![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/66571807b557f85a5df29dd8_240309.jpg)
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.
![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/66570d3c702bfa7ed6ce673f_Untitled%20(6).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
![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/66570d3c702bfa7ed6ce673f_Untitled%20(6).png)
*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.
![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/6657118b0be6d9ebd5c0e41a_%5B%E1%84%8F%E1%85%A9%E1%84%92%E1%85%A9%E1%84%90%E1%85%B3%20%E1%84%87%E1%85%AE%E1%86%AB%E1%84%89%E1%85%A5%E1%86%A8%5D%20SNS%E1%84%8B%E1%85%B4%20%E1%84%80%E1%85%B5%E1%84%80%E1%85%B5%20%E1%84%91%E1%85%B3%E1%86%AF%E1%84%85%E1%85%A2%E1%86%BA%E1%84%91%E1%85%A9%E1%86%B7%E1%84%87%E1%85%A7%E1%86%AF%20%E1%84%85%E1%85%B5%E1%84%90%E1%85%A6%E1%86%AB%E1%84%89%E1%85%A7%E1%86%AB%E1%84%8B%E1%85%B2%E1%86%AF%20%E1%84%87%E1%85%AE%E1%86%AB%E1%84%89%E1%85%A5%E1%86%A8.png)
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
![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/665711eb0a6805fb25897f6d_%5B%E1%84%87%E1%85%A9%E1%86%A8%E1%84%92%E1%85%A1%E1%86%B8%20%E1%84%8F%E1%85%A9%E1%84%92%E1%85%A9%E1%84%90%E1%85%B3%20%E1%84%87%E1%85%AE%E1%86%AB%E1%84%89%E1%85%A5%E1%86%A8%5D%20%E1%84%80%E1%85%B5%E1%84%80%E1%85%B5%20%E1%84%91%E1%85%B3%E1%86%AF%E1%84%85%E1%85%A2%E1%86%BA%E1%84%91%E1%85%A9%E1%86%B7%2B%E1%84%91%E1%85%A1%E1%86%AF%E1%84%85%E1%85%A9%E1%84%8B%E1%85%AE%20%E1%84%8F%E1%85%A1%E1%84%8B%E1%85%AE%E1%86%AB%E1%84%90%E1%85%B3%20%E1%84%89%E1%85%AE%E1%84%85%E1%85%A9%20%E1%84%85%E1%85%B5%E1%84%90%E1%85%A6%E1%86%AB%E1%84%89%E1%85%A7%E1%86%AB%E1%84%8B%E1%85%B2%E1%86%AF%20%E1%84%87%E1%85%A9%E1%86%A8%E1%84%92%E1%85%A1%E1%86%B8%E1%84%8C%E1%85%A5%E1%86%A8%20%E1%84%87%E1%85%AE%E1%86%AB%E1%84%89%E1%85%A5%E1%86%A8.png)
*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.
![](https://cdn.prod.website-files.com/64219c43470445074c8ab2fd/64f16d4a9166d5aaf65db292_IMG_6090.jpg)