마케팅 채널 간 재방문율 분석 사례

구글 애널리틱스 GA4 웹행동데이터와 설문 데이터 결합 고객 분석사례

많은 기업들이 재방문 고객들이 누구인지, 유료 고객들은 누구인지 알고 싶어합니다. 하지만 이를 알기 쉽지 않습니다. 누구인지는 설문데이터, 웹싸이트 재방문을 알려면 구글 애널리틱스 같은 웹 행동 데이터, 유료 고객 여부는 결제 정보에 있기 때문에 이 세가지 데이터를 다 결합해야 하기 때문입니다. 대부분 고객 정보가 각기 다른 플랫폼에 저장되어 있고 같은 고객이 서로 다른 ID로 저장되어 연결이 어렵습니다. 넘버애널리틱스는 설문 플랫폼을 자체적으로 가지고 있고 통계 분석 소프트웨어와 결합되어 있습니다. 필자가 대표로 일하고 있는 넘버애널리틱스는 올인원 고객 분석 소프트웨어를 개발, 서비스하고 있습니다. 이번에 구글애널리틱스 Google Analytics /앰플리튜드 Amplitude 웹행동 데이터와 결제 정보 데이터를 결합할 수 있게 되어 이 3가지 정보와 통계 분석까지 하나로 통합하여 분석이 자동화하였습니다. 저희 넘버애널리틱스의 구글애널리틱스 4 데이터와 고객 설문 데이터를 통합한 고객 데이터 사례를 보여드리겠습니다.

마케팅 채널에 따른 웹싸이트 재방문율 분석 - 넘버애널리틱스

위 그래프는 어떻게 넘버애널리틱스를 알게 되었는 지 (가입 시 설문 정보) 가입 경로에 따라 재방문 비율을 분석했습니다. 아래의 그림처럼 유의수준 (바 그래프에 아래 위 검은색 범위선)과 평균선(붉은점선)으로 그룹 간에 차이가 있는지를 나타냅니다. 결론적으로 친구 추천으로 들어온 고객이 가장 재방문 비율이 81%로 가장 높았습니다. 그 다음은 수업시간에 쓰는 교수님 추천이 77.5%입니다. 3번째는 소프트웨어 비교 사이트에서 온 방문자의 36%가 재방문 하였고, 다른 기타 경로가 25%인데 이들은 서로 통계적으로 평균 재방문 비율이 차이가 나지 않습니다. 왜냐하면 유의수준이 붉은 점선 안에 있기 때문입니다. 구글 검색으로 들어온 방문자는 20%가 재방문하는데 이는 평균수준보다 통계적으로 유의하게 낮습니다.

   

따라서 재방문율을 높이려면 최우선적으로 고객들이 서로 추천하게 만들어야 합니다. 추천시 무료 사용 기간 연장 같은 인센티브를 주고 쉽게 결과를 공유할 수 있는 링크를 추가하면 좋을 것 같습니다. 또한 더 많은 대학들에서 교수님들이 강의에 사용할 수 있도록 마케팅을 강화할 필요가 있습니다. 교수님과 학생들을 위한 특별 할인 행사나 별도의 교육용 제품 개발도 도움이 될 것입니다. 그리고 더 많은 소프트웨어 비교 웹싸이트에 넘버애널리틱스를 홍보할 필요가 있습니다. 현재 넘버애널리틱스는 Alternativeto.net에서는 SPSS의 대안 소프트웨어로 상위권에 랭킹이 되어 있지만, G2에는 하위권으로 검색이 잘 되지 않습니다. 그래프에서 G2를 통해 가입했다고 응답자는 거의 찾기 힘듭니다. 재방문율을 높이기 위해서는 이런 파트너쉽을 강화해야 합니다. 마지막으로 구글을 통해 유입된 유저들은 왜 재방문율이 낮은 지 조사해서 어떻게 하면 높일 수 있는지 그 방법을 강구해야 합니다. 더 자세하게 어떤 페이지로 유입되었을 때 재방문율이 더 높고 낮은 지 조사하는 것도 한 방법일 것입니다. 

