코호트 분석을 통한 이탈률 감소시키기

이제는 많은 회사들이 압니다, 유저의 이탈은 결코 좋지 않다는 점을요. 얼마나 많은 신규 유저를 유입시킨다 한들 그들이 계속해서 서비스를 떠나간다면 무슨 소용이 있겠습니까? 유저의 리텐션을 높이기 위해 프로덕트 매니저들이 주로 사용하는 방법은 유저 온보딩 경험을 개선시키는 일입니다. 하지만 정말 효과적으로 이탈률을 감소시키기 위하여 제일 먼저 해야 할 일은 제품의 문제를 진단하고 그에 맞는 변화를 일으키는 것입니다. 여러분이 숫자를 만져보겠다는 준비가 되어있다면, 여러분은 여러분의 어플을 사용자가 그만 사용하는 이유에 대해 정확히 찾아낼 수 있을 것입니다.

코호트 분석이란?

코호트는 '특정 기간 동안 공통된 특성이나 경험을 가진 사용자 집단'을 말합니다. 코호트 분석은 쉽게 말해 사용자를 그룹으로 나누어 분석하는 방법으로, 주로 시간의 흐름에 따른 1) 사용자 유지 및 이탈 패턴이나 2) 집단 간의 상이한 행동 패턴을 파악함으로써 인사이트를 도출해 냅니다. 코호트 분석은 이탈률을 감소시키고 매출을 극대화시킬 수 있는 데이터 기반 제품 개선 결정을 내릴 수 있도록 도와줍니다. 유저가 여러분 앱을 더 이상 이용하지 않는 이유를 알아내기 위해서는 아래 사용자 리텐션과 관련된 3가지 질문에 답해볼 필요가 있습니다.

1. 누가 앱을 계속 사용하고 있고, 누가 더 이상 앱을 사용하지 않는가?
2. 언제 유저들은 앱을 이탈하는가?
3. 유저들은 왜 관심을 잃는가?

해당 질문에 답하려면 유저들을 코호트로 그룹화하면 됩니다. 가장 대표적인 코호트 분석 유형은 사용자 획득 코호트와 사용자 행동 코호트입니다. 사용자 획득 코호트는 그들이 회원 가입한 날짜를 기반으로 그룹화하는 것이고. 사용자 행동 코호트는 특정 행동을 한 것으로 그룹화하는 것입니다. 사용자 획득 코호트는 위의 질문 중 '누가'와 '언제'에 답을 해주는 반면, 사용자 행동 코호트는 '왜'에 대한 답을 할 수 있도록 도와줍니다.

1. 유저가 이탈하는 시점을 찾기

방금 전에 말했듯이 사용자 획득 코호트를 통해 유저의 사용주기 중 언제 앱을 이탈하는지 알 수 있습니다. 사용자 획득 코호트를 확인하는 방법은 아래와 같은 표를 구성해보는 것입니다.

표에서 각 행은 날짜와 그 날짜에 새로 가입한 유저의 수를 나타냅니다. 반면, 각 열은 유저가 회원 가입한 이후 며칠이 지났는지 말해줍니다. 그리고 행과 열이 만나는 셀은 회원 가입 당시 유저 수 대비 잔존한 유저 수의 비율입니다. 사용자 획득 코호트를 구할 때 몇 가지 고려해야 할 사항이 있습니다.

1. 기간
- 신생 기업이라면 코호트 분석 기간을 짧게 설정하고, 오래된 기업이라면 코호트 분석 기간을 길게 잡으세요

2. 범위
- 잔존율을 계산할 기간의 범위가 넓어질수록 이탈률의 원인을 파악하기 어렵습니다
- 따라서, 기간의 범위마다 분석을 하는 것을 추천합니다 (예) [여정 초반] 1~8일 I [여정 중반] 8~90일 I [여정 후반] 90일 이상

위와 같은 표를 구성했다면, 어느 시점에서 비율이 급하락 하는지 찾아보세요. 사용자의 데이터를 동기화하라고 요청하는 3일째에 많이 이탈하나요? 아니면, 온보딩 과정이 끝나가는 4주 차에서 많은 유저들이 이탈하고 있나요? 이런 식으로 스스로에게 질문해본다면 어디서 유저가 이탈하는지 찾아낼 수 있을 것입니다.
이번에는 생산성 앱의 가상 유저 데이터로 구성한 사용자 획득 코호트 표입니다. 어느 지점에서 유저가 이탈하고 있는지 직접 찾아보세요.

