앱 광고 수익화를 맡고 있는 그로스 담당자나 PM, 특히 'DAU만 올리면 매출은 따라오겠지'라고 막연히 기대하고 있는 분들께 추천하는 글입니다. DAU가 늘어도 수익이 비례하지 않는 이유를 광고 노출 사용자 수, 광고 노출 사용자의 Demographics 차이, 사용자의 활동성, eCPM으로 분해하여 안내하고 있으니, 혹시 같은 고민을 하고 있다면 상황을 분석하는 데 참고해 보세요!
⋯⋯⋯
DAU는 늘었는데 왜 광고 수익은 그만큼 늘지 않죠?
광고 수익은 기본적으로 노출과 eCPM의 곱으로 이루어지기 때문에, 많은 분들이 처음 광고 수익화를 시작할 때 제품의 DAU 성장에 비례해서 노출량이 늘면서 광고 수익도 그만큼 오르지 않을까 기대하기 쉽습니다. 하지만 세상만사가 우리 마음대로 되지 않듯이, 광고 수익화도 늘 오르는 DAU만큼 수익이 따라오지 않는 경우가 종종 있습니다.
1. DAV(Daily Ad Viewers)의 볼륨
DAV(Daily Ad Viewers)는 일별 몇 명의 유저가 광고에 노출되었는지를 측정하는 지표입니다. 대부분의 앱 개발사에서 광고 노출 자체를 유저의 제품 경험을 해치는 요소로 여기는 경우가 많다 보니, 핵심 플로우가 아닌 깊은 단계에 광고를 배치하는 경우가 많은데요. 이런 경우, 신규 유저가 지속적으로 늘어나더라도 광고가 위치한 화면까지 도달하지 못한다면, DAU는 늘어나지만 실제 광고 노출 유저 수는 정체되면서 노출량 또한 제자리걸음을 하게 됩니다.
2. 늘어난 유저의 Demographics
어떤 유저들이 광고를 보는지도 굉장히 중요한 요소입니다. 국가별로 수요와 공급이 다르고, 해당 국가의 경제 상황 역시 반영되기 때문에 같은 지면이라도 국가별로 측정되는 가격이 달라집니다. 이는 국가뿐만 아니라 모바일 OS에 따라서도 차이가 발생하며, 최근 광고 시장에서도 First Party Data의 중요성이 높아지면서 어떤 특성을 가진 유저를 확보하느냐가 수익에 더욱 큰 영향을 미칠 것으로 예상됩니다. 우리 앱의 유저가 다 같은 유저라고 생각하면 안됩니다. |
|
|
3. 유저의 활동성 차이
광고 수익은 결국 eCPM과 노출량으로 구성되는 만큼, 단순히 광고 화면에 유저가 노출되는 것을 넘어서 광고 지면에 얼마나 자주 유저가 방문하느냐 또한 매우 중요합니다. 그래서 유저당 노출 수, 유저당 탐색하는 화면 수, 화면당 체류시간 등 서비스 사용성을 대변할 수 있는 지표와 함께 광고 수익을 보는 것이 현상을 제대로 이해하기 위해 매우 중요합니다.
4. eCPM 하락
광고 시장은 주식 시장과 비슷하게 수요와 공급의 법칙을 그대로 따르는데요. 퍼블리셔는 공급자 입장에서 자신의 지면을 비싸게 파는 것이 가장 좋지만, 시장에 갑자기 많은 주식이 풀리면 주가가 떨어지는 것처럼 지면의 노출량이 갑자기 늘어나면 해당 지면에 대한 시장의 매력도가 떨어져 오히려 더 낮은 단가에 거래되는 경우도 발생합니다.
⋯⋯⋯
그럼 광고 수익화에서는 그럼 어떤 지표를 봐야 할까요? 딜라이트룸에서 소개하는 지표를 블로그 글 전문에서 확인해 보세요.
|
|
|
✨ 구독자님! 데이터리안 콘텐츠와 함께 데이터 분석 능력을 업그레이드 해봐요
|
|
|
데이터리안
데이터 분석, 데이터리안과 시작하세요
contact@datarian.io
|
|
|
|
|
