코호트 분석

Cohort(동질집단)

주요 퍼널에 대한 전환률 지표는 그 자체로 중요하지만, 전체 사용자를 대상으로 한 전환율을 살펴보는 것만으론은 인사이트가 제한적이며, 전환율을 개선하기 어렵다.
그렇기에, 전환율 지표는 전체보다 여러 그룹으로 쪼개서 볼 때 훨씬 더 강력한 의미를 지니게 된다.

예를 들어,

"우리 서비스 사용자들의 평균 결제 전환율은 50%다"

보다는,

"페이스북 광고를 통해 가입한 사용자의 결제 전환율은 40%고, 친구 초대를 통해 가입한 사용자의 결제 전환율은 60%다"

라고 했을 때 더 큰 인사이트를 얻을 수 있는 것이다!

이처럼 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 Cohort라고 한다.

코호트별로 전환율을 쪼개면 각 퍼널에 영향을 미치는 선행지표를 발견하기 쉬워진다. (앞의 예시에서는 '가입 경로'라는 선행지표가 결제 전환율에 영항을 미치는 것으로 볼 수 있다.) 그리고 여러 질문들에 답할 수 있게 된다.

• 어떤 채널을 통해 가입한 고객들이 가장 많은가?
• 유입 채널 별로 고객 1인당 결제 금액(ARPU, Average Revenue Per User)이 다른가?
• 어떤 유입 채널을 통해 들어온 고객이 우리 서비스에 가장 많은 지출을 하고 있는가?
• 그 유입 채널의 광고를 늘려볼까? 아니면, 그 유입 채널에서 하고 있는 광고 형식을 다른 채널에도 적용해볼까?

이런 질문에의 답을 통해, 광고의 타깃팅을 수정하거나 예산을 조정하는 등의 후속 조치를 시도해볼 수 있을 것이다. 또한, 이 성공이 어떻게 발생했는지를 알아내고, 그 성공 방적식을 확대 적용할 수 있다.

다양한 방법의 코호트가 존재할 수 있음.
ex) 가입 시점, 특정이벤트 경험 유무, 시간이나 요일, 날씨, 인구통계학적 정보 등

Cohort 분석

코호트 분석은 이러한 코호트 집단의 기준을 '시간의 흐름'으로 하는 것을 말한다.

예를 들어, 매달 천 명이 신규로 가입하는 쇼핑몰의 평균 매출액을 보면,

표 출처: 『린 분석』 p60

이렇게만 보면 분석이 쉽지 않다. 하지만 이 데이터를 가입 시기에 따라 나누어서 표를 다시 그려 보면,

• 매월 1000명의 신규 가입자가 들어오고 있음

• 매월 신규로 가입한 고객의 첫 달 평균 구매액이 1월 가입자는 $5에서 5월 가입자는 $9로 거의 두 배 가까이 증가

• 월 가입자들의 평균 구매액이 $5에서 $3로 가입 이후 시간이 지날수록 가파르게 하락하고 있는데 반해 3월 가입자들은 첫 달 평균 구매액은 $7에서 다음달은 $6으로 그리고 그 다음달에는 $5로 완만하게 하락

• 즉, 고객들의 첫 달 구매액은 크게 증가, 구매액의 감소폭도 개선

되고 있다는 것을 한 눈에 알 수 있다.

다음은 구글 애널리틱스의 리텐션 코호트 분석 화면이다.