15. Pirate Metrics & Funnel Analysis

15.1. 해적 지표

1. Acquisition(획득): 사용자를 서비스로 유인하는 단계로, 트래픽을 늘리고 사용자를 유입시키는 데 중점을 둡니다.

2. Activation(활성화): 사용자가 서비스를 활성화하고 첫 번째 상호 작용을 하는 단계로, 가입 또는 로그인을 통해 핵심 기능을 시작하는 것을 의미합니다.

3. Retention(리텐션): 사용자가 서비스를 지속적으로 이용하고 돌아오는 단계로, 이탈을 최소화하고 충성 고객을 확보하는 것이 목표입니다.

4. Revenue(수익): 사용자로부터 수익을 창출하는 단계로, 유료 구독, 광고 수익 등을 통해 수익을 올립니다.

5. Referral(추천): 만족한 고객이 다른 사용자를 서비스로 유인하는 단계로, 워드오브마우스와 추천 프로그램을 활용하여 새로운 사용자를 확보합니다.

15.1.1. Acquisition(획득) 단계

• 일별 총 방문건수, 방문자 수, 고유 방문자 수

SELECT 
      date
    , COUNT(visitId) AS total_session_count
    , COUNT(fullVisitorId) AS total_visitors
    , COUNT(DISTINCT fullVisitorId) AS total_unique_visitors
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
GROUP BY date
ORDER BY date;

• 채널별 접속경로

SELECT
      trafficSource.medium
    , trafficSource.source
    , COUNT(DISTINCT fullVisitorId) AS total_visitors
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
GROUP BY channelGrouping, trafficSource.medium, trafficSource.source
ORDER BY COUNT(DISTINCT fullVisitorId) DESC;

15.1.2. Activation(활성화) 단계

1. Bounce Rate (이탈률): 사용자가 첫 페이지에서 서비스를 종료한 비율로, 이것은 사용자의 부정적인 경험을 나타내는 지표입니다.

2. 페이지 뷰 (PV): 유저들이 둘러본 페이지 수를 나타내며, 높은 PV는 다양한 페이지를 방문하고 활동하는 것을 나타냅니다.

3. 체류 시간 (Duration): 고객이 서비스를 방문하고 나가기까지 머무른 시간으로, 긴 체류 시간은 더 많은 상호작용을 의미하며, 이것은 서비스의 가치 전달에 도움이 됩니다.

15.1.3. Retention(리텐션) 단계

• 활성 사용자수 및 고착도 (MAU, WAU, DAU, Stickiness)

1. 서비스의 성장률 평가 : MAU나 DAU의 절댓값이 증가하거나 감소하는지 관찰하여 성장하고 있는지 평가합니다.

2. 사용자의 생명 주기 및 이탈률 분석 : DAU, WAU, MAU간의 관계를 분석합니다. DAU는 증가하지만 MAU가 감소한다면, 고객이 서비스를 단기간 사용한 뒤 이탈하는 경향이 있을 수 있습니다.

3. 마케팅 효과 분석 : 특정 마케팅을 진행한 후 DAU, WAU, MAU의 변화를 관찰하여 마케팅 효과를 평가할 수 있습니다.

• 리텐션 (Retention)

1. N-Day Retention : 고객의 서비스 첫 방문 N일 후 재방문한 활성 유저의 비율

2. Rolling Retention : 일정 기간 동안 고객이 서비스를 유지하는 비율

3. Bracket Retention : N-Day Retention을 확장시킨 방법으로, 지정한 기간의 리텐션 측정

15.1.4. Revenue(수익) 단계

1. 어디서 유입된 사용자들이 제품을 구매하는 전환율이 가장 높은가?

2. 어떻게 사용자들이 서비스를 최초로 이용하기 쉽게 만들 수 있을까?

3. 한 번 이상 서비스를 이용한 사용자들은 어떻게 재방문하는가?

4. 최소한의 매출액과 손익분기점은 어떻게 되는가?

5. 매출이 고객 유치 비용을 초과하는지는 어떻게 판단할 수 있을까?

15.1.5. Referral(추천) 단계

1. 사용자가 자발적으로 바이럴 효과 및 공유를 일으키고 있는가?

2. 측정 지표: 사용자 언급 댓글 수, 공유 수, 레퍼럴 트래픽
• 사용자 언급 댓글 수: 사용자가 게시물에 달린 댓글에서 다른 사용자를 언급하는 횟수를 나타냅니다. 이것은 고객 간의 상호 작용과 소셜 미디어 상에서 제품이 어떻게 이야기되고 있는지를 파악하는 데 도움이 됩니다.
• 공유 수: 게시물이 소셜 미디어에서 공유된 횟수를 나타냅니다. 이것은 제품 또는 브랜드의 더 많은 가시성을 확보하고 새로운 고객을 유치하는 데 도움이 됩니다.
• 레퍼럴 트래픽: 이것은 웹 애널리틱스 서비스를 통해 확인할 수 있는 지표로, 다양한 채널을 통해 웹사이트로 유입된 트래픽을 나타냅니다. 레퍼럴 트래픽을 통해 어떤 출처가 웹사이트 트래픽에 가장 큰 기여를 하는지를 확인할 수 있으며, 트래픽의 출처를 세분화하여 파악할 수 있습니다.
 

