AI 활용하여 패스오더 앱 대시보드 만들기 (데이터 분석가 취준생)
BDAI 학회의 데이터 분석 프로젝트 with AI 강의가 마무리 되었습니다. 최종 과제로 원하는 기업을 선택하여 AI를 활용하여 대시보드를 구축하는 합니다. 저는 페(주)페이타랩의 스마트 오더 앱 ‘패스오더’에 대하여 데이터 분석을 하였습니다. 지금부터 패스오더 앱 대시보드 만들기에 도전하였습니다.
데이터 분석 프로젝트 with AI
6주간의 데이터 분석 프로젝트 with AI 강의가 끝났습니다. 저에게는 정말 현직 업무에 대해서, 데이터 분석에 대해서, 대시보드에 대해서, 현재 데이터 분석가에게 요구되어지는 역량에 대해서 등 많은 것을 배울 수 있고, 깨달을 수 있었던 강의 였습니다.
그리고, 그에 마지막을 장식할 것은 바로 AI 활용하여 원하는 기업을 데이터 분석하여 대시보드를 만드는 것입니다. 지금부터 AI 활용하여 패스오더 앱 대시보드를 만드는 그 전 과정에 대해서 말씀드리겠습니다.
- 데이터 분석할 기업 및 대상 선정 : (주)페이타랩의 패스오더
- 문제 찾기 : 패스오더 사용 고객들의 매장 자사 앱 사용으로 이탈 우려
- 가설 : 교차 브랜드 허용한 그룹은 더 많은 매출을 가져올 것이다
- 대시보드 구축 : AI 에이전트 이용하여 구조화하고 대시보드 생성
- 검증 : AI가 생성한 대시보드를 직접 재확인
1. 왜 나는 (주)페이타랩의 ‘패스오더’를 선택했을까?
최종 과제에서는 우리가 원하는 기업을 정할 수 있었습니다. 사실 저도 처음에는 마켓컬리 등 이커머스 기업을 선택하려고 했습니다. 예전 부터 채용 공고문을 자주 보는 편이었는데, 갑자기 ‘패스오더’가 눈에 들어왔습니다.
사실 해외에 살기 때문에 저는 패스오더를 사용해 본 적도 들어본 적도 없었습니다. 그래서 더 호기심이 생겼습니다. 최종 과제로 데이터 분석을 할 기업은 (주)페이타랩, 그리고 그 대상은 패스오더로 정했습니다.
1) ‘패스오더’에 대해서 아무것도 모르는 나
사실 저는 패스오더에 대한 아무런 정보가 없었습니다. 제가 알고 있는 것이라고는 커피 주문을 사전에 해서 원하는 시간에 픽업을 도와주는 앱으로만 알고 있었습니다.
이 날부터 AI와 함깨 패스오더를 알아보기 위해서 티격태격 한 이틀 이상 얘기만 주고 받았습니다. 패스오더의 비즈니스 모델은 무엇이고, 경쟁사는 누구이고 현재는 어떤 문제를 고민하고 있을까가 주된 주제였습니다.
물론, 패스오더를 핸드폰에 다운로드 받고, 앱 화면을 연 순간 부터 주문 결제를 하는 과정 모두 스크린샷을 하면서 어떤 식으로 주문이 이뤄지는 지도 알아보았습니다.
2) 패스오더 고객 리뷰를 알아보자
최종 과제 전에 저는 구글 플레이에서 마켓컬리 앱 리뷰를 대해서 크롬 확장 프로그램인 Instant data scraper을 이용하여 리뷰 스크래핑을 한 적이 있습니다.
이번에도 고객 리뷰에서 패스오더에 대한 불편한 점, 문제점을 알 수 있을 것이라고 생각했습니다. 이번에도 동일한 방법으로 스크래핑을 하고 데이터를 CSV로 받을 수 있었습니다.
총 340건의 데이터를 받았는데, 사실 거기에서 부정적인 건은 5건 정도 밖에 나오지 않았습니다. 제가 알기 원했던 문제점에 대한 데이터가 너무도 부족하다고 느꼈습니다.
