LINE Careers

업무에 관한 이야기

Q LINE의 Data Insight 조직과 현아님의 담당 업무에 대해 소개해 주세요!

Data Insight 팀은 서비스 및 프로덕트를 기획/개발/릴리즈하는 모든 단계에서 데이터 기반으로 가설을 검증하고 의사결정할 수 있도록 ‘분석’을 통해 인사이트를 제공하는 업무를 하고 있습니다. 서비스 도메인에 따라 분석 메트릭(metric)과 프레임이 다르기도 한데요. 저희 팀은 LINE의 Messenger 관련 서비스를 기획/개발하는 조직 하위에 있기 때문에, 유저의 서비스 이용 경험 개선, 서비스 growth 등 주제의 분석을 주로 진행합니다. 업무의 카테고리를 아래와 같이 총 5개로 나눌 수 있습니다. 1) Data Product 영역은 주요 KPI 및 metric에 대해 서비스별 표준화된 규격으로 데이터를 정제하고 시각화하여 대시보드를 기획/개발하는 업무입니다. 구성원들에게 data 접근성을 높여주고 data-driven 의사결정을 할 수 있도록 지원합니다. 2) Product 분석 영역에서는 서비스 기획 단서 탐색을 위한 분석 - KPI 세팅 - A/B Test - After Release 분석 - 서비스 고도화를 위한 분석의 단계를 거치고 타깃 유저 분석, 유저 클러스터링(clustering)도 함께 진행합니다. 3) 전략적 분석은 Product 단보다 조금 더 전사적인 관점에서의 분석을 진행하는데요. 전략적 의사 결정 지원을 위한 분석이라던가, 전사 관점에서의 각 서비스의 KPI 기여도 분석과 같이 서비스 간 연계해서 분석이 필요한 경우예요. 4) A/B Test 활성화를 위한 업무도 진행합니다. A/B Test를 위한 가이드 문서 및 플랫폼 개발을 통해 실험 친화적인 제반 환경을 구축하고, Training session을 통해 구성원들에게 실험에 대한 인지도와 이해도를 높이고자 노력합니다. A/B Test는 프로덕트 분석에 해당되는 항목이기도 하지만, A/B Test를 활성화하고 제도적 기반을 마련하는 업무 전반을 저희 팀에서 진행하고 있어 별도 항목으로 뽑았습니다. 5) 마지막으로 Data Management 단계에서는 전사 공통으로 관리하는 metric에 대한 집계 로직을 설계하고 관리합니다. 쉽게 이야기하면, 데이터가 원하는 규격으로 잘 남는지 관리하는 것인데요. 예를 들어 Time spent와 같이, 유저가 LINE Messenger에 체류한 시간을 어떤 기준으로 집계할지 로직을 설계하는 것이죠. 사실 전략적 의사결정을 위한 분석을 제외하고는 서비스 도메인별 분석가가 횡단적으로 진행하고 있어요. 저의 경우 LINE App 전반 KPI 분석에서부터, Revenue 분석 그리고 서비스 별로 VoIP(음성 및 영상 통화), LYP Premium(LINE/Yahoo/PayPay 월간 구독 서비스) 등, 분석 주제에 따라서는 OpenChat(공통의 관심사에 대해 실시간 대화 가능한 서비스) 분석도 하고 있습니다.

Q 업무 스케줄에 대해 간단히 소개해 주세요.

