Marketing Multi-Channel Attribution model based on Sales Funnel with R | R-bloggers

,

This is the last post in the series of articles about using Multi-Channel Attribution in marketing. In previous two articles (part 1 and part 2), we’ve reviewed a simple and powerful approach based on Markov chains that allows you to effectively attribute marketing channels.

In this article, we will review another fascinating approach that marries heuristic and probabilistic methods. Again, the core idea is straightforward and effective.

Sales Funnel
Usually, companies have some kind of idea on how their clients move along the user journey from first visiting a website to closing a purchase. This sequence of steps is called a Sales (purchasing or conversion) Funnel. Classically, the Sales Funnel includes at least four steps:
  • Awareness – the customer becomes aware of the existence of a product or service (“I didn’t know there was an app for that”),
  • Interest – actively expressing an interest in a product group (“I like how your app does X”),
  • Desire – aspiring to a particular brand or product (“Think I might buy a yearly membership”),
  • Action – taking the next step towards purchasing the chosen product (“Where do I enter payment details?”).

For an e-commerce site, we can come up with one or more conditions (events/actions) that serve as an evidence of passing each step of a Sales Funnel.

For some extra information about Sales Funnel, you can take a look at my (rather ugly) approach of Sales Funnel visualization with R.

Companies, naturally, lose some share of visitors on each following step of a Sales Funnel as it gets narrower. That’s why it looks like a string of bottlenecks. We can calculate a probability of transition from the previous step to the next one based on recorded history of transitions. On the other hand, customer journeys are sequences of sessions (visits) and these sessions are attributed to different marketing channels.

Therefore, we can link marketing channels with a probability of a customer passing through each step of a Sales Funnel. And here goes the core idea of the concept. The probability of moving through each “bottleneck” represents the value of the marketing channel which leads a customer through it. The higher probability of passing a “neck”, the lower the value of a channel that provided the transition. And vice versa, the lower probability, the higher value of a marketing channel in question.

Let’s study the concept with the following example. First off, we’ll define the Sales Funnel and a set of conditions which will register as customer passing through each step of the Funnel.

  • 0 step (necessary condition) – customer visits a site for the first time
  • 1st step (awareness) – visits two site’s pages
  • 2nd step (interest) – reviews a product page
  • 3rd step (desire) –  adds a product to the shopping cart
  • 4th step (action) – completes purchase

Second, we need to extract the data that includes sessions where corresponding events occurred. We’ll simulate this data with the following code:

click to expand R code

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
library(tidyverse)
library(purrrlyr)
library(reshape2)
##### simulating the "real" data #####
set.seed(454)
df_raw <- data.frame(customer_id = paste0('id', sample(c(1:5000), replace = TRUE)),
date = as.POSIXct(rbeta(10000, 0.7, 10) * 10000000, origin = '2017-01-01', tz = "UTC"),
channel = paste0('channel_', sample(c(0:7), 10000, replace = TRUE, prob = c(0.2, 0.12, 0.03, 0.07, 0.15, 0.25, 0.1, 0.08))),
site_visit = 1) %>%
mutate(two_pages_visit = sample(c(0,1),
10000,
replace = TRUE,
prob = c(0.8, 0.2)),
product_page_visit = ifelse(two_pages_visit == 1,
sample(c(0, 1),
length(two_pages_visit[which(two_pages_visit == 1)]),
replace = TRUE, prob = c(0.75, 0.25)),
0),
add_to_cart = ifelse(product_page_visit == 1,
sample(c(0, 1),
length(product_page_visit[which(product_page_visit == 1)]),
replace = TRUE, prob = c(0.1, 0.9)),
0),
purchase = ifelse(add_to_cart == 1,
sample(c(0, 1),
length(add_to_cart[which(add_to_cart == 1)]),
replace = TRUE, prob = c(0.02, 0.98)),
0)) %>%
dmap_at(c('customer_id', 'channel'), as.character) %>%
arrange(date) %>%
mutate(session_id = row_number()) %>%
arrange(customer_id, session_id)
df_raw <- melt(df_raw, id.vars = c('customer_id', 'date', 'channel', 'session_id'), value.name = 'trigger', variable.name = 'event') %>%
filter(trigger == 1) %>%
select(-trigger) %>%
arrange(customer_id, date)

And the data sample looks like:

Next up, the data needs to be preprocessed. For example, it would be useful to replace NA/direct channel with the previous one or separate first-time purchasers from current customers, or even create different Sales Funnels based on new and current customers, segments, locations and so on. I will omit this step but you can find some ideas on preprocessing in my previous blogpost.

