잡다한기술블로그

노코드 툴

• 말그대로 코드를 치지 않고도 프로그램 제작을 도와주는 툴
  • 실제로 IT회사에서 개발자 인력이 부족한 경우 노코드 툴을 이용하여 프로그램을 만들거나 관리하는데 사용
  • 또는 IT사업을 시작하는데 개발자가 없거나 부족한 경우 빠르게 프로그램을 만들어 MVP 사업 검증하는데 사용

웹 제작 툴

• html, css, javascript를 사용하지 않고 손쉽게 웹 개발을 도우는 툴로 대표적으로 unbounce, webflow, wix 등이 있음
  • 거의 코드를 치지 않고 드래그 앤 드랍으로 색깔을 넣고 배치시킴
  • 복잡한 비즈니스 로직, 복잡한 기능 등을 구현하기 위해서는 개발자의 손이 필요하지만 간단한 랜딩페이지, 상품페이지 등의 정형적인 웹제품을 만들때는 빠르게 개발 가능
  • unbounce는 랜딩페이지 webflow, wix는 웹을 제작

앱 제작 툴

• 웹과 마찬가지로 코드를 안치고 제작을 도와주는 툴로 대표적으로 glide, AppGyver등이 있음
  • 드래그 앤 드랍으로 컴포넌트를 배치시키고 사용되는 데이터 관련된 로직도 드래그 앤 드랍으로 배치
  • 간단한 프로그래밍 원리를 이해하고 있어야 하지만 손쉽게 앱 개발이 가능
  • 복잡한 비즈니스 로직을 처리하는 것은 문제가 있지만 간단한 앱을 런칭해서 테스트하고 싶을 때 빠르게 앱 개발 가능
  • 기본적으로 안드로이드, ios 제공

클라우드 데이터베이스

• 개발자들이 아니여도 손쉽게 클라우드 형태로 데이터베이스를 다룰 수 있게 도와주는 툴로 Google Sheets, Airtable 등이 있음
  • Google Sheets는 엑셀을 클라우드 형태로 제공하여 엑셀로 데이터를 만들어 놓으면 다른사람도 접근할 수 있고 프로그래밍에 사용되는 데이터도 저장할 수 있음
    • 모든 데이터를 데이터베이스에 저장할 필요 없이 간단하게 가공하고 사용할 수 있음
  • Airtable은 Google Sheets와 유사하지만 시각화를 더 깔끔하게 제공하고 데이터를 다루는게 더 용이함

워크플로우 자동화

• 워크플로우 자동화 툴은 서비스 외부에서 사용하는 다양한 툴을 연결시켜주는 톨로 zpier, integromat 등이 있음
  • 슬랙과 같은 커뮤니케이션 툴, 웹/앱 제작 툴, 클라우드 데이터베이스 등 다양한 외부 툴을 연결시켜 여러 작업, 프로세스들을 다 노코드 툴로 연결시켜 자동화시킬 수 있음
  • 웹 제작 툴로 웹 개발 -> 구글 시트에 데이터 저장 -> 슬랙으로 메세지 전송 등의 일련의 과정 노코드 툴로 자동화

크롤링 툴

• 크롤링은 웹에 있는 데이터 중 필요한 데이터만 추출하는 것으로 크롤링 툴은 Octoparse, APIFY 등이 있음
  • Octoparse의 경우 코드를 치지 않고도 클릭을 통해 웹에 있는 데이터를 가공하여 추출하는 것을 도와줌
  • APIFY는 코드를 쳐서 데이터를 추출함

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

제품팀 협업 툴

개발자 협업 툴

• 개발자들은 Github, Bitbucket 많이 사용

디자인 협업 툴

• 디자이너가 Zeplin, Figma를 이용하여 디자인을 하면 너비, 폰트, 칼라 등을 프론트개발자가 쉽게 확인하고 코드로 옮길 수 있음

프로젝트 관리 툴

• 개발자, 제품 디자이너, 기획자, PM, PO 등이 한팀으로 제품을 개발할 때 프로젝트를 관리하는 툴
• Jira가 대표적
  • 한 프로젝트에 대해서 개선할 점, 버그 수정 이슈 등을 전부 적을 수 있음
  • 해당 업무를 실무자에게 배정할 수 있음
  • jira를 통해 다른 팀원이 어떤 업무를 하고 있는지 확인할 수 있음
  • 깃헙 등과 같은 외부 툴들과 연동이 가능함

커뮤니케이션 툴

• 개인 대 개인으로 채팅, 그룹 채팅 등 업무에 관련된 커뮤니케이션이 가능한 툴
  • 대표적으로 슬랙, 한국에서는 잔디 등이 있음

사내 위키 툴

• 문서 등을 관리할 수 있는 툴로 노션, 컨플루언스가 대표적
  • 다양한 회의 기록, 개인의 자료 등을 보관할 수 있으며 간단한 데이터베이스 또한 지원함
  • 컨플루언스는 지라를 개발한 아틀라시안에서 개발한 툴로 지라와 연동하여 사용할 수 있음
  • 노션은 지라와 같은 테스크 매니징 기능도 제공함

클라우드 저장소

• 사내 위키 툴에는 문서, 텍스트 위주의 데이터가 저장이 되었다면 용량이 큰 것들은 클라우드 저장소에 저장
  • 회사 팀원들은 클라우드 저장소에서 용량이 큰 파일을 다운받아 공유하고 사용
  • 대표적으로 구글드라이브, 드랍박스를 많이 사용

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

랜딩페이지 제작 툴

• IT 회사가 수익을 내기 위해선 고객들을 본 서비스로 유입시켜야 하는데 이 때 랜딩페이지를 이용하면 효과적으로 고객들을 모을 수 있음
  • 랜딩 페이지를 통해 고객들에게 회원가입 페이지나 상품 결제 페이지로 유도할 수 있음
  • 랜딩 페이지에는 보통 회사의 제품을 맛깔나게 소개할 수도 있고, 특정 상품을 홍보하는 페이지로 만들 수도 있음
  • 이 때 중요한 점은 랜딩페이지의 제작 의도에 맞게 고객들이 반응하는 지를 테스트할 수 있어야 함
• 랜딩페이지는 복잡한 기능이 들어가지 않고 주로 이미지와 카피라이팅 텍스트가 주를 이루므로 개발자가 아니더라도 손쉽게 랜딩페이지를 제작할 수 있는 툴들이 많이 있음
  • 대표적인 랜딩페이지 제작 툴은 unbounce와 instapage가 있음
  • 이들은 단순히 랜딩페이지를 제작하는 것을 넘어 랜딩페이지의 전환율을 파악할 수 있고 A/B 테스트 등 랜딩페이지에서 할 수 있는 다양한 분석 기능을 제공함

unbounce

• unbounce는 대표적인 랜딩페이지 제작 및 분석 툴 중 하나
  • 요금제는 월 80$부터 시작하며, 등급별로 가격이 다름
  • 주간 무료 사용이 가능하며, 사용 전에 카드를 등록해야함

