즐거움을 스트리밍하세요, 티빙

　매일 찾는 OTT, 데이터로 설계하다　

─ 반복 방문을 설계하는 데이터 분석, 티빙의 프로덕트 운영 이야기

"Amplitude를 도입한 이후 가장 크게 달라진 점은 데이터를 보는 속도와 관점이었습니다. DAU나 MAU 같은 수치뿐 아니라 고착도(Stickiness)를 함께 보면서, 이용자가 실제로 서비스를 얼마나 반복적으로 찾는지를 더 명확하게 이해할 수 있게 되었습니다. 숫자를 맞추는 시간이 줄고, 지표의 의미를 해석하는 데 더 집중할 수 있게 된 점이 가장 큰 변화였습니다.

Amplitude 자체도 중요하지만, 처음 설계 단계에서 어떤 기준으로 데이터를 볼 것인지 팀 맥소노미가 함께 정리해 주신 점이 특히 도움이 되었습니다. 툴 사용 방법을 안내받는 것을 넘어 우리 서비스에 맞는 지표 구조를 같이 고민할 수 있었고, 덕분에 내부에서도 데이터를 공통 언어로 활용할 수 있는 기반을 비교적 빠르게 만들 수 있었습니다."

- 티빙 | Service Planning 최윤수님, 이용범님

오늘도 우리는 무심코 하나의 앱을 실행합니다. 새로운 콘텐츠가 올라왔기 때문일 수도 있고, 어제 보던 장면이 떠올랐기 때문일 수도 있습니다. 이런 작은 선택이 반복될 때, 서비스는 ‘가끔 방문하는 앱’이 아니라 일상 속에서 자연스럽게 찾는 플랫폼이 됩니다.

사용자에게는 가벼운 방문이지만, 서비스 입장에서는 중요한 신호가 됩니다. 어떤 경로로 유입되었는지, 무엇을 보고 머물렀는지, 다시 방문할 가능성은 있는지, 이 여정을 얼마나 정확히 이해하느냐가 곧 플랫폼의 방향을 결정합니다.

이 지점에서 OTT 산업의 경쟁 구도도 달라지고 있습니다. 이제는 단순히 콘텐츠의 수나 화제성만으로 설명하기 어려워졌습니다. 어떤 플랫폼이 오래 살아남는지는 결국 사용자의 반복 방문과 체류 흐름을 얼마나 잘 이해하고 설계하느냐에 달려 있습니다.

국내 대표 OTT 플랫폼 티빙(TVING) 역시 이러한 변화 속에서 데이터를 중요한 기준으로 삼고 있습니다. 드라마, 예능, 스포츠, 영화는 물론 최근에는 숏폼과 숏드라마 영역까지 확장하며 사용자 접점을 넓혀가고 있는데요. 단순히 콘텐츠를 제공하는 것을 넘어, 사용자의 행동을 이해하고 그 흐름에 맞춰 서비스를 조정하는 과정이 중요해진 것입니다.

티빙은 이러한 변화 속에서 제품 분석 솔루션 Amplitude를 활용해 데이터 기반 운영과 개선을 이어가고 있습니다. 이번 인터뷰에서는 티빙 서비스플래닝 조직에서 데이터 기반 제품 운영을 담당하고 있는 최윤수님과 이용범님을 만나, Amplitude 도입 배경과 실제 활용 방식, 그리고 그 과정에서의 경험을 들어보았습니다.

티빙은 어떤 회사인가요?

Q. 먼저 간단히 두 분의 소개를 부탁드립니다.

안녕하세요, 최윤수입니다. 현재 티빙에서 서비스플래닝 업무를 담당하며 숏폼 및 숏드라마 영역을 중심으로 서비스 기획과 운영을 맡고 있습니다. 2024년 하반기부터 해당 조직을 리드하고 있습니다.

최윤수 님과 함께 서비스플래닝 조직에서 데이터 기반 제품 운영을 담당하고 있는 이용범입니다. 2025년 6월 말 티빙에 합류했으며, PM과 기획자들이 데이터를 보다 쉽게 이해하고 활용할 수 있도록 대시보드 구축과 퍼널 분석 환경 정비를 중심으로 업무를 진행하고 있습니다. 신규 기능이 기획되면 성공 기준이 되는 지표를 정의하고, 이벤트 설계와 대시보드 구성을 통해 출시 시점에 바로 데이터를 확인할 수 있도록 지원하는 역할을 맡고 있습니다.