The important thing about this approach is that we only have to attribute the initial marketing channel, one that led the customer through their first step. For instance, a customer initially reviews a product page (step 2, interest) and is brought by channel_1. That means any future product page visits from other channels won’t be attributed until the customer makes a purchase and starts a new Sales Funnel journey.

Therefore, we will filter records for each customer and save the first unique event of each step of the Sales Funnel using the following code:

click to expand R code

1
2
3
4
5
### removing not first events ###
df_customers <- df_raw %>%
 group_by(customer_id, event) %>%
 filter(date == min(date)) %>%
 ungroup()

I point your attention that in this way we assume that all customers were first-time buyers, therefore every next purchase as an event will be removed with the above code.

Now, we can use the obtained data frame to compute Sales Funnel’s transition probabilities, importance of Sale Funnel steps, and their weighted importance. According to the method, the higher probability, the lower value of the channel. Therefore, we will calculate the importance of an each step as 1 minus transition probability. After that, we need to weight importances because their sum will be higher than 1. We will do these calculations with the following code:

click to expand R code

1
2
3
4
5
6
7
8
9
10
11
12
13
### Sales Funnel probabilities ###
sf_probs <- df_customers %>%
 
 group_by(event) %>%
 summarise(customers_on_step = n()) %>%
 ungroup() %>%
 
 mutate(sf_probs = round(customers_on_step / customers_on_step[event == 'site_visit'], 3),
 sf_probs_step = round(customers_on_step / lag(customers_on_step), 3),
 sf_probs_step = ifelse(is.na(sf_probs_step) == TRUE, 1, sf_probs_step),
 sf_importance = 1 - sf_probs_step,
 sf_importance_weighted = sf_importance / sum(sf_importance)
 )

A hint: it can be a good idea to compute Sales Funnel probabilities looking at a limited prior period, for example, 1-3 months. The reason is that customers’ flow or “necks” capacities could vary due to changes on a company’s site or due to changes in marketing campaigns and so on. Therefore, you can analyze the dynamics of the Sales Funnel’s transition probabilities in order to find the appropriate time period.

I can’t publish a blogpost without visualization. This time I suggest another approach for the Sales Funnel visualization that represents all customer journeys through the Sales Funnel with the following code:

click to expand R code

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
### Sales Funnel visualization ###
df_customers_plot <- df_customers %>%
 
 group_by(event) %>%
 arrange(channel) %>%
 mutate(pl = row_number()) %>%
 ungroup() %>%
 
 mutate(pl_new = case_when(
 event == 'two_pages_visit' ~ round((max(pl[event == 'site_visit']) - max(pl[event == 'two_pages_visit'])) / 2),
 event == 'product_page_visit' ~ round((max(pl[event == 'site_visit']) - max(pl[event == 'product_page_visit'])) / 2),
 event == 'add_to_cart' ~ round((max(pl[event == 'site_visit']) - max(pl[event == 'add_to_cart'])) / 2),
 event == 'purchase' ~ round((max(pl[event == 'site_visit']) - max(pl[event == 'purchase'])) / 2),
 TRUE ~ 0
 ),
 pl = pl + pl_new)
df_customers_plot$event <- factor(df_customers_plot$event, levels = c('purchase',
 'add_to_cart',
 'product_page_visit',
 'two_pages_visit',
 'site_visit'
 ))
# color palette
cols <- c('#4e79a7', '#f28e2b', '#e15759', '#76b7b2', '#59a14f',
 '#edc948', '#b07aa1', '#ff9da7', '#9c755f', '#bab0ac')
ggplot(df_customers_plot, aes(x = event, y = pl)) +
 theme_minimal() +
 scale_colour_manual(values = cols) +
 coord_flip() +
 geom_line(aes(group = customer_id, color = as.factor(channel)), size = 0.05) +
 geom_text(data = sf_probs, aes(x = event, y = 1, label = paste0(sf_probs*100, '%')), size = 4, fontface = 'bold') +
 guides(color = guide_legend(override.aes = list(size = 2))) +
 theme(legend.position = 'bottom',
 legend.direction = "horizontal",
 panel.grid.major.x = element_blank(),
 panel.grid.minor = element_blank(),
 plot.title = element_text(size = 20, face = "bold", vjust = 2, color = 'black', lineheight = 0.8),
 axis.title.y = element_text(size = 16, face = "bold"),
 axis.title.x = element_blank(),
 axis.text.x = element_blank(),
 axis.text.y = element_text(size = 8, angle = 90, hjust = 0.5, vjust = 0.5, face = "plain")) +
 ggtitle("Sales Funnel visualization - all customers journeys")

