grep

Engineering

직관이 아닌 데이터로: NOL PM의 실험 설계 이야기

야놀자

2025년 12월 12일

원문에서 보기 ↗

작은 실험으로 큰 변화를 만드는 과정

이 이미지는 ChatGPT 를 이용해 제작하였습니다. (2025.12.12)

1. 들어가며 — PM에게 데이터는 왜 중요한가?

이 이미지는 ChatGPT 를 이용해 제작하였습니다. (2025.11.07)

좋은 PM은 ‘무엇을 만들지’보다 ‘무엇을 검증할지’를 고민합니다.

아이디어는 누구나 낼 수 있지만, 실제 사용자의 행동이 어떻게 변하는지를 데이터로 확인해야 제품이 성장할 수 있습니다.

PM의 일상에는 수 많은 선택이 존재합니다.

“이 버튼을 어디에 둘까?”, “혜택 문구를 바꾸면 전환이 오를까?”, “로그인 유도는 언제가 적절할까?”

이런 결정들은 직관적으로도 할 수 있지만, 직관만으로는 ‘왜’ 효과가 있었는지 설명하기 어렵습니다.

데이터 기반 실험은 이 ‘왜’를 명확히 해주는 도구입니다.

수 많은 유저들이 이용하는 종합 여가 플랫폼 NOL의 PM으로 일하며, 저 역시 직관 대신 실험으로 검증하는 방식을 점점 더 자주 선택하게 되었습니다.

결제 혜택 영역을 새로 만들거나, 가격 표시 방식을 바꾸는 등 크고 작은 변화를 테스트할 때마다

“이 변화가 실제로 사용자 행동을 바꾸는가?” 라는 질문을 던졌습니다.

이 글에서는 단순히 SQL로 뽑은 데이터 수치를 보는 것을 넘어,

문제 정의에서 가설 설정, 실험 설계, 결과 해석까지 PM이 데이터를 통해 문제를 검증하는 사고방식을 공유하고자 합니다.

이 이미지는 ChatGPT 를 이용해 제작하였습니다. (2025.11.07)

2. 실험 설계의 기본 틀 — 데이터로 문제를 검증하는 사고방식

PM이 데이터를 다루는 첫 단계는 ‘분석’이 아니라 ‘정의’입니다.

무엇을 검증할 것인가를 명확히 정의하지 않으면, 데이터는 그저 수치에 불과하며 의미를 가지기 어렵습니다.

그래서 실험 설계의 출발점은 문제 정의 → 가설 수립 → 실험 설계 → 실행 → 결과 해석의 구조를 이해하는 데 있습니다.

이 다섯 단계는 단순한 업무 순서가 아니라, PM으로서 데이터를 활용해 문제를 검증하는 사고의 사이클 입니다.

데이터를 활용한 검증 사이클

1) 문제 정의 — “무엇이 불편한가?”에서 출발하기

많은 실험이 실패하는 이유는 문제를 너무 넓게 잡거나, 이미 해결된 문제를 다시 검증하기 때문입니다.

“전환율을 올리자”는 목표는 매력적이지만, 이 목표는 고객의 행동과 연결되어야 합니다.

대신 “상품 페이지(PDP: Product Detail Page)에서는 구매 시 적용 가능한 쿠폰 정보를 보여주지 않아 구매 전환이 떨어지고 있다” 처럼, 사용자의 구체적 행동 변화로 표현된 문제 정의가 필요합니다.

좋은 문제 정의는

실험 세팅하기 예시

2) 가설 설정 — 논리를 먼저 세우기

가설은 단순히 ‘이렇게 하면 잘 될것 같다’가 아니라, “왜 그렇게 될 것인지”를 설명하는 논리 구조입니다.

예를 들어,

“결제 시 사용 가능한 쿠폰 적용가를 상품 페이지(PDP)에 노출하면, 사용자가 가격 메리트를 빠르게 인식해 구매 확률이 높아질 것이다.”

