시장 기회 발굴과 문제 정의
1.
눔의 공동창업가 정세주 대표가 처음 시장의 기회를 발견한 곳은 탑다운 방식으로, 미국 헬스케어 시장의 난제 중에서도 낮은 의료 접근성에서 기회를 찾고, 문제정의를 진행했다. (이런 사람들에게는 질병의 치료보다는 예방이 중요하다고 본 것)
2.
그리고 해당 문제를 사람들이 어떻게 해결하고 있는지를 보니, 동네 피트니스 센터에서 트레이너를 찾거나 홀로 러닝머신에서 뛰는 정도였다. 이에 두 사람은 병워낙 보험사, 제약사 등 복잡하게 얽혀 있는 공급자들 사이에서 사업을 해보려고 기웃대기보다는 일상에서 사용자들의 건강관리를 돕는 서비스를 만들어보기로 했다.
가설 검증 과정
1.
처음의 프로덕트는 실패했다. 가설을 세우고 프로덕트를 만드는데 너무 오랜 시간이 걸린 것이다. 너무 많은 시간동안 사업을 구상하고 계획을 세우는 데 너무 많은 시간과 돈을 허비한 것이라고 진단했다. 어떻게든 결과물을 내놓고 시장의 수요가 있는지부터 타진하는 게 순서였다.
2.
실패 뒤 이들은 일단 적은 비용으로 노트북만 있으면 빠르게 선보일 수 있는 앱을 만들기로 했다. 당시에 운동량 측정 관리 앱이었는데, 아이폰이 출시된 당시만 해도 다른 운동량 측정 관리 앱이없었기 때문이다. (시장의 빈 곳을 공략)
3.
그 후 다른 서비스들을 실제로 내놓고 그 서비스가 성공하며 다양한 데이터를 쌓자, 그 데이터의 인사이트에서 발견한 것이 사용자들의 관심사가 피트니스보다는 다이어트에 있다는 점이었다.
4.
그래서 눔은 이렇게 처음 일단 “내놓은” 서비스를 운영하다 나온 데이터의 인사이트에서 시작되었다.
5.
처음 문제와 혁신의 기회를 찾은 것은 거시적인 측면에서 찾은 것이지만, 눔은 늘 최적의 UX와 최단시간 검증을 위해 미친듯이 노력한다.
6.
정 대표는 과거 실패에서 배운 게 있다면 가설이 떠오를 때 시간을 끌지 말고 최소한의 시제품으로라도 검증해야 한다는 것이다.라고 말했다. 그래서 ai코치, 사람을 붙여보자라는 가설을 실험했고, 결국 사람들의 코칭 동기부여를 올리는데 성공했다.
7.
그리고 가설을 검증하는 것은 이렇게 최소한의 시제품 뿐만 아니라, 가격정책의 변화 등 마케팅 전략적으로도 검증할 수 있었다.
성장 과정
1.
눔은 그로스 해킹을 통해 폭발적으로 성장했다. 2년간 정체기였다고 느껴질 수도 있지만, 심리 콘텐츠와 푸드 db, 코칭 플랫폼을 아주 검증이 잘된 ux로 개발해서 투자해 놨기 때문에, 알파 버전을 론칭한 뒤로는 오로리 성장에만 집중할 수 있었다. 실제로 팀별, 직군별로 각양각색이더 성과 측정 지표를 “주간, 유료구매, 실사용자” 라는 OMTM (One Metric That Matters) 으로 통일했다.
2.
이런 성장이 가능했던 배경에는 사용자 경험 개선에만 몰두하는 b2c 중심 접근이 있었다. 사실 눔 만ㄹ고도 미국에 디지털 헬스케어 스타트업이 많지만 실제 사용자를 직접 공략하는 회사는 드물었다. 개인이 제품이 불편하다고 느끼거나 재미없어서 안쓰는 순간 문 닫아야 한다는 각오로 수많은 ab테스트를 반복해서 가장 큰 value proposition을 서비스 질로 잡았다.
3.
늘 실험을 거쳐 서비스를 개선한다.
4.
눔에서는 아무도 직감이나 대단한 기획력을 믿지 않는다. 모두가 좋은 아이디어라고 생각하거나 경영진이 지시해도 테스트 결과 없이는 결정하지 않는다.
5.
눔의 직원들은 서비스 개선 아이디어가 떠오를 때마다 수시로 이런 기능이 추가되었으면 좋겠다 고 협업 툴인 슬랙에 올린다. 사용자와 가까이 접하는 코치는 물론 경영진이나 엔지니어라도 예외는 없다.
가설 검증 과정에서 특이점 - ICE 점수
1.
가설을 모두 슬랙에다 모아놓고, “ICE” 지표에 따라 점수를 매긴다. ICE는 Impact(얼마나 영향이 큰지), Confidence(얼마나 성공확률이 높은지), Ease(얼마나 구현이 쉬운지).
2.
가령, 성공할 경우 매출이 최대 10% 오를 수 있는 가설과 최대 2% 오를 수 있는 가설이 있다면 전자의 Impact 점수가 더 높다. 또 비슷한 레퍼런스가 많다거나 과거 비슷한 실험을 해 봤는데 성공했다거나, 다른 회사에서 했는데 잘된 적이 있다면 Confidence 점수가 높아진다. 마지막으로, 기술력이나 경제성을 고려해 구현이 쉬운 경우 ‘Ease’ 에서 높은 점수를 받게 된다.
3.
이렇게 가설이 정해지면 임의로 그룹을 나눠 AB테스트를 진행한다. 실험군이 9000명, 대조군이 9000명으로 총 1만 8000명의 데이터가 분석 대상이 된다. 이 실험이 전사적으로 매주 250건씩 (wow) 돌아간다.
4.
매주 새로운 가설 기반으로 실험을 만들고(Build), 측정하고(Measure), 배우는(Learn) 과정의 무한 반복이다,
5.
결과는 일단 이렇게 테스트해도 92% 이상 기존서비스보다 별로다. 나머지 8%도 기깔난 경우도 별로 없다. 기껏해야 3% 정도 효과가 있을까 말까.
6.
그러나 이도 실패는 아닌 것이, 이 경험이 다음번 가설에 대한 ICE 점수를 매길 때 Confidence와 Ease 의 정확도를 높여주기 때문. 실패를 기록하고 그 원인을 분석하는 작업이 결국은 다 회사의 자산이 된다.