Ok, seems we now have everything to make final calculations. In the following code, we will remove all users that didn’t make a purchase. Then, we’ll link weighted importances of the Sales Funnel steps with sessions by event and, at last, summarize them.

click to expand R code

1
2
3
4
5
6
7
8
9
10
11
12
13
### computing attribution ###
df_attrib <- df_customers %>%
 # removing customers without purchase
 group_by(customer_id) %>%
 filter(any(as.character(event) == 'purchase')) %>%
 ungroup() %>%
 
 # joining step's importances
 left_join(., sf_probs %>% select(event, sf_importance_weighted), by = 'event') %>%
 
 group_by(channel) %>%
 summarise(tot_attribution = sum(sf_importance_weighted)) %>%
 ungroup()

As the result, we’ve obtained the number of conversions that have been distributed by marketing channels:

In the same way you can distribute the revenue by channels.

At the end of the article, I want to share OWOX company’s blog where you can read more about the approach: Funnel Based Attribution Model.

In addition, you can find that OWOX provides an automated system for Marketing Multi-Channel Attribution based on BigQuery. Therefore, if you are not familiar with R or don’t have a suitable data warehouse, I can recommend you to test their service.

The post Marketing Multi-Channel Attribution model based on Sales Funnel with R appeared first on AnalyzeCore – data is beautiful, data is a story.

소스: Marketing Multi-Channel Attribution model based on Sales Funnel with R | R-bloggers

MOOC 탐방 : 코세라(Coursera)

,

온라인 강의는 한국에선 꽤 익숙하지만 불과 몇 년 전까지 해외에선 다소 생소한 개념이었다. 해외 국가들은 사교육 시장이 많이 발달되지 않았을 뿐더러 인프라 환경도 잘 구축되지 않았기 때문이다. 하지만 2010년 온라인 공개 수업(Massive Open OnlineCourse, MOOC(무크))이 등장한 이후부터 전세계적으로 온라인 교육 시장이 새롭게 각광받고 있다. 그 중 코세라(coursera)는 단연 MOOC를 부흥시킨 선두주자다. 현재 다양한 실험과 대학과의 협업으로 MOOC 산업을 발전시키고 있다.

코세라 로고

 

“최고의 교수가 만든 최고의 강의를 누구나 들을 수 있도록”

코세라는 2012년 스탠포드대학에서 강의를 제공하던 앤드류 응(Andrew NG) 교수와 다프네 콜러(Daphne Koller) 교수가 만든 서비스다. 두 사람은 코세라 이전에 이미 컴퓨터과학 및 데이터과학 분야에서 이름난 권위자였다. 오랫동안 교수로 살아오던 두 사람은 어떻게 코세라라는 기업을 설립하게 됐을까. 2012년 테드(TED)에 공개된 다프네 콜러 교수의 강연에서는 코세라 설립 뒷얘기를 조금 엿볼 수 있다.

