분석방법론

Chapter 1 AARRR Framework & Metric

1) AARRR Framework

• 제품 중심의 성장 기업이 추적 해야 하는 5가지 사용자 행동 지표

• 획득, 활성화, 리텐션, 수익, 추천의 약어
  

• 대부분의 Product Analysis가 해당 프레임웍을 활용하여 지표를 수립하고 고객을 이해하며, 제품 및 서비스를 성장시키기 위해 사용함, 마케팅을 위한 전략적인 접근 및 수단

• 목표 지향적 성장 전략
  -> 사용자(고객)의 생애 주기를 통해 제품이나 서비스의 성장을 단계별로 관리할 수 있는 구조를 제공
  -> 기업은 각 단계별로 구체적이고 실현 가능한 목표를 설정할 수 있음
  -> 전체적인 비즈니스 성장 전략의 효율성과 목표 달성률을 높임

• 데이터 기반 의사결정 강화
  -> 각 단계에서 중요한 지표들(KPI)을 정의하고 모니터링할 수 있음
  -> 기업은 데이터 기반의 의사결정을 할 수 있게 되며, 가설 검증과 전략 수정이 용이해짐
  -> 데이터를 통해 얻은 인사이트는 제품 개선, 사용자 경험 최적화, 마케팅 전략 조정 등 활용

• 고객 중심의 사고방식
  -> 고객의 관점에서 제품이나 서비스를 바라보게 만듬
  -> 고객의 여정을 전체적으로 이해함으로써, 고객의 요구와 문제점을 더 잘 파악할 수 있음
  -> 고객 만족도와 충성도가 향상되며, 장기적으로는 기업의 지속 가능한 성장을 이끌어 냄

2) Acquisition(획득)

• 사용자들을 어떻게 데려올 것인가?

• What?
  -> 사용자가 서비스를 어떻게 발견하는지?
  -> 어떤 웹 사이트의 경우 획득한 사용자는 ‘가입 후 10분 동안 서비스에 머무는 사람’일 수 있지만, 다른 사이트의 경우 ‘방문 페이지로 유입된 사람’이 획득 사용자가 될 수 있음
  -> 즉, 서비스의 특성과 분석가의 의도에 따라 획득이라는 Action의 정의가 달라질 수 있음

• Why?
  -> 사용자를 우리 서비스로 데려오는 것과 관련된 활동. 즉, 신규 고객이 생기는 것을 의미함
  -> 유치의 핵심은 고객 유치에 기여(Attribution)한 채널의 성과를 판단할 수 있는 모델을 만드는 것
  -> 어떤 채널을 통해 들어온 사용자들이 꾸준히 남아서 활동하는지, 결제로 전환되는 비율이 얼마나 되는지 등을 바탕으로 각 채널의 가치를 정확히 판단할수 있어야 이를 기반으로 전체적인 전략을 수립하거나 예산을 분배할 수 있음

• 주요 지표(Metric)
  

• Ads(광고) -> Cost
  -> 적은 비용으로 많은 수익을 내는 것이 전략적

• CAC (Customer Acquisition Cost): 유저 획득 비용
  -> 한명의 사용자를 데려오기 위해 지출하는 평균 비용
  -> 각 채널별/캠페인별/광고별로 얼마의 예산을 집행했고, 각 경로를 통한 유입을 정확히 추적해야 함

• Optimization(최적화)
  -> SEO의 목표는 트래픽(방문자 수)을 늘리는 것
  -> ASO의 목표는 다운로드(사용자 수)를 늘리는 것
  -> SEO는 방문자 수 증가, ASO는 앱 다운로드 수 증가
  -> 백링크 : 백링크는 다른 웹사이트에서 우리 웹사이트로 링크를 주는 것
  -> 앵커텍스트 : 텍스트는 하이퍼링크에서 파란색으로 밑줄쳐진, 클릭할 수 있는 텍스트를 뜻함, 앵커텍스트 최적화는 특정 키워드 검색 순위에서 우위를 꾀할 때 효과적
  