• unbounce는 랜딩페이지 뿐만 아니라 팝업, Sticky 헤더 등 다양한 콘텐츠 타입을 쉽게 제작하도록 도와줌
  • 각 콘텐츠마다 다양한 템플릿들을 제공해주기에 손쉽게 제작이 가능

• 제작된 랜딩페이지에서 A/B 테스트를 진행하거나 Smart Traffic(AI가 전환율이 높을 것 같은 고객에게 맞춤 랜딩페이지를 제공)을 이용할 수 있음

• unbounce의 장점 중 하나는 외부 서비스, 그 중에서 Zapier와 쉽게 연동 된다는 점
  • 랜딩페이지에서 얻을 수 있는 데이터들을 Zapier tool을 사용해서 손쉽게 다른 툴들(Google sheets, Slack 등)로 옮길 수 있음
  • Zapier는 코딩 없이도 프로그램들을 서로 연결시켜 자동화해주는 서비스
    • 예를 들면 'Google Sheets에 유저 데이터가 추가되면 입력된 유저에게 메일을 보낸다' 같은 기능을 코딩 없이 zapier로 구현할 수 있음

instapage

• unbounce와 마찬가지로 랜딩페이지 제작 & 분석 툴
  • 기본 요금은 월 199$ 부터 시작하며 2주간 무료 사용이 가능
  • 비싼만큼 unbounce보다 더 많은 기능들을 지원

• instapage는 많은 랜딩 페이지 템플릿 & 직관적인 UI 에디터 제공 뿐만 아니라 다른 분석, 광고 툴과 쉽게 연동이 가능
  • Google Analytics, Google Ads, Facebooke Ads 등 대중적인 툴을 쉽게 붙일 수 있음

• instapage에서는 A/B 테스트 등의 실험과 더불어 히트맵도 제공
  • 즉 랜딩페이지에서 다양한 실험과 분석을 동시에 할 수 있도록 환경을 제공
  • 이 외에도 Pesonalization(고객 맞춤형 페이지 제공), 다양한 관점의 분석 환경 등을 제공

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

A/B 테스트 툴

• 보통 IT 서비스를 제공하는 회사는 목표를 달성하기 위해 다양한 방법들을 시도함
  • 여기서 목표는 결제 횟수가 될 수도 있고 회원가입 횟수가 될 수도 있음
  • 목표 수치를 달성하기 위해 보통 회사에선 가설을 세우고 이를 검증하려고 함
• A/B 테스트: 가설을 검증하는 대표적인 방법으로 유저에게 같은 페이지에서 다른 경험을 주는 실험을 의미
  • 기존에 잘 동작하는 페이지는 대조군이라고 하며 새롭게 실험해보고 싶은 페이지는 실험군이라고 부름

• 예를 들어 회사에서 회원가입을 늘리는 걸 목표로 세웠다고 가정
  • 목표를 달성하기 위한 여러 아이디어 중 상품페이지에 회원가입 이벤트를 강조하자는 아이디어 채택
  • 그래서 상품페이지의 결제하기 버튼 위에 회원가입 이벤트 배너를 넣기로 결정
  • 이 때 대조군은 아무것도 넣지 않은 기본 상품페이지, 실험군은 회원가입 배너를 추가한 화면으로 설정
  • A/B 테스트를 진행한 후 결과적으로 어떤 화면에서 더 많은 회원가입 수가 일어났는지를 확인
  • 실험군(배너를 넣은 화면)에서 더 많은 사람이 회원가입을 했다면, '상품페이지에 회원가입 배너를 넣으면 회원가입을 더 많이 할 것이다' 라는 가설이 검증됨
  • 결국 목표(회원가입, 결제 등)로 전환되는 횟수를 서로 비교해서 가설을 검증
• A/B 테스트라고 해서 꼭 A와 B로 테스트하진 않으며 대조군(원본)과 실험군을 2개로 해서 총 3개의 화면을 실험으로 돌릴 수도 있음

Google Optimize

• Google Optimize는 구글에서 지원하는 서비스로 Google 시리즈(Google Analytics, GTM 등)와 마찬가지로 무료임
  
  • 기본적으로 A/B 테스트를 할 수 있는 에디터와 테스트 환경(실제 적용하기 전 환경) 제공
  • 실험보고서 또한 받을 수 있음
• Google Optimize는 A/B 테스트 뿐만 아니라 Redirect test(한 페이지로 들어갔을 때 서로 다른 페이지로 랜딩시켜주는 테스트), Multivariate test(A/B 테스트처럼 페이지를 기준으로 실험을 하는게 아닌 화면 요소들을 조합해서 실험하는 방식)를 제공함

• Google Optimize의 장점은 Google Analytics와 연동이 가능하다는 점
  • Google Analytics에서 목표를 설정할 수 있으므로 Google Optimize에서 Google Analytics의 목표를 설정할 수 있고, 또 Google Optimize의 실험 결과를 Google Analytics에서 확인이 가능함

• 보통 A/B 테스트를 만들 때는 원본(실험이 들어가지 않은) 페이지를 기본으로 하고 디자인(CSS), 간단한 기능(Javascript) 등을 추가하거나 수정하는 방향으로 실험을 만듬
  • 이때 Google Optimize는 CSS 혹은 Javascript를 어느정도 알고 있어야 이용이 가능함
  • 반면 Opimizely같은 경우는 비개발자도 충분히 실험을 세팅할 수 있는 에디터를 제공함
• A/B 테스트를 가볍게 사용해보기엔 Google Optimzie이 적합

Optimizely

• Optimizely는 전세계적으로 많은 IT 기업들이 사용하는 A/B 테스트 툴로 Google Optimize처럼 무료 플랜도 있지만 제대로 사용하려면 유료 플랜을 사용해야 함

• Optimizely는 비개발자도 A/B 테스트 설정을 쉽게 할 수 있는 에디터를 제공
  • 대부분 A/B 테스트를 설정할 때는 복잡한 코딩이 필요하지 않고 HTML, CSS, 간단한 javascript가 필요한데, Optimizely에서는 코딩없이 작업할 수 있도록 에디터를 지원해줌

• Optimizely는 웹 뿐만 아니라 모바일도 실험을 지원
  • 요새같은 모바일 퍼스트(Mobile-First) 시대에서 대부분 A/B 테스트 툴이 웹만 제공하는 걸 고려하면 굉장히 매력적인 부분
• 이 외에도 타겟 오디언스(실험 대상)들을 정교하게 설정할 수 있음
  • 예를 들어 '장바구니에 상품이 2개 이상 들어있는 모바일 유저'에게는 A 화면을, 그 외 유저에겐 B 화면을 제공할 수 있음
• Optimizely는 다양한 분석 툴(Google Analytics도 가능)과 연동이 가능하고 풍부한 분석 결과를 제공하는등 좋은 기능이 많지만 비용이 만만치 않음