다프네 콜러 교수의 부모는 둘 다 학자였으며, 그녀는 3대째 박사를 배출해낸 집안에서 성장했다. 원하는 공부를 마음껏 할 수 있었던 다프네 콜러 교수와 달리, 세상에는 그 반대의 삶을 사는 사람도 많았다. 교수 생활을 하면서 그녀는 저개발 국가의 교육 환경 그리고 미국의 높은 대학 등록금 문제에 대해 깊이 고민하게 됐다.

TED 강연 중인 다프네 콜러 코세라 공동설립자. <출처: 다프네 콜러 TED 강의 영상 갈무리>

“어렸을 적엔 아버지의 대학교 연구실에서 놀곤 했죠. 그래서 최고 대학에 다니는 게 무척 당연하게 생각됐어요. 그곳에선 기회의 문이 열렸죠. 불행한 일이지만 세계 대부분의 사람들이 그렇게 운이 좋진 못합니다. 지구상 어떤 곳에서는, 예를 들어 남아프리카에서는 교육을 받는 것은 쉽지 않습니다. 남아프리카의 교육 시스템은 소수의 백인들이 통치하던 아파르트헤이트1)(Apartheid) 시절에 만들어졌습니다. 결과적으로 오늘날에는 고등교육을 받는 것을 원하지만, 받을 자격이 있는 많은 사람들을 위한 자리가 없습니다. 이러한 부족함은 결국 2012년 1월 요하네스버그대학에 위기를 초래했습니다. 정규 입학 절차 이후에도 몇몇 신입생 자리가 남았고, 신입생 등록 바로 전날 밤 수천 명의 사람들이 등록하길 바라면서 정문 밖으로 1마일이나 줄을 섰습니다. 정문이 열리자 사람들이 한꺼번에 우르르 몰렸고, 결국 20명이 다쳤고 한 여성이 죽고 말았습니다. 그녀는 자신의 아들이 좀 더 나은 삶을 살 수 있는 기회와 자신의 목숨을 맞바꾼 한 어머니였습니다.”– 다프네 콜러 교수 TED 강연 중

이뿐 아니다. 다프네 콜러 교수는 미국의 대학 등록금은 1985년에 비교해 무려 559%가 오르며 많은 사람이 금전적인 이유로 좋은 수업을 받지 못하고 있다는 점도 지적했다. 그리고 이러한 문제를 개선하는 방법에 온라인 강의를 선택했다.

 

코세라 설립자들. 다프네 콜러 교수(왼쪽)과 앤드류 응 교수. <출처: 코세라 홈페이지>

실제로 당시 다프네 콜러 교수의 동료였던 앤드류 응 교수는 매년 개설하는 기계학습 강의를 누구나 들을 수 있게 개방하는 실험을 진행했다. 원래 기계학습 강의의 정원은 400명이었지만, 온라인 강의로 전환하며10만명의 수강생들에게 동시에 강의를 제공할 수 있었다. 이 과정을 통해 두 교수는 좋은 강의를 듣고 싶어하는 사용자들의 수요를 확인했고, 곧바로 코세라를 만들었다. 2012년 코세라 웹사이트가 공개된 이후 단 3개월 만에 190개 국가에서 64만명의 가입자를 유치했다. 이들이 첫 해에 수강 시청한 강의 수는 150만개에, 영상은 1400만번 재생됐다. 2017년 초 현재 코세라 가입자는 2400만명으로 늘어났다.

코세라 서비스 예시 <출처: 코세라 홈페이지>

코세라는 처음에는 컴퓨터과학 분야 강의가 많았지만 지금은 비즈니스, 언어, 경영, 인문학 등 보다 다양한 강의를 제공하고 있다. 현재 코세라와 제휴한 대학은 149곳이며, 이들이 제작한 강의는 2천개가 넘는다. 듀크대학, 존스홉킨스대학, 미시간주립대학, 와튼스쿨 등이 대표적으로 코세라에 제공하고 있으며, 유명 사립대들의 강의를 대부분 볼 수 있다. 코세라에 빠진 하버드대학이나 MIT 등은 경쟁업체 에덱스(edX)에 강의를 제공하고 있다. 다음은 2016년 가장 인기 있었던 강의들이다.

