🖇 퍼널 분석이란?
🖇 퍼널 분석의 유형
🖇 퍼널 분석하기
사용자 이탈 지점을 꿰뚫고, 제품 또는 서비스의 전환 흐름을 정밀하게 진단할 수 있는 분석 기법이 바로 퍼널 분석(Funnel Analysis)이다.
퍼널 분석은 단순히 방문 수를 세는 것이 아닌, 사용자의 행동 흐름을 깔때기(funnel) 구조로 시각화하여 각 단계에서 얼마나 많은 사용자가 이탈하고 있는지를 파악하는 데이터 기반 프레임워크이다.
이 분석 방식은 단순 수치가 아닌 "사용자의 여정" 자체를 구조적으로 이해하게 도와준다.
이 글에서는 이 퍼널 분석이 왜 중요한지, 그리고 이를 실제로 어떻게 적용하고 활용할 수 있는지에 대해 정리해 보았다.
🖇 퍼널 분석이란?
퍼널 분석은 간단히 말해, "사용자가 처음 유입된 이후, 최종 목표인 구매까지 얼마나 이탈 없이 도달했는가?" 를 단계적으로 분석하는 프레임워크이다.
예를 들어 쇼핑몰 서비스를 생각해 보자.
하나의 구매는 보통 아래의 흐름을 따른다.
[앱 방문] → [상품 조회] → [장바구니 담기] → [결제 수단 선택] → [구매]
사용자는 이 여정에서 각 단계마다 이탈할 수 있다.
초기에는 많은 사람들이 방문하지만, 결제 단계까지 가는 사용자는 줄어들기 때문에 이 과정을 "깔때기(funnel)" 형태로 비유한다.
퍼널 분석은 이 깔때기 모양의 흐름 속에서 어디서 얼마나 이탈이 발생했는지,
그리고 왜 그런 일이 발생했는지를 데이터 기반으로 추적하는 분석 방식다.
🖇 퍼널 분석의 유형
퍼널 분석은 앞서 이야기한 것과 같이 고객의 구매 여정에 기반해서 분석을 하는 방법도 있지만,
고객 행동 기반의 퍼널 모델로 유명한 AIDA 모델과 AARRR 프레임워크도 있다.
AIDA 모델
- Attention (인지)
- Interest (흥미)
- Desire (욕구)
- Action (행동)
AIDA 모델은 고객이 브랜드를 인지하고(Attention), 흥미를 갖고(Interest), 원하고(Desire), 이후 최정 구매인 행동(Action)으로 이어진다는 일련의 과정을 깔대기 모양의 퍼널로 표현한 것이다.
브랜드를 처음 접한 고객이 어떻게 구매에 이르게 되는지를 4단계로 나누고, 각 단계별로 고객의 이탈 원인을 각각 정의한다.
💡 AIDA 모델은 이를 측정할 수 있는 핵심 지표를 선정하는 것으로부터 시작하여 각 단계의 전환율과 이탈률을 분석하는 고전적인 마케팅 퍼널이다.
AARRR 프레임워크
AARRR 프레임워크 역시 AIDA 모델과 비슷하게 고객의 구매 여정을 순차적으로 분석하는 접근 방법이다.
디지털 서비스에서 특히 많이 쓰이는 퍼널 분석 모델로, 아래의 5단계로 구성되어 있다.
| 단계 | 설명 |
|---|---|
| Acquisition | 사용자가 서비스를 처음 접하는 단계 (유입) |
| Activation | 가입 또는 첫 사용 등 초기 경험 |
| Revenue | 실제로 결제 등의 액션이 발생한 수익 창출 단계 |
| Retention | 반복 방문, 재사용 |
| Referral | 다른 사용자에게 서비스 추천 (바이럴 전파) |
총 5단계의 퍼널로 구성해서 각각의 이탈 원인을 분석하는 프레임워크이다.
💡 AARRR는 스타트업, 앱 서비스, SaaS 비즈니스 등에서 사용자 행동 기반 분석에 최적화된 프레임워크이다.
🖇 퍼널 분석하기
앞서 살펴보았듯 퍼널 분석 모델은 고객의 행동과 행동별 발생 순서를 단순화해서 각 단계에서 얼마나 이탈하고 얼마나 남는지 분석할 수 있는 모델이다.
Google BigQuery 환경에서 SQL로 단계별 전환율을 계산해 보자.
funnel 테이블의 데이터는 총 48건으로, 각 유저가 어떤 행동을 했는지가 action 컬럼에 기록되어 있다.
visit, signup, add_to_cart, purchase의 단계가 기록되어 있고, 이 흐름을 퍼널로 분석하게 된다.
전환율을 계산하려면 각 단계별 사용자 수와 전체 visit 수를 비교해야 한다.
WITH BASE AS (
SELECT
COUNT(DISTINCT IF(action = 'visit', user_id, NULL)) AS Visits,
COUNT(DISTINCT IF(action = 'signup', user_id, NULL)) AS SignUps,
COUNT(DISTINCT IF(action = 'add_to_cart', user_id, NULL)) AS AddToCarts,
COUNT(DISTINCT IF(action = 'purchase', user_id, NULL)) AS Purchases
FROM project_name.dataset
.modulabs.funnel
)
SELECT
Visits, SignUps, AddToCarts, Purchases,
ROUND(SignUps * 100.0 / Visits, 2) AS SignUpRate,
ROUND(AddToCarts * 100.0 / Visits, 2) AS AddToCartRate,
ROUND(Purchases * 100.0 / Visits, 2) AS PurchaseRate
FROM BASE;
퍼널 분석 해석 포인트
✓ 가입(SignUp) 전환율이 낮다면?
→ 첫 방문 후 이탈 가능성이 높음
→ 첫 화면 개선 필요
✓ 장바구니(Add to Cart) 전환율이 낮다면?
→ 상품 정보 부족 or 가격 요인
→ 상세페이지 개선, 할인 혜택 제공
✓ 구매(Purchase) 전환율이 낮다면?
→ 결제 UI 불편, 신뢰 부족
→ 원클릭 결제, 후기 강조 등 전환 설계 필요
해당 실습에서는 단순히 user_id와 action만으로 퍼널을 분석했지만,
실제로는 같은 상품을 여러 번 본 경우, 다른 상품을 비교한 경우, 구매 직전 단계에서 페이지를 벗어난 경우 등 다양한 시나리오를 고려할 필요가 있다.
따라서 더 깊이 있는 퍼널 분석을 위해서는 다음과 같은 요소를 고려할 수 있다.
- 행동의 시간 순서
- 동일 사용자 내 행동 흐름 (path)
- 상품별 퍼널, 채널별 퍼널, 기기별 퍼널 등 다양한 관점
이처럼 퍼널을 잘 정의하고 해석하면, 서비스 전환율을 극적으로 끌어올릴 수 있는 인사이트를 얻을 수 있다.
[해당 글에서 사용된 이미지는 아이펠 캠퍼스 LMS에서 제공한 이미지로 무단 복제 및 사용을 금지합니다.]