이 가설에는 행동의 원인(가격 인식)과 결과(구매 확률 상승)가 명확히 포함되어 있습니다.

좋은 가설일수록 검증이 쉽고, 실패했을 때도 인사이트를 남깁니다.

3) 실험 설계 — ‘어떻게 비교할 것인가’를 결정하기

가설이 세워졌다면, 이제 비교 구조를 설계해야 합니다.

✔️실험군 / 대조군 정의:

예를들어, 상품 페이지(PDP) 쿠폰가 적용 실험에서는

로 정의할 수 있습니다.

✔️주요 관찰 지표(Key Metrics)의 정의:

CTR(Click-Through Rate, 클릭률), 구매 전환율, 장바구니 진입률 등, ‘가설이 영향을 미칠 행동’을 직접적으로 측정하는 지표를 선정합니다.

✔️실험 기간과 샘플 크기 설정:

데이터의 변동성이 큰 서비스일수록, 표본 크기 계산이 중요합니다.

예를 들어, 1일 전환율이 3%인 페이지라면, ±0.3%의 변화를 검증하기 위해 최소 1만명 이상의 노출이 필요할 수도 있습니다.

PM은 실험 설계 시 단순한 ‘감’이 아니라, 통계적으로 필요한 표본 크기를 산출하는 기준을 이해하고 활용할 수 있어야 합니다. 기존 전환율과 기대 효과를 기반으로 DA(Data Analyst)와 함께 표본 수를 계산하거나,AB Test Guide 같은 도구를 활용해 검증 가능한 규모를 설정하는 방식입니다.

이런 과정이 반복되면, PM은 점차 “얼마나 데이터가 모여야 판단할 수 있는가”에 대한 현실적인 감각도 함께 갖추게 됩니다.

4) 실행과 모니터링 — ‘가벼운 실험’으로도 충분히 의미 있는 결과를 얻는 법

실험 설계가 아무리 잘 되어 있어도 실제 실행과 운영이 복잡하면 실험이 지속되기 어렵습니다.

데이터 실험이라고 하면 거대한 A/B 테스트 플랫폼이나 실시간 대시보드를 떠올리기 쉽지만, 실무의 대부분은 훨씬 더 단순하고 제한된 리소스 속에서 진행됩니다.

우선, 실험은 가능한 한 단순한 구조로 시작해야합니다.

예를 들어, 상품 페이지(PDP) 내 쿠폰가 노출 실험이라면 필요한 트래픽 만큼의 실험군과 기간을 설정하고, 데이터는 로그 기반으로 주기적으로 수집하는 수준으로도 충분히 신뢰도 있는 결과를 얻을 수 있습니다.

또한, 가능한 외부 요인을 최소화해야 합니다.

프로모션, 시즌성 상품, 가격 변동 등 다른 변수가 실험 결과에 영향을 주지 않도록 통제해야 합니다.

또한 사전에 데이터 해석 기준(P-value, 유의 수준 등)을 정해 두면 불필요한 논쟁을 줄일 수 있습니다.

실험의 목적은 ‘정답을 찾는 것’이 아니라, 의미있는 시그널을 감지하는 것입니다.

가볍게 시작하되, 명확히 검증할 수 있는 구조가 가장 효율적인 실험입니다.

5) 결과 해석과 인사이트 도출 — 데이터를 ‘정답’이 아닌 ‘근거’로 해석하기

실험의 마지막 단계는 데이터 자체를 ‘정답’으로 받아들이는 것이 아니라, 가설을 검증 하고 다음 단계의 근거를 마련하는 과정입니다.

좋은 PM은 숫자 그 자체보다, 왜 이런 결과가 나왔는가를 중심으로 데이터를 해석합니다.

먼저, 지표 간의 관계를 함께 보는 것입니다.

