웹사이트 이탈률이 50%입니다.
어쩌죠?
(1) 이커머스 시장의 데이터 드리븐 마케팅 전략- 이탈률에 관하여
쇼핑몰을 안정적으로 운영하기 위해선 목표 선정과 달성, 지속적인 성장을 위한 여러 작업들을 거쳐야 합니다. 이번 글은 실무자가 눈여겨봐야 할 지표 중에 하나인 ‘고객 유지(Retention)’에 대해 이야기하려 합니다. 이는 지속적인 성장과 최적화를 위한 가장 중요한 지표이기도 하죠.
고객 유지를 위해서 고객들의 서비스 경험을 파악하고 쇼핑몰에 방문한 고객들의 ‘페인 포인트(통점, Pain-point)’가 무엇인지 분석하고 개선해나가야 합니다. 여러 페인 포인트 중에서도 가장 시작점에 있는 지표는 ‘이탈률’입니다.
이번 글을 시작으로 총 3편에 걸쳐 이탈률에 대해 설명하도록 하겠습니다.
제1편 “웹사이트 방문 유저는 1000명인데 이탈률이 50%입니다. 어쩌죠?”
제2편. 방문 유저의 환경과 원하는 정보를 제대로 보여주고 있을까요?
제3편. 액션을 위한 이탈률을 확인했다면 어떻게 개선하면 좋을까요?
여러분은 데이터 분석 솔루션을 통해 이탈률을 확인할 수 있습니다. 우선 이탈률이란 단어가 생소한 분들도 계실 테니 간단히 설명하고 넘어가겠습니다. 아래는 구글 애널리틱스가 정의하는 이탈률의 의미입니다.
이탈률(Bounce Rate)
이탈은 사이트에서 발생한 단일 페이지 세션입니다. 애널리틱스에서 이탈은 애널리틱스 서버에 단일 요청만 실행하는 하나의 세션으로 특별하게 계산됩니다. 예를 들어 사용자가 사이트의 단일 페이지를 연 후 같은 세션에서 더 이상 애널리틱스 서버에 다른 요청을 실행하지 않고 이탈한 경우가 여기에 해당합니다.
이탈률은 단일 페이지 세션수를 총 세션 수로 나눈 비율, 즉 사이트에서 사용자가 단일 페이지만 보고 애널리틱스 서버에 하나의 요청만 트리거한 모든 세션의 비율입니다.
구글 애널리틱스에서 정의하는 이탈률은 웹사이트를 이용하기 위해 접속한 사용자가 페이지에 도착한 후에 아무런 이동이 없이 종료될 때 이탈 세션으로 정의하고 기간 동안 발생한 세션 대비 비율을 이탈률이라고 합니다. 이탈률은 웹사이트의 성향이나 목적에 따라 높을 수도 있으며, 수집이 정상적으로 되지 않을 경우에도 발생할 수 있습니다.
1. 페이지가 하나만 존재하며, GA에 보내는 어떠한 이벤트도 없는 경우
2. 페이지뷰 추적이 되지 않는 경우
->이탈률에 대해 더 자세한 사항은 여기를 참고해주세요.
쇼핑몰이 여러 가지 상품 목록으로 구성됐을 때 이탈률이 높게 나타나는 것은 관심을 갖고 사이트에 접속한 방문 고객이 불편함을 겪고 상품을 인지하기도 전에 나간다고 해석할 수 있습니다. 전체 방문자들의 이탈률만 놓고 본다면 가설 수립의 범위가 넓어지고, 고객 경험을 개선할 수 있는 방법을 찾는데 추측이 난무하게 되겠죠.
예를 들어 웹사이트 전체 이탈률이 49.62%로 나타난다고 가정해 보겠습니다.
즉, 100명이 웹사이트 접속을 하면 약 50명 정도는 서비스를 이용하지만 나머지는 서비스를 이용하지 않고 나간다는 뜻이겠죠. 하지만 전체 반송률 데이터는 결과만 알려준 뿐 어떤 액션도 할 수 없는 데이터가 됩니다. 그럼 액션을 위한 반송률(이탈률) 데이터는 어떻게 확인해야 할까요?
일단 데이터를 나누어 탐색해야 합니다.
데이터를 나눠본다는 것은 방문자의 속성에 따라 구분할 수 있도록 기준을 두고 탐색한다는 것을 의미합니다. 측정기준(Dimenslon)이라고도 불리죠. 우선 어떤 목적으로 측정기준을 구분할 것인가 가설을 세워보겠습니다.
– 우리 웹사이트에 접속하는 고객 중에 남성의 이탈률인 높은가? 여성의 이탈률이 높은가?
– 어떤 연령층에서 이탈률이 높게 나타나는가?
– 웹사이트 접속자 중에 신규 방문자의 이탈률이 높은가? 재방문자의 이탈률이 높은가?
– 혹시 쇼핑몰을 이용 시 사용자 환경 면에서 문제는 없는지?
– 여러 유입경로 중 어떤 채널에서 들어온 고객들의 이탈률이 높은가?
– 처음 접속한 페이지 중에 어떤 페이지에서의 이탈률이 높게 나타나는가?
위와 같이 6가지 질문들로 데이터를 세분화하고 이탈률 데이터를 살펴보겠습니다.
– 성별에 따른 이탈률
– 연령대 별 이탈률
– 신규 방문 vs 재방문 이탈률
– 기기 카테고리, 브라우저, 모바일 기기 별 이탈률
– 소스/매체 별 이탈률
– 방문 페이지 별 이탈률
#1 웹사이트 접속 고객 중 이탈률이 높은 성별은 무엇일까?
