데이터 기반 의사결정: 감으로 만든 기능 10개보다 숫자로 고른 기능 1개가 낫습니다

"사용자들이 다크모드를 원할 것 같아요." "이 기능을 넣으면 전환율이 오를 거예요." "커뮤니티에서 누가 이런 기능 없냐고 물어봤어요." 이런 이유로 기능을 추가합니다. 한 달 뒤 사용률을 보면 2%입니다. 아무도 안 씁니다.

인디 파운더의 시간은 유한합니다. 대기업처럼 10개 기능을 동시에 개발할 여력이 없습니다. 한 번에 하나를 만들어야 하고, 그 하나가 정확해야 합니다. 감이 아니라 데이터가 그 정확도를 만들어줍니다.

"내 생각에는"이라는 말이 나오면 위험 신호입니다

인디 파운더가 의사결정에서 빠지는 세 가지 함정이 있습니다.

• 직감 편향: "나라면 이 기능을 쓸 것 같다." 당신은 사용자가 아닙니다. 당신은 제품을 만든 사람입니다. 제품을 만든 사람과 제품을 쓰는 사람의 머릿속은 완전히 다릅니다.
• 소수 의견 과대평가: 트위터에서 3명이 같은 기능을 요청했습니다. "수요가 있다"고 판단합니다. 하지만 나머지 997명은 아무 말도 하지 않았습니다. 목소리 큰 소수가 전체를 대표하지 않습니다.
• 생존자 편향: 현재 사용자의 피드백만 듣습니다. 하지만 정작 중요한 것은 이탈한 사용자가 왜 떠났는지입니다. 남아있는 사람의 의견만으로 제품을 개선하면, 떠나는 사람은 계속 떠납니다.

이 함정들의 공통점은 숫자 없이 결정한다는 것입니다. 데이터는 이 편향을 교정합니다.

데이터 중심이 데이터 집착을 의미하지 않습니다

오해하지 마세요. 모든 결정을 데이터로만 내리라는 뜻이 아닙니다. 데이터가 충분하지 않은 초기 단계에서는 직감이 필요합니다. 완전히 새로운 시장을 개척할 때도 참고할 데이터가 없습니다.

데이터는 직감을 대체하는 것이 아니라 보정하는 도구입니다. "이 기능이 필요할 것 같다"는 직감을 가지되, "정말 그런지 숫자로 확인한다"는 습관을 더하는 것입니다. 직감 70%, 데이터 30%로 시작해서, 데이터가 쌓일수록 비율을 뒤집으세요.

데이터 없는 직감은 도박이고, 직감 없는 데이터는 스프레드시트입니다. 둘 다 필요합니다. 비율만 조절하세요.

허영 지표를 버리고 진짜 지표를 추적하세요

페이지뷰 10만. 회원가입 5,000명. 앱 다운로드 1만. 숫자가 커서 기분이 좋습니다. 하지만 이 중 실제로 돈을 내는 사람이 10명이라면? 허영 지표(Vanity Metrics)는 기분을 좋게 하지만, 의사결정에는 쓸모없습니다.

인디 파운더가 반드시 추적해야 할 핵심 지표는 다릅니다.

• 활성 사용률(DAU/MAU): 가입자 수가 아니라 실제로 제품을 쓰는 사람의 비율입니다. 이 비율이 떨어지면 아무리 신규 가입이 많아도 제품이 죽어가고 있는 것입니다.
• 기능별 사용률: 어떤 기능을 얼마나 자주 쓰는지. 사용률 5% 이하의 기능은 없애는 것이 낫습니다.
• 이탈 직전 행동: 사용자가 떠나기 전 마지막으로 한 행동이 무엇인지. 여기에 제품의 약점이 숨어있습니다.
• 전환율: 방문에서 가입, 가입에서 활성화, 활성화에서 결제. 퍼널의 각 단계별 전환율이 어디서 무너지는지 확인하세요.
• 수익 관련 지표: MRR, ARPU, LTV. 결국 사업은 돈입니다. 매출과 직결되는 숫자를 매주 확인하세요.

지표 100개를 보지 마세요, OMTM 하나만 고르세요

대시보드에 지표 20개를 띄워놓으면 아무것도 보이지 않습니다. OMTM(One Metric That Matters) 프레임워크는 단순합니다. 지금 이 순간, 가장 중요한 지표 하나만 고르는 것입니다.

제품의 단계에 따라 OMTM은 달라집니다.

• 출시 전: 랜딩 페이지 이메일 수집 수. 수요가 있는지 확인하는 것이 전부입니다.
• 출시 직후: 주간 활성 사용자 수. 사람들이 실제로 돌아오는지가 핵심입니다.
• PMF 탐색 중: 리텐션율. 40% 이상의 주간 리텐션이 나오면 PMF에 가까워지고 있는 것입니다.
• 성장 단계: MRR 또는 월간 신규 유료 고객 수. 매출 성장이 모든 것입니다.

OMTM을 정했으면 매일 아침 그 숫자 하나만 확인하세요. 나머지는 주 1회 리뷰로 충분합니다. 집중이 명확해지면 행동도 명확해집니다.

월 평균의 함정: 코호트 분석이 진실을 보여줍니다

"이번 달 리텐션율 60%." 나쁘지 않아 보입니다. 하지만 이 숫자는 거짓말을 하고 있을 수 있습니다.

