고객(사용자) 데이터 분석 방법 Part 2 - 코호트 분석
이 포스트는 고객/사용자 온라인 데이터 분석의 다양한 방법 중 ‘코호트 분석’에 대해 설명합니다. 고객 데이터 분석의 효과 및 다른 분석 방법이 궁금한 분은 아래 링크를 클릭해주세요.
👉 세그먼트 분석 / 코호트 분석 / 퍼널 분석 / 사용자 경로 분석 / 이벤트 추적
코호트 분석
코호트 분석이란?
‘코호트(cohort)’의 사전적 의미는 ‘(통계적으로 동일한 특색이나 행동 양식을 공유하는) 집단’ 입니다. 우리가 일반적으로 말하는 코호트 분석은 ‘동종 집단이 나타내는 시간적 변모 양태를 분석하여 예측하고자 하는 연구’를 의미합니다. 쉽게 말하면, 특정 기간 동안 동일한 특성을 가진 사람들을 그룹화하여 시간의 흐름에 따른 고객 행동을 분석하는 것입니다.
세그먼트 분석 VS 코호트 분석
‘세그먼트 분석’은 ‘공통된 특성을 바탕으로 고객(사용자)을 그룹화’하는 것입니다. 이런 점에서 코호트 분석은 세그먼트 분석과 유사합니다. 하지만 코호트 분석의 차별점은 바로 ‘기간’ 이 포함된다는 것입니다. 즉, 코호트 분석은 세그먼트 분석에 포함되는 개념이라고 볼 수 있습니다.
세그먼트 분석 : 공통된 특성을 바탕으로 고객(사용자)을 그룹화 하여 비교 분석하는 것.
(예) A이벤트를 통해 회원 가입한 사람, B이벤트를 통해 회원 가입한 사람 비교를 통해 전환율이 높은 이벤트 확인
코호트 분석 : 특정 기간 동안 동일한 특성을 가진 사람들을 그룹화하여 시간의 흐름에 따른 고객 행동을 분석하는 것.
(예) A이벤트를 통해 지난 한 달 간 회원가입한 사람이 이번달에 얼마나 접속했는지 확인하여 고객유지율(Retention Rate) 파악
코호트 분석은 마케팅을 위해 많이 사용되는 분석 방법으로, 특정 집단의 데이터가 시간이 지날수록 어떻게 변화하는지를 살펴보고 그로부터 인사이트를 찾는 방식입니다. 그럼 예시와 함께 코호트 분석의 방법에 대해 더 살펴보겠습니다.
코호트 분석 방법
“통합 분석에서 인사이트가 보이지 않는다면, 고객을 세분화하여 코호트 분석 해보기”
온라인 쇼핑몰의 데이터를 통해 코호트 분석으로 얻을 수 있는 가치를 살펴보겠습니다. 해당 쇼핑몰은 1월 1일부터 운영을 시작하였고, 1월부터 5월까지 전체 고객 수와 고객당 평균 매출액은 아래와 같습니다.
매월 1천명의 고객이 발생하여 5월 기준 전체 고객은 5천명이 되었습니다. 고객당 평균 매출은 감소하다가 5월에는 다시 증가했습니다. 특별한 인사이트는 없고 안정적으로 운영되는 것으로 보이네요.
이렇게 전체 고객 데이터를 통합해서 볼 때 별다른 성과가 보이지 않는다면, 고객을 세분화하여 코호트 분석을 진행해볼 수 있습니다.
위의 표는 온라인 쇼핑몰의 고객들을 가입 시기별로 그룹화하여 시간에 흐름에 따라 매출액 변화를 살펴본 코호트 분석 결과입니다. 이 분석 결과를 어떻게 해석해야 할지 아래에서 설명 하겠습니다.
“코호트 분석, 3가지만 기억하세요! 가로, 세로, 대각선”
코호트 분석을 하기 위해서는 3가지를 기억하면 됩니다. 가로, 세로, 대각선 입니다. 위에서 언급한 쇼핑몰의 예시와 함께 살펴보죠.
가로: 기존 사용자 추이
세로: 신규 사용자 추이
대각선: 동일 기간에 발생한 값
가로를 먼저 보면, 1월에 회원 가입한 고객의 평균 매출이 첫 달 5만원에서 5개월차에는 5천원으로 감소했습니다. 하지만 달이 갈수록 매출 감소폭이 줄어들고 있습니다. 고객의 리텐션 관리가 점점 되고 있는 것으로 보이며, 과거 가입자들을 대상으로 쿠폰 제공 등을 통해 접속률 및 구매율을 높일 필요가 있습니다.
세로를 보면, 신규 가입자의 평균 매출액이 점점 증가하여 1월 가입자 대비 5월 가입자의 매출 평균이 약 2배 가까이 올라갔습니다. 첫구매 고객의 매출이 증가하고 있는 것은 긍정적인 신호이며 어떤 제품들이 많이 판매되었는지 분석하여, 높은 단가의 제품 지속 판매를 통해 전체 매출을 계속 유지하는 것이 좋겠습니다.