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

Google Tag Manager (GTM)

• Google Tag Manager(GTM): 분석용 툴들을 쉽게 관리할 수 있도록 도와주는 관리형 서비스

• Google Analytics, Amplitude, Facebook Pixel 같은 분석 툴을 이용하기 위해서는 분석을 할 웹 혹은 앱 서비스에 특정 코드를 추가해야 서비스에서 분석 툴로 데이터를 전송할 수 있음
  • 원하는 이벤트(결제하기, 회원가입 등)를 추가하기 위함
  • 여기서 조그만 코드를 스니펫 코드라고 함
  • 유저가 웹,앱 서비스를 이용할 때 만들어진 행동 데이터를 분석 툴에 전송하는 코드를 트래킹 코드라고 함
• 분석툴이 여러개일 경우 각각의 분석 툴에게 이벤트를 보내주는 코드를 따로 만들어줘야 하는데 여기서 크게 2가지의 문제 발생
  • 새로운 이벤트를 만들 때마다 개발자가 직접 코드를 작성해야 함
    • 예를 들어 회사에서 이벤트를 한다면 유저의 행동 데이터를 얻기 위해 '이벤트 상세페이지 전환', '회원가입 버튼 클릭' 등에 이벤트 전송 코드를 작성해야 하는데 보통 마케터, PO는 개발자에게 이벤트 코드를 작성해달라고 요청함
  • 코드 관리가 복잡해짐
    • 개발자들이 웹, 앱을 개발할 때는 코드를 효율적으로 관리하기 위해 열심히 노력하는데 이 때 임시로 쓰이는 트래킹 코드, 테스트하려고 붙이는 분석 툴 코드 등이 남아있다면 나중에 관리해야할 포인트가 늘어나게 됨

• GTM을 통해 코드를 분산시켜 문제들을 손쉽게 해결할 수 있음
  • GTM을 이용하기 위한 설정 코드만 작성해두면 Google Analytics, Amplitude 같은 분석 툴을 사용하기 위한 코드를 따로 심을 필요가 없음
    • 분석 툴을 사용하기 위한 코드를 프로젝트에 작성하는 대신 GTM에 코드를 작성할 수 있기 때문
  • 즉 코드를 작성하는 공간을 GTM으로 분리시키므로 GTM에서 코드를 아무리 작성해도 프로젝트 코드에는 영향을 끼치지 않게 되어 개발자는 신경쓰지 않아도 되고, 개발 이외의 직군은 개발자에게 요청하지 않고 GTM에서 직접 코드를 작성할 수 있음
• 비개발자를 위한 서비스라고 많이 알려져 있지만, GTM을 제대로 사용하기 위해선 GTM 관련 코드들을 개발자가 계속 관리해야 함

트리거

• 보통 이벤트가 있다면 발생해야 되는 시점이 있음
  • '회원가입 완료' 이벤트를 GA에 보내기 위해선 회원가입 완료 버튼을 클릭해야 이벤트가 전송, 페이지에 접속했을 때 보내는 이벤트가 있다면 페이지를 접속할 때 이벤트를 전송하는 코드가 실행되어야 함
• GTM은 트리거 라는 기능을 통해 특정 페이지 진입, 버튼 클릭, 스크롤 등 이벤트가 실행되어야 할 시점을 설정함
  • 기존에는 버튼이 클릭되는 코드 안에 이벤트를 전송하는 코드를 작성
  • GTM 트리거에서는 사용자가 클릭 몇 번이면 이를 가능하게 해줌

태그

• 보통 GTM을 사용하는 건 개발자가 아니므로 GTM에서 코드를 최대한 덜 칠 수 있도록 기능들을 제공함
  • 대표적으로 태그라는 기능을 통해서 이를 제공
  • 태그는 쉽게 이야기하면 수행할 기능(예: GA에 이벤트 전송, Facebook Pixel 초기 설정 등)을 정의하는 곳
• 태그라는 공간에 이벤트를 전송하는 코드를 작성할 수도 있고 GTM에서 제공해주는 기능을 사용할 수 있음
  • Google Analytics나 Google Ads 같이 Google 라인업 툴들 같은 경우, 코드를 치지 않고도 쉽게 이벤트를 전송할 수 있도록 지원함
  • 지원해주지 않는 분석 툴, 대표적으로 Amplitude같은 툴은 직접 코드를 작성해야 함
  • 태그에서 코드를 작성할 수 있기 때문에 이벤트를 전송하는 것 이외에도 다양한 코드를 칠 수 있음
• 정리하면 설정한 트리거(Trigger)가 동작했을 때 태그가 실행됨
  • 태그에는 GA 실행하기, GA에 이벤트 보내기 같은 기능들이 존재
  • 또한 직접 코드를 쳐서 Amplitude 실행하기, Amplitude에 이벤트 보내기 등을 수행할 수 있음
• 이 외에도 태그, 트리거를 사용할 때 필요한 중복되는 내용들(예를 들어 웹 페이지 URL, 유입 경로 등)은 변수라는 기능을 통해 간편하게 관리할 수 있음

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

개요

• 오프라인과 다르게 온라인에선 고객의 방문이 따로 눈에 보이지 않기에 IT 서비스(웹, 앱)에서 유저의 행동을 데이터로 추출하는 과정이 중요
• 얼마나 많은 사람들이 상품 페이지에 들어왔는지 그리고 버튼을 얼마나 클릭했는지 등을 수치로 파악할 수 있게 되면 데이터들을 바탕으로 정량적 분석이 가능해짐
  • 정량적인 분석이 가능하다는 건 수치를 바탕으로 눈에 보이는 목표를 세울 수 있고 값을 비교할 수 있다는 걸 의미

행동 분석 툴

• 유저가 보통 웹, 앱에서 하는 행동은 '페이지를 들어가거나 버튼을 클릭하는 행위' 등을 예로 들 수 있음
  • 이렇게 유저가 행동할 때 심어져있는 코드가 동작하면서 '이 유저는 페이지를 봤다', '이 유저는 스크롤을 50%까지 내렸다', '이 유저는 장바구니를 클릭했다' 를 의미하는 데이터를 만들어냄

• 만들어진 데이터는 클라이언트에서 통신을 통해 설정한 분석 툴로 전송되며 쌓여있는 데이터를 바탕으로 회사에서는 사용자의 행동을 분석하게 됨
• 유저의 행동을 파악하는 대표적인 데이터로 페이지 뷰와 이벤트가 있음
  • 페이지뷰: 페이지를 접근했을 때 생성되는 데이터
  • 이벤트: 클릭, 스크롤, 결제하기 등과 같이 맞춤형으로 만들어진 데이터