그 이후 앱스토어에서도 스크래핑을 했는데, 데이터가 더 적었습니다. 그리고 네이버 카페, 커뮤니티에서도 패스오더에 대한 문제점, 불만을 찾아보려고 했는데 쉽게 찾을 수가 없었습니다.
이렇게 한동안 패스오더에 대한 문제를 발견하지 못한 채 최종 과제가 답보 상태에 이르렀습니다.
3) 왜 메가커피, 컴포즈커피 등이 패스오더를 허락해 줬을까?
그렇게 AI와 질문과 답변을 주고 받다가, 이런 생각이 들었습니다. 패스오더는 중소형 프랜차이즈 커피 브랜드 기업이나 개인 카페 하시는 분들과 제휴를 하여 서비스를 제공합니다.
그런데, 제가 생각하기에는 그래도 한국에서 유명한 메가커피, 컴포즈커피, 빽다방 커피 같은 브랜드가 자체 주문 앱을 가지고 있으면서도 패스오더가 설치되도록 가맹주에게 허락 했을까 에 관심이 갔습니다.
그런 브랜드 커피점은 그냥 주문을 자사 앱을 사용하면 되는데, 굳이 패스오더를 사용하는 이유가 있을까 하는 생각이었습니다.
내가 만약 패스오더 앱을 설치한 사람인데, 그냥 가까운 곳에 있는 저가 브랜드 커피를 마시고 싶어서 앱을 켜고, 패스오더 앱으로 주문이 가능한 근처 매장을 선택하고 주문을 합니다.
저가 커피 브랜드 사장님은 그 고객을 대해서는 아무 홍보 없이 그냥 신규 고객을 얻는 효과를 가질 수 있습니다. 기존에 위의 사진과 같이 더벤티 고객이 아닌 그냥 가까워서, 지나가는데 커피 한잔 할까 하는 새로운 고객을 얻을 수 있는 것입니다.
이런 이유로 가맹주는 본사에 패스오더를 매장 POS에 설치 요청을 했고, 본사에서도 물론 추가적인 매출이 발생할 수 있는 상황으로 인식했을 뿐 아니라 가맹주의 추가 수입을 얻는 방안을 막을 수는 없기에 허락을 하였다고 생각합니다.
패스오더 입장에서는 이렇게 중소형 프랜차이즈 등에 패스오더 설치를 해주면서, 그 대가로 수수료 등의 이익을 얻는 비즈니스 모델을 가지고 된 것입니다.
2. 패스오더가 생각할 법한 고민 및 위기 (문제 정의 및 가설)
패스오더는 첫 주문 아메리카노를 100원에 주문할 수 있습니다. 이 부분은 신규 고객을 들일 수 있는 강력한 요소라고 생각합니다. 이렇게 첫 주문을 100원에 하고 커피를 받으러 프랜차이즈 매장에 갔습니다.
프랜차이즈 매장에서는 자사 앱 및 현장 주문 시 10개 스탬프를 모으면 무료 음료 1잔을 홍보하면서 자사 앱 사용을 유도합니다. 결국 고객들은 패스오더의 첫 주문에 대한 할인 혜택을 챙기고, 기존 브랜드 매장의 앱 사용으로 넘어가는 일이 많은 것을 알게 되었습니다.
2026년 7월 커피 앱 MAU 수는 아래와 같습니다.
- 스타벅스 : 714만명
- 메가커피 : 300만명
- 컴포즈커피 : 154만명
- 투썸 : 140만명
2026년 식음료 앱 MAU 순위는 위와 같이 나왔지만, 패스오더의 MAU는 찾을 수가 없었습니다. 이로 미루어 짐작하건대, 앱 사용자 MAU의 경우 패스오더와 제휴를 맺고 있는 중소형 프랜차이즈 앱이 높다는 것을 알 수 있습니다.
패스오더 앱이 좋은 점은 커피 테이크 아웃을 할 때 근처 커피 매장에 주문을 하고 원하는 시간을 선택해서 매장에서 기다리는 시간을 줄여 바로 픽업이 가능하다에 있습니다.
