사용자 행동을 깊이 이해하게 해주는 <코호트 분석>

데이터 관련 자격증 공부를 하다보면 코호트(Cohort)라는 용어를 많이 보게 됩니다. 그래서 데이터를 잘 다루기 위해 코호트 분석이 중요하구나 라는 생각이 들기도 합니다. 그런데 실질적으로 어떻게 그 경험을 쌓아야 할지는 오리무중인데요. 만약 자신이 현업자라면 이미 코호트 분석을 많이 해봤을지도 모릅니다. 

 

코호트란 특정 시점이나 공통된 특성을 가진 사용자 그룹을 의미합니다. 예를 들어, "2024년 1월 가입자"나 "특정 마케팅 캠페인을 통해 유입된 사용자"가 각각 하나의 코호트가 될 수 있습니다. 즉, 코호트 분석은 사용자 그룹에 따른 행동을 깊이 이해하고 시간에 따라 어떻게 변화하는지를 추적하여 서비스의 성과를 최적화 하는 기법입니다.

 

그런데 제 생각에 코호트 분석 기법은 리텐션 분석, 사용자 행동 분석 등의 표현으로 더 많이 불리는 것 같습니다. 따라서 그래서 내가 코호트 분석을 해봤나? 혼란이 될 수도 있는데 자신이 아래와 같은 경험들을 했다면 해본 것 맞습니다. 코호트 분석이라는 용어가 현업에서 자주 사용되지는 않더라도 잘 이해하고 상황에 맞게 사용하면 좋을 것 같습니다.

 

코호트 분석 기법을 사용하는 순간

코호트 분석 기법은 다른 분석 기법들과 비교했을 때, 시간과 특정 그룹에 집중한다는 점에서 차별화가 됩니다.

따라서 아래와 같은 순간에 많이 사용됩니다.

1. 시간에 따른 변화추적

코호트 분석은 특정 시점에 따라 사용자 그룹을 나누고, 이들이 시간에 따라 어떻게 행동이 변하는지 추적합니다. 예를 들어, "2023년 1월에 가입한 사용자들이 첫 3개월 동안 얼마나 자주 서비스를 사용하는지"를 분석할 수 있습니다. 이를 통해 어떤 시점에 사용자의 이탈이 발생하는지, 그리고 왜 그런지에 대한 인사이트를 얻을 수 있습니다.

2. 리텐션 분석

코호트 분석을 통해 특정 시점에 가입한 사용자들이 시간이 지남에 따라 얼마나 많은 비율로 서비스를 계속 사용하는지 파악할 수 있습니다. 이를 바탕으로 리텐션을 높이기 위한 전략을 세울 수 있습니다.

3. 마케팅 및 제품 개선 효과 측정

코호트 분석을 통해 새로운 마케팅 캠페인이나 기능을 도입했을 때 사용자 행동에 어떤 변화가 있는지 확인할 수 있습니다. 예를 들어, 새로운 결제 기능을 도입한 후, 해당 기능을 사용하는 사용자 그룹의 결제 빈도나 재방문율을 분석해 볼 수 있습니다.

4. 고객 생애 기차(LTV) 평가

어떤 시점에 가입한 사용자가 더 높은 가치를 창출하는지, 어떤 사용자 그룹이 더 오랜 기간 동안 서비스에 머무는지 파악함으로써 더 나은 비즈니스 전략을 수립할 수 있습니다.

 

코호트 분석 단계

분석 목표 설정

기획을 하는데 있어서 가장 기초가 되는 목표를 먼저 세워줍니다. 예를 들어 특정 기간에 가입한 사용자가 시간이 지나면서 얼마나 지속적으로 서비스를 사용하는지 분석(유저 유지율 분석), 새로운 기능 도입 후 해당 기능을 사용하는 사용자들의 행동 변화 추적(신규 기능 도입 효과 분석)과 같은 목표를 세우게 됩니다.

[예시]
- 분석 목표 :
최근 3개월 동안 가입한 사용자들의 이탈 원인을 파악하여, 초기 사용자 경험(온보딩 프로세스)을 개선하고, 이탈률을 낮추기 위한 전략을 도출한다.
- 세부 목표 : 
1. 특정 기간 내 가입한 사용자가 일정 기간 후 얼마나 앱을 지속적으로 사용하는지 분석.
2. 사용자 이탈 패턴을 식별하고, 이탈 방지 전략을 마련.