1월에 가입한 100명 중 30명이 남아있습니다(30%). 2월에 가입한 200명 중 150명이 남아있습니다(75%). 전체 평균은 60%이지만, 1월 코호트는 심각하게 이탈하고 있습니다. 월 평균만 보면 이 문제가 보이지 않습니다.

코호트 분석은 가입 시점별로 사용자를 묶어서 각 그룹의 행동을 따로 추적합니다. 이렇게 하면 "언제 가입한 사용자가 더 잘 남는지", "어떤 시점에 이탈이 집중되는지"가 선명하게 드러납니다. Google Analytics의 코호트 보고서만으로도 시작할 수 있습니다.

무료 도구만으로 충분합니다

데이터 분석에 비싼 도구가 필요하지 않습니다. 인디 파운더가 쓸 수 있는 무료 또는 저렴한 도구는 충분합니다.

• Google Analytics 4: 무료입니다. 트래픽, 전환, 코호트 분석까지 가능합니다. 인디 파운더에게 이것만으로도 80%는 해결됩니다.
• PostHog: 오픈소스 제품 분석 도구입니다. 월 100만 이벤트까지 무료입니다. 퍼널 분석, 세션 리플레이, 기능 플래그까지 지원합니다.
• Mixpanel 무료 티어: 월 2만 사용자까지 무료입니다. 이벤트 기반 분석에 강합니다. 사용자가 어떤 순서로 기능을 쓰는지 흐름을 파악하기 좋습니다.
• Hotjar: 히트맵과 세션 녹화를 무료로 제공합니다. 사용자가 어디를 클릭하고 어디서 스크롤을 멈추는지 눈으로 확인할 수 있습니다.
• 네이버 애널리틱스: 한국 시장을 타겟하고 네이버 검색 유입이 많다면 필수입니다. 네이버 검색어별 유입 데이터는 GA에서 볼 수 없습니다.
• 카카오 픽셀: 카카오 광고를 집행하거나 카카오톡 채널을 운영한다면 설치하세요. 카카오 생태계 내 전환 추적에 필요합니다.

도구를 고르는 데 일주일을 쓰지 마세요. GA4 하나 설치하고 시작하세요. 나머지는 필요할 때 추가하면 됩니다.

실전: 기능 A와 기능 B 중 어느 것을 만들지 데이터로 결정하는 법

당신의 프로젝트 관리 도구에 사용자들이 두 가지를 요청합니다. 기능 A: 캘린더 뷰. 기능 B: 팀 멤버 초대. 둘 다 만들 시간은 없습니다. 어떻게 결정합니까?

• 1단계 — 정량 데이터 확인: GA4에서 사용자 행동을 봅니다. 기존 "목록 뷰"의 일일 사용률은 85%입니다. "공유 링크" 기능의 사용률은 45%입니다. 사람들이 이미 목록 뷰를 많이 쓴다면 캘린더 뷰(다른 형태의 뷰)보다 협업(팀 초대) 쪽이 더 큰 가치를 줄 수 있습니다.
• 2단계 — 정성 데이터 수집: 활성 사용자 10명에게 직접 물어봅니다. "캘린더 뷰와 팀 초대 중 하나만 고른다면?" 단, 이유도 함께 물어보세요. 숫자만큼 맥락이 중요합니다.
• 3단계 — 수익 임팩트 추정: 팀 초대 기능이 있으면 "팀 요금제"를 만들 수 있습니다. 1인 월 5만 원에서 팀 월 15만 원으로. ARPU가 3배 오릅니다. 캘린더 뷰는 편의 기능이지만 직접적인 매출 증가는 없습니다.
• 4단계 — 결정: 정량 + 정성 + 수익 임팩트를 종합합니다. 이 경우 팀 초대 기능이 더 높은 우선순위를 가집니다.

이 과정에 일주일이 걸리지 않습니다. 하루면 충분합니다. 하지만 이 하루가 두 달의 개발 시간을 올바른 방향으로 보내줍니다.

데이터로 결정하는 데 하루가 걸립니다. 감으로 만든 잘못된 기능을 되돌리는 데는 두 달이 걸립니다.

데이터를 볼 때 빠지기 쉬운 함정 세 가지

데이터도 잘못 읽으면 위험합니다. 자주 발생하는 실수를 미리 알아두세요.

• 작은 표본으로 결론 내기: 사용자 15명의 데이터로 "A가 B보다 낫다"고 판단하면 안 됩니다. 최소 수십 명, 가능하면 수백 명의 데이터가 필요합니다. 표본이 작으면 결론을 유보하세요.
• 상관관계를 인과관계로 착각: "프리미엄 플랜 사용자는 리텐션이 높다." 프리미엄이라서 남는 것일까요, 남을 사람이 프리미엄을 선택한 것일까요? 상관관계가 보이면 "왜?"를 세 번 물어보세요.
• 한국 사용자의 행동 패턴 무시: 글로벌 벤치마크를 그대로 적용하면 안 됩니다. 한국 사용자는 네이버 검색, 카카오톡 공유, 모바일 중심 사용 비율이 다릅니다. 당신의 데이터에서 한국 사용자의 고유한 패턴을 찾으세요.

데이터 기반 의사결정은 거창한 것이 아닙니다. GA4 하나 설치하고, OMTM 하나 정하고, 매일 아침 그 숫자를 확인하는 것에서 시작합니다. 완벽한 데이터를 기다리지 마세요. 지금 가진 데이터로 어제보다 나은 결정을 내리면 됩니다.