교육

제로베이스_데이터분석취업스쿨

강의

분석방법론 챕터01~02
(AARRR Frame Work & Metric, Product Analysis)

느낀점

마케팅 분석방법론의 주요 프레임 워크인 AARRR과 관련 지표 및 분석 방법을 알아보고, Colab을 통한 실습을 진행했다.
마케팅 책에서 보던 AARRR이 데이터 분석에서 어떻게 활용되는지 실제 코딩 과정을 상세히 볼 수 있었기 때문에, 학문적으로 알던 내용이 좀 더 업무적으로 와닿을 수 있었다.
해당 강의를 통해 고객과 관련된 데이터 분석을 생각해 볼 수 있었고, 이후 진행되는 시각화 과정으로 발전시킬 수 있을 것으로 기대된다.

수업 내용

챕터 01. AARRR Framework & Metric

- AARRR 프레임워크 소개

• 강의구성

  학습목표

  “Product Analysis를 위한 기초이론 및 개념 이해”
  “실습을 통한 분석 방법론 분석 Skill 습득”

  이론 및 필수 개념

  “AARRR 프레임워크 및 주요 지표”

  실습 (With python)

  “Cohort Analysis”
  “NPS Analysis”
  “RFM Analysis”

• AARRR Framework

  “AARRR Pirate Metrics 프레임워크는 제품 중심의 성장 기업이 추적해야하는 5가지 사용자 행동 지표
  획득, 활성화, 리텐션, 수익, 추천의 약어

• AARRR을 왜 배워야 하는가?

  “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)를 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 만듦
  고객의 여정을 전체적으로 이해함으로써, 고객의 요구와 문제점을 더 잘 파악할 수 있음
  고객 만족도와 충성도가 향상되며, 장기적으로는 기업의 지속 가능한 성장을 이끌어 냄

- Acquisition (획득)

• Acquisition

  “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 과련된 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 판단할 수 있어야 이를 기반으로 전체적인 전략을 수립하거나 예산을 분배할 수 있음

• 주요지표(Metric)의 이해

  ADS

  CAC (Customer Acquisition Cost) : 유저획득비용

  CPC (Cost Per Click) : 클릭 당 과금 광고
  CPI (Cost Per Install) : 설치 당 과금 광고
  CAP (Cost Per Action) : 액션 당 과금 광고
  CPM (Cost Per Mile) : 노출 당 과금 광고
  CPP (Cost Per Period) : 기간 보장형 광고
  ROAS (Return On Ads Spending) : 광고로 인한 매출액 / 광고비

  Optimization

  ASO (App Store Optimization)
  SEO (Search Engine Optimization)

  Traffic

  Referrer
  UTM (Urchin Tracking Module)
  Attribution

• Cost ($)

  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

  ASO (App Store Optimization)

  앱스토어 최적화 (모바일 앱과 게임을 iOS 앱스토어와 구글플레이 내 상위 랭킹에 진입하기 위해 최적화 하는 작업)

  SEO (Search Engine Optimization)

  검색 엔진 최적화 (웹사이트가 유기적인 검색 방식을 통해 검색 엔진에서 상위에 노출될 수 있도록 최적화 하는 과정)

  Goals

  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 : 다른 웹사이트에서 우리 웹사이트로 링크를 주는 것

  앵커텍스트 : 텍스트는 하이퍼링크에서 파란색으로 밑줄쳐진, 클릭할 수 있는 텍스트. 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

  사용자가 이 블로그 게시물에 있는 온라인 상점의 링크를 클릭했다면, 온라인 상점의 웹사이트에 방문했을 때 HTTP 리퍼러티에는 위의 URL이 기록

  UTM 파라미터(Urchin Tracking Module)

  UTM 파라미터는 URL에 추가되는 쿼리 스트링 파라미터로 특정 광고 캠페인이나 트래픽 출처를 추적하는데 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

  utm_source = newsletter : 트래픽이 뉴스레터에서 왔음 (”어디서 발생했는가?”)

  utm_medium=email : 마케팅 매체가 이메일임 (”어떻게 발생했는지?”)

  utm_campaign=spring_sale : 사용자가 ‘스프링 세일’ 캠페인을 통해 유입 (”어떤 캠페인?”)

