💡 25-06-17 (화)
요즘 내 표정 🫥
퍼널 분석
: 사용자가 어떤 목표에 달성하기까지 거치는 여러 단계를 시각화하고 각 단계에서 얼마나 많은 사용자가 이탈하는지를 분석하는 방법
어떤 회사든 각자의 비즈니스 목표를 가지고 있다 📚
사용자를 어떤 목표 지점까지 이끄는 것이 핵심이며 그 지점은 서비스의 특성에 따라 달라진다
☝️ 유튜브는 사용자가 더 많이 더 오래 동영상을 시청하도록 유도하는 것이 목표
☝️ 쿠팡이라면 이윤이 많이 남는 상품을 더 자주 구매하게 만드는 것이 핵심 목표
셰어하우스의 비즈니스 목표는 사람들이 입주 계약을 체결하는 것이다
이는 무한정 판매할 수 있는 상품이 아니기 때문에 정해진 시기에 모든 객실이 재고 없이 소진되도록 만드는 것이 핵심 목표❗️
사용자가 최종 목표에 도달하기까지 거쳐야 하는 일련의 단계 = 퍼널
각 단계에서 다음 단계로 얼마나 많은 사용자가 넘어가는지를 나타내는 비율은 = 전환율
▶️ 사용자가 목표까지 얼마나 잘 도달하고 있는지를 파악하고 이탈이 발생하는 지점을 찾아 각 단계를 효과적으로 개선하는 데 유용하다
1️⃣ 현상 분석하기
사용자를 목표지점에 더 많이 도달하게 하기 위해서는 가장 먼저 현상 분석이 필요하다
사용자가 원하는 최종 목표에 도달하지 못하는 데는 반드시 이유가 있다
이를 파악하려면 현상 분석을 통해 어떤 일이 실제로 일어났는지를 정확히 이해해야 한다
왜 이탈이 발생했는지❓
어떤 단계에서 문제가 발생했는지❓
그 이유는 무엇이며 어떻게 개선할 수 있는지❓
2️⃣ 단계를 나누어보기
전체 전환율만으로는 사용자의 이탈 지점을 정확히 파악하기 어렵기 때문에 현상 분석 단계 이후에는 프로세스를 더 작은 단계로 나누어 세부적으로 분석한다
이때는 단순히 전환율 같은 숫자만 보기보다 각 단계의 역할과 사용자 심리 상태를 함께 고려해 맥락 속에서 분석하는 것이 중요하다
3️⃣ 문제가 되는 구간 찾기
수치가 눈에 띄게 낮기 때문에 우선적으로 개선하는 것이 좋지만 단순히 이 수치가 낮다고 해서 반드시 나쁘다고 단정할 수는 없다
웹사이트 접속은 누구나 쉽게 시도할 수 있기 때문에 해당 단계에서의 낮은 수치는 자연스러운 현상일 수도 있다
수치만 보고 성급하게 판단하기보다는 전체 맥락을 함께 고려하는 것이 중요하다 ‼️
이 단계는 누구나 쉽게 도달할 수 있는 곳이 아니며 단순히 궁금해서 웹사이트를 방문하는 것과 달리 직접 약속을 잡고 찾아오는 것은 훨씬 더 높은 진입 장벽을 넘는 행동이다
그만큼 실제로 구매 의사가 있는 사용자일 가능성이 높은데 그에 비해 전환율이 낮다면 오히려 이 단계가 더 큰 문제일 수 있다 😮
퍼널 개선하기
전환율 개선은 물론 중요하지만 각 단계마다 현실적인 한계가 존재하기 때문에 달성 가능한 목표치를 설정하는 것이 핵심이다❗️
☝️ 입주 계약 단계의 전환율을 높이고 싶다고 해도 셰어하우스처럼 쉽게 구매할 수 없는 상품의 경우에는 더 이상 개선이 어려운 한계점이 존재할 수 있으므로 목표 수치를 현실적으로 달성 가능한 수준으로 설정하는 것이 중요하다
퍼널을 분석할 때는 여러 가지 변수가 작용하기 때문에 데이터를 단순 수치로만 보지 않고 맥락과 조건을 함께 고려해 판단해야 한다 ‼️
1️⃣ 스타트 지점에 있는 사람 수 늘려서 전환율 높이기
전환율을 높이고 싶다면 우선 방문자 수를 늘리는 것이 중요하다 👥
웹사이트에 더 많은 사용자가 유입되면 전체 퍼널 흐름에 따라 입주 계약 수치도 자연스럽게 상승하는 경향이 있다
