Retention
☑️ Activation 과정을 통해 경험한 A HA Moment를 꾸준히 경험하도록 하는 것
☑️ 서비스 성공을 예측할 수 있는 가장 기본적 지표 중 하나
☑️ 일반적으로는 재방문을 통해 측정
☑️ 비용 대비 개선 효과!
☑️ 복리효과!
Retention 측정 세 가지 방법
1) Classic Rention (Day-N Retention)
☑️ 특정일에 컴백한 유저의 비율
☑️ 각 날짜에 접속한 유저는 독립적으로 계산됨 (반복적으로 들어왔는지 여부는 고려하지 않음)
☑️ 계산 = Day N에 서비스를 사용한 사람 / Day0에 처음 서비스를 사용한 사람
☑️ 장점) 설명 & 계산이 쉬움
☑️ 단점)
- 특정일에 우연히 들어왔거나, 들어오지 않았을 때..? 등 특정일의 noise에 매우 민감
- 일 단위 로그인 데이터를 모두 쌓아둬야 한다
☑️ 활용
- Daily use가 중요한 서비스 (짧은 주기로 반복적인 사용이 보편적인 서비스)
- Noise를 줄이려면? 기준일을 여러 개 두고, 여러 번 측정해서 Day N 리텐션 평균값 활용
2) Range Rention
☑️ 특정기간에 come back한 유저의 비율
☑️ 각 기간에 접속한 유저는 독립적으로 계산됨 (반복적으로 들어왔는지 여부는 고려하지 않음)
☑️ 기간 중 N회 이상 접속했는지 여부도 역시 고려하지 않음
☑️ 계산 = Range N 에 서비스를 사용한 사람 / Range 0에 처음 서비스를 사용한 사람
ㄴ 한번이라도 들어왔으면 retention으로 찍힘
☑️ 장점
- 설명하기 쉽다
- Day-to-Day Noise에서 자유로움
☑️ 단점
- Range가 길어질수록 over-estimate 된다
- 의미있는 결과를 보기 위해서는 꽤 오랜 시간이 필요
☑️ 활용
- Daily Use가 덜 중요한 서비스 (일정 간격으로 주기적으로 사용하는 것도 의미있는 서비스 – 가계
3) Rolling Rention
☑️ 몇 명이 남아있는가? 가 아니라, 몇 명이 나갔는가? 에 초점을 맞춘 리텐션 계산
☑️ 계산 = After N day에 서비스를 쓴 기록이 있는 사람 / Day 0에 처음 서비스를 사용한 사람
☑️ 장점
- 계산하기 쉽다 (first_date, last_date 만 있으면 됨)
- Retention의 기준을 임의의 기간으로 설정하지 않고, 온전히 사용자에게 맡김
ㄴ 언제 마지막으로 들어왔는지만 보겠다!