예를 들어, PDP(상품 상세 페이지)에서 쿠폰가를 노출했을 때 구매 전환율이 상승 했다면, 그 자체만으로 성공으로 판단하기 보다 가드레일(Guardrail) 지표 를 함께 확인해야 합니다. 구매 전환율은 높아졌지만 쿠폰가 계산 로직을 추가로 인한 시스템 부하가 발생하여 페이지 로딩 속도가 늦어졌다면, 이는 “성공한 전환 실험”이 아니라 “균형을 잃은 개선”일 수 있습니다. 데이터는 단일지표가 아니라, 사용자 경험과 비즈니스 품질의 균형으로 해석되어야 합니다.

두 번째는 외부 요인을 고려한 해석입니다.

실험은 완벽히 통제된 환경에서 진행되지 않습니다. 프로모션, 시즌성 상품, 가격 변동, 경쟁사 이벤트 등 외부 요인이 결과에 영향을 줄 수 있습니다. 따라서, PM은 실험 결과를 “효과가 있었다”가 아니라, “이 시점, 이 조건에서 효과가 있었다.”로 해석해야 합니다.

세 번째는 유의미하지 않은 결과에서도 배움을 찾는 것 입니다.

효과가 없다는 건 실패가 아니라, 가설 설정 단계에서 놓친 변수를 발견할 기회입니다. 실험의 가치는 winner/loser 가 아니라, 다음 실험의 방향을 좁히는 것에 있습니다.

마지막으로, 데이터를 행동 가능한 인사이트로 전환해야 합니다.

“전환율이 3% 상승했다”보다

“PDP(제품 상세 페이지)에서 쿠폰가 노출이 구매 전환율을 개선했으므로, SRP(검색 결과 페이지)에도 동일한 가격 인식 구조를 확장한다.” 처럼 구체적인 실행으로 이어질 때 비로소 데이터는 전략이 됩니다.

3. NOL PM의 가설이 데이터로 바뀌는 순간들

NOL의 PM(Product Manager)은 여러 개발 프로젝트에서 데이터를 통해 가설을 검증하고, 실제 사용자 행동을 변화시켜 왔습니다.

이 중 대표적인 두 가지 실험을 소개합니다.

1) 최대혜택가 제공 — 주문 단계의 혼란을 줄이기 위한 가격 신뢰도 개선 실험

[문제 정의]

이 실험은 PDP(상품 상세 페이지)와 주문서 간의 가격 불일치 문제에서 시작되었습니다.

사용자는 PDP에서 본 금액보다 결제 단계(주문서)에서 자동으로 쿠폰이 적용되며 더 낮은 금액으로 결제되는 경험을 하고 있었습니다.

이는 표면적으로 긍정적인 경험처럼 보이지만, 반대로 사용자가 가격이 어떻게 계산되는지 명확히 인식하기 어렵다는 의미이기도 했습니다.

따라서 이번 실험은 단순히 가격을 더 싸게 보이게 하려는 것이 아니라, 사용자가 PDP 단계에서 이미 최종 결제 금액을 이해하고 예측할 수 있는 구조를 만드는 것이었습니다.

[가설]

“상품 상세 페이지(PDP)에서 실제 결제 금액(쿠폰 적용가)을 명확히 보여준다면, 사용자의 혼란이 줄고 구매 전환율이 상승할 것이다.”

즉, 탐색 단계에서부터 결제 금액을 인지할 수 있다면, ‘가격 불일치’로 인한 불신보다 ‘가격 신뢰’로 이어질 것이라는 가정이었습니다.

[실험 설계]

실험군과 대조군을 구분해 AB 테스트를 진행했습니다.

A/B TEST 설계 예시

[결과 및 인사이트]

‘최대혜택가’를 노출한 실험군(B)의 구매 전환율은 대조군(A) 대비 통계적으로 유의미하게 상승했습니다.

특히 결제 단계에서의 이탈률이 감소하며, ‘가격 신뢰성’이 향상된 경험이 실제 구매 완결로 이어지는 패턴이 관찰되었습니다.