• Traffic(Web)
  -> 리퍼러 데이터 (Referrer Data) : 웹 페이지로 방문할 때 HTTP 리퍼러 헤더를 통해 이전 웹 페이지의 URL을 전송한 것, 이 정보는 사용자가 어떤 웹 사이트나 페이지에서 온 것인지를 식별하는 데 사용됨
  -> UTM 파라미터 (Urchin Tracking Module) : UTM 파라미터는 URL에 추가되는 쿼리 스트링 파라미터로, 특정 광고 캠페인이나 트래픽 출처를 추적하는 데 사용됨. 예를 들어, utm_source, utm_medium, utm_campaign 등은 각각 트래픽이 발생한 출처, 매체, 캠페인을 식별함, Google Analytics와 같은 웹 분석 도구에서 이 데이터를 분석하여 사용자의 행동과 전환을 이해할 수 있음

• Traffic(App): Attribution
  -> 웹사이트와 달리 모바일 앱의 경우 UTM 파라미터로 확인할 수 없음
  -> 모바일앱은 링크클릭 > 앱스토어 설치 및 실행 과정이 필요한데 앱스토어로 가면서 URL에 지정된 UTM파라미터가 유실
  -> 사용자가 앱을 설치하고 사용하는데 어떤 채널이 기여했는지를 식별하여 앱의 마케팅 성과를 판단하는 과정 및 기능으로 정의됨
  -> UTM 파라미터에 비해 훨씬 복잡해서 보통 유료 서비스를 이용하는 경우가 대부분

1. 트래킹 URL 활용

• 광고물에 트래킹 URL을 세팅
• 트래킹 URL이 설정되어 있는 광고를 유저가 클릭하게 되면, 어트리뷰션 툴은 어떤 매체의 광고가 언제 누구로부터 클릭 되었는지를 알 수 있게 됨
• 어트리뷰션 툴은 이 정보를 측정한 뒤 유저를 앱 설치 페이지로 리다이렉트 시킴

2. 분석 SDK를 앱에 삽입

• 설치된 앱이 실행까지 되는지를 분석하기 위해서 앱 자체에 분석 도구를 삽입
• 분석 SDK는 앱의 네이티브 영역(OS의 언어로 작성되었으며 앱의 구조를 이루는 부분)에 적용하며 앱이 실행되는 시점에 함께 동작하는 것이 장점
• 앱 실행 직후에 분석 SDK가 동작함으로써 앱 실행에 영향을 준 트래픽 소스(광고인지 아닌지, 광고라면 어떤 매체인지)를 검출하게 됨

3. 클릭 데이터와 실행 데이터를 대조

• 광고를 통해 앱이 설치(또는 실행)되었는지를 정확하게 확인하기 위해 1번의 클릭 데이터와 2번의 실행 데이터를 대조
• 클릭 데이터를 통해서는 누가 언제 어떤 매체를 클릭 했는지를 알 수 있으며, 실행 데이터를 통해서는 누가 언제 어떤 매체로 유입되어 앱을 실행 했는지를 알 수 있음
• 따라서 클릭 데이터와 실행 데이터가 정확하게 일치하는 경우에는 광고를 통한 앱 설치로 판단하게 됨

3) Activation(활성화)

• 사용자들은 우리 서비스의 핵심 기능을 잘 사용하는가?

• Funnel 분석
  -> 사용자들이 경험하는 단계를 도식화
  -> 각 단계의 전환율을 측정 및 분석
  -> 사용자가 어디서 이탈하는지, 진행률이 어느 정도인지 확인할 수 있음
  -> 각 단계별 conversion(전환)을 확인할 수 있다. Conversion에 영향을 주는 선행 지표를 발견

• Funnel 분석의 고려요소
  -> 핵심가치를 경험하는 시점과 연결되는 단계를 잘 정의했는가?
  -> 각 단계별 전환율을 어떤 기준으로 측정하나?
  -> 코호트(cohort)에 따른 퍼널별 전환율을 쪼개서 보고 있는가?
  

