CH2에서는 '주문' 데이터, 즉 이미 결제 완료한 고객들의 데이터들을 다루었음.
하지만 실제 서비스에서는 결제완료 고객 수보다, 방문 고객 수가 훨씬 많음.
CH3에서는 결제 이전에 무슨 일이 일어나고 있는지 체크함.
데이터셋
이번 실습에서 사용할 데이터셋 :
https://www.kaggle.com/datasets/mkechinov/ecommerce-events-history-in-cosmetics-shop
데이터셋 컬럼별 의미 :
고객 행동 지표
퍼널(Funnel) 분석 : 사용자의 방문부터 구매까지의 과정을 단계별로 보는 방법
아래처럼 방문자수가 동일해도, 구매자수가 달라질 수 있기 때문에 이커머스에서는 퍼널 분석이 필요함
AARRR 프레임워크 :
- 유입(Acquisition) : 고객을 얻는 단계
주요 확인 지표
- DAU : 일간 활성 유저
- WAU : 주간 활성 유저
- MAU : 월간 활성 유저
- 신규 고객 수- 활성화(Activation) : 고객들이 주요 기능을 사용했는지 확인
- 평균 PV(Page View) : 고객들이 둘러본 평균 페이지 수. (전체 PV / 활성 유저)
- 평균 체류 시간 : 고객 1명당 평균적으로 머무른 시간. (전체 세션 기간 / 활성 유저)
- 회원가입 고객 수
- 전환율(Conversion rate) : 특정 행동을 한 고객의 비율
- 이탈률(Bounce rate) : 아무 행동 없이 서비스를 떠난 "세션"의 비율- 유지(Retention) : 고객이 서비스를 꾸준히 이용하는지 확인
- 잔존율 (Retention rate): 고객이 떠나지 않고 유지되는 비율.
동질 집단(코호트)을 기준으로 확인하는 경우가 많음.
(재방문고객 / 특정 시점의 방문 고객)
(1월 가입자 100명이 2월에 60명 방문했다면, Retention rate은 60%)
- 사용자 고착도(Stickness) : 고객들이 우리 서비스에 얼마나 자주 방문하는지
DAU / WAU(%) 또는 DAU / MAU(%)
고착도가 작다 = 계속 새로운 고객이 유입되고 있거나, DAU가 작다.
고착도가 크다 = 기존 사람들이 계속 들어온다.
- 추천(Referral) : 고객이 자발적으로 우리 서비스를 추천하는가?
- 공유하기 수, 리뷰 수, 친구 초대 수 등
- 바이럴 계수 : 기존 고객이 만들어내는 신규 고객의 수
(고객 수*고객 1명당 평균 추천 수*추천받은 고객의 가입 전환율) / 고객 수- 수익(Revenue) : 고객들로부터 수익이 창출되고 있는지 확인
- GMV : 총 거래액 (모든 구매 거래건의 총액)
- 구매전환율 : 실제 구매한 고객은 얼마나 되는가?
구매횟수 / 상세조회수(유입 수)
- LTV : 고객 생애 가치. 고객 1명으로부터 얻을 것으로 기대되는 수익
- ARPU : 고객 1명 당 평균 매출
- ARPPU : 구매고객(paid user) 1명 당 평균 매출🔵 흥미로웠던 점:
이커머스 데이터 분석을 혼자 진행할 때, 어딘가 부족한 것 같다는 느낌이 있었는데 오늘 배운 고객 행동 지표를 활용할 수 있겠다고 생각이 들었다.
🔵 다음 학습 계획:
Tableau 기반 실습을 할 것입니다.