Q. 티빙도 소개해주세요.

티빙은 예능·드라마·영화는 물론 스포츠와 다큐멘터리까지 폭넓은 콘텐츠를 제공하는 대한민국 No.1 K-콘텐츠 플랫폼입니다. 1,000만 건 이상의 앱 다운로드 수를 기록한 국내 대표 OTT 서비스이기도 한데요. 탄탄한 이용자 기반 위에서 콘텐츠 영역을 꾸준히 확장해 왔습니다.

국내 제작사와 방송사의 다양한 콘텐츠를 제공하는 것에 그치지 않고, 자체 제작한 연애 리얼리티 ‘환승연애’, 미션 기반 예능 ‘대탈출’, 드라마 ‘친애하는 X’와 같은 오리지널 IP를 통해 플랫폼만의 색깔을 구축해 왔습니다.

라이브 스포츠 중계 역시 중요한 축입니다. 프로야구를 비롯한 주요 스포츠 경기를 OTT 환경에서 시청할 수 있도록 구성했고, 실시간 시청과 다시보기, 관련 콘텐츠를 이어서 볼 수 있는 경험까지 함께 제공하고 있습니다.

최근에는 긴 러닝타임의 본편 콘텐츠에 더해 숏폼 콘텐츠도 적극적으로 확대하고 있습니다. 세로형 플레이어와 전용 탐색 구조를 도입해 짧은 영상 소비 경험을 강화했고, 본편과 숏폼을 자연스럽게 오갈 수 있는 흐름을 만들어가고 있습니다. 이동 중이나 짧은 시간에도 부담 없이 콘텐츠를 소비할 수 있도록 이용 방식의 폭을 넓히는 데에도 집중하고 있습니다.

티빙은 다양한 시청 환경과 콘텐츠 소비 방식에 맞춰, 사용자의 일상 속에서 자연스럽게 즐길 수 있는 엔터테인먼트 플랫폼으로 서비스 경험을 지속적으로 확장하고 있습니다.

티빙의 데이터 활용법이 궁금합니다.

Q. 티빙에서 다루는 데이터에는 어떤 특징이 있나요?

OTT 서비스의 데이터는 다른 산업과 비교했을 때 변화 속도와 이벤트 발생량이 매우 크다는 점이 가장 큰 특징입니다.

커머스처럼 구매라는 명확한 목적이 있는 행동이 아니라, 콘텐츠를 탐색하고 발견하는 과정이 반복되는 구조에 가깝기 때문에 이용 흐름이 일정하지 않습니다. 같은 사용자라도 시간대나 상황, 콘텐츠에 따라 체류 시간이나 클릭 패턴이 크게 달라집니다.

최근에는 숏폼 콘텐츠가 확대되면서 이벤트 발생 빈도와 데이터 밀도가 더욱 높아졌습니다. 콘텐츠 소비 속도가 빠르고 체류 시간이 짧은 영역이 늘어나면서 조회 수나 클릭 수만으로는 이용 흐름을 설명하기 어려워졌습니다. 그래서 개별 지표를 단독으로 보기보다는, 사용자가 어떤 경로로 들어와 어디에서 머무르고 이탈하는지, 다시 돌아오는지까지 연결된 행동 흐름을 함께 보는 방식이 중요해졌습니다.

또 하나의 특징은 반복 방문과 체류 흐름이 서비스 성과와 직접적으로 연결된다는 점입니다. 단순히 한 번의 이용이 아니라, 사용자가 얼마나 자주 돌아오고 얼마나 자연스럽게 콘텐츠 소비를 이어가는지가 플랫폼 경쟁력과 밀접하게 연결됩니다. 그래서 티빙에서는 단일 트래픽 지표보다는 여러 지표가 만들어내는 ‘패턴’을 함께 보는 경우가 많습니다.