• 코호트: 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹

• 코호트 분류 기준
  -> 특정 Action을 했는지 여부
  -> 특정 Action을 한 시점

• 코호트별 분석 예시
  -> 가입시점에 따라 결제 전환율에 차이가 있는가?
  -> UTM_parameter에 다라 결제 전환율에 차이가 있는가?
  -> 특정 이벤트 경험 유무에 따라 결제 전환율에 차이가 있는가?
  -> 시간이나 요일, 계절이나 날씨 등 외부 변수에 따라 결제 전환율에 차이가 있는가?
  -> 사용자의 성별이나 나이 등 인구통계학적 정보에 따라 결제 전환율에 차이가 있는가?
  -> 전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가?

• 퍼널의 전환율을 높이는 방법
  1) PUSH MKT
  -> CRM(Customer Relationship Management) 채널이라고 알려진 이메일/푸시/인앱 메시지 등
  -> 잘못 사용시 사용자를 떠나보내는 양날의 검이기에 보수적으로 개입
  2) 코호트별 분석
  -> 전체에서 보이지 않는 현상들이, 코호트 별로 분석을 함으로서 보이는 경우도 빈번
  3) 퍼널 재설계
  -> 전환율을 높이는 것보다 퍼널에 속한 단계의 수를 줄이는 것이 더 효과적인 경우가 많음
  -> 존재하는 퍼널을 개선하는 것이 아닌, 퍼널 자체를 다시 처음부터 설계하는 것도 방법임
  4) UI/UX 개선
  -> 주요화면의 디자인 변경& 구성요소를 바꾸는 것
  -> 단, 전/후 효과에 대한 정확한 측정과 검증 과정이 필요함
  5) 개인화
  -> 주요화면을 개인화해서 전환율을 높일 수 있음
  -> ex. 사용자들의 이름을 명시, 사용자 개개인의 데이터를 참고한 추천 등

4) Retention(유지)

• 사용자들이 우리 서비스에 지속적으로 방문하는가?
• 서비스를 이용한 고객이 핵심가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리하는 단계
• 일반적으로 접속을 기준으로 측정하지만 접속으로 한정할 필요는 없음
• 서비스에 있어서 사용자의 유의미한 행동을 기준으로 잡고, 이러한 행동이 시간의 흐름에 따라 반복되는지 살펴보는것이 중요함
• 높은 리텐션은 기업의 장기적 성장에 유리하기에 AARRR 프레임워크에서 가장 중요한 단계

예시)
-> 정기 구독형 서비스 (음원 스트리밍, 네이버 멤버십 플러스, 쿠팡와우 등): 고객이 해지하지 않고 매월/매년 구독료를 지불하는 것
-> 무료 서비스 (페이스북, 인스타그램 등): 사용자가 계속해서 서비스를 이용하는 것 (로그인, 게시글 작성 등)
-> 쇼핑몰 (SSG.com, 29cm, 무신사 등): 사용자가 제품을 구매하는 것

측정방법

• Retention Chart
  -> 정의 : 시간의 흐름에 따른 사용자 유지율을 보여주는 표나 차트 형태, 이 차트는 특정 기간에 걸쳐 신규 사용자 그룹(코호트)의 행동을 추적하여, 얼마나 많은 사용자가 시간이 지남에 따라 계속해서 제품이나 서비스를 사용하는지를 나타냄
  -> 활용 : 제품 및 서비스의 유지 능력을 시간에 따라 분석하는 데 도움을 주고, 마케팅 캠페인, 제품 업데이트, 기타 중요 이벤트가 사용자 유지에 미치는 영향을 평가할 수 있게 해줌