하지만 우리가 있는 위치에 따라 주문하고 픽업하는 매장이 항상 같을 수가 없습니다. 중소형 프랜차이즈의 경우 저가 커피라는 강력한 이미지로 충성도 높은 고객들이 많은데, 패스오더는 그저께는 A 매장, 오늘은 B 매장에서 커피 주문하는 일이 많을 것입니다.
현재 패스오더는 제휴를 맺고 있는 커피 브랜드 마다 할인 포인트를 따로따로 적립하고 있습니다. 동선이 다양해 질수록 여러 매장에서 주문과 적립을 받을 것이다.
그러면 할인 포인트 사용이 늦어지고, 심지어는 사용하지 못할 수도 있습니다. 여기서 저는 패스오더 고객의 이탈이 더 일어나지 않을까 하는 생각을 해 보았습니다.
3. 패스오더 주문 및 고객 데이터 어디에서 어떻게 가져올까?
나의 가설을 검증하려면, A군(기존 매장별 따로따로 적립), B군(브랜드 통합 적립) 테스트를 해 보면 좋겠다고 생각했습니다.
데이터 수집이 관건이었습니다. 처음에 구글 플레이 앱에서 고객 리뷰 데이터를 사용해 보고자 했던 것이 쉽게 데이터를 확보할 수 있어서 였습니다.
결국 실제 데이터를 가져오는 것에 실패했습니다. 대신에 AI를 활용해서 데이터를 가상으로 만들어 보기로 했습니다.
1) 어떤 데이터가 필요한가?
사실 데이터를 처음으로 만들어 봤습니다. AI에게 가상의 데이터를 만들어 달라고 요청을 했습니다. 처음에 만들어 줬던 데이터는 보기에는 꽤 괜찮아 보였습니다. 기간은 한 달, 그리고 이런 저런 엄청나게 많은 컬럼들이 있습니다.
AI가 만들어 준 데이터를 보고, 이런 데이터가 꼭 필요할까 라는 생각과 어떤 데이터는 무조건 있어야 할까 를 생각해 보았습니다.
- event_time : 이벤트가 일어난 시간 (연월일, 시분초)
- user_id : 고객 식별 아이디
- session_id : 세션 id (한 세션 30초)
- order_id : 주문 아이디
- event_name : 앱에서 사용자가 할 법한 행동을 세세하게 나눠서 분류
- cafe_brand : 주문을 한 커피 브랜드
- cafe_id : 동일 브랜드 내에서 식별할 수 있는 매장 아이디
- payment_amount : 결제 금액
- ad_test_group : a, b군 임의 설정
- available_reward_point : 사용 가능 포인트
- earned_reward_point : 적립된 포인트
- used_reward_point : 사용한 포인트
포인트를 데이터 컬럼에 넣은 이유는 총 얼마가 적립이 되고, 그것이 매장에 상관없이 얼마나 빠르게 사용됨에 따라 재 주문 간격에 대한 분석을 위한 것입니다.
이 대시보드는 전략기획 및 프로덕트 팀을 위한 것으로, 교차 브랜드 적립 허용을 통해 A, B군의 고객 리텐션 분석, 퍼널 행동 분석, 교차 브랜드 이용 분석을 하여 매출 상승을 위한 비즈니스 전략을 제시하는 것이 목적입니다.
하지만, 교차 브랜드 적립 허용을 통해서 가맹주는 의도치 않게 임의로 무료로 커피 등을 제공해야 하는 일이 발생할 수 있는데, 이런 우려를 불식시키기 위해 포인트로 인해 제공되는 무료 음료의 비용은 본사에서 100% 지원하는 것으로 설정을 했습니다.
본 사를 위해서도 추가적인 데이터 분석에서, 비용 지원과 고객을 이탈시키지 않고 머물게 하면서 얻을 수 있는 매출 비교를 통해 위의 비즈니스 전략 설득에 도움을 주려고 합니다.