• 유저의 행동 데이터를 잘 만들어두면 아래와 같은 흐름을 수치로 파악하고 분석할 수 있음

1. 우리가 팔고 있는 상품에 얼마나 많은 사람들이 들어왔는지 
2. 그 중에서 결제하기를 얼마나 눌렀는지 
3. 최종적으로 결제를 했는지

• 보통 IT 회사에서는 데이터를 한 곳에만 보내서 분석하지 않고 여러 분석 툴에 데이터를 보내서 목적에 맞게 사용

정량적 분석

Google Analytics

• 유저의 행동을 분석하는 대표적인 툴
  • 설정하는 방법이 간편해서 보통 초기 스타트업도 데이터를 당장 분석하지 않더라도 Google Analytics는 미리 설정해두는 편

• 보통 고객들이 운영하는 서비스에 들어왔을 때 들어오게 된 경로가 있음
  • 대표적으로 검색엔진(네이버, 구글 등)에서 검색해서 들어온 경우, 페이스북 광고를 통해 들어온 경우, 링크를 직접 클릭해서 들어온 경우 등
• Google Analytics에서는 획득이라는 기능에서 고객들이 어떻게 유입되었는지를 확인
  • 보통 획득경로는 URL에 붙어있는 UTM 이라는 정보를 바탕으로 파악

• 세그먼트 - 서비스를 이용하는 고객들의 데이터는 자연스럽게 Google Analytics에 쌓이며 원하는 기준(성별, 모바일, 장바구니를 1번 이상 담은 유저 등)에 맞게 고객군을 분류할 수 있음
  • GA는 세그먼트 별로 데이터를 볼 수 있게 최적화되어 있음

• GA에서는 사용자 행동의 흐름을 분석할 수도 있음
  • 위에서 언급한 바와 같이 상품 페이지에서 결제 페이지로 넘어가는 흐름, 찜하기 버튼을 클릭하고 결제하기 버튼을 클릭한 이벤트 흐름 등을 예로 들 수 있음
  • 흐름을 보게 되면 얼마나 많은 고객들이 이 과정에서 이탈했는지를 확인할 수 있음
  • 위 이미지에서는 메인 페이지에서 예약페이지로 가는 과정에서 494명 → 79명으로 뚝 떨어지는데 이를 통해 약 85%가 이탈을 했고 이탈율을 줄이기 위해 액션 플랜을 세울 수 있음

• GA에서 목표를 설정하고 목표를 얼마나 이뤘는지 확인할 수 있음
  • 원하는 목표(회원가입, 결제하기)를 설정하고 실제로 고객들이 목표를 달성한 횟수를 파악할 수 있음
  • 이 목표를 세그먼트별로 나눠서 볼 수도 있고 획득된 경로를 바탕으로도 볼 수 있음
  • 위 이미지에서는 목표를 예약완료로 설정했으며 모든 사용자와 모바일의 세그먼트를 나눠서 데이터를 따로 분석할 수 있게 됨
• Google에서 나온 여러가지 서비스와도 쉽게 연결할 수 있음
  • Google Optimize, Google Ads, Google Search Console, Google Tag Manager 등 다양한 서비스와 편하게 연동
• GA는 무료로 강력한 기능들 대부분을 사용할 수 있음
  • 위에 언급된 기능들은 기본적으로 무료
  • 웬만한 트래픽이 나오지 않는 이상 과금이 없음

Amplitude

• Google Analytics로 웬만한 행동 데이터 분석은 할 수 있지만 GA를 사용하다 보면 불편한 부분들이 있음

1. 대표적으로 GA에서는 페이지 뷰와 이벤트를 통해 유저의 행동을 분석하지만 이 둘을 따로 분석해야 함, 예를 들면 상품페이지( = 페이지 뷰)에 들어온 후 장바구니 버튼을 클릭(= 이벤트)하는 흐름을 분석할 수 없음
2. GA는 데이터들을 시각화해서 보여주는 기능이 부족함, 보통 수치를 바탕으로 파악하는 경우가 많음
3. 데이터를 분석할 때는 사용자의 입맛에 맞는 다양한 조건에 맞게 데이터를 추출한 후 분석해야 함, GA에서는 세그먼트를 나누거나 유입한 경로를 기준으로 행동 데이터를 분류할 수도 있지만 더 다양하고 복잡한 조건(예를 들면 모바일로 인스타그램으로 유입했고 특정 페이지에 스크롤을 50%이상한 유저)으로 데이터를 분류하는 건 힘듬

• 위의 문제들을 해결해줄 수 있는 툴이 바로 Amplitude

• Amplitude는 GA와 마찬가지로 대중적인 분석 툴로 사용하는 기업의 범주가 넓고, 일정 트래픽(월 1000만 이벤트)까지는 무료로 기능을 사용할 수 있음
• 기본적으로 Amplitude는 이벤트를 바탕으로 유저의 행동 흐름을 분석
  • 페이지를 봤다는 이벤트, 버튼을 클릭했다는 이벤트 등 사용자가 맞춤형으로 이벤트를 설정하고 이벤트를 바탕으로 유저의 행동 흐름을 분석

• Amplitude의 강력한 기능 중 하나로 퍼널 분석을 손쉽게 할 수 있음
  • 퍼널은 유저가 진입해서 최종 목표까지 달성하기까지의 과정을 뜻함
  • 예를 들면 사용자가 광고페이지를 보고 최종적으로 결제로 전환된 과정, 사용자가 친구 초대 페이지에 들어와서 최종적으로 회원가입으로 전환되는 등을 퍼널도 만들 수 있음
  • GA로도 퍼널 분석을 할 수는 있지만 Amplitude는 퍼널 분석을 아예 핵심 기능으로 넣을 만큼 더 많은 기능들과 한눈에 볼 수 있는 시각화를 제공함

• 앰플리튜드는 다양한 조건으로 이벤트들을 나열하고 차트를 통해 시각화를 해줌
  • 위의 예처럼 모바일로 인스타그램에 유입했고 이벤트 페이지를 방문해서 스크롤을 50%이상 했던 유저를 세그먼트로 분리해서 어떤 이벤트들을 수행했는지 분석할 수 있음
  • 세밀한 조건으로 이벤트를 분석할 때 편함
  • 이외에도 대시보드를 만들어서 보고싶은 차트, 퍼널 등을 모아서 한눈에 볼 수 있음
• Facebook Pixel도 GA, Amplitude와 같은 유명한 행동 분석 툴 중 하나로 Facebook Pixel은 보통 Facebook 광고와 같이 결합해서 사용했을 때 큰 시너지를 발휘함

정성적 분석

Hotjar

• Google Analytics와 Amplitude 같은 데이터의 수치를 통해서 정량적인 분석을 도와주는 툴은 '얼마나' 유저가 데이터를 쌓았는지에 초점을 맞췄다면, Hotjar는 '어떻게' 에 초점을 맞춘 정성적 분석 툴