• Retention Curve
  -> 정의 : 사용자가 시간에 따라 어떻게 제품이나 서비스를 계속 사용하는지를 보여주는 그래프, 이 곡선은 초기 사용 후 특정 기간 동안 사용자의 유지 또는 이탈 비율을 나타냄
  -> 활용 : 이 곡선을 통해 기업이나 개발자들은 제품의 장기적인 가치와 고객 충성도를 평가할 수 있고, 어느 시점에서 사용자가 가장 많이 떠나는지 파악하여 해당 지점에서의 개선점을 찾을 수 있음 (※ 여러 코호트를 직관적으로 분석하기 용이한 그래프)

• N-DAY 리텐션
  -> N-Day 리텐션은 첫 방문 후 특정 일자에 재방문한 유저 비율
  -> 리텐션 메트릭에 대한 논의는 일반적으로 N-Day 리텐션을 기준으로 이루어짐
  -> 게임 앱이나 소셜 앱, 혹은 습관적으로 사용하거나 반복적 행동을 유도하는 제품에 적합
  -> 유저들이 매일 재방문하는 것이 아니라 매주 혹은 매달 정기적으로 재방문하는 경우에는 “N-Week 리텐션” 또는 “N-Month 리텐션”이 보다 적절한 지표가 되고, 개념적으로는 모두 N-Day 리텐션과 동일

• BRACKET 리텐션
  -> Bracket 리텐션은 설정한 특정 기간을 기반으로 재방문을 측정
  -> 일/주/월 단위 혹은 다양한 기간을 커스텀 하게 설정하여, 각 구간별 재방문 유저 비율을 측정함
  -> 예를 들어, 1st. 0일차(1일) / 2nd. 1-3일차(3일) / 3rd. 4-6일차(3일) / 4th. 7-11일차(5일)

5) Revenue(수익화)

• 서비스의 비즈니스 모델을 관리하고 이윤을 극대화하는 과정
• AARRR 의 다른 단계를 잘 수행하더라도 결국은 이 과정들이 수익화로 이어지지 않는다면 서비스가 유지될 수 없음
• 가입자가 많고, Active User가 많고 평가가 좋더라도 매출이 발생하지 않는다면 의미가 없음
• 서비스가 어떤 BM을 가지고 있는지 명확히 이해
• BM이 잘 동작하는지 확인
• 비용 대비 수익이 안정적 인지 확인

ARPU(Average Revenue Per User)

• 사용자당 평균매출

• 강점
  -> 전반적인 수익화 상황을 살펴보는 데 유용함
  -> 사용자가 늘어나면 매출이 어떤 속도로 증가할 지 가늠할 수 있게 함
  -> 기간은 서비스의 형태에 따라 자유롭게 설정함

• 약점
  -> '사용자'와 '매출'를 정의하는 것이 모호함
  -> 사용자 : 누적 가입자 전체 or 누적 결재자 전체 or 이번 달 결제자 or 이번 달 로그인 고객 or 오늘 로그인 고객 등
  -> 매출 : 누적 결제금액 전체 or 이번 달 결제액 or 오늘 결제액 등..

ARPPU(Average Revenue Per Paying User)

• 결재자 인당 평균매출

• 강점
  -> ARPPU는 기업이나 개발자가 유료 사용자로부터 얼마나 효과적으로 수익을 창출하고 있는지를 평가할 수 있는 지표
  -> ARPPU를 분석함으로써 기업은 가장 가치 있는 사용자 세그먼트를 식별

• 약점
  -> 무료 사용자가 많은 서비스의 경우, ARPPU만으로는 전체 시장의 수익성이나 성장 잠재력을 완전히 이해하기 어려움
  -> 과도한 인앱 구매 유도나 가격 인상은 단기적으로 ARPPU를 개선할 수 있으나, 사용자 만족도 하락이나 이탈을 초래

LTV(Lifttime Value)