  차이점 : 리퍼러 데이터는 일반적인 트래픽 출처 정보, UTM은 마케팅 캠페인의 상세 정보 제공

  관계성 : 서로 다른 정보 제공, 리퍼러와 UTM은 독립적인 추적 메커니즘

• 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 이용

  1. 트래킹 URL 활용

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

  2. 분석 SDK를 앱에 삽입

     설치된 앱이 실행까지 되는지 분석하기 위해 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 했는지 알 수 있으며, 실행 데이터를 통해서 누가 언제 어떤 매체로 유입되어 앱을 실행했는지 알 수 있음
     따라서 클릭 데이터와 실행 데이터가 정확하게 일치하는 경우에는 광고를 통한 앱 설치로 판단하게 됨

- Activation (활성화)

• Activation

  “사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가?”

  Funnel 분석

  사용자들이 경험하는 단계를 도식화
  각 단계의 전환율을 측정 및 분석
  사용자가 어디서 이탈하는지, 진행률이 어느정도인지 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?

• “Activation단계의 핵심은 Funnel 분석”

• Cohort

  기간에 따른 cohort 혹은 노출 경로 등으로 구분
  각 cohort별 강약점 심층 분석 가능

• “공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트라 한다.”

  코호트 분류 기준

  특정 Action을 했는지 여부 ex) 접속 / 회원가입 / 구매 등
  특정 Action을 한 시점 ex) 일별 / 주별 / 월별 첫 결제자 등

  코호트 분석 예시

  가입시점에 따라 결제 전환율에 차이가 있는가?
  UTM_parameter에 따라 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”

  Push MKT

  CRM(Customer Relationship Management) 채널이라고 알려진 이메일/푸시/인앱 메시지 등
  잘못 사용시 사용자를 떠나보내는 양날의 검이기에 보수적으로 개입

  코호트별 분석

  전체에서 보이지 않는 현상들이, 코호트 별로 분석을 함으로서 보이는 경우도 빈번

  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

  UI/UX 개선

  주요 화면의 디자인 변경 & 구성요소를 바꾸는 것
  단, 전/후 효과에 대한 정확한 측정과 검증 과정이 필요함

  개인화

  주요 화면을 개인화해서 전환율을 높일 수 있음
  ex) 사용자들의 이름을 명시, 사용자 개개인의 데이터를 참고한 추천 등|

  퍼널 분석이 매우 중요

- Retention (유지)

• “사용자들이 우리 서비스에 지속적으로 방문하는가?”

  Retention 정의

  서비스를 이용한 고객이 핵심 가치를 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 살펴보는 것이 중요함
  높은 리테션은 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

• “Retention 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 Cruve

  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 커스텀하게 설정하여, 각 구간별 재방문 유저 비율을 측정함
  예를 들어, 1st. 0일차(1일) / 2nd. 1-3일차(3일) / 3rd. 4-6일차(3일) / 4th. 7-11일차(5)일

- Revenue (수익화)

• “서비스의 비즈니스 모델(Business Model, BM)을 관리하고 이윤을 극대화하는 과정”

  Revenue 정의

  AARRR의 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 안정적인지 확인

• ARPU (Average Revenue Per User)

  ARPU = 사용자당평균매출 = Revenue / User

  Strength

  전반적인 수익화 상황을 살펴보는 데 유용함
  사용자가 늘어나면 매출이 어느 속도로 증가할 지 가늠할 수 있게 함
  기간은 서비스의 형태에 따라 자유롭게 설정함

  Weakness

  ‘사용자’와 ‘매출’을 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

  ARPU의 단점을 보완하기 위해 기간을 더 명확히 정의한 형태로 지표를 사용함

  ARPDAU (Average Revenue Per Daily Active User) = 일 매출 / DAU
  ARPWAU (Average Revenue Per Weekly Active User) = 주간 매출 / WAU

• ARPPU (Average Revenue Per Paying User)

  ARPPU = 결제자인당평균매출 = Revenue / PayingUser

  Strength

  ARPPU는 기업이나 개발자가 유료 사용자로부터 얼마나 효과적으로 수익을 창출하고 있는지를 평가할 수 있는 지표
  ARPPU를 분석함으로써 기업은 가장 가치있는 사용자 세그먼트를 식별

  Weakness

  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

  ARPPU는 ‘결제자 인당 평균 매출’을 의미하며, APRU와 다르게 ‘결제자’만을 대상으로 계산한다는 차이점
  그리고 ARPPU도 ARPU와 마찬가지로 기간에 대한 정의가 필요하며, 따로 기준을 정의하지 않는다면 월 기준으로 집계하는 것이 일반적