LINE Hybrid Work 근무제 하에 저는 주로 리모트 근무를 하고 있어요. 그래서 통근시간이 매우 짧죠. 일어나서 씻고 10분 만에 출근이 가능합니다.(웃음) 하지만 이럴 경우엔 잠에서 깨는데 시간이 조금 걸리더라고요. 그래서 일어나면 침구 정리, 환기도 하고 스트레칭을 하면서 정신을 깨우는 시간을 갖습니다. 그리고 따뜻한 커피 한 잔을 내린 뒤, 자리에 앉아 본격적인 하루를 시작해요. 출근하자마자 하는 일은 캘린더를 확인하고 오늘 할 일을 체크하는 것이에요. Hybrid Work에서는 시공간에 제약받지 않고 효율적으로 미팅을 할 수 있기 때문에 편하지만, 미팅 일정이 많아지는 경향도 있어서 놓치지 않도록 미리 체크해 두는 편입니다. 그리고 비교적 집중해서 해야 할 일들은 오전에 처리합니다. 예를 들어, 쿼리를 설계하는 업무나 분석 프레임을 설계하는 업무들이죠. 또는 분석 결과를 해석하여 인사이트를 도출하는 업무 등을 처리합니다. 오후에는 타 부서와 커뮤니케이션할 것들을 정리하거나, 각 서비스별 또는 프로젝트별 전사 정례 미팅에 참석해요. 분석가들은 본인의 분석 결과물을 여러 회의체에서 공유하는 경우가 많은데요. 작게는 분석을 요청한 담당자에게 공유하고, 해당 팀과 프로젝트 멤버, 더 나아가 본부 전체 대상으로도 여러 번 공유회를 개최하기도 합니다. 최근에 제가 진행하고 있는 프로젝트는, LYP Premium의 혜택 서비스 중 하나인 LINE Messenger ‘Font’의 설정 페이지에 LYP 벳지를 추가한 이후, 이것이 LYP Premium 가입에 긍정적인 영향을 미치는지 확인하는 A/B Test에 참여하고 있는데요. 테스트 디자인(실험 가설 검증을 위한 메트릭 설정, 유저 샘플 수 계산), Beta test에 필요한 Data QA와 Data Monitoring, 실험 결과 이후 의사 결정 지원 등의 역할을 맡았어요. 최근 Beta/RC Test 단계에서 QA에 참여했던 테스트 기기의 로그가 남지 않아, 다양한 테스트 값 설정을 변경해가면서 데이터 QA를 진행하고 있습니다.

Q 글로벌 사용자를 대상으로 하는 업무를 하실 때, 특별히 고려하거나 준비하는 사항이 있으신가요?

아무래도 유저의 서비스 이용 경험에 대한 분석이다 보니, 유저들의 라이프 스타일을 잘 아는 것이 중요합니다. 데이터 해석은 유저가 어떤 의도로 액션을 취했는지 유추하는 영역이기도 하죠. User Research 팀에서 데스크 리서치를 통해 정기적으로 각 나라별 유저들의 문화/특성을 파악할 수 있는 자료를 공유해 주시는데요, 저는 이 자료를 꼭 읽어보려고 해요. 또 타국의 문화를 잘 이해할 수 있도록 유저 인터뷰도 많이 진행하고 있어요. 새로운 기획 요소 검토 시에 데이터 분석과 유저 리서치를 함께 진행하여 인사이트를 얻는 경우가 많습니다. 데이터의 경우 유저 로그 분석을 통해 객관적인 패턴을 확인할 수 있지만, 그 행동을 보이는 이유에 대해서는 정확하게 파악이 어려운 경우가 있는데요. 이럴 때 Focused group interview 등을 통해서 보완하는 경우 많습니다. 예를 들어, Photo Booth 기능인 ‘LINE Puri’ 신규 서비스 기획 시 저희 팀에서 연령 기준으로 타깃 유저들 수와 VoIP 서비스 이용 패턴을 분석해서 어떤 기능을 잘 사용하는지에 대해 파악한 경험이 있습니다. 그리고 유저 리서치를 통해 타깃 대상으로 Photo Booth 서비스를 만든다면 활용할 니즈가 있을지, 사용도가 높은 기능들은 왜 주요하게 사용하는지 원인을 파악했죠. 분석할 때에 seasonality가 지표에 미치는 영향이 큰데, 이 때문에 각국의 방학과 개학, 휴일은 언제인지,, 어떤 이벤트와 사건이 있었는지 숙지하려고 노력합니다. 예를 들어, OpenChat의 경우에, 타 서비스 대비 특히 10대 유저의 비중이 높은데요. 따라서 일본/태국/대만의 10대의 개학에 맞춰 실적이 증가하는 경향을 보이고 있어요.

Q 타 직군과 부서, Globally 협업 시 가장 중점을 두는 부분이 있다면 무엇인가요?