[그림 1] 성별 별 이탈률위의 예시 데이터를 보면 여성은 35.7%인 반면 남성은 42.94%의 이탈률을 나타냅니다.
구체적으로 살펴보면 여성은 8139 세션(방문) 중에 5234 세션(방문)은 적어도 두 번 이상의 행동을 수행하고, 나머지 2905 세션은 첫 페이지만 보고 이탈했다는 것을 알 수 있습니다.
반면 남성의 경우 발생한 2739 세션(방문) 중에 1563 세션은 두 페이지 이상 보긴 했지만 나머지 1179 세션은 첫 페이지만 보고 이탈했습니다. 이를 통해 현재 웹사이트가 남성보다는 여성들이 관심을 가질 수 있는 콘텐츠로 구성되어 있다고 해석할 수 있습니다.
그렇다면 획득한 지표에 대해서는 어떻게 생각해볼 수 있을까요?
방문 페이지의 콘텐츠가 남성에겐 관심 없는 콘텐츠가 아닐까?
앞서 제시한 성별에 따른 이탈률 분석 데이터를 가지고 남성의 이탈률을 줄일 수 있는 가설도 세워볼 수 있습니다.
가설 1. 남성들이 자주 구매하는 상품을 첫 페이지에 배치하고 남성 전용 코너를 기획해 추가 액션을 유도하면 어떨까?
가설 2. 콘텐츠 메시지를 남성과 여성이 각자 흥미를 가질만한 문구로 바꿔보면 어떨까? (예시 : “내 남자가 썼으면 좋을 것 같은…” , “요즘 남자들은 이거 쓴다던데?” 등등)
이렇듯 데이터를 나눠 분석한다면 측정기준에 맞는 가설을 생각해 볼 수 있겠죠?
#2 사용자의 연령대에 따라 이탈률이 달라질까?
[그림 2] 연령대 별 이탈률이전 작업처럼 연령대별 이탈률을 비교해본다면 우리 서비스 주 이용 고객의 연령대를 생각해볼 수도 있겠네요.
만약 앞에 예시로 든 쇼핑몰의 주요 타깃이 직장인이라고 가정한다면, 현재 25세~34세 고객의 이탈률은 ‘36.73%’로 1710 세션(방문) 중에 1082 세션은 쇼핑을 유지하고 있다고 해석할 수 있습니다. 타깃에 맞춰 사이트 운영을 잘하고 있다고 볼 수 있겠죠.
만약 이다음에 40대 이상 고객을 타깃으로 선정하고 프로모션을 진행한다면 사전에 연령대에 적합한 상품군이 쇼핑몰에 존재하는지 조사가 필요할 것 같습니다. 왜냐하면 현재 쇼핑몰을 방문한 40대 이상 고객의 이탈률이 50%로 유입 후 절반은 사이트 첫 페이지에서 이탈하고 있기 때문입니다.
#3 신규 방문자 / 재 방문자 별 이탈률
[그림 3] 신규 방문자 / 재 방문자 별 이탈률현재 신규 방문자의 세션(방문)은 2580 세션으로 확인됩니다. 다시 말해 신규 방문자가 2580명이라는 얘기죠. 그리고 재방문자의 세션은 1015로 약 7:3의 비중이 웹사이트를 방문하고 있습니다. 하지만 여기서 이탈률을 탐색하면 신규 방문 세션의 이탈률은 54.03%로 1394명은 첫 페이지에서 이탈을 하고 있습니다.
신규 방문자 중에 절반은 서비스를 이용하지 않고 페이지를 이탈하고 있고, 고객을 사이트로 유도하는 데는 성공했지만 방문자가 서비스를 경험하는데 좋은 환경을 제시하지 못했다고 평가할 수 있겠습니다. 이런 경우에는 신규 방문자의 방문 페이지 콘텐츠가 신규 고객단에서 쇼핑을 유도하는 것들로 잘 구성이 되어있는지 파악해봐야 합니다.
쇼핑몰에 처음 방문했다는 것은 분명 외부에서 고객의 니즈를 충족할 수 있는 메시지에 반응을 했다는 이야긴데 막상 쇼핑몰에 접속해보니 그에 걸맞은 상품을 찾기 어려워 이탈하는 것이라 해석할 수 있습니다. 또, 이런 케이스는 신규 방문자 대상으로 코흐트 분석을 하고 이들이 얼마나 꾸준히 우리 서비스를 이용하는 지도 파악할 필요가 있습니다.
나아가 광고 크리에이티브가 과대 포장돼 있진 않는지, 소개하려는 방향에서 벗어나진 않았는지 외부 매체를 점검해보는 방향도 고려해봐야 합니다.
글을 마치며
데이터 전체만 놓고 본다면 원인 파악이나 가설을 정립하기엔 많은 변수와 축약된 의미가 많습니다. 데이터를 활용해 무언가 얻고자 한다면 이를 나누어서 파악하는 것부터 시작해봐야 합니다.
무턱대고 당장 모든 데이터를 나누라는 소리는 아닙니다. 사용자 유형이나 유입채널, 페이지 등 각각의 측정기준에 따라 지표가 어떻게 달라지는지 단계별로 파악해야 합니다. 그리고 왜 이런 데이터가 나왔을까 가정해보면서 해결할 수 있는 방안들을 하나씩 시도해보는 것이 어떨까요?