2. 유저를 머무르게 하는 기능이 무엇인지 찾아내기

사용자 획득 코호트를 통해 유저가 언제 이탈하는지 발견했다면, 이제는 무엇이 유저를 이탈하게 만드는지 찾아낼 차례입니다. 위에서 살펴본 생산성 어플의 예시를 보았을 때, 앱 회원 가입 후 15일 전후로 이탈률이 급 상승한다는 점을 발견했습니다. 그렇다면 이 시점에 유저들에게 무슨 일이 일어나는지 살펴봐야 합니다. 즉, 서비스 이탈에 영향을 미치는 요소를 찾아내기 위해서는 이탈하기 전 유저들이 취한 앱 내 행동들을 나열하고 각 행동에 따른 이탈률을 비교해보세요. 가장 높은 이탈률을 보이는 행동이 유저들이 여러분의 서비스를 떠나게 만들고 있습니다. 혹은 반대로, 가장 낮은 이탈률을 보이는 행동이 무엇인지 찾아보세요. 그 행동이 바로 유저들이 여러분의 서비스를 떠나지 않도록 만들고 있는 서비스이니까요.
위 예시인 생산성 앱은 사용자 행동 코호트를 통해 가장 적은 이탈률을 보이는 집단의 특징을 알아보고자 합니다. 어떻게 하면 되냐고요? 사용자를 그들이 취한 행동으로 구분하여 각 그룹의 잔존율을 계산하면 됩니다. 첫 번째 그룹은 가입한 후 첫 2주 동안 체크리스트 기능을 적극적으로 활용한 사용자들로, 두 번째 그룹은 대화, 앱 내 이메일 등 상호작용 기능을 적극적으로 활용한 사용자들로, 세 번째 그룹은 설정 페이지에서 푸시 알림 기능을 킨 사용자들로 나누고자 합니다.
이와 같이 유저를 그룹화시키는 유저의 행동이 구체적일수록 유저 행동과 이탈률 간의 관계를 더 명확히 찾아낼 수 있습니다. 예를 들어, '회원가입 후 30일 이내의 앱 참여'와 같이 상당히 포괄적이고 일반적인 행동은 잔존하는 유저와 그렇지 않은 유저들을 구분해내는 데 있어서 큰 도움을 주지 못합니다.
사용자를 행동에 따라 구분하였나요? 그렇다면 각각의 행동으로 구분한 유저들의 잔존율을 구한 후 하나의 그래프에 나란히 두어 비교해보세요.
자, 아래는 전체 집단의 평균 이탈률을 그래프로 나타낸 것입니다.

그리고 다른 집단의 이탈률 그래프를 추가할 건데요. 서비스의 핵심 기능 중 하나인 체크리스트 기능을 회원가입 후 첫 2주 동안 적극적으로 사용한 유저 집단의 이탈률 그래프를 추가해 보았습니다.

전체 집단과 체크리스트를 적극 활용한 유저 집단의 이탈률 그래프를 비교함으로써 체크리스트 기능을 적극적으로 활용한 유저들의 이탈률이 현저히 낮은 것을 찾아낼 수 있었습니다. 그렇다면 체크리스트를 적극적으로 활용하지 않는 이유를 고민해봐야 합니다. 체크리스트가 온보딩 과정에서 소개되지 않아서 그럴 수도 있고, 체크리스트 기능이 찾기 어려운 곳에 숨어있어서일 수도 있습니다. 더 많은 유저가 서비스를 이탈하는 것을 막기 위해서는 유저를 남게 만드는 체크리스트와 같은 기능을 발견하여 해당 기능에 유저가 참여할 수 있도록 이끌어야 합니다.
실제로 명상 앱인 Calm 은 유저들 사이에서 인기 있는 기능을 온보딩 과정에서 짚어줌으로써 고객의 리텐션을 3배 이상 높였습니다. 데이터를 통해 서비스에 잔존하는 대다수의 유저가 리마인드 기능을 즐겨 사용한다는 것을 발견했고, 그래서 앱 내 큐(신호)를 통해 해당 기능을 사용하도록 유도하였다고 합니다.

3. 행동 코호트를 비교 분석하기

안타깝게도, 위의 예시처럼 이탈률과 행동 간의 관계를 100% 쉽고 명확히 발견해내는 것은 결코 쉬운 일이 아닙니다. 대부분 유저가 여러분의 앱을 지속적으로 사용하는 이유는 오직 1가지 기능에 있는 것이 아니라 여러 가지 기능이 혼합된 상태에서 유저에게 만족감을 제공하기 때문입니다. 그러므로 우리가 타협할 수 있는 부분은 활동성이 제일 높은 유저 집단이 가장 많이 하는 행동들을 정의해내는 것입니다.

원문 : A beginner's guide to cohort analysis: How to reduce churn and make better product decisions