• 한 명의 사용자가 진입부터 이탈까지의 전체 활동기간에 누적해서 발생시키는 수익

• 강점: 논리적으로는 완벽한 수식

• 약점
  -> 현실에서는 사용이 거의 불가능하다
  -> 1인당 Cost 를 정확히 계산할 수 없다
  -> 1인당 평균 매출이 기간에 따라 일정하지 않다
  -> 고객 리텐션율이 기간에 따라 일정하지 않다

LTR(Lifetime Revenue)

• 한 명의 사용자가 진입부터 이탈까지의 전체 활동기간에 누적해서 발생시키는 수익

• 강점: 계산이 어려운 Cost(고객획득·유지 비용)을 고려하지 않고, 고객이 결제한 매출의 평균 합계액만 계산을 통해 고객가치를 산정할 수 있음

• 약점: 시장 환경의 변화, 고객 행동의 변동성, 경쟁 상황의 변화 등 불확실한 요소들이 많기 때문에, 예측된 LTR이 실제 매출과 다를 수 있음

RFM정의

• Recency - 거래의 최근성: 고객이 얼마나 최근에 구입했는가?
• Frequency - 거래빈도: 고객이 얼마나 빈번하게 우리 상품을 구입했나?
• Monetary - 거래규모: 고객이 구입했던 총 금액은 어느 정도인가?

6) Referral(추천)

• 기존 고객들로부터 새로운 고객을 확보하는 과정

• Channel, SNS Share Rate(공유, 추천수, 리뷰작성수 등)
  -> “최근 신규 앱을 받아 설치한 경험이 있으신가요? “
  -> 아마 지인의 추천을 통해 설치하는 경우가 다수일 것
  -> 이미 사용자 디바이스에 설치된 앱은 포화상태이기 때문에, 지인의 추천이 아니면 새로운 앱을 설치할 이유도, 목적도 쉽게 제시하지 못하는 상황
  -> 서비스가 안정화되고 성장하는 단계에서 중요한 데이터가 바로 Referral
  -> 우리 서비스가 어디에 얼마나 공유되고 있으며, 그 채널로 인해 얼만큼의 사용자를 다시 확보하는지 등을 살펴봐야 함
  -> 결국 Referral 단계는 Acquisition과 맞물려 선순환을 만들게 됨

Viral Coefficient K

• 기존 사용자 한 명이 초래하는 새로운 사용자의 수를 나타내는 값

• K = i x c
  -> i : 한 사용자가 초대하는 사람들의 평균 수
  -> c : Conversion Rate(%), 초대받은 사람들 중 실제로 제품이나 서비스를 사용하기로 결정한 비율

• Viral Coefficient가 1 이상이면, 제품이나 서비스가 자연스럽게 확산되고 있다는 것을 의미. 즉, 현재 사용자가 새로운 사용자 한 명 이상을 끌어들이고 있음을 나타냄

• Viral Coefficient를 분석하여 어느 부분에서 사용자 참여가 떨어지는지 파악할 수 있음. 예를 들어, 초대 수는 높지만 실제 가입 비율이 낮다면, 가입 과정의 문제점을 개선할 필요가 있음

**고객 추천 지수(Net Promoter Score, NPS)

• NPS = 추천고객 비율(Promoters,%) - 비추천고객 비율(Detractors,%)
  -> 비추천 (Detractors) (0-6점) : 당신의 브랜드를 손상시킬 수 있으며, 부정적인 입소문을 통해 성장을 방해할 수 있는 불만 고객
  -> 중립 (Passives) (7-8점) : 대체적으로 만족하나, 경쟁력 있는 대안 상품으로 쉽게 떠날 가능성이 있는 열렬하지 않은 고객
  -> 추천 (Promoters) (9-10점) : 다른 사람들에게 추천하며 계속해서 재구매하고, 성장을 만들어내는 충성도 높은 열렬한 팬층 고객

• survey를 통해서 데이터를 수집하는 것이 일반적인 방법

이 글은 제로베이스 강의 자료 일부를 발췌하여 작성되었습니다