• Hotjar는 모바일이나 데스크탑 특정 화면을 기준으로 유저가 어느 곳에 터치를 했는지 그리고 스크롤을 어디까지 했는지를 확인할 수 있음

• 또한 유저가 화면에서 하는 행동을 녹화해서 동영상으로 확인 가능
• Hotjar를 이용하면 웹 화면에서 사용자가 어떻게 행동하고 있는지를 파악할 수 있음
  • '상품 페이지에서 스크롤해서 상품 이미지를 접하고 이미지를 클릭 또는 확대할 수 있으며 다시 올라가서 주문하기 버튼을 누른다'와 같은 이런 행동들을 시각화된 결과물로 확인하게 되면 원하는 목표(결제, 회원가입)를 달성할 수 있도록 화면 구성을 바꿀 수 있음

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

인공지능 & 머신러닝 & 딥러닝 개요

인공지능

• 인공지능은 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동
  • 일반적으로 컴퓨터 프로그램이 하는 일들은 입력되어 있는 로직을 바탕으로 동작하기에 단순한 작업들을 수행하기에는 뛰어난 반면, 더 나아가 사람의 말을 이해하거나 사람 얼굴을 인식하는 등의 작업들은 단순히 개발자가 짠 로직만으로는 성능이 많이 떨어짐
  • 수많은 케이스가 입력되어도 정확도가 높은 결과를 제시하기 위해선 사람의 뇌와 같이 지능적인 작업을 하는 도구가 필요함

머신러닝

• 현재 인공지능을 구현하기 위한 방식으로는 크게 규칙 기반 시스템(Rule-based system)과 머신러닝 2가지로 나뉨
  • 규칙 기반 시스템: Rule(규칙)을 미리 프로그래머가 작성하는 방식
    • 수많은 경우의 수에 대응하는 데는 한계가 명확하므로 세계관이 좁은 문제를 해결 할 때 사용됨
    • 대표적으로 체스게임(바둑에 비해 단순), 게임 캐릭터의 활동 등
  • 머신러닝: 프로그래머가 만든 모델을 바탕으로 들어오는 데이터를 학습하고 분석
    • 모델 안에는 다양한 알고리즘이 적용되어 있고 학습할 수 있는 로직이 들어가 있음
    • 세계관이 넓고 문제가  다양한 경우에는 사람처럼 학습을 해야 더 높은 정확도의 결과를 도출할 수 있으므로컴퓨터가 직접 학습할 수 있는 머신러닝(Machine Learning)이 각광받음

딥러닝

• 인공 신경망: 효율이 높은 머신러닝을 구현하기 위해 여러 가지 알고리즘을 연구하던 중 인간의 뇌 구조(뉴런의 연결)에 영감을 받아 만들어낸 알고리즘
  • 현재 대부분의 머신러닝 알고리즘은 '인공 신경망' 알고리즘을 사용
  • 인공 신경망 기술의 핵심은 층층이 들어있는 노드(뉴런 역할)
  • 입력 값을 인공 신경망 모델에 넣으면 순차적으로 노드들을 타면서 수치가 계산되고 최종적으로 결과 값을 반환

• 딥러닝: '인공 신경망' 기술을 기반으로 수많은 연산을 통해 더 정확한 결과를 예측하는 모델
  • 노드(정확히는 은닉층)를 훨씬 많이 사용해서 깊은(Deep) 인공 신경망 모델을 사용한 방식
  • 컴퓨터 하드웨어 성능이 급성장하며 더 많은 계산과 학습이 가능해졌고, 자연스럽게 인공 신경망의 깊이가 깊어질 수 있었음
• 최근 우리가 접하는 기사 중 대부분의 머신러닝 기술은 딥러닝 모델을 기반으로 함
  • 구글에서 만든 '티처블 머신' 서비스는 누구나 무료로 머신러닝 모델을 만들 수 있도록 쉬운 UI와 기능을 제공

AI 트렌드

초기 딥러닝 모델

• 딥러닝은 기본적으로 학습을 위해 수많은 데이터를 필요로 함
  • 학습용 데이터를 수집하고 분류(라벨링)하는 것이 학습을 위해 가장 중요
  • 수많은 데이터를 넣어서 학습이 된 이후에야 실제 상황의 데이터가 들어왔을 때 학습된 모델이 올바른 값을 내려줄 수 있기 때문
• 학습 데이터를 바탕으로 정의된 문제에는 강점을 보이지만 다른 범주의 문제는 잘 해결하지 못 한다는 문제점 존재
  • 사람 얼굴을 인식하는 딥러닝 모델은 고양이 얼굴을 인식할 때는 낮은 정확도를 보임
  • 즉 수많은 사람 얼굴 사진을 수집해서 학습시킨 모델은 고양이 인식에는 쓸모가 없음
  • 그래서 초기에는 조금씩 다른 유형의 모델을 만들려면 데이터를 전부 새로 수집해야 하는 번거로움이 존재하였음

Transfer Learning (전이 학습)

• 전이 학습(Transfer Learning): 기존의 학습된 모델을 일부 변형해서 학습시키는 것
  • 과거처럼 전부 다시 학습 시킬 필요 x 
  • 사람 얼굴을 인식하는 모델에서 조금만 고양이 얼굴 관련된 학습을 시키면 고양이도 인식할 수 있음
  • 대표적인 전이 학습 방식으로 파인 튜닝(Fine Tuning)
• 파인 튜닝: 기존에 보유한 데이터로 학습을 한 번 시킨 후 진짜 필요한 학습 데이터 일부로 새롭게 학습시키는 기술
  • 적은 데이터로도 높은 성능을 낼 수 있음
  • 기존에 있는 데이터들을 잘 활용하면 새롭게 학습할 데이터가 많이 없어도 됨
• 대표적인 전이학습 모델로 텍스트 기반 모델인 GPT-2, 이미지 기반 모델인 GAN 등이 있음
  
  • GAN 모델은 딥페이크의 기반 모델

Few Shot Learning

• 파인튜닝 기술을 적용하더라도 많은 데이터를 필요로 함
  • 더 적은 데이터로도 정확도가 높은 모델 필요
  • 고양이 사진을 한 번 보고도 수많은 다른 고양이 사진들에 고양이가 있다는 것을 알기 위함
• 퓨삿 러닝(Few Shot Learning): 적은 데이터로도 학습이 가능하게 하는 방식
  • 이를 가능하게 하기 위해선 적은 데이터를 바탕으로 유사한 데이터를 생성하거나 고차원의 학습 데이터들(ex. 이미지)을 저차원(ex. 숫자)으로 변환해서 특징을 잡아내는 기술 등을 필요
  • 현재 퓨샷 러닝에 관해 활발한 연구가 진행되고 있어 나중에는 적은 데이터만으로 높은 성능을 내는 모델이 만들어질 것이라고 전문가들은 예측
• 퓨샷 러닝이 적용된 기술 대표적인 기술 GPT-3가 있음

