사용자 딥다이브를 위한 네 가지 도구
AARRR, 세그먼트, 코호트, 퍼널 분석 적합하게 낋여오기
사용자와 가까워지기 위해 어디까지 노력해보셨나요?
저는 짧은 인터뷰, 사용성 테스트, 데이터 교차 검증 등 다양한 방법으로 사용자와 가까워질 수 있도록 노력해 왔는데요, 이론을 완벽히 이해하고 있는 상태에서 진행하기보다는 직접 부딪히며 깨닫는 과정이 더 잘 맞아 그렇게 해오다 보니 어째선지 '더 체계적인 방법이 분명 있을 것 같은데..' 싶은 생각에 사로잡히게 되었어요.
사용자를 잘 이해하고 있나?
모르는 영역이 분명 있다는 생각으로 지내다 최근에 PA툴 차이점을 알고 싶어 gpt에 이것저것 물어보다 특정 단어들이 반복되는 것을 알게 되었어요.
"AARRR" "세그먼트" "코호트" "퍼널 분석"
다 어느 정도 들어봤던 개념들이었지만, 정확히 이 4가지의 데이터가 어떤 상황에서 주로 쓰이고, 어떤 문제 앞에서 함께 활용하면 빛을 내는지 등등 정확한 활용점과 차이점은 애매하게 알고 있는 상태였어요.
그래서 더 깊이 이해하기 위해 실사례 아티클을 기반으로 gpt에게 링크를 주고 이 4가지 데이터를 어떻게 활용했을지 추측해 달라는 사례 기반 설명글을 요청했어요.
전 아직 넓은 데이터를 다뤄본 경험과 환경이 없었기에 "특정 사용자"를 기준으로 명확한 개선점을 발굴해 낸 인상 깊은 아티클들을 모아 gpt에게 주고 그 개념을 천천히 곱씹었어요.
필요한 범주: 전체 vs 특정 구간
AARRR
퍼널 분석보다 더 범위가 넓은 5가지로 구성된 프레임워크
Acquisition (휙득)
: 사용자가 어떻게 우리 제품을 처음 발견하고 방문하게 되는가?
이 구간에서는 이전에 마케터분과 가까이 협업한 경험이 있었는데, 유입 채널에 따라 사용자 특성을 나누어본 경험이 있었어요.
예를 들어 인스타그램으로 광고를 진행할 때 광고의 목적을 명확히 정하고 시안을 제작하다 보니 특정 광고에 반응하는 사용자들을 추측하고, 실제 서비스 내에서 행동으로 이어졌는지, 추측한 가설의 사용자가 맞는지를 확인해 보는 시간을 가졌었네요.
만약 특정 매체에 대한 유입은 많지만, 이탈률이 높을 경우 그 광고를 본 특정 사용자를 제대로 만족시키지 못한 홈을 제공했다고 판단하여 홈 화면 내에 사용자가 가장 많이 반응했던 영역을 중점적으로 분석하고 개선 포인트를 발굴했던 것 같아요.
엥 이건 진짜인지 모르겠네요Activation (활성화)
: 사용자가 처음 제품을 써보고 만족감을 느낀 시점
서비스에 첫 진입하고 회원가입을 완료한 후 특정 이벤트 1개를 발생했을 때 (최소)
이전 운영했던 서비스에서 리텐션은 현저히 낮았지만, 이벤트는 어느 정도 발생했었기 때문에 회원가입을 완료하고 특정 필터 영역을 많이 눌러볼 경우 '왜 필터가 하단에 있는데 상단보다 더 많이 누르는 거지?'라는 궁금증으로 시작해 전체적인 활성화를 위한 사용자 선호도를 파악했던 작업을 했던 기억이 있습니다.
Retention (유지)
: 사용자가 계속해서 제품을 사용하는지
이 구간은 개인적으로 끌어올리기 제일 어려운 구간이라고 생각하는데요.
리텐션이 왜 높은지는 사용자의 여정과 행동을 뜯어보면 그 근거가 어느 정도 나오지만, 특정 이벤트로 인해 리텐션이 높아질 경우 특정 이벤트를 하지 않은 사용자들을 첫 이벤트를 발생할 수 있도록 유도하는 작업이 어려웠어요.
여기에서는 개인적인 경험으로 제가 직접 만들었던 기능의 효용성을 검증하기 위해 사용한 사용자 vs 사용하지 않은 사용자의 퍼널 전환율을 살펴보고, 이후에 해당 기능을 사용했던 사용자가 그렇지 않은 사용자보다 리텐션이 2.4배 높다는 점을 알게 되긴 했지만...
구체적으로 개선을 이뤄보지 못했기에 아쉬움이 남습니다.
Referral (추천)
: 사용자가 다른 사람에게 제품을 추천하거나 공유하는지
예시로는 초대 링크 클릭 수, 친구 초대 등이 있어요
Revenue (수익)
: 사용자가 실제로 지불하고 수익으로 이어지는지
결제나 구독, 인앱 구매로 이어지고, 데이터로는 결제 수 특히 ARPU(사용자당 평균 수익)를 보게 됩니다.