데이터 분석 결과, 사용자는 단순히 “가격이 더 낮게 보이는 것”보다 “가격이 일관되고 투명하게 제시되는 것”에서 더 큰 신뢰를 느꼈습니다.

이는 가격 경쟁력보다 정보의 명확성과 일관성이 UX 개선의 핵심 요인임을 보여주는 결과였습니다.

[후속 실험 및 확장]

PDP 결제 혜택 영역 신설 — 가격 신뢰에서 ‘혜택 인식’으로 확장된 실험

‘최대혜택가 제공’ 실험이 가격의 신뢰도(Trust)를 확보하는 데 초점을 맞췄다면,

다음 단계의 실험은 “사용자가 가격을 더 긍정적으로 인식하게 만들 수 있을까?”라는 질문으로 확장되었습니다.

이번에는 PDP에 결제 시 적용 가능한 카드사 할인, 적립 혜택 등 ‘결제혜택 영역’을 신설했습니다.

사용자는 결제 단계로 이동하지 않아도 즉시 혜택 구조를 이해할 수 있었고, 이로 인해 구매 전환율이 추가로 상승했습니다.

이후 동일한 맥락에서 ‘예상 적립금 노출 실험’도 진행했습니다. 혜택 정보를 명확히 보여준 결과, 사용자는 “가격 비교가 쉬워졌다”, “혜택 정보를 찾기 위해 이동할 필요가 줄었다”는 긍정적 피드백을 남겼습니다.

이 두 실험은 단절된 과제가 아닌, “가격을 어떻게 보여줄 것인가”에 대한 연속적인 탐구 과정 이었습니다.

‘최대혜택가 제공’이 가격의 신뢰도(Trust) 를 확보했다면,

‘결제혜택 및 예상 적립금 노출’은 가격의 만족도(Perceived Value) 를 강화했습니다.

이를 통해 NOL은 단순히 가격을 낮추는 전략이 아니라, “가격이 명확하고 신뢰할 수 있으며, 사용자에게 긍정적으로 인식되는 구조”가 전환율 개선의 핵심임을 데이터로 검증했습니다.

2) PLP/SRP 상품 카드 디자인 개선 — 상품 카드를 다시 생각하다: 정보 구조로 풀어낸 선택의 문제

[문제정의]

기존 PLP(Product List Page)와 SRP(Search Result Page)에서는 동일한 시설의 상품이 여러 개 노출되었지만, 상품 간 차이점을 한눈에 구분하기 어려웠습니다.

상품명 규칙이 제각각이었고, 지역명·이용일자·패키지명·프로모션명 등 다양한 정보가 일정한 기준 없이 섞여 있어 상품명이 과도하게 길어지는 경우도 많았습니다.

이로 인해 사용자는 상품 간 차이를 빠르게 파악하지 못하고, 원하는 상품을 찾기 위해 여러 상품 카드를 반복적으로 클릭해야 했습니다.

[가설]

“상품 카드 내에서 구매 결정에 필요한 핵심 정보를 명확하게 구조화하면, 사용자는 상품을 비교/판단하는 시간이 단축되고 구매 전환율이 향상될 것이다.”

[실험 설계]

A/B TEST 설계 예시

이번 개선에서는 단순히 디자인을 개선하는 것이 아니라, 상품 비교를 돕는 정보 구조화에 중점을 두었습니다. 상품명 대신 “사용가능일, 지역, 카테고리” 등을 검색 결과 화면에서 즉시 확인할 수 있도록 재배치했으며, 상품명의 불필요한 텍스트 요소를 제거해 시각적인 인지 부하를 줄였습니다.

[결과 및 인사이트]

실험 결과로 CTR(상품 클릭률)과 SRP(검색 결과)에서 PDP(제품 상세) Conversion Rate(전환율)이 모두 상승했습니다. 특히 동일 시설 내 복수의 상품이 존재하는 경우, 사용자가 한눈에 차이를 인식하고 비교 후 선택하는 패턴이 강화되었습니다.