Q. 데이터를 실제 서비스 운영에 어떻게 활용하고 계신가요?

현재는 전사적으로 하나의 기준 지표를 중심으로 소통하는 구조가 자리 잡았습니다. 제품 분석 지표를 공통 기준으로 두고 논의가 이루어지며, 정확성이 매우 중요한 경우에만 별도의 쿼리를 확인합니다. 대부분의 실무 커뮤니케이션은 분석 도구에서 확인되는 수치를 기준으로 진행됩니다.

일상적인 활용 방식도 비교적 자연스럽습니다.

주요 지표를 정리한 리포트가 매일 자동으로 공유되면서 특정 직군만 데이터를 보는 것이 아니라, 기획자와 개발자, 디자이너가 같은 숫자를 함께 확인하는 환경이 만들어졌습니다. 숫자를 맞추는 과정이 줄어들다 보니 “왜 이런 변화가 생겼는지”를 해석하는 데 더 많은 시간을 쓰게 되었습니다.

콘텐츠 운영 측면에서도 데이터는 중요한 기준입니다.

특정 콘텐츠 방영 시점의 이용 흐름을 코호트 단위로 살펴보거나, 기능 노출 위치를 조정할 때 세그먼트 데이터를 함께 보는 방식이 일반화되었습니다. 단순히 결과를 확인하는 용도라기보다, 이용자의 행동 변화를 이해하기 위한 도구에 가까운 역할을 하고 있습니다.

Q. 티빙에서 가장 중요하게 보는 지표는 무엇인가요?

기본적으로는 DAU, WAU, MAU와 같은 이용 지표를 꾸준히 확인합니다.

다만 OTT 서비스 특성상 방문 수만으로는 흐름을 설명하기 어려운 경우가 많아, Stickiness(DAU/MAU 비율)처럼 반복 방문과 체류 흐름을 함께 볼 수 있는 지표도 중요하게 살펴봅니다. 사용자가 얼마나 자주 돌아오는지, 일상적으로 플랫폼을 찾는 흐름이 유지되는지가 서비스 성과와 직결되기 때문입니다.

또한 콘텐츠 소비량이나 기능 사용률, 특정 시점의 코호트 흐름도 함께 봅니다.

예를 들어 특정 콘텐츠 방영 시점 전후의 이용 패턴이나, 신규 기능 노출 이후 사용자 행동이 어떻게 달라졌는지를 함께 확인하는 식입니다. 단일 수치보다는 여러 지표가 함께 만들어내는 흐름을 보는 것이 더 중요하다고 보고 있습니다.

이러한 지표들을 보다 연결해서 보기 위해 분석 환경을 정비할 필요성을 느끼게 되었고, 그 과정에서 분석 도구 도입을 본격적으로 검토하게 되었습니다.

Amplitude, 사용해보니 어떠셨나요?

Q. Amplitude 도입 이전에는 데이터를 어떻게 활용하고 계셨나요?

Amplitude 도입 이전에는 내부 쿼리를 통해 필요한 지표를 직접 확인하는 방식이 중심이었습니다.

정확한 수치를 산출하는 데에는 큰 어려움이 없었지만, 여러 지표를 한 번에 연결해 보거나 빠르게 공유하는 과정에는 시간이 소요되는 편이었습니다. 각 팀이 데이터를 확인하는 방식이 조금씩 달랐기 때문에 동일한 수치를 두고도 해석에 차이가 생기거나, 논의가 길어지는 경우도 있었습니다.

특히 콘텐츠 소비 흐름이나 기능 사용 패턴처럼 여러 행동 단위를 함께 봐야 하는 상황에서는 단일 지표 확인만으로는 충분하지 않은 경우가 있었습니다. 데이터는 존재했지만, 이용 흐름을 빠르게 파악하고 공유할 수 있는 환경이 체계적으로 갖춰져 있지는 않았던 시기였습니다.

Q. Amplitude 도입을 결정하게 된 이유는 무엇인가요?

OTT 서비스 특성상 이벤트 발생량이 많고 콘텐츠 소비 패턴이 빠르게 변하는 편이라, 조회 수나 개별 지표만으로는 이용 흐름을 충분히 설명하기 어려운 상황이 잦았습니다. 콘텐츠 소비가 단발성으로 끝나는 것이 아니라 반복 방문과 체류로 이어지는 구조에 가깝다 보니, 행동 단위 데이터를 연결해서 볼 수 있는 분석 환경의 필요성이 커졌습니다.