데이터 분석가는 협업이 많은 편이에요. 자체적으로 발의하여 진행하는 분석 과제들도 있지만 상당 부분은 기획팀과의 협업으로 진행됩니다. 서비스를 기획하거나 또는 고도화하는 과정에서 풀고자 하는 문제들이 있는 경우, 데이터로 가설을 검증하는 것이 저희의 역할이에요. 협업에서 중요한 첫 번째 포인트는 분석으로 확인하고자 하는 가설이 무엇인지를 명확히 하는 것입니다. 인풋이 명확해야 아웃풋도 명확하게 나올 수 있기 때문인데요. 다만 이것을 어떤 데이터로, 어떤 프레임으로 검증을 해야 하는지는 분석가의 역량으로 소화해 낼 부분입니다. 최대한 기획자의 입장에서 어떤 고민이 있을지, 이 가설을 검증하기 위한 최적의 metric은 무엇일지 중점적으로 고민하는 편이에요. 두 번째는 커뮤니케이션을 명확하게 하는 것입니다. 협업 부서가 다른 경우, 서로 사용하는 언어나 용어가 다른 경우도 많아요. 제가 잘 이해하지 못했거나, 애매한 경우가 있는 것은 실시간으로 바로잡고 인식을 맞추고 가는 것이 중요합니다. 인식이 다른 채로 업무가 진행되다가 나중에 다시 확인하는 것은 코스트 낭비로 이어지기 때문이죠. 그래서 저는 항상 히스토리 로그를 남기려고 하는 편인데요. 가설을 검증하기 위한 분석 메트릭 등을 요건화하는 과정에서 조금이라도 표현이 애매하거나 다양한 해석의 여지가 있는 케이스가 있다면 분석 결과가 크게 달라집니다. 예를 들어, ‘Chat 이용 유저’라고 표현했을 때, ‘방문 유저로 볼 것인지?’ 혹은 ‘Message sent’ 유저로 볼 것인지?’ 이용 유저의 기준을 무엇으로 볼 것인지 명확하게 인식을 맞추는 것이죠.

Q 개인적으로 가장 ‘재미’있었다고 생각하시는 업무가 어떤 것인가요?

개인적으로는 ‘OpenChat User Segmentation’ 분석이 유저들의 이용 패턴에 대한 재미있는 인사이트들이 많아서 흥미로웠습니다. ‘User segmentation’이란 유저들의 이용 패턴이나 특성을 기준으로 같은 그룹끼리 동질성은 더 높이고, 다른 그룹끼리는 이질성을 높이는 방식으로 유저를 클러스팅하는 방식입니다. 유저 클러스터링을 통해 그들의 Demo 및 이용 패턴 특성을 분석하는 것인데요. 실제 유저의 이용 행태를 볼 수 있고, 해석하는 관점에서 창의적인 아이디어가 개입될 여지도 있기 때문에 신선한 인사이트가 도출될 수 있습니다. ‘OpenChat User Segmentation’ 분석이 재밌었던 이유는, segment 별로 특성이 뚜렷하게 구분되었기 때문인데요. 보통 유저 클러스터링을 하게 되면, *머신러닝 비지도 학습 알고리즘(k-means)을 활용하는 경우가 많은데, 이때 pain point는 유저 클러스터별 뚜렷한 차이점을 발견하기 어렵다는 점입니다. 이런 단점을 보완하기 위해서 통계적 기법의 segmentation 방법론을 개발했어요. 최종 4개의 핵심 feature(메인 페이지 방문/챗 방문/메시지 전송 횟수/오픈챗 방문 일수)를 선정하고, 각 feature 별 heavy/light user 조합으로 segmentation을 수행했죠. 이 과정을 바탕으로, segment 별로 서비스 engagement를 높이고 충성도를 제고할 만한 전략에 대한 인사이트를 도출했고, 궁극적으로 서비스 성장 전략 수립에 기여할 수 있었습니다. 또 실제 마케팅/전략 수립에 활용할 수 있도록 segment의 볼륨과 이들의 주요 key metric 실적을 확인할 수 있도록 대시보드까지 개발하여 제공했었기에 가장 기억에 남습니다. *머신러닝 비지도 학습 알고리즘(k-means) : 특정 레이블이 없는 데이터에 대해 학습을 통해 유사한 특성 기준으로 그룹을 나누는 비지도 기계학습 알고리즘(k-means)

도전, 그리고 성장의 경험

Q 현아 님에게 ‘도전’이란 어떤 의미인가요?