재방율을 향상시킨 뒤에 다음 단계는 가입 후 첫 구매를 하는 고개들이 누구인지 어떤 행동을 했는지 조사해서 통계적으로 의미가 있는 변수를 중점적으로 개선 사항을 찾아내야 합니다. 일반적으로 한번 구매 후 40%는 재구매로 이어지지 않습니다. 다음으로 재구매 고객은 어떤 특성을 갖고 있는지 마찬가지로 분석하고 개선해야 합니다. 3번 이상 반복구매 고객들과 이탈 고객, 이탈 후 재가입 고객 같이 고객 구매 여정에 따라 웹싸이트에서 어떤 행동을 했는지, 설문에서 어떤 응답을 했는지 계속 분석을 이어나가며 개선을 시켜야 합니다. 이런 분석을 종합해 보면 재방문, 첫구매, 재구매, 반복 구매, 이탈까지 5단계마다 고객 특성 변수, 웹 행동 이벤트 변수들에 대해 분석하려면 분석 종류가 금방 수백개가 넘어가게 됩니다. 이를 사람이 일일히 하려면 데이터 분석가, 엔지니어, 마케터 등 3-4명 팀을 이루어 몇달을 일을 해야 합니다. 매출이 몇백억 이상 되는 스타트업들도 쉽지 않은 작업입니다. 

또한 정확한 통계 분석 없이 어떤 변수에 대해 재방문율이 높다 낮다만 가지고 모든 변수에 대해 개선하려면 그 수가 수백개가 넘어 제품 기획자나 엔지니어가 감당할 수가 없습니다. 통계 분석을 통해 수백가지 연관 관계 중에서 정말 통계적으로 유의미한 것들만 뽑아내어 그 수를 수십개로 줄일 수 있습니다. 제가 데이터를 통합하고 통계 분석 소프트웨어와 결합하기 위해 지난 10년을 노력한 것은 이와 같은 이유 때문이었습니다. 이번에 개발한 통합 솔루션은 이런 고객 여정상 고객 행동 분석을 다양한 웹행동, 고객 특성에 대해 최대 200개 분석을 클릭 3번만에 할 수 있게 되었습니다. 

제가 데이터 분석을 시작한 지 20년, 제 사업을 시작한 지 10년이 넘었지만, 제 자사 웹싸이트에서 고객 웹행동, 결제 데이터, 설문 데이터를 통합하여 분석이 가능하게 된 것은 이번 올해 가을부터였습니다. 그 전에는 누가 무슨 버튼을 누르고 어떤 행동을 하는 지, 웹상에서 특정 행동을 하는 이들이 누구인지, 결정적으로 어떤 변수가 매출로 이어지는 유료 구매에 어떻게 영향을 끼치는 지 알 수가 없었습니다. 가장 큰 문제는 웹행동정보와 결제 정보를 결합하기가 어려웠다는데 있습니다. 기존의 구글애널리틱스 Google Analytics Universal은 세션 기반입니다. 즉 30분이 지난 뒤 새로 들어오면 다른 유저로 인식합니다. 그러니 데스크탑을 쓰다가 테블렛을 쓰거나 학교에서 쓰다가 집에서 쓰면 서로 같은 사람인지 알 수가 없었습니다. 당연히 결제 정보와 웹행동 정보가 결합되기 어려웠습니다. 설문은 응답률도 낮고 따로 복잡한 설정을 하지 않으면 어느 고객이 답을 한 것인지 알 수 없었습니다. 구글애널리틱스 4로 업그레이드 되며 세션 기반에서 이벤트 기반으로 전환되어 이제 고객이 어느 환경에서 무엇을 하는 지 행동 기반으로 데이터를 모을 수 있게 되었고 이를 결제 정보와 결합하여 의미있는 분석을 할 수 있게 되었습니다. 

다음 글은 데이터 분석을 업으로 방문자가 고객 등록 후 첫 유료 구독 플랜 가입에 어떠한 과거 웹행동 이벤트 변수들이 영향을 미치는 지에  대해 알아보겠습니다.