사용자 피드백에서도 “상품이 더 명확하게 구분된다”, “필요한 정보가 보여가 보기 편하다”라는 응답이 확인되었습니다.

결과적으로, 이번 실험은 단순히 디자인 개선이 아니라 “사용자가 상품을 비교하고 선택하는 과정에서 필요한 정보를 빠르게 인식할 수 있게하는 구조적 개선”이었다는 점에서 의미가 컸습니다.

4. 데이터 실험을 성공으로 이끄는 팀과 PM의 역량

1) 데이터 리터러시(literacy) — 지표를 ‘읽는 힘’

PM에게 데이터 리터러시는 단순히 수치를 보는 능력이 아니라, 수치의 맥락을 읽는 힘입니다.

전환율이 올랐다면, 이는 UI 개선 때문일 수도 있지만 특정 시기의 대량 트래픽 유입 때문일 수 있습니다.

PM은 지표의 ‘이유’를 해석할 수 있어야 하며, 실험 전후의 데이터 환경(계절성, 프로모션, 사용자 특성 등)을 함께 분석해야 합니다.

또한, 단일 지표에 의존하지 않고, 메인 지표(Key Metric)와 가드레일 지표(Guardrail Metric)를 함께 설정해 전체적인 사용자 경험을 종합적으로 판단하는 균형감각이 필요합니다.

2) 커뮤니케이션 — 데이터를 공통의 언어로 만드는 과정

데이터 실험은 PM 혼자서 완성할 수 없습니다. 가설은 PM이 세우더라도, 데이터팀은 검증의 정확성을, 디자인 팀은 실험군의 UI/UX를, 개발팀은 실험 플랫폼 연동과 기능 구현을 담당합니다.

결국 좋은 실험은 이 구성원들 간의 커뮤니케이션 산물입니다. 이를 위해 PM은 데이터를 단순히 보고서 형태로 나열하는 것이 아니라, “어떤 가설을 검증했고, 그 결과가 사용자에게 어떤 의미로 작용했는가”를 설명할 수 있어야 합니다.

3) 실험 스코핑 — 작게 시작해 명확하게 배우기

모든 실험을 대규모로 진행할 필요는 없습니다.

PM의 실험 설계 핵심은 “가설을 검증하는 최소 단위”를 정하는 것입니다.

예를 들어, PDP(제품 상세 페이지)의 버튼 색상을 바꾸는 실험이라면 전체 상품이 아닌 유입이 많은 상위 상품 10개만으로도 충분할 수 있습니다.

명확한 실험 Scope 설정은 리소스를 절약하면서도 빠르게 결과를 확인하는 방법입니다.

4) 조직 내 설득력 — 결과로 다음 액션을 도출하는 힘

데이터 실험의 목적은 ‘좋은 그래프를 그리는 것’이 아니라, 의사결정을 빠르고 정확하게 만드는 것입니다.

PM은 실험 결과가 기대와 다르더라도, 그 이유를 빠르게 캐치하고 다음 단계의 가설로 연결해야 합니다.

이를 위해서는 실험결과가 단순한 리포트 형태가 아닌, 팀 전체가 공유하고 회고할 수 있는 지식 자산으로 관리되어야 합니다.

특히, “무엇이 통하지 않았는가”를 투명하게 공유하는 문화는 다음 실험의 품질을 높이는 핵심입니다.

5) 데이터 기반 실험이 팀 문화로 자리 잡는 순간

PM이 설계한 실험이 일회성으로 끝나지 않고, 팀 전체가 실험 설계 → 결과 분석 → 인사이트 공유 → 개선 반영의 루프를 꾸준히 반복해야 합니다.

이 루프가 자리잡는 다면 데이터는 단순한 분석 도구가 아니라 “조직의 사고방식”으로 기능할 수 있습니다.

이 이미지는 ChatGPT 를 이용해 제작하였습니다. (2025.11.07)

5. 실패에서 배우는 실험 설계 — 의미 없는 결과도 의미가 있다.

