퍼널 분석, 코호트 분석
‣
1. 퍼널 분석(Funnel Analysis)
“왜 이탈하는가”에 대한 가설을 데이터 구조로 증명
① 전환 윈도우(conversion window)의 설정
사용자가 A단계 → B단계로 갈 때, 얼마의 시간을 기다려 줄 것인가 정해야 함
② 순서(sequence)
| strict sequence | • A → B → C의 경로를 그대로 밟은 유저만 카운트 • 가입 절차처럼 단계가 고정된 경우에 적합 |
| loose sequence | • A를 한 뒤 다른 페이지를 보다가 결국 B를 한 유저도 포함 |
2. 코호트 분석(Cohort Analysis)
비교 가능하도록 변수를 통제한 집단
① 리텐션(Retention)
| N-Day Retention | 정확히 그날 들어왔는가?(게임, 데일리 루틴 앱) |
| Unbounded Retention | 그날 이후 한 번이라도 들어왔는가?(이커머스, 여행 앱) |
| Bracket Retention | 특정 기간 안에 들어왔느낙? |
② 인과관계 분석을 위한 행동 코호트(Behavioral Cohort)
case: 가입 첫날 프로필 사진을 등록한 코호트 vs 등록하지 않은 코호트
두 집단의 리텐션 차이를 분석하여 아하 모먼트를 찾아내고, 이를 제품 개선에 반영
③ 리텐션 플레토(Retention Plateau) 찾기
코호트 차트를 볼 때 가장 중요한 것은 그래프가 평행선(Plateau)을 그리는 지점을 찾는 것
리텐션 0으로 수렴하지 않고 일정 수준에서 유지된다면, 그 지점이 바로 서비스가 사용자에게 지속적인 가치를 주는 생존 구간
④ AARRR 기반 코호트 분석
AARRR: 서비스의 성장 단계를 5단계(획득, 활성화, 리텐션, 수익, 추천)로 나눈 프레임워크AARRR + 코호트 분석: 특정 시점에 유입된 유저들이 각 성장 단계별로 어떤 행동 패턴을 보이는가를 쪼개서 본다는 것
| Stage | Cohort Perspective | 핵심 지표 |
| Acquisition(획득) | 1월에 페이스북 광고로 들어온 집단과 구글 검색으로 들어온 집단의 질적 차이가 있는가? | 채널별 유입 유저 수, CAC |
| Activation(활성화) | 가입 첫날 ‘튜토리얼’을 완료한 코호트가 그렇지 않은 코호트보다 서비스에 더 빨리 적응하는가? | ㅤ |
| Retention(유지) | 신규 기능을 출시한 3월 이후 가입한 코호트의 7일 차 재방문율이 개선되었는가? | 리텐션 커브, 잔존율 |
| Revenue(수익) | 첫 구매를 1만원 이하로 한 코호트와 5만원 이상으로 한 코호트 중 LTV(생애가치)가 높은쪽은? | ARPPU, LTV |
| Referral(추천) | 친구 초대 이벤트로 들어온 코호트는 일반 유입 코호트보다 더 높은 충성도를 보이는가? | 바이럴 계수(K-factor) |
CAC(Customer Acquisition Cost, 고객 획득 비용)
: 신규 고객 1명을 데려오기 위해 지출한 총비용
ARPPU(Average Revenue Per Paying User)
: 결제 유저 1인당 평균 결제 금액
: 서비스의 수익성과 유저의 충성도를 가장 직접적으로 보여줌
LTV(Life Time Value, 고객 생애 가치)
: 한 명의 사용자가 우리 서비스에 들어와서 이탈할 때까지 전체 기간 동안 가져다주는 총 경제적 가치
비즈니스의 생존 조건: LTV > CAC
어떤 코호트의 LTV가 가장 높은가? 를 찾아내어 마케팅 예산을 어디에 집중할지 결정
바이럴 계수
: 기존 유저 한 명이 새로운 유저를 얼마나 많이 데려오는가 = 입소문 효과
바이럴 계수가 1을 넘으면 마케팅 비용을 한 푼도 쓰지 않아도 유저가 기하급수적으로 늘어나는 지수적 성장이 일어남