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

그로스 해킹

• 데이터를 바탕으로 고객을 분석하고 회사를 성장시키는 일련의 과정

• '기업이 목표하는 것'으로 이끄는 것에 대한 전반을 의미하며 철저히 데이터 기반의 의사결정이 수반됨
  • 마케팅을 통해 서비스를 알리고 제품의 구매 유도까지 과정 등
  • 관련 툴로는 대표적으로 CRM(고객 관계 관리 솔루션)이 있음

마케팅 vs 그로스

• 기존 마케팅: 제품을 알리고(Awareness) 제품에 사용자를 유입(제품 입장에서 사용자 획득/Acquisition)하는 것에 한함
• 그로스 해킹: 기존 마케팅 이후 제품 레벨의 사용자 사용(Activation), 재사용(Retention), 결제(Revenue), 공유(Referral)의 전과정을 데이터로 저장하고 이를 활용

AARRR

• 위 모든 지표는 데이터를 바탕으로 보게 되며 실제로 아래와 같은 정보를 수집하고 확인하게 됨
  • 고객의 유입 데이터(수치)
  • 제품의 활동(스크롤, 클릭, 체류시간 등) 데이터 / 클라이언트 로그
  • 재방문에 대한 데이터 (나간 이후 얼마만에 돌아왔는지 등)
  • 결제 / 수익 데이터
  • 공유 데이터 (얼마나 다시 퍼지는지)

퍼널 데이터 분석

• 퍼널 (Funnel): 사전적 의미는 깔때기, 마케팅으로 유입된 유저가 최종적으로 결제하기 까지 일련의 과정을 의미
  • 해당 과정에서 생성되는 데이터를 퍼널 데이터라 하며 해당 데이터를 분석하여  최종적으로 ‘구매전환율’ (방문 유저가 구매를 하는 비율)을 높히는 다양한 방법을 시도함

실험과 피드백

• 위와 같이 각 영역에서 성장을 위한 가설을 세우고 실험하며 결과(데이터)에 따라 검증 및 적용 후 피드백
  • ex) 결제 페이지의 결제/구매 버튼을 아래에서 위로 변경 -> 변경 후 구매전환율 추이 확인 -> 피드백

그로스 해커

• 결국 그로스 해킹을 위해 분석가와 개발자, 마케터의 전반적인 능력이 요구됨
• 최근에는 위와 같은 업무를 하는 마케터를 주로 그로스 해커라고 부름

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

데이터 엔지니어

• 엔지니어는 데이터를 수집하고 저장하는 역할 수행
  • 추가적으로 시각화를 통해 더 나은 데이터 결과를 제공하는 역할 수행
  • 즉, 데이터 생성 → 수집 → ETL → 시각화 의 과정을 엔지니어가 수행
• 초기 스타트업은 데이터 수집, 분석에 Google Analytics를 많이 사용
  • 이는 프론트엔드에서 데이터 수집 코드 작성 시 데이터 저장과 시각화까지 전부 손쉽게 가능하기 때문
  • 하지만 기업 입장의 커스터마이징이 힘들기 때문에 결국 엔지니어가 직접 데이터 환경을 구축하게 됨

데이터 파이프라인

• 데이터 파이프라인: 데이터의 생성 이후 여러 서버를 거쳐 최종 DB에 저장되는 전반적인 과정
  • 따라서 데이터 엔지니어의 업무 ≈ 데이터 파이프라인 구축 이라 할 수 있음

• 데이터 파이프라인 구축은 데이터와 관련된 서버를 만들고 연결 시키는 업무 총체를 의미
  • 현재 일반적으로 클라우드 환경에서 가동
• 파이프라인 구축 시 유의 사항

1. 실시간으로 수많은 유저 데이터가 처리되어야 하므로 정확하고 세밀한 데이터 유형 분류와 저장이 필수이며 이에 따라 넉넉한 저장 공간 확보가 중요
2. 순간적인 사용량 증대로 데이터 처리 부하를 서버가 못견디고 터지는 경우가 발생할 수 있기 때문에 예방책 및 대비책을 준비하고 유연하게 대처해야 함
3. 모든 데이터를 중간에 새지 않고 잘 저장되게 해야하며, 이를 위해 꼼꼼히 데이터의 흐름을 잘 추적 해야 함

데이터 사이언티스트

• 데이터는 결국 분석해야 가치가 생김
  • IT 회사에서는 쌓여있는 데이터를 바탕으로 분석을 해서 유의미한 인사이트를 얻어야 함
• 데이터 사이언티스트는 데이터를 다루는 모델(프로그램)을 만들고 데이터를 분석함
  • 이 역할을 수행하기 위해선 프로그래밍, 통계학 이론, 머신러닝 지식 등의 다양한 분야를 섭렵하고 있어야 함

모델 생성 및 개선

• 데이터 사이언티스트는 모델을 만들고 해당 모델의 정확도를 개선하는 것이 주 업무
  • 모델: 데이터를 넣었을 때 결과를 만들어주는 하나의 프로그램
• 보통 모델을 만들 때 Python 언어가 많이 사용됨
  • 통계나 머신러닝을 지원하는 라이브러리는 Python으로 만들어진 게 많음

• 모델의 내부는 통계학과 ML이론을 바탕으로 프로그래밍되며, 데이터 입력 시 내부 로직을 거쳐 결과가 도출 됨
• '유저가 본 상품들 데이터를 바탕으로 유저의 취향을 파악하는' 모델을 만들어야 한다고 가정
  • 유저의 취향을 유형별로 분리 후 1 ~ 10으로 라벨링, 데이터 입력 시 1 ~ 10 사이의 값이 나오도록 모델을 만듦
• 일반적으로 모델에 데이터를 넣기 전 모델이 데이터를 목적에 맞게 처리할 수 있도록 전처리 과정이 필요
  • 이미지 같은 경우 모델에서 계산이 될 수 있도록 데이터를 정규화 (Normalization)하는 처리를 진행
• 많은 경우 초기 모델은 제대로된 결과를 예측하지 못하므로 데이터를 계속 넣고 결과를 정답과 비교하면서 모델의 정확도를 높이는 업무를 진행해야 함
  • 다른 통계 이론의 적용, ML의 Hyperparameter 조절 등

Example

• 영화 추천 서비스 왓챠는 사용자에게 맞춤형 콘텐츠를 제공

• 일반적으로 추천 서비스 제공을 위해서 해당 서비스를 이용한 유저 로그나 시청 정보 등이 필요
• 분석 프로세스 예시

1. 사용자의 시청 콘텐츠와 시청 시간 등 여러 관점의 데이터 수집
2. 데이터 파이프라인을 거쳐 저장된 데이터를 전처리
3. 입력 데이터에 대해 모델은 짜여진 로직을 바탕으로 유저가 어떤 유형인지 예측
4. 해당 결과를 바탕으로 콘텐츠 추천