저는 AARRR로 문제를 발견하고 개선해야지!! 라기보다는 특정 흐름을 맡았던 경험이 있기 때문에 (서비스가 작았었습니다) 퍼널 분석 기반으로 접근을 많이 했었습니다.
퍼널 분석
단계별로 사용자 행동이 줄어드는 현상을 분석
다 도망치지만 몇몇은 남아있던 A vs B 퍼널 전환율 비교진입 그리고 인지적인 측면에서의 사용성을 보기 위해 클릭률을 살펴보기도 하지만, 구간 안에 문제가 명확히 존재하는 퍼널을 자세히 뜯어보는 걸 좋아합니다. (퍼널 최고!)
이와 동시에 클릭률도 함께 살펴볼 수 있다면 어느 정도 어떤 타입에 반응을 하는지, 어떤 정보를 찾다 이탈을 하게 되는지 점점 문제의 시야가 명확해져요.
하지만, AARRR과 퍼널 분석은 별개의 개념이 아닌 AARRR이 퍼널 분석을 감싸고 있는 구조라고 이해하시면 좋을 것 같습니다.
AARRR은 전체 사용자 여정과 제품 성장 전략을 구성하는 프레임워크고,
퍼널 분석은 특정 지표(Acquisition, Activation, Revenue)를 분석하는 데 사용하는 방법론이기 때문이에요.
그렇다면 세그먼트와 코호트는 어떤 차이가 있을까요?
사용 데이터: 패턴 vs 시간
세그먼트(segment)
제품을 사용하는 사용자 집단을 의미 있게 나눈 그룹
단순히 사용자를 특정 그룹으로 나열했다기 보단 목적에 따라서 사용자 그룹을 구분하는 방향에 더 가까워요.
예를 들어, 단편적으로
신규 사용자 - 온보딩/ 재방문 사용자 - 컨버전 유도, 신뢰 확보 문제
특성에 맞춰서 특정 퍼널 구간을 살펴보는 흐름으로 이어져 구체적인 문제 분석을 이어나갈 수 있어요.
코호트(cohort)
같은 시점에 같은 행동을 한 사용자 집단을 시간 흐름에 따라 추적 분석
** 같은 출발선에 선 사용자 그룹을 기준으로 행동 변화(잔존율, 이탈, 재방문 등)를 시간축을 따라 보는 것이 특징
예시로 두 데이터 분석 방법의 차이점을 말씀드리자면,
세그먼트: iOS 사용자/ 1주 내 재 방문자
코호트: 5월 1일 가입자들의 이후 7일간 행동
오늘 본 오늘의 집 PO분의 인터뷰에도 이런 글이 있었어요.
홈 화면에서 상품 기반의 콘텐츠 노출이 확대되면서 사용자의 행동이 활발해졌고, 그 결과 푸시 기반 앱 재방문도 증가하여 DAU와 D+1리텐션에도 긍정적인 변화가 나타났다는 글이었어요.
해당 부분은 추측이지만, 코호트보다는 세그먼트로 사용자 집단을 나누고
특정 행동을 한 유저 그룹: A. 콘텐츠 조회를 한 유저 vs B. 그렇지 않은 유저
팔로우 수, 재방문율, 거래 전환율 등을 비교하였다는 걸 알 수 있었어요.
세그먼트 분석: "콘텐츠를 본 사람들"이라는 기준으로 사용자를 나누고 그 사용자들의 행동 추적
만약 이 분석이 코호트 기반의 분석이 되려면,
1. 5월 1주 차에 유입된 사용자의 행동이
2. 1일 후, 3일 후, 7일 후 행동 변화가 어떻게 일어났는지
3. 같은 시기에 유입된 사용자의 잔존 행동 패턴은 시간이 흐를수록 어떻게 변화하는지
로 되어있어야 될 것 같다고 생각했습니다.
데이터 통찰력
데이터를 깊게 보면 볼수록 새로운 관점이 열린다고 생각해요. 그래서 가끔은 데이터에 집착하기도 하는데요 새로운 사용자의 패턴을 문득 알게 된 순간에는 엄청난 뿌듯함과 하나의 열쇠를 쥐게 됐다는 사실에 기분이 좋아지기도 해요.
데이터를 보는 관점에만 그동안 관심이 많았었는데 시간이 흐를수록 같은 데이터를 봐도 그 데이터를 어떻게 해석하는지에 따라 개인의 역량에 차이가 생기는 것 같아요.
데이터를 어떻게 해석해야 좋을지에 대한 고민도 앞으로 계속 이어가려고 합니다.
아동 인터뷰 후 답변을 기준으로 의존형과 탐구형으로 나눈 과정PS. 개념을 정확히 모르고 있어도 예전부터 사용자에 대한 조사는 어느 정도 방법론적으로 진행해 왔던 걸 이번 기회에 알게 되었습니다 :)