노란색 대각선을 보면, 5월에 발생한 매출을 확인할 수 있습니다. 신규 가입자로부터는 90,000원, 기존 가입자로부터는 135,000원의 매출이 발생했습니다.
이렇듯 코호트 분석을 하면 고객의 생애 주기에 걸쳐 나타나는 패턴을 파악할 수 있습니다. 코호트 분석을 통해 전환율, 리텐션율, 수익률, 매출 등 다양한 데이터를 분석하면 앞으로 어디에 집중해야 할지 제대로 알 수 있습니다.
고객 데이터 분석 도구를 이용한 코호트 분석
그럼 이제 ‘GA4’, ‘DataStory’ 등 고객 행동 분석 솔루션에서 제공하는 실제 코호트 분석 보고서를 소개드리겠습니다. 먼저 코호트 분석 보고서의 항목 입니다.
방문자 집단 : 방문자 집단은 코호트 분석의 세그먼트로 기간과 함께 분석할 대상을 지정합니다. 간단하게는 ‘전체/회원/비회원’ 등으로 설정할 수 있으며, 기업 특성에 따라 ‘장바구니/구매/상담/다운로드’ 등으로 구분할 수도 있습니다. ‘DataStory’와 같은 구축형 고객 데이터 분석 도구를 이용하는 경우는 이외에도 다양한 고객 행동을 수집하여 항목으로 추가할 수 있습니다.
측정값 : 측정하고 싶은 결과를 값 또는 비율로 표시할 수 있습니다. 일반적으로 방문자 수, 방문 수, 페이지뷰, 머문시간, 방문자 비율 등을 사용합니다. 이 외에도 회원가입 완료, 예적금가입 완료, 이벤트 참여, 장바구니 담기, 구매금액 등 사용자정의 전환값을 측정값으로 설정할 수도 있습니다.
(1) 일자별 코호트 분석
코호트 분석 보고서는 일반적으로 아래와 같은 형태입니다. 측정 값이 높을수록 짙은 색, 낮을수록 연한 색으로 표시됩니다.
A 은행 웹사이트/어플의 방문 비율이 시간이 지날수록 어떻게 달라질지 살펴보기 위해 코호트 분석을 진행했습니다. 방문자 집단은 전체, 기간은 일주일, 측정값은 방문자 비율로 설정했습니다.
1월 1일에 방문한 고객 중 일주일간 방문을 지속한 고객은 약 20%였으며, 1월 2일과 3일에 방문한 고객은 1월 1일 방문자 대비 시간이 갈수록 방문 비율이 빠르게 낮아지는 모습을 모입니다.
이번에는 A 은행의 코호트를 1/1~1/8간 앱을 설치한 고객으로 설정하고, 동일한 기간의 방문자 비율을 살펴봤습니다. 앱설치 고객의 ‘방문자수’는 당연히 전체 방문자보다 낮지만, 방문자 비율은 1일 후부터 40% 이상으로 20% 대이던 전체 방문자 대비 훨씬 높습니다. 그리고 7일 후까지 30% 이상이라는 높은 수치를 유지하고 있습니다. 그리고 1월 1일과 2일의 방문자 비율 감소폭에 큰 차이가 없음을 알 수 있습니다.
이를 통해 은행 어플을 설치한 고객들의 사이트 재방문율이 그렇지 않은 고객 대비 10% 이상 높다는 것을 확인할 수 있습니다.
(2) 기간 코호트 분석
코호트 분석을 일자별이 아닌 기간 기준으로 진행할 수도 있습니다.
B 쇼핑몰에서 이벤트 기간 동안 사이트에 방문한 모든 회원과, 구매를 발생킨 회원의 방문자 비율 추이를 살펴보았습니다. 이벤트 기간에 방문만 한 고객 중에서는 단 5%가 다음날도 사이트에 방문했지만, 이벤트 기간 동안구매를 진행한 방문자 중에서는 11.6%가 다음날에도 사이트를 방문했습니다. 그리고 공통적으로 방문한지 5일과 6일되는 날에는 방문 비율이 감소했다가 7일째 다시 증가하는 모습을 보였습니다.
이렇듯 코호트 분석을 진행해보면, 그룹간의 비교 뿐 아니라 해당 그룹의 고객이 시간이 지남에 따라 어떻게 변화하는지도 살펴볼 수 있습니다. 이를 통해 언제 고객의 방문이 감소하는지 파악해서 재방문을 유도하는 메시지를 발송할 타이밍을 결정하는 등 마케팅 의사결정의 근거로 활용할 수 있습니다.
넷스루의 와이즈컬렉터를 이용하면 웹/앱에서 발생하는 고객(사용자) 행동을 다양하게 수집할 수 있고, 데이터스토리를 이용하면 수집한 정보를 다양한 세그먼트로 나누어 분석할 수 있습니다. 우리 사이트에 방문하는 고객을 제대로 분석하여 인사이트를 얻기 위해서는 올바른 수집, 분석 도구 선택이 첫 걸음이라는 것을 기억하시기 바랍니다.
다음 포스트에서는 세그먼트 분석, 코호트 분석 외 다른 고객 데이터 분석 방법에 대해 설명하겠습니다.