 

코호트 정의

코호트를 정의한다는 것은 어떤 경험을 정의할 것인지 정하는 것으로 분석의 핵심 요소입니다.
일반적으로 특정 기간(가입 날짜), 특정 행동(첫 구매, 앱 설치)를 기준으로 그룹화 할 수 있습니다.

 

코호트 분석 기획서 작성

설정된 목표를 바탕으로 코호트 분석의 구체적인 계획을 문서화합니다.

[예시]
- 프로젝트 :
FitLife(가상 서비스) 사용자 이탈률 분석 및 개선 전략 도출
- 목표 :
최근 3개월간 가입한 사용자들의 이탈 패턴을 분석하여, 이탈률을 줄이기 위한 전략 수립
- 분석 기간 :
최근 3개월 (예: 2024년 5월~7월)
- 분석 대상 :
해당 기간 내 가입한 사용자

- 코호트 기준 :
가입 날짜(2024년 5월 가입자, 2024년 6월 가입자, 2024년 7월 가입자)
- 분석 기간 :
가입 후 30일 동안의 사용자 행동 분석

- 코호트 별 비교 지표 :
1. 1주일 후, 2주일 후, 4주일 후에 앱에 남아있는 사용자 비율 (리텐션율)
2. 주요 기능 사용 빈도 (예: 운동 기록, 목표 설정, 알림 설정 등)

- 필요 데이터 :
사용자 ID, 가입 날짜, 앱 로그인 기록 (로그인 날짜, 시간), 주요 기능 사용 이력 (운동 기록, 목표 설정 등),
이탈 여부 (예: 30일 내 미로그인 사용자는 이탈로 간주)
- 데이터 수집 방법 :
데이터 팀과 협업하여, 위의 데이터 포인트를 데이터베이스에서 추출하고, 분석 툴(Mixpanel,
Google Analytics등)에 적재

- 사용할 툴 : 
Google Analytics를 통해 사용자 리텐션율을 시각화하고, Mixpanel로 세부 사용자 행동을 분석.
- 분석 내용 :
1. 코호트별 리텐션율 비교
2. 주요 기능 사용 빈도 분석: 리텐션율이 높은 사용자들은 어떤 기능을 더 자주 사용하는지 파악.
3. 이탈 사용자 패턴 분석: 이탈 직전 사용자가 어떤 행동을 했는지 분석.

- 예상 결과 : 
1. 가입 후 첫 7일간 앱 사용 빈도가 낮은 사용자의 이탈률이 높을 것으로 예상.
2. 특정 기능(예: 목표 설정, 알림 설정)을 자주 사용하는 사용자가 리텐션율이 더 높을 것으로 예상.
- 활용 방안 :
1. 초기 7일간의 사용자 온보딩 경험 개선: 첫 7일 내 주요 기능 사용을 유도하는 가이드 제공.
2. 이탈 위험 사용자에게 푸시 알림을 통한 리텐션 전략 시행.
3. 코호트별 리텐션율에 따라 마케팅 캠페인 조정.

- 타임라인 :

기획서 확정	2024년 8월 1주차
데이터 수집 및 정리	2024년 8월 2주차
분석 및 결과 도출	2024년 8월 3~4주차
결과 공유 및 전략 수립	2024년 9월 1주차

- 책임자 :
데이터 분석 팀(이탈 분석), 마케팅 팀(결과 활용), PM(전체 관리 및 조율)

 

데이터 수집 및 정리

기획서까지 작성까지 완료되었다면 데이터를 분석하기 위해 필요한 가입날짜, 사용자ID, 이탈여부, 구매 이력, 방문 빈도 등의 데이터를 추출을 통해 원하는 결과를 도출합니다.

 

코호트 분석에 사용되는 툴

효율적으로 데이터를 수집하고 정리하기 위해 적절한 툴 이용이 필요합니다. 코호트 분석을 위해 사용하는 대표적인 툴은 아래와 같습니다.

1. Google Analytics : 웹사이트 및 앱 분석에서 광범위하게 사용되며, 기본적으로 코호트 분석 기능을 제공합니다.

2. Mixpanel : 사용자 행동 분석에 특화된 툴로, 이벤트 기반 분석과 코호트 분석에 강력한 기능을 제공합니다.

---

글을 읽고 나니 코호트 분석이 더욱 친근하게 느껴졌을 것 같습니다. 그런데 막상 코호트 분석이라는 용어를 사용하니 낯설게 느껴집니다. 일을 하며 우린 용어적인 부분으로 인해 소통에 어려움을 겪기도 합니다. 이번 글을 통해 용어를 이해하기 위해 가벼운 마음으로 훑어보면 좋을 것 같습니다.