A/B 테스트를 위한 데이터는 기간은 3개월, 총 2500명을 A군 1250명, B군 1250명 임의로 나눠서 실험했습니다. 고객들은 동일한 조건을 주기 위해서 모두 신규 고객으로 설정했습니다.
4. AI 활용하여 패스오더 앱 대시보드 만들기
문제를 정의했고, 가설을 설정했습니다. 이제는 AI 활용하여 패스오더 앱 대시보드를 만들 차례입니다.
이번 강의에서 제가 배운 것은 바로 AI 활용해서 대시보드를 만들 때, 어떻게 대시보드를 만들 것인가에 대한 폴더 구조를 잡는 것이었습니다. 저는 구글 안티그래비티를 가지고 폴더 구조 및 그 안에 내용을 작성하고, 그것들을 가지고 대시보드를 구축했습니다.
이렇게 폴더 구조를 통해서 만들어 놓으면, AI로 계속 대시보드를 만들어도 재현성과 일관성 있는 대시보드를 만들 수 있다는 것이 장점입니다. 왜냐하면 AI가 대시보드를 만들 때 이미 만들어져 있는 지침서를 보고 생성을 하기 때문입니다.
또한, 범용적으로 사용할 수 있는 지침서라면, 나중에 데이터만 변경해도 비슷한 대시보드를 빠르고 효율적으로 생산해 낼 수 있다는 것도 장점입니다.
1) 폴더 구조 기획하기
- 임의파일이름.md : 대시보드 구축을 위한 전반적인 지침서
- data 폴더 : 대시보드 위에 생성되는 차트 등의 기반이 되는 데이터 파일
- design.md : 지침서에 기본적인 대시보드 디자인 구조는 있지만, 여기에서 더 세세하게 규정해줌
- output 폴더 : 생성된 대시보드.html 파일이 저장되어 지는 곳
- Template 폴더 : 만들고자 하는 대시보드의 샘플(예)가 되는 이미지, html 파일을 넣어두는 곳(지침서에서 Template 폴더 참고도록 설정함)
저는 안티그래비티를 활용하여 위의 폴더 구조 및 내용의 생성 요청을 했습니다. 그리고 관리하기 쉽게 VS 편집기(미리 설치했음) 내 파일을 바로 확인할 수 있게 폴더 구조를 넣어달라고 요청했습니다
AI가 만들어준 대로만은 믿을 수 없어서, 최소한 지침서.md 파일은 계속해서 읽고 수정하면서 제가 원하는 대시보드를 될 수 있도록 했습니다.
또한, 이 패스오더 만을 위한 대시보드 지침서가 되는 것보다 향후 재활용을 위해서 기본적인 틀이 되는 지침서를 만들기 위해 노력했습니다.
폴더 구조가 생성된 이후, 안티그래비티에 지침서대로 대시보드를 생성해 달라고 요청하시면, 오래지 않아 멋진 대시보드가 만들어 집니다. 하지만, 제가 처음 본 대시보드는 내가 원하는 대로 되지 않았습니다.
제가 원하는 대시보드를 만들기 위해, 지침서 및 샘플 대시보드 및 이미지를 가져와서 AI에게 수정 요청을 거듭해서 현재의 대시보드를 만들었습니다.
2) 패스오더 앱 대시보드 만들기
패스오더 앱 대시보드에는 크게 5개의 KPI 핵심 지표가 있습니다. A군(기존 방식), B군(교차 브랜드 적립 허용군) 테스트 결과를 비교하는 식으로 구성이 되어 있습니다.
상단 5개의 KPI에서는 B군 값을 기준으로 A군 값을 비교군으로 넣었습니다.