2016년 코세라에서 가장 많이 등록된 강의2)

1. Learning How to Learn: Powerful mental tools to help you master tough subjectsUniversity of California, SanDiego
2. Machine LearningStanford University
3. Programming for Everybody (Getting Started with Python)University of Michigan
4. R ProgrammingJohns Hopkins University
5. Speak English Professionally: In Person, Online & On the PhoneGeorgia Institute of Technology
6. Grammar and PunctuationUniversity of California, Irvine
7. Seeing Through PhotographsThe Museum of Modern Art
8. The Data Scientist’s ToolboxJohns Hopkins University
9. Buddhism and Modern PsychologyPrinceton University
10. Mastering Data Analysis in ExcelDuke University

코세라 강의의 분량은 짧게는 4-6주, 길게는 4-6개월 과정으로 구성된다. 과거에는 강의실에서 진행되는 강의를 녹화하는 경우가 많았지만, 최근엔 온라인용 강의를 별도로 제작해 올리는 경우도 많다. 짧은 과정의 강의는 대부분 자신이 원하는 시기에 강의를 시작하면서 자유롭게 들을 수 있다. 긴 과정의 강의는 특정 시기에 시작하고 끝내야 하는 강의가 대부분이며, 영상을 시청해야 할 기간과 과제 마감일이 따로 주어지기도 한다.

온라인 강의는 많은 수강생이 들을 수 있도록 만들어지기도 하지만 교수의 수업 질을 높이기 위해서도 사용된다. 예를 들어 코세라는 영상이 끝날 때마다 내용을 요약하거나 핵심 개념에 대해서 단답형 질문이나 객관식 문제를 퀴즈로 낸다. 만약 수만 명이 듣는 수업에서 똑같은 오답을 2천 명 넘게 제출한다면 어떨까? 교수는 학생들이 무엇을 헷갈려 하는지 보다 정확히 알고 수업을 더 보강할 수 있을 것이다.

평생교육에서 각광받는 코세라

MOOC 등장 당시엔 온라인 교육이 기존 대학을 대체할지 여부를 놓고 활발한 토론이 이뤄졌다. 위기감을 느낀 기존 대학은“MOOC는 얼굴을 맞대고 듣는 강의가 아닌데다 강제성이 없어 수료율이 낮다”라는 점을 내세워 MOOC를 비판했다. 지금은 이 부분에 대한 논란은 많이 사라진 편이다. 시간이 지날수록 코세라와 같은 MOOC는 대학의 대체제가 아니라 보조도구로 활용되는 현상이 뚜렷해졌기 때문이다. 또한 MOOC는 대학 학부생보다 졸업생들의 평생교육 도구로 더 많이 이용되는 상황이다.

2015년 코세라, 워싱턴대, 펜실베니아대가 공동으로 코세라 사용자 5만명을 조사해 집필한 ‘온라인 강의에서의 학습자 성과’ 보고서3)에 따르면 MOOC는 학생보다는 직업이 있는 사용자들에게 더 관심을 받고 있었다. 예를 들어 참가자 중 52%는 ‘자기 계발 및 직업 경력에 도움을 받기 위해 온라인 강의를 듣는다’라고 응답했다. 그 중 62%는 ‘온라인 강의를 들어 실제로 업무를 더 잘 처리할 수 있었다’라고 대답했고, 43%는 ‘새로운 직업을 구하는 과정에서 더 좋은 자질을 얻었다’라고 말했다.

코세라 사용자 유형 <출처: 코세라 보고서 – Learner Outcomes in Open Online Courses 2015 >

해당 설문조사 응답자 중 58%는 풀타임(fulltime) 직장인이었고, 12%는 파트타임(parttime) 형태로 직장에 고용된 사람이었다. 교육 수준을 보면 학사학위 소지지가 32%, 석사는 37%, 박사학위 소지자는 9%였다. 나이 때를 비교하면 30대 사용자가 25%로 가장 많았고, 20대가 24%로 비슷한 수준을 보였다. 60대 이상이 16%에 이른다는 점도 눈에 띈다.