▶︎ 상위 단계의 유입이 충분히 확보되면 하위 단계의 전환율이 일정 수준만 유지돼도 전체 성과는 크게 향상
2️⃣ 코호트로 나누어 보기
사용자마다 특정 단계를 건너뛰거나 다른 루트를 통해 전환되는 경우도 있기 때문에 퍼널 하나만으로는 모든 사용자의 행동을 설명하기 어렵다
유입 채널과 사용자 특성에 따라 퍼널 구조 자체가 달라질 수 있으며 이런 복잡한 흐름을 이해하기 위해서는 퍼널 분석뿐만 아니라 코호트 분석이라는 또 다른 시각이 필요하다 👀
코호트 분석은 동일한 시기나 조건에서 유입된 사용자 그룹을 나누어 그들의 행동 변화를 시간에 따라 비교하는 분석 방법이다
예전에는 모든 사용자가 하나의 동일한 흐름 (같은 퍼널)으로 따라간다고 가정했지만 최근에는 실제로 유입 경로와 행동 흐름이 다양해지면서 코호트 관점에서 분석하는 방식이 중요해졌다 🔥
실행 기반 분석
"데이터를 보았을 때 전환율이 5%라고 해서 그것만으로 나쁜 수치라고 단정할 수는 없다"
➡️ 이러한 배경지식과 맥락을 이해하고 있어야 분석 결과가 정말 의미 있는지 없는지를 올바르게 판단할 수 있는 분별력이 생긴다
데이터가 아무리 많아도 그중에서 유의미한 데이터를 보고 실제로 액션을 취하지 않으면 아무리 분석을 잘했더라도 그 의미는 크게 줄어든다 📉
가장 좋은 분석은 실행으로 이어지는 분석이며 데이터에 기반한 인사이트가 실제 행동과 개선으로 연결될 때 비로소 분석의 가치가 완성된다 🔥🔥
GA4와 AARRR
GA4의 메뉴 구조는 고객 여정과 행동 분석에 널리 활용되는 AARRR 프레임워크 (획득 → 활성화 → 유지 → 수익 → 추천) 를 기반으로 설계되어 있으며 실무자들에게 익숙한 분석 흐름을 반영해 사용자 친화성을 높였다 🌿
프레임워크를 따름으로써 신규 사용자에서 충성 고객으로 이어지는 전환 흐름을 단계별로 쉽게 파악할 수 있고 어느 단계에서 이탈이 많이 발생했는지도 직관적으로 분석할 수 있다
✔️ 획득 (Acquisition)은 사용자의 유입 경로와 관련된 데이터를 보여주는 메뉴
▶︎ 유입이 있어야만 전체 사용자 행동을 추적하고 분석할 수 있기 때문에 메뉴 상 가장 먼저 배치
GA4는 단순히 방문자 수를 확인하는 도구가 아니라 사용자의 행동 흐름과 문제 지점을 식별하고 그에 맞는 액션을 도출하기 위한 분석 도구라는거 잊지말기❗️
✔️ 활성화 (Activation)은 사용자가 서비스에 얼마나 활성화되었는지를 보여주는 단계
▶︎ 사용자가 처음으로 서비스를 제대로 사용해본 순간 (어? 이 서비스 괜찮은데 🤔)
▫️ 사용자가 우리 앱 또는 웹 서비스를 얼마나 적극적으로 사용했는지 어떤 행동을 했는지 볼 수 있다
▫️ 사용자가 회사의 주요 목표 지점에 도달했는지를 기준으로 활성화 여부를 판단하며 클릭·스크롤 등 구체적인 상호작용 기록과 이벤트 전환 발생 횟수를 기반으로 확인할 수 있다
✔️ 재방문율 (Retention)은 한 번 방문했던 사용자가 다시 우리 서비스를 찾아오는지를 확인하는 지표
▶︎ 사용자가 서비스에 만족했는지, 다시 사용할 만큼의 가치가 있다고 느꼈는지
사용자가 우리 서비스에 얼마나 다시 방문했는지를 보고서를 통해 확인할 수 있다
↪︎ 서비스의 품질, 사용자 경험이 얼마나 만족스러웠는지를 판단할 수 있는 중요한 기준이 됨
✔️ 추천 (Referral)은 외부 채널을 통해 사용자가 유입되는 경로
▶︎ 유입은 블로그, 커뮤니티, 인플루언서 콘텐츠 등 외부에서 발생함