15.2. Retention

15.2.1. Retention 개요

• Cohort(코호트) 분석

15.2.2. Retention 측정 기준 설정

• Retention 측정 기준

• Retention 측정 주기

15.2.3. N-Day Retention (Classic Retention)

SELECT
      fullVisitorId AS visitor_id
    , DATE_TRUNC(PARSE_DATE('%Y%m%d', date), MONTH) AS visit_m
    , DATE_TRUNC(PARSE_DATE('%Y%m%d', MIN(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS first_m
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE _TABLE_SUFFIX BETWEEN '20160801' AND '20170731';

WITH user_data AS (
    SELECT
          fullVisitorId AS visitor_id
        , DATE_TRUNC(PARSE_DATE('%Y%m%d', date), MONTH) AS visit_m
        , DATE_TRUNC(PARSE_DATE('%Y%m%d', MIN(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS first_m
    FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
		WHERE _TABLE_SUFFIX BETWEEN '20160801' AND '20170731'
), user_retention AS (
    SELECT
	        first_m
        , COUNT(DISTINCT visitor_id) AS month0
        , COUNT(DISTINCT CASE
	                           WHEN DATE_ADD(first_m, INTERVAL 1 MONTH) = visit_m
                             THEN visitor_id
	                       END) AS month1
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 2 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month2
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 3 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month3
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 4 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month4
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 5 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month5
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 6 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month6
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 7 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month7
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 8 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month8
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 9 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month9
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 10 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month10
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 11 MONTH) = visit_m
                             THEN visitor_id
                         END) AS month11
    FROM user_data
    GROUP BY first_m
    ORDER BY first_m
)

SELECT
      first_m AS cohort
    , month0 AS users
    , CAST(ROUND(month1 / month0 * 100, 2) AS STRING) || '%' AS month1
    , CAST(ROUND(month2 / month0 * 100, 2) AS STRING) || '%' AS month2
    , CAST(ROUND(month3 / month0 * 100, 2) AS STRING) || '%' AS month3
    , CAST(ROUND(month4 / month0 * 100, 2) AS STRING) || '%' AS month4
    , CAST(ROUND(month5 / month0 * 100, 2) AS STRING) || '%' AS month5
    , CAST(ROUND(month6 / month0 * 100, 2) AS STRING) || '%' AS month6
    , CAST(ROUND(month7 / month0 * 100, 2) AS STRING) || '%' AS month7
    , CAST(ROUND(month8 / month0 * 100, 2) AS STRING) || '%' AS month8
    , CAST(ROUND(month9 / month0 * 100, 2) AS STRING) || '%' AS month9
    , CAST(ROUND(month10 / month0 * 100, 2) AS STRING) || '%' AS month10
    , CAST(ROUND(month11 / month0 * 100, 2) AS STRING) || '%' AS month11
FROM user_retention
ORDER BY first_m;

• N-Day Retention의 한계

15.2.4. Rolling Retention (Unbounded Retention)

SELECT
      fullVisitorId AS visitor_id
    , DATE_TRUNC(PARSE_DATE('%Y%m%d', MIN(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS first_m
    , DATE_TRUNC(PARSE_DATE('%Y%m%d', MAX(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS last_m
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE _TABLE_SUFFIX BETWEEN '20160801' AND '20170731';

WITH user_data AS (
    SELECT
          fullVisitorId AS visitor_id
        , DATE_TRUNC(PARSE_DATE('%Y%m%d', MIN(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS first_m
        , DATE_TRUNC(PARSE_DATE('%Y%m%d', MAX(date) OVER(PARTITION BY fullVisitorId)), MONTH) AS last_m
    FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    WHERE _TABLE_SUFFIX BETWEEN '20160801' AND '20170731'
), user_retention AS (
    SELECT
          first_m
        , COUNT(DISTINCT visitor_id) AS month0
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 1 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month1
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 2 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month2
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 3 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month3
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 4 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month4
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 5 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month5
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 6 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month6
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 7 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month7
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 8 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month8
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 9 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month9
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 10 MONTH) <= last_m
                             THEN visitor_id
                         END) AS month10
        , COUNT(DISTINCT CASE
                             WHEN DATE_ADD(first_m, INTERVAL 11 MONTH) = last_m
                             THEN visitor_id
                         END) AS month11
    FROM user_data
    GROUP BY first_m
    ORDER BY first_m
)