학위, 묶음교육 등 유료 서비스로 운영 비용 충당

현재 코세라는 경쟁기업으로 불리는 에덱스(edX)나 유다시티(Udacity)에 비해 월등히 높은 사용자 수와 강의 수를 보유하고 있다. 이러한 인기 배경에는 많은 대학의 적극적인 참여와 ‘무료’라는 점이 한몫했다. 여기서 드는 의문은 ‘그렇다면 코세라는 어떻게 돈을 벌고 있을까?’일 테다. 코세라는 비영리단체는 아니다. 수익을 위해 기업을 만든 것은 아니지만, 기본적인 운영비용을 스스로 충당하고 있다.

먼저 코세라가 가장 처음 시도한 수익 모델은 ‘수료증’ 판매다. 코세라는 접근성을 중요시 여기기 때문에 기본적으로 모든 강의를 무료로 볼 수 있게 공개한다. 강의만 무료로 듣고 싶다면 ‘청강(audit)’버전을 등록하면 된다. 코세라 강의에선 프로젝트나 과제 등을 제공할 수 있는데, 교수나 조교의 피드백을 받기 위해선 유료로 강의를 등록해야 한다. 강의 영상을 다 듣고, 과제도 성실히 수행하면 수료증이 나오는데, 수료증을 받기 위해서도 비용을 내야 한다. 유료 강의는 대부분 29-99달러 수준이다.

코세라 무료 강의와 유료 강의의 차이. Audit이 무료강의다. <출처: 코세라 홈페이지>

‘스페셜리제이션’이라는 묶음 강의도 있다. 예를 들어 데이터과학자가 되기 위해선 한 과목만 배워선 안 된다. 데이터과학자들이 쓰는 도구, 프로그래밍 언어, 분석 방법 등 다양한 과목을 배워야 명확한 개념을 익힐 수 있다. 코세라에선 특정 분야의 전문가가 되기 위해 알아야 할 강좌를 큐레이션해 엮어주고, 이를 전부 수료한 수강생에게 별도의 수료증을 제공하고 있다. 스페셜리제이션 가격은 250-500 달러 선이며, 수강 기간은 평균 4-6개월이 걸린다.

온라인 석사 학위 프로그램도 있다. 이는 일리노이대학과 코세라가 실험적으로 진행하는 프로젝트다. MBA 과정과 데이터과학 석사과정만 공개됐다. 이 프로그램은 학사학위 소지자만 지원할 수 있고, 일리노이대학은 온라인 강의임에도 불구하고 지원자의 추천서, 이력서, 영어 성적 등을 고려해 수강생을 선별한다. 온라인 석사학위 프로그램을 전부 이수하기 위해서는 1~3년의 시간이 필요하며, 등록금은 1만5천-2만5천 달러가 필요하다.

코세라 석사 학위 프로그램. 일리노이대학이 함께 진행하고 있다. <출처: 코세라 학위 홈페이지>

기업용 교육 플랫폼으로 확장

코세라가 이러한 구조로 얼마만큼의 매출을 만들어냈는지는 정확히 알 수 없다. 구체적은 수익을 공개하지 않았기 때문이다. 코세라가 2012년부터 2015년까지 꾸준히 투자를 유치했으므로, 일단 투자금을 기반으로 운영하고 있을 가능성이 높다. 지금까지 코세라가 받은 투자금은 1억 4610만 달러, 우리 돈 약 1650억 원이다.

MOOC 통합포털 서비스를 제공하는 클래스센트럴은 코세라 파트너 행사에서 공개된 자료를 기반으로 코세라 수익을 예측한 글4)을 올린 적 있다. 클래스센트럴은 “코세라에는 월 유료 사용자 수가10만명이며 매달 2만명의 새로운 유료 사용자가 유입되고 있다”라며 “이러한 데이터를 기반으로 2016년에 5천만-6천만달러 매출을 올렸을 것”이라고 평가했다. 또한 “코세라의 온라인 MBA 프로그램에 등록한 수강생은 270명”이라며 “한 학생당 2만 2천 달러의 등록금을 냈다고 가정했을 때 500만 달러의 매출을 만들었을 것”이라고 내다봤다.