또한 기획자, 개발자, 디자이너 등 여러 직군이 동일한 기준 데이터를 함께 볼 수 있는 구조 역시 중요했습니다. 데이터 확인의 목적이 단순 보고를 넘어 의사결정의 기준을 정하는 단계로 이동하면서, 여러 지표를 하나의 흐름으로 확인하고 공유할 수 있는 도구가 필요하다고 판단하게 되었습니다.

도입 이후에는 지표를 확인하는 과정이 단순한 수치 확인에 그치지 않고, 이용자의 행동 흐름을 연결해서 볼 수 있는 환경이 마련되었다는 점이 가장 크게 체감되었습니다. 여러 직군이 같은 데이터를 기준으로 논의하는 구조가 자리 잡으면서 숫자를 맞추는 데 드는 시간이 줄어들었고 논의 속도 역시 빨라졌습니다. 이러한 변화가 자연스럽게 분석 기능의 활용으로 이어졌습니다.

Q. Amplitude에서 자주 사용하는 기능은 무엇인가요?

세그먼트 분석과 퍼널, 코호트 차트를 주로 활용하고 있습니다. 단일 지표를 보는 것이 아니라 특정 사용자 그룹이 어떤 경로를 통해 콘텐츠를 소비하고 기능을 사용하는지를 연결된 흐름으로 파악하는 방식이 많습니다. 예를 들어 특정 콘텐츠를 시청한 이용자와 그렇지 않은 이용자의 이후 행동 패턴을 비교하거나, 기능 노출 이후 이용 흐름이 어떻게 달라졌는지를 확인하는 식입니다. 이러한 방식은 이용자의 실제 행동 변화를 이해하는 데 더 가까운 접근이라고 볼 수 있습니다.

또한 주요 지표를 한눈에 확인할 수 있도록 대시보드를 구성해 두고 반복적으로 확인하는 활용 방식도 일반적입니다. AARRR 구조를 기준으로 지표를 정리해 두고 필요한 경우 빠르게 비교할 수 있도록 운영하고 있으며, 특정 시점의 변화나 이상 징후를 빠르게 인지하는 데에도 도움이 되고 있습니다. 이 과정에서 단일 지표를 따로 보기보다는 여러 지표를 함께 놓고 흐름을 확인하는 경우가 많습니다.

주요 지표 리포트는 슬랙을 통해 매일 자동으로 공유되고 있는데요. 매일 정해진 시간에 리포트가 공유되면서 특정 팀만 데이터를 확인하는 것이 아니라, 기획자와 개발자, 디자이너 등 여러 직군이 동일한 수치를 함께 확인하는 환경이 자연스럽게 형성되었습니다. 숫자를 맞추는 과정이 줄어들면서 지표 해석과 원인 분석에 더 많은 시간을 쓸 수 있게 되었고, 데이터가 특정 부서의 도구가 아니라 전사적인 공통 언어로 작동하는 기반이 되었다는 점이 특징입니다.

이용자의 행동 흐름을 입체적으로 이해하기 위해 이러한 분석 기능을 주로 활용하고 있습니다.

▼ 티빙의 AARRR 대시보드

Q. Amplitude를 활용했던 기억에 남는 사례가 있다면 소개해주세요.

📌스플래시 광고의 영향도 파악

서비스 운영 과정에서 데이터를 기준으로 판단했던 사례 중 하나는 스플래시 광고 도입과 관련된 경험이었습니다. 스플래시 광고는 앱 실행 시 약 2초 정도 전체 화면으로 노출되는 형태의 광고를 의미하는데, 기존에는 없던 광고 방식이 새롭게 도입되면서 내부적으로 우려가 적지 않았습니다. 앱을 실행하자마자 광고가 노출되는 구조가 서비스 품질에 영향을 주지 않을지, 이용자에게 불편함을 주지는 않을지에 대한 걱정이 컸던 상황이었습니다.

