PO에게 있어 목표 데이터는 단순한 숫자가 아니다. 그것은 기획의 출발점이자, 모든 의사결정의 방향을 정의하는 나침반이다. 그러나 현실에서 그 숫자가 어디서 나왔는지 명확하게 설명할 수 있는 경우는 드물다. 많은 경우 과거 경험에서 온 직관, 시장 기대치, 혹은 경영진이 제시한 임의의 수치가 그대로 목표가 된다. 하지만 숫자는 ‘그럴듯함’만으로는 힘을 갖지 못한다. 증거와 구조를 가진 숫자만이 전략의 무게를 견딜 수 있는 것이다.
물론 때로는 직관이 유효하다. 경험이 많은 PO일수록 시장 반응과 사용자 패턴을 빠르게 감지하고, 대략적인 목표치를 잡을 수 있다. 그러나 직관은 설명이 어렵고, 재현이 불가능하다. 특히 신규 기능 론칭이나 대규모 개편처럼 리스크가 큰 프로젝트에서는 직관만으로 팀을 설득하기 어렵다. 결국 필요한 것은 직관을 데이터로 전환하는 구조적 방법론이다.
그 첫 번째 단계는 Baseline을 명확하게 세우는 일이다. 많은 PO가 평균 전환율 하나를 보고 목표를 세우지만, 실제로 중요한 것은 단일 값이 아니라 세그먼트별 분포다. 예를 들어 전체 전환율이 2.7%라고 해서 모든 사용자가 동일한 반응을 보이는 것은 아니다. 특정 채널 유입이 6%를 기록하는 반면, 다른 채널은 1% 미만일 수도 있다. 이 차이를 무시한 평균은 착시를 만든다. 그러므로 Baseline은 단순 평균이 아니라, 맥락화된 평균이어야 한다. Baseline 산출 공식은 단순하다.Baseline Conversion Rate = (전환 이벤트 수 ÷ 유입 유저 수) × 100
여기서 중요한 점은, 이 값이 ‘현상 유지 상태’의 수치여야 한다는 것이다. 실험이나 캠페인 개입이 없는, 안정된 흐름에서 도출한 값이어야 한다. 그래야만 이후 설계된 변화의 효과를 정확히 측정할 수 있다.
다음 단계는 Uplift Target을 설계하는 것이다. 이때 많은 팀이 범하는 오류가 있다. ‘이번 개편으로 전환율 5% 증대’라는 식으로 절대치만 선언하고 끝내는 것이다. 그러나 목표치는 선언이 아니라 계산의 결과여야 한다. 이를 위해서는 먼저 개입 유형을 분류해야 한다.
경험적으로 개입은 크게 세 가지로 구분된다. CTA 위치 변경, 노출 횟수 증가, 진입 경로 다변화처럼 사용자의 시야에 자주 등장시키는 개입인 ‘노출 증분형’과 카피라이팅 개선, 추천 로직 조정, 이미지 교체 등 사용자의 인지와 해석을 강화하는 개입인 ‘맥락 강화형’, 그리고 가입 플로우 단축, 결제 UX 개편, 온보딩 단계 재설계처럼 제품 구조 자체를 바꾸는 ‘흐름 재구성형’이 그것이다.
각 개입 유형에는 ‘강도 계수’를 부여한다. 인지 요소 변경처럼 경미한 개입은 0.8, 사용자 흐름이나 조건을 바꾸는 중간 강도의 개입은 1.3~1.5, 구조적 변화를 동반하는 근본적 개편은 2.0까지 설정할 수 있다. 이후 과거 유사 사례의 평균 상승폭을 곱해 Absolute Uplift를 산출한다.Absolute uplift = (개입 유형 × 설계 개입 강도) × 과거 유사 사례 평균 상승폭
예를 들어, 과거 동일한 구성에서 0.5%p 상승한 사례가 있고, 이번 설계가 그보다 1.3배 강한 개입이라면, 기대 상승폭은 0.65%p로 설정한다.
만약 시도하려는 설계에 대한 과거 유사 사례가 없는 경우, 노출 증분형은 +0.2%p-+0.5%p, 맥락 강화형은 +0.4%p-+1.0%p, 흐름 재구성형은 +0.8%p-+2.0%p를 부여하면 된다. 이 수치는 다양한 A/B테스트 메타 리뷰 기반으로 보수적으로 설정된 값이다. 복수 개입이라면 값을 더하고, 중복 개입이라면 중첩되지 않도록 계산한다. 이 원칙을 지켜야 실제 기대치가 과대평가되지 않는다.
이제 산출된 목표치가 실험 설계상 측정 가능한 값인지 확인해야 한다. 여기서 등장하는 것이 Minimum Detectable Effect, MDE이다. MDE는 설계한 변화가 통계적으로 감지될 최소한의 효과 크기를 의미한다. 공식은 다음과 같다.MDE = 1.96 × √[2 × p(1 − p) ÷ n]
여기서 p는 기준 전환율, n은 그룹당 사용자 수, 1.96은 95% 수준의 Z-score 값이다. 이 공식은 전환율과 사용자 수만 알면 MDE를 직접 산출할 수 있게 도와준다. 예를 들어 Absolute uplift가 2.7%이고, 각 그룹에 5,000명의 유저가 있다면, MDE는 ±0.6%p 수준이다. 기대 상승폭이 0.65%인 경우, 이 목표는 실험 설계상 감지 가능한 수치가 되어 의미가 있다.
이 과정의 본질은 단순히 목표치를 합리화하는 것이 아니다. 이렇게 세운 목표치는 실패하더라도 자산이 된다. 왜 실패했는지, 어느 단계에서 가정이 틀렸는지, 어떤 변수를 조정해야 하는지가 기록으로 남기 때문이다. 직관적으로 만든 숫자는 실패와 함께 사라지지만, 구조로 만든 숫자는 실패 후에도 다음 설계의 출발점이 된다.
PO의 역할은 확실성을 만드는 것이 아니라, 불확실성을 줄이는 것이다. 그리고 불확실성을 줄이는 가장 강력한 도구는 직관이 아니라 구조다. 구조는 팀이 같은 언어를 쓰게 만들고, 경영진과 현업이 동일한 목표 하에 움직이게 한다. 더 나아가 구조는 실험 문화의 기반이 된다.
목표 데이터를 구조로 설계할 수 있다면, 팀은 더 이상 ‘이 수치는 어디서 나왔는지’에 대한 질문으로 시간을 낭비하지 않는다. ‘이 구조를 어떻게 확장하고 반복할 것인가’라는 질문으로 다음 단계로 넘어간다. 이것이 데이터 기반 제품 조직이 성숙해지는 방식이며, 목표 데이터 설계가 단순한 숫자 산정이 아니라 전략 행위인 이유다.