데이터 분석하기

• 데이터를 분석할 때 SQL과 R을 많이 사용.
  • SQL : DB의 데이터를 여러가지 조건을 이용해 추출
  • R : 일반적인 통계 분석 & 모델링

• 사용자들이 결제한 데이터들은 회사의 핵심 데이터베이스에 저장되어 있고, 이 결제 데이터들을 바탕으로 "한달 단위로 총 결제 건수 얻기", "가장 결제가 많이 일어난 상품 찾기" 등의 작업을 할 수 있음
  • 결제, 상품 관련 데이터들을 잘 가공하면 더 나은 비즈니스적 결정을 할 수 있기 때문에 실제로 회사의 마케터, PO 등 다양한 직군들이 데이터 분석 결과를 요청함
• 데이터 사이언티스트의 역할은 포괄적임
  • 보통 데이터 사이언티스트는 모델을 만들고 개선하는 일을 중심으로 함
  • 데이터 분석은 데이터 분석가와 역할이 겹침

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

개요

• IT 회사에서 데이터는 정말 중요
  • 오프라인 매장에서 고객들이 방문하는 것과 달리 온라인은 프론트엔드(웹, 앱)등을 통해서 접근하므로 유저의 방문, 행동 등의 정보를 얻기 위해서는 해당 채널에서 데이터를 수집해야 함

• 실제로 우리가 사용하는 대부분의 웹에서는 행동 정보를 수집하고 있음
  • 사이트에서 머무는 시간, 스크롤, 클릭 등의 유저 로그 정보들은 전부 데이터화되어 저장됨

데이터의 전체 프로세스

• IT 회사에서 처리하는 데이터 프로세스는 크게 아래와 같이 정리할 수 있음

1. 데이터 생성
2. 데이터 수집
3. 데이터 가공 후 저장(ETL)
4. 데이터 시각화(BI)
5. 데이터 분석

데이터 생성

• 데이터를 얻기 위해서 가장 먼저 데이터 생성이 필요
  • 데이터 수집은 보통 유저가 사용하는 웹, 앱에서 발생
  • 결제하기 버튼을 클릭, 상품페이지 스크롤, 홈화면 접속 등이 있음
  • 유저가 버튼을 클릭하면 미리 심어진 코드가 동작하여 유저의 간단한 정보들과 무슨 행동(클릭)을 했는지 데이터를 만든 후 데이터를 처리하는 서버로 전송함

데이터 수집

• 프론트엔드에서 데이터 생성 -> 데이터를 수집하는 수집 서버(혹은 로그 서버)에게 해당 데이터를 전송 -> 해당 서버는 데이터를 데이터베이스에 저장 혹은 다른 서버로 데이터를 전달
• 대표적인 데이터 수집 서버로는 Aws의 Kinesis, Apache의 Kafka 등이 존재
  • 개발자들이 더 쉽게 데이터를 수집할 수 있도록 도와주는 Segment 서비스도 많이 이용
• 데이터의 형식에 따라 사용되는 데이터베이스는 달라질 수 있음
  • 보통 유저 로그는 데이터양이 방대하기 때문에 이에 최적화된 NoSQL, HBase 등의 데이터베이스에 저장

데이터 가공 후 저장

• 비정형 데이터: 로그 서버를 거쳐 저장된 데이터는 가공되지 않고 구조적이지 않은 원형 그대로의 데이터
  • 비정형 데이터들은 바로 사용할 수 없으므로 사용 목적에 맞게 가공이 필요
  • 이 때 비정형 데이터들을 한 번 가공한다고 해서 전처리 한다고도 함
  • 전처리 후 새로운 데이터베이스에 저장
• 정형 데이터: 전처리 후 데이터베이스에 형식에 맞게 차곡차곡 쌓이는 데이터

ETL

• ETL: 비정형, 정형 데이터를 목적에 맞게 가공해서 저장하는 일련의 과정
  • ETL은 Extract(추출), Transform(변형), Load(적재)를 의미
  • 데이터베이스에서 데이터를 추출해서 목적에 맞게 변형하고 이를 새로운 데이터베이스에 저장시키는 것
• 대표적인 ETL 처리 프로그램으로 Spark , Hadoop 등이 있음
• 데이터 웨어하우스: 가공된 데이터들을 최종적으로 저장하는데 사용되는 데이터베이스로 수많은 데이터들을 저장하는 창고라는 의미
  • 요새 IT 기업들은 데이터 웨어하우스로 구글의 BigQuery, AWS의 RedShift를 많이 이용
  • 이들은 단순히 데이터를 저장하는 역할 뿐만 아니라 내부에서 직접 데이터를 분석할 수 있는 환경(SQL 이용)도 같이 제공을 해줌

ELT

• 클라우드 기술의 출현과 발전으로 최근엔 ETL이 아닌 ELT 방식의 데이터 가공이 각광 받고 있음
  • 이는 변환(T)후 적재(L)가 아닌, 데이터를 우선 적재(Load)하고 필요에 따라 일부분을 변환(T)하여 분석하는 방식
  • 데이터 양이 많고 형식이 매우 다양한 빅데이터 처리와 신속한 데이터 분석에 유리한 접근 방식으로 인기

데이터 시각화

• 가공된 데이터들이 데이터 웨어하우스에 저장되어 있지만 우리의 눈에는 복잡한 텍스트로 보임
  • 최종적으로 데이터들을 눈에 보이기 쉽게 하기 위해 데이터 시각화 과정 필요

• 쌓여있는 데이터들을 시각화해서 보여주는 도구로 BI 툴을 많이 사용
  • BI는 Business Intelligence의 약자
  • BI는 데이터를 이용해서 더 나은 의사결정을 하는 방법을 다루므로 보통 데이터 시각화 Dashboard도 같이 제공
  • 대표적인 데이터 시각화 도구로 Tableau, Redash 등의 서비스가 있음

데이터 분석

• 쌓여있는 데이터들은 최종적으로 분석해야 의미가 있음
  • 데이터를 하나하나 봤을 때는 그저 하나의 점이고 이를 다양한 분석방법을 사용해야 선으로 연결됨 
  • 이 때 통계학, 머신러닝 등의 여러가지 학문적 지식을 바탕으로 데이터 분석 진행
• IT 회사에서 데이터 직군의 일을 크게 데이터를 뽑아내는 일과 데이터를 분석하는 일로 나눌 수 있음
  • 데이터 엔지니어: 유저로부터 데이터를 추출해서 데이터베이스에 저장하는 일을 담당
  • 데이터 분석가: 저장된 데이터를 바탕으로 분석하는 일을 담당

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

HTTP통신이란?