제가 생각하는 도전이란, ‘어제보다 나은 내가 되기 위한 소소한 노력’이라고 생각합니다. 다른 직무도 마찬가지겠지만, 분석 직군도 굉장히 넓은 영역에 걸친 전문 지식을 요하는 직군이에요. 데이터 핸들링 관련 기술적 스킬뿐만 아니라 데이터 자료 구조 및 데이터 플랫폼 대한 이해, 분석방법론 측면에서 통계/머신러닝, 각 비즈니스 도메인에 대한 높은 이해도, 데이터 엔지니어링 및 개발 영역에 대한 이해도까지 갖춰져야 날카로운 분석 결과가 나올 수 있기 때문인데요. 분석가인 저에게는 이렇게 다양한 영역들로 확장해 나가고, 전문성을 높여 역량을 키워가는 것이 도전이라고 할 수 있어요. 그리고 결과야 어떻든 항상 발전하려고 노력하는 자세, 그리고 결과에 크게 연연해 하지 않는 마음이 중요한 것 같아요. 사람이 무엇이든 잘 해내려고 노력하다 보면 거기에서 오는 스트레스와 잘되지 않았을 때의 자책감이 동반되기 마련이라고 생각하거든요. 이 마음에 매몰되다 보면 나중에 새로운 도전을 할 힘을 잃게 되기 때문에, 기회가 주어졌을 때 가벼운 마음으로 최선을 다하되, 결과가 좋지 않았을 때는 너무 자책하지 않는 것이 나를 지치지 않고 계속 열정적으로 만들 수 있는 원동력인 것 같습니다.

Q LINE에서의 경험을 통해 특별히 성장했다고 느끼신 사례/계기가 있으신가요?

분석도 통계, 서비스, 마케팅, 머신러닝 등 다양한 분야가 있습니다. LINE에 입사한 이후, 분석 대상의 타깃이 서비스 차원에서 전사 차원으로 확대되면서, 비즈니스 문제 해결이 필요한 더 다양한 업무들을 담당하게 되었고, 이에 적합한 분석 방법론들을 스터디하고 적용하게 되었어요. 하나의 예로, 작년에 진행한 LINE Revenue 기여도 분석이 생각나는데요. 분석의 배경은 Revenue가 중요해지는 상황에서 현재 LINE KPI나 Service KPI들이 Revenue 성장 모니터링에 적합한지, 더 나은 메트릭은 없을지 탐색하는 것이었습니다. 분석 케이스 중에서도 기여도를 측정하는 케이스는 많지 않았고, 더군다나 스케일이 다른 기능들의 기여도를 정량화하여 측정한다는 것에서 새로운 방법론이 필요했어요. 이때 머신러닝 모델을 활용하여 문제를 해결했는데요. 각 LINE KPI 또는 Service KPI를 input feature로 해서 유저의 revenue 발생 유무를 예측하는 classification 모델을 모델링하고, 모델 예측에 영향도를 의미하는 feature importance 값을 기여도로 치환하여 기여도를 정량화하는 로직을 개발했습니다. 기존에 참고할 만한 사례가 없었고 해결하기 어려운 문제를 창의적인 방법으로 해결했었던, 제가 한층 성장했던 기회였습니다.

역량에 관한 생각

Q 현아님의 업무에서 좋은 퍼포먼스를 내기 위해서는 어떤 역량과 자질이 필요하다고 생각하시나요?