☑️ 단점
- 전반적으로 over-estimate 된다
- 이상치의 영향이 매우 크다
- 계속 변화하는 숫자 (Day-28 rolling retention 값을 언제 최종적으로 알 수 있을까? – 1년 후에 계산한 값이라도, 이후 달라질 수 있음)
☑️ 활용
- 자주 쓰이지 않는 서비스에서의 리텐션 측정 (청바지 쇼핑몰이라면, 여행 서비스)
약식으로 보는 Retention
☑️ DAU/MAU 비율을 통해, 사용자가 특정 서비스에 얼마나 engage 되었는지를 가늠할 수 있음
☑️ 단, Daily Use가 전제된 서비스에서만 유효한 지표
☑️ Retained 유저와 그렇지 않은 유저를 나눠서, Drill-down 하는 분석이 뒤따라와야 함
☑️ 서비스 간 비교는 쉽지 않음
ㄴ 서비스 DAU, MAU를 측정하는 기준이 의외로(?) 같지 않음
ㄴ 트래킹 서비스에서 보여주는 수치도 대부분 추정치에 가까움
☑️ 동일 서비스에서의 기간별 추이를 보면 유용함
Cohort
☑️ 우리 서비스 Day 7 리텐션은 45%이구요. Day 30 리텐션은 30% 입니다. (이건 기본)
☑️ Funnel 분석과 마찬가지로, Retention도 Cohort를 쪼개서 차이를 보는 게 핵심
ㄴ Retention 분석 시 활용하는 Cohort의 기본은 날짜 (가입일, 첫구매일, …)
ㄴ 가입 월별, 첫구매 월별 로 구분
☑️ 데이터를 들여다보면 Activation Retention Revenue 는 자연스럽게 이어지는 과정
의문
☑️ log-in이 '유의미한 행동' 이기 때문에, 이를 시간에 따라 반복하는지 보는 것
☑️ 다른 유의미한 행동을 기준으로, 시간에 따른 반복을 보는 것도 물론 ok
ㄴ 상세페이지 5개 이상 방문
ㄴ 구매하기 클릭
ㄴ 구매완료
ㄴ 메세지 주고 받기 등
Retention 개선하기
1) 시점에 따른 접근
- Activation 프로세스 점검
- New User Experience 개선
2) 오랜 기간 유지시키기
- 정기적인 커뮤니케이션 plan
- 휴면 고객 복귀 이유/명분 만들어주기
함정카드!
ㄴ 지표에 매몰되기 쉽다!
☑️ 푸시 보내기, 이메일 보내기, SMS 보내기 → 어쨌든 일시적인 리텐션은 늘어난다
☑️ 피로 관리가 제대로 되지 않으면, 장기적으로 악영향
☑️ 유저 커뮤니케이션 채널은 사내에서 일원화해서 관리하는 게 좋음
☑️ 촉발제를 사용하면 당연하게도 uninstall이 늘어남
ㄴ key feature를 기준으로 리텐션 모니터링 필수
☑️ 단순히 접속이 아니라
☑️ 핵심기능 사용하기, N 페이지 이상 방문, 결제하기 등 핵심기능을 기준으로 모니터링
☑️ 무조건 지금 다시 데려오는 것보다는, 추후 필요하다고 느낄 때 돌아오도록 해도 괜찮다
축적된 가치
☑️ 서비스에서 오랜 시간을 보내면서 축적해 놓은 데이터가 많은 경우 리텐션이 높아질 수 밖에 없음
☑️ 경쟁사 입장에서는? 축적된 가치 이동시키기
습관
☑️ 계기 → 행동 → 가변적 보상 → 투자
☑️ 친구 소식이 궁금해서 페이스북에 들어가는 게 아니라, 습관적으로 페이스북에 일단 들어간 뒤에 뭘 할지 고민한다.
ㄴ 유저의 습관을 형성하는게 중요
그 밖에
☑️ 장기간의 리텐션이 중요하다는 게 어려운 포인트
ㄴ현재 Status를 측정하는 데 시간이 오래 걸리고
ㄴ개선을 위해 실험을 하더라도, 효과를 확인하는 데 오래 걸린다
ㄴ리텐션은 복리 효과를 가져온다 (긍정적으로든, 부정적으로든)
☑️ 일관되게 유지되지 않는다
ㄴ기간에 따른 코호트분석을 해야하는 이유
ㄴ내가 잘하는 것도 중요하지만, 경쟁사의 출현 등 외부적 요인도 많은 영향을 미친다
☑️ 카테고리마다 권장되는 리텐션 수준은 다르다. 목표 수준을 잘 정의할 것!
ㄴ전화 서비스? 청바지 판매 서비스? 여행 서비스?
이게 중요한 이유는… Retention을 높이기 위한 장치들이 이미 Retained 된 User를 불편하게 만들 수 있기 때문
☑️ 보통 AARRR에서 activation과 함께 가장 먼저 개선해야 하는 항목으로 꼽힌다
ㄴ 그로스 실험의 시작점이 되는 경우가 많음