• LTV (Lifetime Value) : 한 명의 사용자가 진입부터 이탈까지의 전체 활동기간에 누적해서 발생시키는 수익

  [(매출 - 비용) / (1 + 할인율 - 재방문율)] - 고객획득비용(CAC) = [(M-C) / 1+ i - r)] - CAC

  혹은 ARPU X (1 / Churn Rate)

  Strength : 논리적으로 완벽한 수식

  Weakness

  현실에서는 사용이 거의 불가능
  1인당 Cost를 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 활동에서 누적해서 발생시키는 수익

  월별 가입자당 결제액의 합계

  Strength

  계산이 어려운 Cost(고객획득·유지 비용)을 고려하지 않고, 고객이 결제한 매출의 평균 합계액만 계산하여 고객가치를 산정할 수 있음

  Weakness

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

  TR > CAC인 것은 당연하고, 다른 추가적인 비용을 합치더라도 ‘LTR > 비용’이 되어야 함
  코호트별로 LTR을 구해보고 그에 맞는 CAC를 책정해야함

• 예시

  가격 조정

  유료 구독료나 유료 서비스의 가격이 감소했을 수 있습니다.
  이는 사용자당 평균 수익(ARPU 및 ARPPU)을 감소시킬 수 있습니다.

  신규 유료 사용자의 가치가 낮음

  신규 유료 사용자들이 기존 유료 사용자들에 비해 상대적으로 낮은 가치를 생성하고 있을 수 있습니다.
  예를 들어, 신규 사용자들이 더 낮은 가격의 구독 플랜을 선택하거나, 덜 활동적으로 서비스를 이용할 수 있습니다.

  시장 포화 또는 경쟁 심화

  시장 포화 상태에 이르렀거나 경쟁사의 공격적인 가격 전략 등으로 인해 매출이 감소했을 가능성이 있습니다.

• RFM 정의

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

- Referral (추천)

• “추천은 기존 고객들로부터 새로운 고객을 확보하는 과정”

  Channel, SNS Share Rate (공유하기, 추천 수, 리뷰 작성 수 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 얼마만큼의 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
  ex) 한 사용자가 평균적으로 5명을 초대하고 (즉, i=5), 이 중 20%만 실제 사용자로 전환된다면 (즉, c=0.3), Viral Coefficient는 1.0

  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)

  기존 사용자 한 명이 초래하는 새로운 사용자의 수를 나타내는 값

  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 경쟁력있는 대안 상품으로 쉽게 떠날 가능성이 있는 열렬하지 않은 고객

  추천(Promoters) (9-10점) : 다른 사람들에게 추천하며 계속해서 재구매하고 성장을 만들어내는 충성도 높은 열렬한 팽층 고객

  ex) 응답자의 10%가 비추천 고객이고, 20%가 중립 고객, 70%가 추천 고객이라면 당신의 NPS 점수는 70에서 10을 뺀 60이 됩니다

  survey를 통해서 데이터를 수집하는 것이 일반적인 방법

• Appendix

  Acquisition (획득)

  방문자 수 (Unique Visitors)
  트래픽 출처 (예 : 유료 광고, 소셜 미디어, 직접 트래픽)
  클릭률 (Click-Through Rate, CTR)
  광고 비용 대비 수익 (Return on Advertising Spend, ROAS)
  캠페인 전환율 (Campaign Conversion Rates)

  Activation (활성화)

  첫 구매 전환율 (First Purchase Conversion Rate)
  사용자의 세션 시간과 페이지 뷰 (Session Time & Page Views)
  가입자 수 (Sign-ups)
  코호트 분석(Cohort Analysis)을 통한 활성화 비율

  Retention (유지)

  재방문율 (Repeat Visitor Rate)
  재구매율 (Repeat Purchase Rate)
  고객 유지율 (Customer Retention Rate)
  사용자 이탈율 (Churm Rate)
  구독 갱신율 (Subscription Renewal Rate)

  Revenue (수익)

  평균 주문 가치 (Average Order Value, AOV)
  고객당 평균 수입 (Average Revenue Per User, ARPU0
  고객 생애 가치 (Customer Lifetime Value, CLV)
  이탈 고객 대비 신규 고객 수익 (New vs Lost Customer Revenue)
  수익성 지표 (Profitability Metrics), 예 : EBITDA, 순이익 마진

  Referral (추천)

  고객 추천 지수 (Net Promoter Score, NPS)
  바이럴 코피션트 (Viral Coefficient)
  추천 프로그램 참여율 (Referral Program Participation Rate)
  공유 횟수 (Shares)

"이 글은 제로베이스 데이터 분석 취업 스쿨의 강의 자료 일부를 발췌하여 작성되었습니다."