PM의 실험은 언제나 기대한 대로 흘러가지 않습니다. 때로는 데이터가 아무런 변화를 보여주지 않거나, 예상과 정반대의 결과를 내기도 합니다. 하지만 이런 결과야말로 PM이 배울 수 있는 가장 값진 순간입니다. ‘효과가 없다’는 결과 역시, ‘무엇이 작동하지 않는가’를 명확히 보여주기 때문입니다.

이번 장에서는 로그인 유도 실험을 사례로, 기대와 달리 결과가 미미했던 실험에서 어떻게 인사이트를 도출할 수 있었는지를 소개합니다.

1) PDP 로그인 유도 실험 — “회원 경험으로 전환을 높일 수 있을까?”

[문제 정의]

NOL은 회원과 비회원 모두가 상품을 구매할 수 있는 구조입니다. 일반적으로 로그인 사용자는 비로그인 사용자보다 구매 전환율이 높고, 회원 로그인을 유도하면 할인 쿠폰, 적립금 등 다양한 혜택을 제공할 수 있었기에 “로그인 자체가 구매 전환율을 높이는 행동으로 이어질 수 있을까?”라는 문제의식에서 실험이 시작되었습니다.

[가설]

“PDP(상품 상세 페이지)에서 로그인 유도 배너를 노출하면, 비회원 사용자가 로그인을 진행해 혜택을 인식하고 구매 전환율이 상승할 것이다.”

[실험 설계]

PDP 내 상품 속성에 따라 다른 로그인 유도 문구를 노출했습니다.

실험군은 해당 배너를 노출한 사용자, 대조군은 기존의 로그인 유도 영역이 없는 사용자로 구분했습니다.

관찰 지표는 로그인 전환율, PDP → 결제 단계 진입률, 전체 구매 전환율이었습니다.

A/B TEST 설계 예시

[결과 및 인사이트]

실험 결과, 로그인 전환율은 단기적으로 상승했지만 구매 전환율에는 유의미한 변화가 없었습니다.

일부 사용자는 로그인 유도 배너를 클릭했으나, 로그인 이후 실제 구매로 이어지지 않았습니다.

이 실험을 통해 ‘로그인’이라는 행동 자체가 구매로 직결되지 않는다는 점이 명확히 드러났습니다.

즉, 사용자는 혜택을 인식하더라도 즉각적인 동기가 부족하면 구매 여정이 단절될 수 있다는 것을 의미합니다.

이 결과는 실패로 끝난 실험이 아니라, 이를 기반으로 NOL은 로그인 이후 경험을 강화하는 방향으로 실험을 확장했습니다.

이후 로그인 유도의 연장선으로, 로그인 후 경험(쿠폰 혜택 안내, 적립금 표시 등)을 강화하는 방향으로 추후 실험 방향을 설계하게 되었습니다.

2) 실패를 다루는 조직의 태도

NOL의 데이터 실험 문화에서 중요한 점은 그 결과를 어떻게 회고하고 학습으로 남기는가입니다.

실패한 실험을 숨기거나 단순히 종료시키면, 같은 가설이 형태만 바뀌어 다시 반복될 수 있습니다.

이러한 실험도 결과 요약, 인사이트, 다음 액션 으로 문서화하여 관리하고 ‘다음 실험의 좌표’로 재활용할 수 있어야 합니다.

6. 데이터 실험이 팀 문화로 자리 잡기까지

데이터 기반 실험은 한두 명의 PM이 잘한다고 완성되지 않습니다.

진짜 힘을 발휘하려면, ‘실험이 일상화된 팀 문화’가 만들어져야 합니다.

많은 조직이 “데이터로 의사결정하자”라는 말을 하지만, 실제로는 실험 설계나 해석이 개인의 역량에 의존하는 경우가 많습니다. 그러나 지속 가능한 데이터 문화란 “누가 하더라도 같은 기준으로 실험을 설계하고, 같은 논리로 결과를 해석할 수 있는 환경”을 뜻합니다.

