PMF(Product-Market Fit)는 어느 날 갑자기 찾아오는 한 번의 행운이 아닙니다.

제품과 조직이 각 단계마다 다른 질문을 통과하며 판단을 축적해 온 결과에 가깝습니다.

두 번의 증명과 세 번째 도전

첫 번째 제품에서는 극단적으로 낮은 CAC와 정교한 바이럴 설계로 출시 3개월 만에 DAU 10만, 다운로드 100만을 달성했습니다. 두 번째에서는 리텐션과 인게이지먼트 중심의 설계로 DAU 100만을 돌파했습니다. 지금 레브잇의 올웨이즈는 1,000만 가입자와 100만 MAU를 보유한 커머스 플랫폼입니다.

그리고 지금, 세 번째 PMF를 찾고 있습니다. 목표는 DAU 1,000만. 제품은 AI 쇼핑 비서입니다. 바이럴은 수치로 설계할 수 있습니다. 리텐션도 측정하고 개선할 수 있습니다. 하지만 AI 쇼핑 비서는 다릅니다. 벤치마크가 없고, 카테고리 자체가 새롭습니다. 고객이 무엇을 원하는지조차 고객 스스로 언어화하기 어렵습니다. 이 상황에서 DAU나 매출 같은 후행 지표를 목표로 삼으면, 방향이 맞는지 틀린지를 알 기 어렵습니다. 그래서 레브잇은 완전히 다른 지표 체계와 방법론을 설계했습니다.

세 번째 PMF 를 찾아나가는 방법론 (Feat. 통계적 고객집착)

왜 '통계적 고객집착'인가

대부분의 팀은 DAU가 오르거나 매출이 나오면 PMF를 찾았다고 생각합니다. 하지만 그 수치들은 후행 지표입니다. 유행이었을 수도 있고, 운이었을 수도 있습니다. 후행 지표만으로는 고객이 누구인지, 경쟁 제품이 나왔을 때 얼마나 쉽게 마음을 바꿀지, 무엇을 지켜야 하고 무엇을 더해야 하는지를 알 수 없습니다.

그렇다고 고객의 목소리를 무조건적으로 따르는 것도 답이 아닙니다. 모든 요구사항을 수용하다 보면 제품이 키메라가 되고, 누구도 사랑하지 않는 제품이 될 수 있습니다. 또 선택과 집중을 하지 못하고, 우선순위를 올바르게 설정하지 못하여 잘못된 방향에 많은 리소스를 투자해버릴 수 있습니다.

따라서 단순한 고객집착이 아닌, ‘어떤 고객에게 집착해야 하는가?’, ‘고객의 목소리 중에서 어떤 것들을 우선적으로 듣고, 어떤 것들은 듣지 말아야 하는가?’ 를 통계적이고 과학적으로 접근할 수 있어야 합니다.

레브잇이 답으로 선택한 것은 통계적 고객집착입니다. 어떤 고객에게 집착할지, 어떤 목소리를 들을지를 감이 아닌 구조로 결정하는 방법론입니다.

방법론: Step by Step

Step 1. 북극성 지표를 'VD 비율'로 설정한다

매출도, 거래액도, 사용자 수도 목표가 되어선 안 됩니다. 북극성 지표는 단 하나입니다.

"이 제품이 사라진다면 얼마나 실망하실 것 같으신가요?"

이 질문에 '매우 실망할 것 같다'고 답한 고객(VD, Very Disappointed)의 비율을 40% 이상으로 끌어올리는 것. 이 수치는 유행과 운, 마케팅 효과를 배제합니다. 제품 자체가 고객의 삶에 진짜 필요한가를 묻는, 가장 선행 지표에 가까운 질문입니다. VD 의 비율이 ‘40%’ 가 넘어간다면 실리콘밸리에서 흔히 얘기하는 ‘PMF를 찾은 제품’ 으로 분류됩니다. 이 수치를 달성하기 위해 모든 집중을 다합니다.

Step 2. 고객을 세 그룹으로 나누고, ND의 목소리는 과감히 버린다

'실망 설문'을 통해 고객을 세 그룹으로 분류합니다.

VD (Very Disappointed): 제품이 사라지면 매우 실망할 고객
SD (Somewhat Disappointed): 다소 실망할 고객
ND (Not Disappointed): 실망하지 않을 고객

여기서 레브잇은 ND의 목소리를 듣지 않습니다. ND를 만족시키려 기능을 추가하다 보면 제품의 핵심 가치가 옅어지고, 부가적인 기능들이 덕지덕지 붙는, 결국 누구도 진심으로 사랑하지 않는 제품이 됩니다. 심지어 ND의 목소리를 들어 제품을 개선한다 해도 ND조차 사랑하지 않는 서비스가 되어버립니다.

Step 3. VD의 공통점에서 단 하나의 페르소나(HXC)를 정의한다

VD 고객이 공통적으로 사랑하는 기능과 가치를 추적합니다. 이를 통해 두 가지를 얻습니다.

첫째, 제품의 핵심 가치를 구체화합니다. 처음엔 가설로 설정하지만, VD들의 목소리가 쌓이면서 그 가설을 확신하거나 수정할 수 있게 됩니다.

둘째, HXC(High Expectation Customers)라는 단 하나의 페르소나를 정의합니다. 직업, 성향, 생활 환경 등의 조합으로 이 페르소나를 명확히 할수록 같은 페르소나 안에서 VD 비율이 높아집니다. 제품을 바꾸지 않고 고객의 정의만으로도 PMF에 가까워질 수 있다는 의미입니다.

"너무 니치해지는 것 아닌가?"라는 질문이 나올 수 있습니다. 하지만 다수가 조금 좋아하는 제품보다, 소수가 열렬히 사랑하는 제품이 더 강합니다. 후자를 달성한 팀은 그 에너지를 기반으로 더 많은 사람들에게 도달할 수 있습니다.

Step 4. VD와 VSD의 목소리만 반영해 제품을 개선한다

SD 고객을 한 번 더 나눕니다. 기준은 VD들이 공통적으로 사랑하는 핵심 가치에 공감하는가입니다.

VSD: 핵심 가치에는 공감하지만, 일부 부족한 점 때문에 VD가 되지 못한 고객
NSD: 핵심 가치 자체에 공감하지 않는 고객

NSD의 목소리도 ND와 마찬가지로 버립니다. 핵심 가치에 반응하지 않는 고객의 목소리는 노이즈입니다.

레브잇이 듣는 목소리는 VD와 VSD, 단 두 그룹뿐입니다. VD의 목소리로는 핵심 가치를 두 배, 세 배 강화하고, VSD의 목소리로는 "이것만 있으면 VD가 되겠다"는 기능을 추가해 VSD를 VD로 전환합니다.

위 과정을 반복하며 핵심 가치는 더 선명해지고, PMF는 점점 구체적인 형태를 갖습니다.

그리고 PMF 를 찾는 과정이 ‘찾았다’, ‘못찾았다’ 두 가지 밖에 없는, 주사위를 던지고 기도를 하는 형태의 게임이 아닌, 과학적으로 progress를 측정하고 점진적으로 개선할 수 있는 게임이 됩니다.

AI 쇼핑 비서라는 카테고리는 아직 아무도 정의하지 못했습니다. 벤치마크도, 정답도 없습니다.

레브잇은 1,000만 가입자의 트래픽 위에서 그 과정을 가장 빠르게 실행하고 있습니다. 주사위를 던지고 기도를 하는 형태의 게임이 아닌, 과학적으로 progress를 측정하고 점진적으로 개선해나가며 가치를 증명해나갑니다.

해결하는 문제 보러가기