• 컴퓨터끼리 네트워크 통신을 할 때 여러가지 방식으로 가능하며 이런 방식들을 묶어서 통신 프로토콜이라고 함
  • 웹 서버와 통신을 할 때 사용하는 HTTP 프로토콜, 메일을 주고 받을 때 사용하는 SMTP 프로토콜, 파일을 전송할 때 사용하는 FTP 프로토콜 등
• HTTP 통신: HTTP 프로토콜을 활용한 통신
  • HTTP 프로토콜 - 브라우저가 웹 서버와 통신을 하기 위해 생긴 프로토콜
    • 대부분의 네트워크 통신에서 사용되는 대중적인 프토로콜
    • 개발한 웹, 서버는 전부 HTTP 프로토콜로 통신하게 됨
  • HTTP 통신은 기본적으로 요청(request)과 응답(response)으로 나눠서 이해할 수 있음
  • 요청과 응답 모두 공통적으로 아래와 같은 구조를 가짐

• 요청 라인 -  URL, Method 같은 핵심 요청 정보가 들어가며 요청과 응답에 따라 구성 요소가 다름
• Header - HTTP 관련 여러 설정 값이 들어감
• Body - 통신에 필요한 데이터가 들어감(옵션)

HTTP 요청

• HTTP 통신으로 서버에게 정보를 요청하기 위해선 몇가지 규칙을 지켜야 함

1. 어떤 서버에게 요청할 것인지 URL이 있어야 함 (요청 라인)
2. 어떤 방식으로 통신을 할 것인지 Method가 있어야 함 (요청 라인)

HTTP Method

• 클라이언트가 서버에게 HTTP 요청을 할 때 URL 주소와 함께 HTTP Method를 정해야 함
  • HTTP Method에 따라 서버에서는 어떤 요청인지를 파악할 수 있음
  • 대표적으로 사용되는 GET, POST 외에도 PUT, DELETE 등 많은 Method가 있음
  • 서버의 세계에서는 같은 URL 주소로 서버에게 요청하더라도 method가 다르면 아예 다른 요청으로 간주

GET

• 일반적으로 정보를 받아올 때 사용하는 Method
  •  HTTP 요청을 할 때 method를 설정하지 않으면 기본 메소드로 GET이 들어감
  • 일반적으로 웹 서버에서 웹을 다운받을 때 GET을 사용
• 사용 예시
  • 웹 서버에서 웹을 다운받을 때
  • 내 상품 정보들을 받아올 때

POST

• 새로운 자원을 생성할 때 POST를 많이 사용
• 사용 예시
  • 로그인을 할 때 아이디, 패스워드를 담아야 함
  • 아티클을 만들 때 입력한 아티클 정보를 담아야 함

HTTP 요청에 정보 담기

• 클라이언트가 HTTP 요청을 할 때 정보를 담아야 하는 경우가 많음
  • 회원가입을 할 때 회원 정보를 서버에게 보내줘야 함
  • 상품을 만들 때 상품 정보를 서버에게 보내줘야 함
  • 로그인을 할 때 아이디 패스워드를 담아야 함
•  이때 Request method에 따라 정보를 담는 방식이 다름

GET

• GET 방식은 서버에 데이터를 전송받아야 할 때 url 맨 뒤에 query를 붙임
  • query는 key=value 형태로 구성
  • POST도 마찬가지로 URL 뒤에 query를 붙일 수 있음

POST

• POST 메소드의 경우 HTTP의 Body 부분에 데이터를 담을 수 있음
  • Body는 HTTP 통신에 구조적으로 데이터를 담아서 전송할 수 있게 도와줌
  • 대표적으로 로그인, 상품 업로드, 결제하기 등 우리의 정보를 담아서 보내야하는 경우 많이 사용됨
  • GET은 Body에 데이터를 담을 수 없음

HTTP 응답

• 서버에서는 HTTP 요청을 받으면 열심히 일을 해서 응답을 해주며 이때 HTTP 응답의 규칙은 다음과 같음

1. 응답이 어떤 상태인지를 나타내는 Status Code가 있어야 함 (요청 라인)
2. 요청 결과를 Body에 담아야 함

• 이때 Status Code는 200~ 500번까지 있으며 서버의 응답에 대한 상태를 표현

Status Code

• 요청 코드는 크게 나눠보면 아래와 같음
  • 200번대는 정상적으로 응답을 했을 때
  • 400번대는 클라이언트가 요청을 잘못했을 때
  • 500번대는 서버에서 에러가 발생했을 때

• 대표적인 응답 코드
  • 200: 정상적으로 응답이 됨
  • 404: 해당 URL 요청을 처리할 수 없음
  • 500: 서버에서 알 수 없는 에러가 발생

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304

URL 구조 이해하기

• URL 구성 요소를 보면 순서대로 아래와 같이 나눌 수 있음

1. 프로토콜
2. 호스트 주소
3. 포트 번호
4. 경로
5. 쿼리

프로토콜

• 프로토콜: 컴퓨터끼리 네트워크 통신을 할 때의 규격
  • 웹을 이용할 때는 HTTP 프로토콜을 이용
  • 요새는 HTTP에 보안을 더한 HTTPS 프로토콜이 많이 사용됨 (실제로 HTTP 프로토콜의 규격과 동일)
  • 이 외에도 이메일을 통신할 때 사용되는 SMTP, 컴퓨터 원격 통신에 사용되는 SSH 등 다양한 프로토콜이 존재

호스트 주소

• 호스트 주소: 컴퓨터의 주소를 표시하는 영역으로 도메인 네임 혹은 IP 주소가 들어감

포트 번호

• 포트 번호: 컴퓨터에서 실행되고 있는 수많은 프로세스들의 주소
  • 우리가 사용하는 URL을 보면 포트번호가 보이지 않음
  • 기본적으로 포트번호를 입력하지 않았을 때는 프로토콜이 가지고 있는 기본 포트번호가 적용됨
    • HTTP의 경우 80번, HTTPS의 경우 443번의 포트번호가 기본으로 적용됨

경로

• 경로: 서버 프로그램 내에 짜인 로직으로 가는 영역
  • 보통 서버를 개발하는 개발자는 각 경로에 맞춰 코드를 작성함
  • 예를 들어 /products라는 경로는 상품을 화면에 전달하도록 로직을 설계하고 /profile이라는 경로는 프로필 화면을 전달하도록 개발을 함

쿼리

• query: URL에서 추가적인 데이터를 표현할 때 사용됨
  • query는 Path 뒤에 ?를 기점으로 key=value 형태로 데이터를 표현
  • 실제로 유튜브 URL 'https://www.youtube.com/watch?v=nHk-AdY1588'에서 쿼리 데이터 v의 값에 따라 각기 다른 영상을 보여주는 걸 확인할 수 있음

Reference

https://www.inflearn.com/course/it-%EA%B0%9C%EB%B0%9C%EC%A7%80%EC%8B%9D#

https://www.grabbing.me/IT-A-to-Z-By-1e1fbc981b7c4c03ac44943085ac8304