실제 데이터로 그 영향도를 확인하기 위해, 앱 진입 구간을 세분화해 분석해 보았습니다. Amplitude 이벤트를 기준으로 다음을 각각 확인했고,

- 앱이 실행되는 시점

- 광고가 노출되는 구간

- 광고가 종료되는 시점

- 메인 홈 화면으로 진입하기 까지의 흐름

각 구간별 체류 시간과 이탈 흐름을 그래프로 시각화해 살펴보는 방식이었습니다.

특히 앱 진입 속도에 대한 우려가 컸는데, 광고가 없을 경우 평균 진입 시간이 약 1초 내외였다면 광고가 있을 경우 3초 수준까지 늘어날 것이라는 예상이 있었습니다. 실제 데이터를 확인해 보니 대부분의 이용자가 3초 초반대에서 홈 화면으로 진입하고 있었고, 극단적으로 느려지는 경우는 예외적인 수준에 가까웠습니다. 내부에서 우려했던 정도의 품질 저하나 급격한 이탈 증가는 나타나지 않았고, 광고 노출이 서비스 전반의 이용 흐름에 미치는 영향이 크지 않다는 점을 수치로 확인할 수 있었습니다.

이 과정을 통해 광고 도입 여부를 감이나 인상이 아니라 구간별 데이터로 판단할 수 있는 기준이 마련되었고, 이후에도 광고가 추가되거나 변경될 경우 동일한 방식으로 사후 점검을 진행할 수 있는 환경이 만들어졌습니다. 단순히 한 번의 검토에 그치지 않고 광고 품질을 지속적으로 관리할 수 있는 구조가 갖춰졌다는 점에서 의미가 있었는데요. 데이터가 참고 자료를 넘어 서비스 품질을 관리하는 운영 기준으로 자리 잡은 사례였습니다.

📌코호트 분석을 통한 쇼츠 탭 구성 조정

쇼츠 탭의 기본 위치 자체는 전략적으로 고정되어 있어 위치 변경에 직접적인 영향을 주는 경우는 많지 않았지만, 어떤 이용자가 어떤 시점에 유입되었는지를 세그먼트 단위로 나누어 분석하는 데에는 데이터가 자주 활용되었습니다.

예를 들어 연애 리얼리티 프로그램 ‘환승연애’가 방영되는 첫날과 같이 콘텐츠의 영향력이 큰 시점에는, 해당 시점에 앱에 진입한 이용자들을 별도의 세그먼트로 구분해 이후 행동 흐름을 살펴보는 방식이 사용되었습니다. 단순히 방문 수를 확인하는 것이 아니라 이들이 어떤 콘텐츠를 이어서 소비하는지, 쇼츠 영역에서 어떤 유형의 콘텐츠에 더 많이 반응하는지를 함께 분석하는 형태였습니다.

이러한 분석을 바탕으로 쇼츠 탭 내부의 카테고리 구성을 조정하기도 했습니다. 특정 시점에 유입된 이용자들의 성향에 맞춰 더 빠르게 콘텐츠로 이어질 수 있는 ‘숏컷’ 형태의 구성을 제공하는 것이 목적이었는데요. 탭의 위치를 바꾸는 것이 아니라 탭 내부의 노출 방식이나 카테고리 구성을 조정하는 방향이었고, 데이터는 이 판단의 기준 역할을 했습니다.

이 경험 이후 쇼츠 영역은 고정된 서비스 구성이 아니라, 유입 시점과 이용자 성향에 따라 조정 가능한 영역으로 인식되기 시작했습니다. 데이터는 단순 조회 수 확인이 아니라 콘텐츠 소비 흐름을 이해하고 화면 구성을 결정하는 과정에 자연스럽게 연결되었고, 이후 유사한 조정이 반복적으로 이루어지는 계기가 되었습니다.

그리고 재미있는 해프닝도 하나 있었는데요.

쇼츠 서비스에서 MVP 멤버십 프로그램 도입하던 당시에 있었던 일입니다. 서비스 오픈 직후 액티브 유저 수가 예상보다 훨씬 가파르게 상승하는 현상이 나타났습니다. 내부에서 사전에 여러 시뮬레이션을 했지만, 그보다 훨씬 빠른 속도로 지표가 오르다 보니 “이게 가능한가?”라는 반응이 나올 정도였습니다. 분위기가 한껏 고무되어 회식 이야기가 나올 정도로 기대감이 컸던 순간이었습니다.

