brunch

브런치북 행동 데이터 분석가를 위한 안내서 11화

라이킷 13 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 유저해빗 Sep 23. 2019

사용자 세분화를 통한 상세 분석하기

코호트 필터를 활용한 사용자 행동 분석

사용자 행동 데이터를 분석하기에 앞서, 사용자를 세분화하는 작업은 매우 중요합니다. 그동안 일반적으로 행해져 온 '전체 사용자에 대한 평균적인 행동 패턴 분석'만으로는 제각기 다른 고객의 행동 패턴 속에서 새로운 니즈를 발견하고 그에 맞는 서비스를 제공하기 어렵기 때문이죠. 예를 들어, 사용자가 첫 방문인지 재방문인지에 따라 그들이 앱에 방문하는 목적과 행동이 달라질 수 있습니다. 국가나 지역에 따라서도 다른 행동 패턴이 나타날 수 있죠. 또한 이런 사용자의 '속성'뿐만 아니라 앱 내에서 특정 '행동'을 한 사용자를 묶어보는 것도 의미가 있습니다. 사용 횟수나 체류시간, 방문한 화면 등의 행동 요소를 기준으로 사용자를 분류한 뒤, 이들의 행동 패턴을 분석하는 것만으로도 다른 각도의 인사이트를 얻을 수 있다는 뜻이죠.

이를 위해 수많은 애널리틱스 툴에서는 '코호트 필터' 기능을 통해 사용자의 데이터를 세분화할 수 있도록 도와주고 있습니다. 코호트란 일반적으로 ‘특정 기간동안 비슷한 특성 또는 경험을 가지는 동일한 조건의 사용자 집단’을 의미하는데요. 같은 코호트 기능을 제공하더라도 비교적 간단한 로그 데이터에 대한 분석 기능만을 제공(일반적으로 GA 등의 범용 애널리틱스가 이런 예에 해당합니다)하기도 하며, 사용자 행동 지표나 구체적인 행동 흐름 데이터에 복잡한 필터를 적용할 수 있는 기능을 제공하는 경우까지 그 종류가 다양하니 사전조사를 통해 어떤 애널리틱스 툴이 우리 서비스의 분석에 필요한 기능을 제공하고 있는지 확인해볼 필요가 있습니다.

그렇다면 어떻게 데이터를 세분화할 때 지금까지와는 다른 인사이트를 얻을 수 있을까요? 다음의 '코호트 필터 활용 예시'를 통해 그 방법을 확인해 보겠습니다.

하나. 신규 유입 코호트 확인하기

신규 사용자의 유입은 많은데 전체 사용자수에 큰 변화가 없다면? 이들이 재방문 사용자로 전환되지 않는 이유를 파악해야 할 겁니다. 특정 기간에 신규 방문한 세션을 코호트 그룹으로 만들어 이들의 행동 패턴을 분석하고, 어느 시점 혹은 화면에서 다수 사용자의 이탈이 발생하는지 등을 확인한다면 보다 빠르게 문제의 해결이 가능할 겁니다.

둘. 이벤트 기간 접속 코호트 확인하기

이벤트 효과를 측정하고, 후속 대응 전략을 수립하는 데에도 코호트 기능이 유용하게 사용될 수 있습니다. 이벤트 기간에 접속한 사용자를 별로도 묶어 이들의 행동 패턴을 파악해보는 것이죠. 이벤트 기간에 접속한 사용자가 실제로 이벤트를 완료하는 비율은 얼마나 되는지, 이벤트 참여 이후 의도한 방향으로 얼마나 전환이 이루어지는지 등을 확인하여 실제 성과를 측정할 수 있습니다.

셋. 앱 사용 n번 이내/이후에 결제 완료 코호트 확인하기

이번 장의 주제인 '매출과 사용자 행동 데이터' 사이의 연관성을 살펴보기 가장 좋은 예입니다. 빠른 기간 내에 목표, 즉 결제를 진행한 사용자의 패턴과, 결제까지 오랜 시간(또는 횟수)이 걸린 사용자의 패턴, 결제를 진행하지 않은 사용자의 패턴 등을 비교한다면, 손쉽게 UX 개선 포인트를 확인하고 이를 통한 매출 신장을 기대할 수 있죠.

그 외에도 충성 사용자와 이탈 사용자의 각기 다른 패턴을 확인하는 등 접근 가능한 최대한 많은 조건을 활용하여 사용자를 그루핑하고, 그 데이터를 분석하는 과정이 필요합니다. 앞선 글에서 이야기한 것처럼 매출 신장, 고객 만족 포인트는 우리가 놓치고 있던 작은 데이터에서 찾을 수 있는 경우가 허다하니 말이죠.