일일 활성 유저 (평균 DAU) : 평균 하루에 앱 방문하는 사람 수인당 평균 방문 세션 : 특정 기간 한 사람이 평균 앱에 몇 번 접속했는지 (총 세션수 / 총 사용자 수)인당 커피 구매 빈도 : 특정 기간 고객 1명이 평균 몇 번 커피 주문을 완료하는지 (기간 내 완료된 총 커피 주문 건수 / 기간 내 최소 1잔 이상 주문한 고유 고객 수)교차 브랜드 주문율 : 전체 구매 고객 수 중 둘 이상의 서로 다른 브랜드에서 주문을 경험한 고객 비율 (기간 내 2개 이상 서로 다른 브랜드를 이용한 고유 고객 수 / 기간 내 최소 2회 이상 주문을 완료한 고유 고객 수)결제 최종 전환율 : 장바구니 및 결제 페이지에서 주문 완료를 한 고객의 비율 (기간 내 최종 승인되 결제 건수 / 기간 내 결제 시도 건수(장바구니, 결제페이지))
추가적으로 가설 검증을 하는 코호트 리텐션, 그룹별 고객 행동 퍼널 분석 비교, 교차 브랜드 이용 분석을 대시보드에 담았습니다.
대시보드는 교차 브랜드 적립을 허용한 B군의 결과값이 A군에 비해 높았습니다. 가설로 잡았던 리텐션 역시 3개월 동아 B군의 감소폭이 A군의 감소폭보다 작았습니다. 무엇보다 포인트 사용이 자유롭게 된 고객들의 주문 건수가 폭발적으로 늘었습니다.
5. AI가 가져온 결과물 검증하기
저는 대시보드 5개의 KPI 지표를 검증했습니다. 제가 사용한 방법은 SQL 쿼리 사용했습니다. MySQL 설치 후 DBeaver에서 MySQL과 연결하여 파일을 업로드 했고 거기에서 SQL 코드로 결과값을 가져와 보았습니다.
우선 일일 활성 유저 (평균 DAU)를 검증해 보았습니다. 제가 사용한 SQL 코드는 아래와 같습니다.
WITH daily_users AS (
SELECT
ab_test_group,
DATE(event_time) AS event_date,
COUNT(DISTINCT user_id) AS daily_user_count
FROM passorder_event_log
GROUP BY ab_test_group, DATE(event_time)
)
SELECT
ab_test_group,
ROUND(AVG(daily_user_count), 1) AS avg_dau
FROM daily_users
GROUP BY ab_test_group;그리고 쿼리를 실행해 보았습니다.
결과값이 대시보드 값이 일치하는 것을 확인했습니다. 이후 다른 KPI 지표들도 마찬가지로 SQL 쿼리를 이용했고, 결과 값이 대시보드의 값과 일치했습니다.
마무리
오늘은 AI 활용하여 패스오더 앱 대시보드 만들기에 도전해 보았습니다. 물론 실제 데이터 수집에 실패한 것이 아쉬웠습니다. 하지만 그래도 분석할 기업을 선택하고, 문제 정의, 가설 설정, 대시보드 구축 그리고 검증 까지 하나의 사이클을 끝마칠 수 있어서 좋았습니다.
이번에 검증을 하기 위해 SQL 쿼리 작성할 수 있는 MYSQL과 DBeaver까지 컴퓨터에 설치하면서 이제 개인 프로젝트 데이터 정제를 할 수 있는 공간을 마련한 것도 기뻤습니다.
사실 설치 과정에서 인코딩 문제 때문에 우여곡절도 겪긴 했지만 그래도 큰 사이클의 한 부분을 무사히 마칠 수 있어서 안도의 한숨이 나오기도 했습니다.
대시보드를 만드는 것 보다, 실제 기업에 대한 충분한 이해가 얼마나 중요한 지를 깨닫게 되는 시간이었습니다. 왜냐하면 그 충분한 이해에서 문제가 보였기 때문입니다.
또한 데이터 수집이 이렇게 어려운 것인 줄 몰랐습니다. 이번에는 가상으로 처리했지만, 다음에는 실제로 데이터를 수집해서 분석에 들어가 봐야 할 것 같습니다.
지금까지 데이터 분석가 취준생으로 하나의 프로젝트를 제가 어떻게 처리했는지에 대해서 간략하게 말씀드려 보았습니다. 비슷한 상황에 계신 분들에게 도움이 되었음 합니다. 글 읽어 주셔서 감사합니다.