☝️ 뷰티 블로거가 브랜드 링크를 더보기란에 첨부해 방문을 유도하는 경우
↪︎ 인플루언서의 영향력이나 마케팅 캠페인의 효과 분석
☝️ 드롭박스의 그로스해킹 사례
↪︎ 사용자가 친구에게 초대 링크를 보내고 그 친구가 가입하면 추천인과 가입자 모두에게 용량을 추가로 제공했던 구조
로그 수집 툴
로그를 수집하는 툴은 여러 가지가 있으며 겉보기에는 비슷해 보이지만 각자 고유한 성격과 강점이 있다
☝️ Amplitude는 사용자 행동 흐름을 분석하고 특정 행동을 많이 한 사용자 그룹을 식별하는 데 특화된 툴이다
세 가지 툴이 모두 로그를 수집한다는 공통점은 있지만 각자 분석 방식과 특화된 기능에는 차이가 있다 📄
로그 수집 툴은 웹사이트나 앱에서 발생하는 사용자 행동을 기록하는 도구다
▶︎ 어떤 페이지를 클릭했는지, 어디서 유입됐는지 등의 행동 데이터 수집
수집된 로그는 데이터 기반 의사결정에 활용할 수 있도록 도와주지만 툴이 자동으로 분석해주는 것은 아니며 같은 데이터를 기반으로 하더라도 어떻게 활용하느냐에 따라 전혀 다른 인사이트와 시각화 결과를 얻을 수 있다
의미 있는 데이터 분석
💡 https://support.google.com/analytics/answer/9267735
데이터를 단순히 보는 데서 그치지 않고 ‘왜 이걸 수집했고 어떻게 활용할 건지❓’ 를 명확히 이해하는 것이 중요하다
데이터가 많다고 해서 반드시 의미가 있는 것은 아니며 실제로 활용 가능한 데이터만이 회사의 자산이 된다
GA에서 제공하는 맞춤형, 추천형, 이벤트형 데이터의 성격을 정확히 이해하고 분석 목적에 따라 적절히 활용하는 것이 중요하다 ‼️
🧠 이벤트는 사용자가 어떤 행동을 했는지를 추적하는 태그다
예를 들어 어떤 화면을 보고, 어떤 버튼을 눌렀고, 결제까지 이어졌는지 등 행동 흐름 전체를 파악하는 데 핵심적인 역할을 한다
↪︎ 배경지식을 알고 있어야 GA 데이터를 보다 효과적으로 해석하고 사용할 수 있음
아마존 플라이휠 (Flywheel)
: 한 번 돌기 시작하면 점점 더 가속도가 붙는 선순환 구조
▶︎ 아마존의 성장하는 방식
아마존의 모토는 단순한 판매가 아니라 시스템 기반의 성장 구조를 만드는 데 있다
고객 경험이 향상되면 만족한 고객이 다시 찾아오고 이로 인해 트래픽이 증가하면 판매자들도 몰려들어 공급이 자연스럽게 늘어난다
공급이 많아지면 경쟁이 치열해지고 소비자는 더 많은 선택지와 낮은 가격을 얻게 되며 이는 고객 만족과 구매율 상승으로 이어진다
▶️ 한 번 돌아가기 시작한 플라이휠은 지속적인 성장 동력이 된다
☝️ GA를 통해 결제 직전 단계에서 많은 사용자가 이탈하고 있다는 사실을 발견했다면 결제 과정을 간소화하거나 배송비를 무료로 바꾸는 등의 실제 개선 조치로 이어질 수 있다
↪︎ 고객 경험이 좋아지는 순간 플라이휠은 본격적으로 돌기 시작 !
▶️ GA는 이 성장 구조를 만드는 데 있어 사용자를 이해하고 경험을 개선하는 출발점이 된다
성장은 우연히 이루어지는 것이 아니라 데이터 분석을 기반으로 한 철저한 설계와 시스템적인 접근에서 비롯된다
📌 퍼널 분석
Google Merch Shop > 탐색 > 유입 경로 탐색 분석으로 이동한 뒤 기본으로 설정되어 있던 값들을 모두 삭제하고 원하는 조건으로 새롭게 설정하면 내가 원하는 방식으로 퍼널을 구성해볼 수 있다
퍼널은 단계별로 구성되어 있으며 GA에서는 이 단계를 직접 맞춤 설정하여 시각화할 수 있다
✏️ 구글 애널리틱스 수강하기
✏️ 데일리 UI 하기