저는 ‘데이터 정합성을 담보하기 위함 꼼꼼함’, ‘논리적 사고에 기반한 Data Literacy’ 그리고 ‘창의성’이 가장 중요하다고 생각합니다. 데이터 및 BI 툴 핸들링 능력, 통계학적 지식 등 스킬적인 부분들은 생각보다 명시적인 것이 많아요. 학습해야 할 타깃이 뚜렷하고 일정 시간을 투자한다면 빠르게 학습이 가능하죠. 분석은 데이터를 기반으로 논리를 만들고 설득하는 작업이기 때문에 데이터 자체가 엄밀하지 않다면 신뢰를 잃어버립니다. 그래서 분석가들은 이 정합성을 담보하기 위해 분석에 많은 시간을 할애해요. 숫자가 1만 틀려도 틀린 것이고, 수치에서 오는 스트레스도 물론 있습니다. 수치가 조금이라도 이상하면 값이 바로 달라지기 때문에, 항상 긴장하며 꼼꼼하게 데이터 정합성을 판단하죠. 데이터가 올바르게 남고, 집계하는 로직이 원하는 가설을 검증하기 위해 적합한지를 검증하는 작업이 기초지만 매우 중요한 작업입니다. 그리고 두 번째, 데이터는 fact 그 자체이기 때문에, 더 중요한 것은 여러 수치를 엮어서 행간의 의미를 파악하는 것입니다. 단순히 수치를 나열하는 것보다, 한 단계 더 들어가서 데이터가 시사하는 바를 전달할 수 있어야 합니다. 유사한 맥락에서 서로 상호/인과 작용을 하는 것에 대한 눈썰미가 필요하죠. 예를 들자면, 특정 서비스의 이탈률이 높은 상황에서 이탈 유저 대상의 *코호트 분석 결과 대부분 24세 이하의 유저였어요. 이들의 가입 경로는 소셜 네트워킹 기반으로 인센티브를 주는 채널이었는데요. 혜택 경험률이 높지만 당일 해지 비율이 높은 것으로 보아, 혜택 미경험이나 불만족으로 이탈한 것이 아니라 계획적으로 이탈했다고 판단했습니다. 특정 혜택만 이용한 점도 확인했기 때문이에요. 이를 통해 24세 이하 유저를 대상으로 기존에 잘 사용하던 혜택은 강화하고 다른 혜택까지 경험할 수 있도록 확대시키는 방안을 마련했던 케이스가 있습니다. 마지막으로, 데이터로 스토리텔링하는 과정은 논리적이되, 중간중간 창의적 사고를 요하는 부분들이 있어요. 예를 들어, 유저 segmentation 과정 중 적절하게 그룹핑 하는 기준을 세울 때나 분석 방법론을 활용하는 과정 등에서 로직컬한 부분뿐만 아니라 약간의 창의성이 필요합니다. 새로운 분석 방법론을 만들 수는 없더라도 기존에 활용하던 도메인 이외의 도메인에서 활용한다던가, 분석 방법론을 결합하여 새로운 프레임을 만든다던가의 방식이 될 수 있어요. *코호트 분석 : 코호트란 특징 기간동안 공통된 특성이나 경험을 갖는 사용자 집단을 의미, 집단을 나누어 시간의 흐름에 따른 이탈 패턴 및 서비스 이용 패턴 등에 대해 분석하는 기법

LINE에서의 특별한 경험에 대한 이야기

마무리하며

Q 앞으로 LINE에서 이루고 싶은 목표가 있으신가요?

구성원들이 데이터에 더 쉽게 접근할 수 있고, data-driven decision making 프로세스를 내부에 정착 시키는 것이 저의 목표입니다. 데이터 기반으로 논의하고 의사 결정하고 개선해 나가는데 어려움이 없었으면 좋겠어요. 그렇게 하기 위해서는 기존에 저희 팀에서 하던 data product, product 분석 업무 외에도 A/B Test 프로세스를 정착 시키고자 합니다. FY23년에는 A/B Test 관련해서 프로세스/가이드 수립, 교육 세션 기획, 플랫폼 개발 등 제도/인프라 차원의 기반을 마련했다면, FY24에는 A/B Test basic course 전사 교육도 진행할 예정이에요. 이렇게 마련한 프로세스와 플랫폼을 고도화해서 실제 실험 문화를 정착 및 확산시키는데 집중할 계획입니다!

Q 본 직무에 관심 있는 분들께 한 말씀 해주세요!

LINE은 자유로운 분석 및 개발 환경에서 대규모의 글로벌 유저들의 트래픽을 분석해 볼 수 있다는 점이, 분석가에게 매우 흥미롭고 도전 의식을 불러일으키는 회사입니다. 그뿐만 아니라 훌륭한 동료분들과 함께 긍정적인 자극을 주고받으며 성장해 갈 수 있으니 앞으로도 많은 관심 부탁드리겠습니다!