하지만 수치가 너무 급격하게 상승하는 점이 오히려 의심스러워, 이벤트가 발생하는 지점을 하나씩 점검하게 되었습니다. Amplitude를 통해 이벤트 흐름과 발생 조건을 살펴보던 과정에서 광고형 요금제 플레이어에서 서비스 타입이 잘못 전달되고 있다는 사실을 발견하게 되었습니다. 광고가 재생될 때마다 이용자가 액티브 유저로 집계되는 구조가 일부 포함되어 있었던 것입니다.

이후 해당 이벤트를 제외하고 후처리한 데이터를 다시 확인해 보니, 실제 이용 흐름은 급격한 폭증이 아니라 완만한 성장 곡선에 가까운 상태였습니다. 전날의 기대와 달리 다음 날 정정 보고를 진행하게 되었고, 동시에 동일한 상황이 반복되지 않도록 이벤트 정의와 집계 기준을 어떻게 정비할지에 대한 가이드도 함께 마련하게 되었습니다.

이 경험을 통해 지표의 크기보다 지표가 어떤 구조에서 만들어졌는지를 함께 보는 것이 중요하다는 점을 실무적으로 체감하게 되었습니다. IT 플랫폼 환경에서는 충분히 발생할 수 있는 해프닝이지만, 그 상황을 어떻게 점검하고 대응하느냐가 더 중요하다는 공감대가 자연스럽게 형성된 계기이기도 했습니다.

티빙과 팀 맥소노미가 함께했습니다.

Q. 팀 맥소노미를 통해 Amplitude를 도입하고 활용하시면서 어떠셨나요?

Amplitude 도입 초기에는 이벤트 구조를 어떻게 정의해야 할지, 어떤 지표를 기준으로 삼아야 할지에 대한 고민이 많았습니다. 이 과정에서 팀 맥소노미의 지원을 통해 이벤트 설계와 지표 구조를 정리하는 데 도움을 받을 수 있었고, 단순히 툴을 도입하는 것을 넘어 데이터를 어떤 기준으로 봐야 하는지에 대한 방향을 함께 정리할 수 있었다는 점이 인상적이었습니다.

특히 초기 설정 단계에서 공통 지표를 어떻게 가져갈지, 이벤트를 어떤 단위로 나눌지에 대한 가이드를 받은 부분이 실무적으로 도움이 되었습니다. 이후 내부에서 지표를 해석하고 활용하는 과정에서도 기준이 흔들리지 않도록 정리된 상태에서 출발할 수 있었고, 여러 직군이 같은 데이터를 기반으로 논의할 수 있는 환경을 만드는 데에도 긍정적인 역할을 해주셨습니다. 계약에 따른 의무적인 기술 지원이라기보다는 분석 환경을 함께 만들어가는 파트너에 가까웠다는 느낌을 자주 받았습니다.

Q. 솔루션을 먼저 사용해본 사용자로서, Amplitude 혹은 분석 솔루션 도입을 고려하고 있는 기업에게 한마디 해주신다면 무엇이 있을까요?

분석 솔루션을 도입할 때 데이터 전문 인력만 중심이 되는 구조보다는, 제품과 서비스를 이해하는 기획자와 함께 설계 단계부터 협업하는 방식이 중요하다고 생각합니다. 어떤 데이터를 보고 싶은지에 따라 이벤트 구조와 방향성이 달라지기 때문에, 특정 부서에만 맡겨 두기보다 여러 직군이 함께 참여하는 과정이 필요했습니다. 실제로 서비스 범위가 넓어질수록 데이터 구조가 흐트러질 수 있는데, 중간중간 객관적인 시각으로 점검해 줄 수 있는 담당자의 역할도 크게 느껴졌습니다.

또 하나는 담당자, 즉 ‘챔피언’의 존재가 활용도를 크게 좌우한다는 점입니다. 같은 솔루션을 도입하더라도 누가 운영하고 어떻게 내부에 공유하느냐에 따라 실제 활용도는 많이 달라질 수 있다고 느꼈습니다.

