본 내용은 인프런 '그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법' 을 수강하며 정리한 내용입니다.

Rolling Retention

• 몇 명이 남아있는가? 가 아니라, 몇 명이 나갔는가?
• '사용자가 이탈하지 않고 남아있는가?'에 초점을 맞춘 리텐션
• 롤링리텐션에서는 마지막 방문 이전에는 방문하지 않았더라도 방문으로 간주한다.

After N day에 서비스를 쓴 기록이 있는 사람 / Day 0 에 처음 서비스를 사용한 사람

(출처 : 인프런 - '그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법')

이 사람이 언제 마지막으로 들어왔는가? 에 초점을 맞춘 리텐션

e.g.
Day 7 기준 - day7을 기준으로 해당 날을 기준으로 더이상 들어오지 않았다라고 판단되는 사람은 몇 명인가?

• user2, user9는 이탈한 상태 이므로 두 명을 뺀 나머지 8명이 리텐션으로 계산된다 ➡️ 8/10

1. 장점

• 계산하기 쉽다 (first_date, last_date만 있으면 된다)
• Retention의 기준을 임의의 기간으로 설정하지 않고, 온전히 사용자에게 맡긴다. 언제 마지막으로 들어왔는지만 공평하게 본다

2. 단점

• 전반적으로 over-estimate 된다.

• 이상치의 영향이 매우 크다
  ▪︎ 이상치가 발생했을 때 (좋은 쪽으로) 크게 왜곡될 수 있다
  ▪︎ 즉, 리텐션이 높아보일 수 있다

• 계속 변화하는 숫자
  ▪︎ User2 가 만약 29일째에 접속했다면 day7, day14, day28에 모두 활동했던 것으로 판단이 바뀐다

3. 활용

• 자주 쓰이지 않는 서비스에서의 리텐션 측정 (청바지 쇼핑몰, 여행 사이트)

---

약식으로 보는 Retention

Engagement = DAU / MAU

• DAU / MAU 비율을 통해 사용자가 특정 서비스에 얼마나 engage 되었는지를 가늠할 수 있다. (숫자가 높을수록 engage 되었다고 판단)

• 단, Daily Use가 전제된 서비스에서만 유효된 지표이다.
  (여행 사이트에서는 의미 X)

• Retained 유저와 그렇지 않은 유저를 나눠서, Drill-down 하는 분석이 뒤따라와야 한다. (이 유저가 왜 들어왔고, 왜 들어오지 않았지?)

• 서비스 간 비교는 쉽지 않다.
  ▪︎ 서비스마다 DAU, MAU를 측정하는 기준이 같지 않기 때문이다.
  ▪︎ active user의 기준이 로그인한 사람인 경우, 방문자인 경우 등..
  ▪︎ 트래킹 서비스에서 보여주는 수치도 대부분 추정치에 가깝다.

• 동일 서비스에서의 기간별 추이를 보면 유용하다.

---

참고할 만한 글

• 리텐션 차트, 리텐션 커브 _ 데이터리안 블로그
  https://www.datarian.io/blog/retention-analysis