1. 사용자 경험 / 행동 데이터 분석, 막막할 때 무작정 따라해보자
PA툴을 잘 활용하면 좋은 건 알겠는데 막상 단순히 daily trend 보는 것 말고는 사용자 경험을 어떻게 분석해야 할지 어려워 하는 분들이 많습니다.
이 글에서는 그런 분들을 위해 사용자 경험, 사용자 행동 데이터 분석을 어떻게 하는 것이 좋을지 구체적인 예시를 가지고 살펴보려 합니다. PA툴의 세세한 기능 설명이라기 보단, PA툴을 이렇게 분석하는데 사용할 수 있다는 가이드로 부담없이 읽어보실 수 있습니다.
각 분석 예시 아래에 데모 프로젝트 링크를 함께 첨부하니 원하시는 분들은 무료 회원가입 후 직접 만져보시는 것도 추천합니다.
본 내용은 2회에 걸쳐 다룰 예정이고, 이번 편은 리텐션 분석 사례, 다음 편은 이커머스 분석 사례에 대해 다룹니다.
2. 리텐션 데이터 분석: 거의 모든 서비스의 주요 지표, 리텐션에 임팩트를 주는 요인 찾아내기
1) ‘어떤’ 행동을 ‘얼마나’ 할 때 리텐션이 올라갈까?
거의 모든 서비스에서 리텐션은 제품이 PMF(Product-Market Fit)을 찾아냈는지, 가치있는 사용자 경험을 제공하는지 확인하는 가장 중요한 지표 중 하나입니다. 그런데, 리텐션 지표를 정의한 뒤 단순히 모니터링만 해서는 안됩니다. 딥다이브 분석을 통해 사용자 경험의 어느 지점에서 리텐션 경향성이 달라지는지를 찾아낼 수 있어야 합니다. 이 역시 믹스패널 등 PA툴을 이용하시면 아주 쉽게 가능합니다.
예시의 리포트는 뮤직 플레이어 서비스이고 ‘Upload Media’가 사용자 경험 중 핵심 행동이라고 가정했습니다. 첫번째 이미지를 보시면 전체 사용자의 리텐션 그래프를 나타내고 있는데, Week2까지는 80%대를 유지하다가 Week3부터 그래프가 꺾이는 모습을 보입니다. 그런데 이렇게 리텐션의 양상을 보는 것으로 분석이 끝이 아니라 유독 리텐션이 높아지는 코호트나 시점은 없는지 찾고 싶습니다.
.png)
그래서 아래의 이미지를 보시면, ‘View Settings’를 일주일에 몇번을 했는가에 따라 리텐션율을 나누어 보았습니다. 이 때 0회(옥색)와 1회(주황색)는 큰 차이가 없으나 1회(주황색)에서 2회(노란색)로 넘어갈 때 리텐션이 크게 증가(리텐션의 높이가 높아짐)하는 걸 볼 수 있습니다. 다른 횟수(3~4회)보다도 2회일 때 그 격차가 매우 크므로 View Settings 2회를 보는 경우가 리텐션에 유의미한 영향을 미친다는 인사이트를 얻고, 이에 대해 추가적인 딥다이브 데이터 분석을 할 수 있을 것입니다(2회인 경우의 사용자 경험과 여정이 어떻게 다른지, 2회를 하는 유저들의 데모그라픽스나 특징은 무엇인지 등).
- 데모 체험 : 특정 행동 빈도수에 따른 리텐션 변화 확인하기
*함께 읽으면 좋은 글 : [프로덕트 데이터 분석] 초보자 편03. 프로덕트 데이터 분석 개념과 사례
2) 코호트 분석: 복합적인 디멘젼으로 코호트 분석하여 뾰족한 인사이트 뽑기
리텐션 데이터 분석은 매우 중요하므로 한가지 더 이야기를 해보겠습니다.
믹스패널 등 PA툴을 이용하여 리텐션을 분석한다고 해도 대개는 유입경로 등 단순히 하나의 속성(디멘젼)만 가지고 나누어 보는 것에 그치는 경우가 많습니다. 하지만 특정 행동의 빈도수나 두개 이상의 속성을 가지고 복합적인 코호트를 만들어 분석하면 더 뾰족하고 유의미한 인사이트를 찾아낼 가능성이 높아집니다.
이번 예시는 SNS입니다. 핵심 이벤트를 ‘Post Content’로 정의한 후, 첫번째 이미지와 같이 ‘기기 플랫폼’만으로 나누어 보았을 때 큰 차이는 없으나 web에서 가장 리텐션이 낮은 걸 볼 수 있습니다.
하지만 ‘기기 플랫폼’과 함께 ‘팔로우 카운트 수’를 속성(디멘젼)에 추가하여 봤을 때, 0-10개 구간과 10-20개 구간에서 플랫폼별 리텐션의 높이 순서가 달라지는 것을 볼 수 있습니다. 0-10개 구간은 전체 양상(iOS → Android → web순서로 높음)과 동일했으나 10-20개 구간에서는 iOS와 Android간 차이는 없어지고, 웹에서는 리텐션 높이가 훨씬 높아졌다는 사실을 발견할 수 있습니다. 이는 웹에서 팔로우를 10개 이상 하는 경우의 사용자 경험이 그 이하일 때와는 무언가 달라진다고 가정해볼 수 있습니다. (물론 분석 예시이고, 실제 데모 데이터상으로는 웹의 모수가 현저히 적어져서 통계적 유의성은 없습니다^^;)
이런 식으로 우리 제품에서의 사용자 경험이 달라지는 시점을 계속해서 뾰족하게 찾아나갈 수 있어야 합니다.
- 데모 체험 : 복합적인 디멘젼으로 리텐션 분석하기
*함께 읽으면 좋은 글 : 3가지 계산법으로 마스터하는 리텐션
3. 끝마치며
오늘은 이렇게 믹스패널 등 PA툴을 가지고 할 수 있는 데이터 분석 중 리텐션에 대해 알아보았습니다. 오늘 보여드린 사례 이후에도 계속해서 유의미한 코호트를 찾아 딥다이브 해 볼 여지는 굉장히 많습니다. 우리 서비스는 어떻게 임팩트 있는 분석을 할 수 있을지 알고 싶다면 마켓핏랩 솔루션즈에 컨설팅을 요청하세요. PA 컨설턴트들이 함께 데이터를 분석해드립니다.
그럼 다음 시간에는 이커머스 분석 사례로 돌아오겠습니다.
.svg)