그리고 솔루션을 도입한다고 해서 조직 문화가 자동으로 바뀌는 것은 아닙니다. 데이터는 특정 부서만 보는 자료가 아니라 여러 구성원이 함께 참고하는 공통 언어가 되어야 의미가 커진다고 생각합니다. 처음 도입했을 때는 차트를 공유해도 잘 보지 않거나 가입 자체를 번거롭게 느끼는 경우도 있었지만, 점차 데이터를 함께 보는 문화가 자리 잡으면서 활용 방식도 자연스럽게 달라졌습니다. 유연한 조직 문화와 열린 태도가 함께 가야 도입 효과가 커진다는 점을 말씀드리고 싶습니다.

실무적인 효용도 분명히 있었습니다. 이전에는 수동으로 데이터를 추출해 사용하던 작업들이 자동화되면서 단순 추출 업무에 소요되던 시간이 줄어들었고, DB 담당자가 보다 가치 있는 업무에 집중할 수 있는 환경이 만들어졌습니다. Braze와 연동해 사용하던 데이터 역시 자동으로 싱크되면서 활용 범위가 넓어졌고, CRM 활용도도 단계적으로 높아지고 있습니다.

분석 솔루션 도입을 고려하고 있다면 단순 조회 도구로 접근하기보다는 업무 효율을 높이고 다른 솔루션과 연계해 확장할 수 있는 구조까지 함께 염두에 두고 도입하는 것을 권하고 싶습니다. 초기 설계 단계에서부터 여러 부서가 함께 참여하고, 내부에서 지속적으로 관리할 수 있는 담당자를 두는 방식이 장기적으로 활용도를 크게 높여 줄 수 있다고 생각합니다.

Q. 마지막으로 티빙의 향후 계획을 알려주세요.

숏폼 서비스와 관련해 몇 가지 개선과 확장 계획을 검토하고 있습니다. 현재는 앱 중심으로 운영되고 있지만 앞으로는 플랫폼을 점진적으로 확장하는 방향을 고민하고 있는데요. 플랫폼에 따라 이용 방식이 달라지는 점을 중요하게 보고 있습니다. 모바일 환경에서는 스와이프 중심의 소비가 이루어지는 반면 PC에서는 마우스 휠이나 키보드 입력 등 다른 행동 패턴이 나타납니다. 이러한 차이를 고려해 각 환경에 맞는 기능과 인터랙션을 어떻게 구성할지 살펴보고 있습니다.

또 하나의 방향은 이용자가 기대하는 동작을 데이터로 먼저 확인하는 방식입니다. 실제 기능으로 제공되지는 않지만 트래킹만 가능한 ‘더미 이벤트’를 설정해, 사용자가 어떤 행동을 시도하는지를 먼저 살펴보는 접근을 활용하고 있습니다. 예를 들어 앱 환경에서 좌우 스와이프 동작이 예상보다 자주 발생하는 것을 확인하면서, 해당 행동을 정식 기능으로 확장할 가능성을 검토하는 식입니다. 단순히 기능을 추가하기보다, 이용자가 실제로 원하는 흐름이 무엇인지 데이터를 통해 먼저 확인하려는 방식에 가깝습니다.

콘텐츠 탐색 방식에서도 변화를 계획하고 있습니다. 인스타그램이나 틱톡과는 다른 방식으로 연관 콘텐츠를 묶어 보여주는 ‘쇼츠 체인’ 형태의 탐색 구조를 실험하고 있으며, 이를 통해 이용자가 더 많은 숏폼 콘텐츠를 자연스럽게 이어서 소비할 수 있는 환경을 만드는 것을 목표로 하고 있습니다. 실험 과정에서 탐색되는 쇼츠 수가 늘어나는 결과도 확인하고 있어, 이러한 시도들을 단계적으로 확대해 나갈 계획입니다.

앞으로도 데이터 기반으로 서비스 방향을 점검하고, 이용자 행동에 맞춘 개선을 이어갈 예정입니다. 티빙의 다양한 시도와 변화에 많은 관심과 애정을 보내주시길 부탁드리겠습니다.

No.1 K-콘텐츠 플랫폼

티빙