‘코세라 포 비즈니스’ <출처: 코세라 홈페이지(Coursera for Business)>

최근 들어 코세라가 새롭게 시도하는 수익모델은 기업용 교육 플랫폼 ‘코세라 포 비즈니스(Coursera for Business)’다. 코세라 포 비즈니스는 각 기업에 필요한 강의와 영상을 별도로 뽑아 추천하는 서비스다. 기업 담당자는 디지털 마케팅, 데이터과학, 리더십 등의 분야로 강의를 나눠 담당 직원들을 초대할 수 있으며, 직원들이 실제로 강의를 등록했는지, 영상을 얼마나 시청했는지 분석하고 관리할 수 있다. 기존 기업 계정과 연동해 쓸 수도 있다. 페이팔, 로레알, 에어프랑스 등이 코세라 포 비즈니스를 이용하고 있다.

코세라의 새로운 실험들

2016년 이후 코세라는 다양한 변화를 맞이하고 있다. 먼저 코세라 설립자들은 경영진에서 물러났으며, 새로운 인물들이 코세라를 이끌고 있다. 현재 코세라 CEO는 예일대 회장을 지낸 릭 레빈(Rick Levin)이 맡고 있으며 인텔, 이베이, 넷플릭스, 구글 등에서 오랫동안 근무했던 전문가들이 코세라 경영진으로 합류했다. 다프네 콜러 교수는 바이오테크 스타트업으로, 앤드류 응 교수는 중국 기업 바이두에 합류해 대규모 데이터를 분석·관리하고 있다.

강의 종류도 다양해지고 있다. 2016년부터 코세라는 ‘능숙하게 e메일과 메모를 작성하는 법’, ‘인포그래픽 그리기’, ‘이력서 쓰는 법’, ‘논문 작성법’ 등 실용적이면서 프로젝트 중심의 수업을 공개하고 있다. 독특한 예술 강의도 눈에 띈다. 그동안 프로젝트 중심 MOOC 수업은 대부분 IT 관련 내용이었지만 최근엔‘만화책 만들기’, ‘TV 파일럿 프로그램을 위한 작가 수업’, ‘전자음악 만들기’ 수업도 공개됐다. IT 수업도 ‘안드로이드 앱 개발하기’같은 일반적인 수업도 있지만 ‘1주일 만에 웹사이트 만들기’같은 단기 개발 강의도 눈에 띈다. 코세라는 이러한 수업으로 수료율을 높이는 동시에 유료 수강생을 모으는 효과를 기대하는 것으로 보인다.

코세라 프로젝트 기반 강의. <출처: 코세라 강의 페이지>

취업 연계 프로그램5)도 새롭게 시도하고 있다. 취업 연계 프로그램에서는 특정 직업을 가지기 위해 알아야 할 사전 정보와 좋은 강의를 큐레이션해 추천해 준다. 수강생 후기와 직업 정보도 함께 제공한다. 예를 들어 ‘데이터과학자가 되는 법’ 강의 밑에는 미국의 유명 기업인 타깃, 올스테이트, 에어비앤비 구직 홈페이지가 바로 연결됐다. 수강생에게 배운 지식으로 어떤 일을 할 수 있는지 구체적인 정보를 주는 것이다.

결제 방식에도 변화를 두었다. 예전에 ‘스페셜리제이션’ 과정을 수강하려면 모든 금액을 선불로 내야 했지만 2016년부터 월별 요금을 적용해 수강생이 매달 학습 진행하면서 수강료를 지불할 수 있게 했다.

국가별 코세라 사용자 증가율. <출처: 코세라 블로그>

글로벌 진출과 브랜드 확장에도 신경 쓰고 있다. 코세라는 전통적으로 미국 수강생들에게 인기 있는 서비스였지만 최근 몇 년 사이에 중국과 인도, 브라질, 러시아 등 다양한 나라에서 사용자가 늘어나고 있는 추세다. 2016년에는 처음으로 TV 광고를 내보냈으며, 미국 국무부와 파트너십을 맺고 난민 교육도 지원하고 있다.

코세라 TV 광고 <출처: 유튜브>

참고자료

소스: 코세라 : 네이버캐스트