SELECT
      first_m AS cohort
    , month0 AS users
    , CAST(ROUND(month1 / month0 * 100, 2) AS STRING) || '%' AS month1
    , CAST(ROUND(month2 / month0 * 100, 2) AS STRING) || '%' AS month2
    , CAST(ROUND(month3 / month0 * 100, 2) AS STRING) || '%' AS month3
    , CAST(ROUND(month4 / month0 * 100, 2) AS STRING) || '%' AS month4
    , CAST(ROUND(month5 / month0 * 100, 2) AS STRING) || '%' AS month5
    , CAST(ROUND(month6 / month0 * 100, 2) AS STRING) || '%' AS month6
    , CAST(ROUND(month7 / month0 * 100, 2) AS STRING) || '%' AS month7
    , CAST(ROUND(month8 / month0 * 100, 2) AS STRING) || '%' AS month8
    , CAST(ROUND(month9 / month0 * 100, 2) AS STRING) || '%' AS month9
    , CAST(ROUND(month10 / month0 * 100, 2) AS STRING) || '%' AS month10
    , CAST(ROUND(month11 / month0 * 100, 2) AS STRING) || '%' AS month11
FROM user_retention
ORDER BY first_m;

• Rolling Retention의 한계

1. Rolling Retention은 리텐션이 개선되고 있는지 지표를 해석하기 어렵습니다.
Rolling Retention은 N-Day Retention과는 달리, 고객이 서비스를 이용하지 않은 기간이 있더라도 이후에 서비스를 이용했다면 이용하지 않았던 기간을 이용한 것으로 간주하기 때문입니다. 따라서, 리텐션을 측정하는 시기에 따라 이전 기간의 리텐션 지표가 변동될 수 있으며, 이로 인해 최근 코호트일수록 리텐션 지표가 낮고 이전 코호트일수록 리텐션이 높습니다.
 

2. 코호트 간 측정된 리텐션 값을 단순 비교하기 어렵습니다.
예를 들어, 최근 처음 서비스를 이용한 코호트 A와 1년 전 처음 서비스를 이용한 코호트 B를 비교한다고 가정하겠습니다. 앞서 설명했듯이, Rolling Retention은 최근 코호트일수록 리텐션 지표가 낮고 이전 기간의 코호트는 리텐션이 높아지기 때문에 코호트 A와 B를 단순 비교하기 어렵습니다.
리텐션 지표는 측정하는 시기에 따라 지속적으로 변동되기 때문에 한 시점에서 두 코호트의 리텐션 지표를 단순 비교하면 잘못된 결론을 도출할 수 있습니다.

15.2.5. Bracket Retention (Range Retention)

15.3. Funnel Analysis

15.3.1. Funnel 이란

웹 기반 쇼핑 플랫폼 회사를 생각해 보면, 사이트를 방문한 사용자가 구매를 완료하는 것이 최종 목표입니다. 구매를 위해 필요한 단계는 다음과 같습니다.

1. 쇼핑몰 방문

2. 제품 상세페이지 방문

3. 장바구니에 상품 추가

4. 결제

15.3.2. Conversion Rate 향상

1. 유입 트래픽 증대

• 검색 엔진 최적화 (SEO):
• 예시: 대형 패션 쇼핑몰이 제품 설명, 메타 태그, 이미지 알트 텍스트를 최적화하여 포털사이트 검색 결과에서 상위 랭킹에 위치시킵니다.

• 소셜 미디어 활용:
• 소셜 미디어를 활용하여 관련된 키워드나 특정 타겟층에 집중적으로 광고를 진행합니다.

• 이메일 마케팅:
• 기존 고객을 대상 할인 쿠폰을 이메일로 발송, 재방문을 유도합니다

1. 전환율 향상 전략 도입

• 사용자 경험 개선:
• 페이지 로딩 시간 최소화: 웹페이지의 속도를 최적화하여 사용자가 웹사이트를 빠르게 탐색할 수 있게 합니다.
• 직관적인 내비게이션: 사용자가 원하는 정보나 기능을 쉽게 찾을 수 있도록 메뉴와 버튼 구성을 직관적으로 설계합니다.

• 신뢰성 강화:
• 투명한 정보 제공: 제품 정보, 배송비, 반품 정책 등을 명확하게 표시하여 사용자의 불확실성을 줄입니다.
• 고객 평가와 테스트: 실제 사용자의 리뷰나 전문가의 평가를 제공하여 제품이나 서비스의 품질을 확인할 수 있게 합니다.

• 장바구니 최적화:
• 간편한 체크아웃 프로세스: 복잡한 체크아웃 과정을 간소화하여 사용자가 쉽게 결제를 완료할 수 있도록 합니다.
• 다양한 결제 옵션 제공: 다양한 결제 방법을 제공하여 사용자의 선택의 폭을 넓힙니다.