이 이미지는 ChatGPT를 이용해 제작하였습니다. (2025.11.07)

1) 실험의 일상화 — 데이터가 말하게 하라

실험은 거창한 프로젝트가 아니라, 반복되는 기능 개선 속에서도 자연스럽게 실행되어야 합니다.

PM이 작은 가설이라도 수립하고, 데이터팀, 디자인팀, 개발팀과 함께 빠르게 검증하는 습관이 쌓일 때, 실험은 ‘루틴’이 됩니다.

이런 조직에서는 “우리의 가정이 맞을까?”보다 “어떻게 검증할까?”가 대화의 중심이 됩니다.

2) 투명한 결과 공유 — 실패도 자산으로

모든 실험이 성공적일 수는 없습니다.

오히려 대부분의 실험은 ‘유의미하지 않은 결과’를 남깁니다. 하지만 중요한 것은 그 결과가 투명하게 공유되고 다음 실험의 설계로 이어지는가입니다.

실패한 실험도 거리낌 없이 공유할 수 있는 환경이 마련되어야, 조직은 동일한 시행착오를 반복하지 않습니다.

“이 시도는 실패했지만, 데이터는 어떤 방향을 말하고 있다.”

이런 회고 문화가 자리 잡은 팀일수록 실험의 품질은 점점 정교해집니다.

3) 실험 > 인사이트 > 액션아이템의 선순환

데이터 실험은 ‘한 번의 검증’이 아니라, 지속적인 순환 구조로 작동해야 합니다.

하나의 실험에서 얻은 인사이트는 다음 가설의 토대가 되고, 그 실험의 결과는 다시 새로운 액션아이템으로 이어집니다.

이 선순환이 정착되면, 팀은 감(感)이 아닌 데이터로 학습하는 구조를 갖게 됩니다.

4) PM의 역할 — 논리를 설계하는 사람

PM의 역할은 데이터를 직접 분석하는 것에 그치지 않습니다.

데이터 팀이 해석할 수 있는 ‘좋은 질문’을 만드는 사람,

디자인과 개발이 납득할 수 있는 ‘실험의 논리 구조’를 설계하는 사람,

그리고 조직이 같은 방향으로 나아가게 만드는 ‘결과의 전달자’가 되어야 합니다.

좋은 PM은 실험 결과를 ‘성공/실패’로만 나누지 않습니다.

대신, “이 결과가 우리에게 무엇을 알려주는가”를 팀 전체의 언어로 바꿔내는 사람입니다.

7. 마무리하며

데이터 실험은 결국 PM이 스스로에게 던지는 질문에서 시작합니다.

“이 변화는 사용자의 어떤 Pain Point를 해결하는가?”

수 많은 실험이 성공보다 실패로 끝나지만, 그 실패조차 명확히 정의된 가설과 검증의 결과라면, 그것은 다음 실험의 기반이 됩니다.

PM의 일은 완벽한 답을 찾는 것이 아니라, 더 나은 질문을 쌓아가는 과정이기 때문입니다.

데이터는 그 질문을 더 깊고 정확하게 만드는 도구이고, 실험은 그 질문에 답하려는 시도입니다.

그 과정을 반복하는 팀은 성장하고,

그 문화를 꾸준히 이어가는 PM은 결국 데이터를 통해 문제를 ‘설명하는 사람’이 아니라, ‘이해시키는 사람’이 됩니다.

데이터로 문제를 검증하고, 인사이트로 제품을 성장시키는 여정에 함께하고 싶으신가요?

NOL의 PM으로 그 여정을 함께 시작해보세요.

긴글 읽어주셔서 감사합니다.

누구나 마음 편히 놀 수 있는 세상을 함께 만들어갈 동료를 찾고 있어요 :)

지금 채용 중인 포지션 보러가기 >