[데이터분석] AARRR

• 개요
  • 지표를 바라보는 관점
    • 과업기반 (task-based)
      • 각 조직별로 담당하는 업무를 우선 정의한 후 업무를 통해 발생하는 수치들을 지표화해서 관리하는 것
      • 예시 ) 이벤트 참여자 수, CS 문의수, 앱스토어 리뷰 수 등
      • 전체적으로 서비스 관점에서 무엇이 중요한 지표인지 판단하기가 어려움
      • 팀별로 진행중인 업무가 언제든 추가되거나 변경될 수 있기 떄문에 모니터링 하는 지표가 수시로 달라질 수 있음
      • 대부분 놀지 않았다라는것을 증명하기 위해 사용됨
    • 프레임 워크 기반 (fremework-based)
      • 서비스 이용 흐름에 따른 핵심 퍼널과 지표를 정의하고, 해당 지표를 개선하기 위한 과업을 수행함.
• 효율적인 지표 관리
  • 사용자의 서비스 이용 흐름(ues flow)에 따라 단계별 주요 지표를 전체 서비스관점에서 정의해야 함
  • 유저가 들어오는 순간부터 나가는 순간까지를 모두 포관하는 일종의 퍼널을 만들고, 각 단계에서 핵심이 되는 지표가 무엇인지를 찾아야 함
  • 지표를 우선 정의한 후 해당 지표를 원하는 방향으로 움직이게 하기 위해 어떤 과업이 필요할지를 거꾸로 고민해야함
    • 서비스 흐름기반 5가지 카테고리 정의 → 카테고리별 핵심 지표 발굴 → 측정 / 개선
      • 고객유치 (Acquisition)
        • 핵심
          • 고객 유치에 기여한 채널의 성과를 판단할 수 있는 모델만들기
            • 일반적인 서비스는 다양한 마케팅 채널을 활용하고 다양한 캠페인을 동시에 진행하기 때문
        • 유저 종류
          • 오가닉 유저 (Organic)
            • 자발적으로 서비스를 찾아오는 고객
            → 분석서비스에서 정의하는 organic은 유입한 채널을 식별할 수 없는 사용자에 가까움
          • 페이드 유저 (Paid)
            • 비용을 집행한 마케팅 활동을 통해 서비스에 찾아온 고객
          → 고객 유지의 성과를 판단하는 기본적인 기준이 됨
        • 구글 애널리틱스, 앱스 플라이어(appsFlyer)같은 서비스에서 유입에 대한 데이터 분석 및 모니터링
          • 가능한 한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 바향이어야 함
        • issue
          • 사용자의 유입채널을 최대한 누락없이 정확하게 추적
          • 각 채널별 성과를 정확히 판단
        • 고객 획득비용(Customer Acquisition Cost, CAC)
          • 사용자를 데려오기 위해 지출하는 평균 비용
          • 마케팅에 사용한 비용을 가입한 유저수로 나누는 방법
          • keypoint
            • 각 채널별, 캠페인별, 광고별로 얼마의 예산을 집행했는지,
            • 각 경로를 통한 유입이 정확히 어떻게 되는지 정확하게 추적해야함
              • 웹
                • UTM 파라미터
                  • 장소 (utm_source) : 유입효과를 판단하기 위한 장소 정보
                  • 캠페인 (utm_campaign) : 어떤 이벤트가 효과적인지
                  • 매체(utm_medium)
                  • 검색어(utm_term)
                  • 콘텐츠(utm_contens)
                • 여러개의 utm 파라미터를 사용할때는 & 기호로 연결
                • 구글이 제공하는 url생성기를 이용하면 원하는 파라미터가 적용된 url을 쉽게 생성 가능
              • 앱
                • attribution 서비스
                  • 링크 클릭 후 앱스초어로 이동하기 떄문에 정보가 유실됨.
                  • 대부분 유료로 제공되는 별도의 서비스를 이용하는것이 일반적임
                  • 대표적인 앱
                    • 애드 저스트 (Adjust)
                    • 브랜치 (Branch)
                    • 코챠바 (Kochava)
                    • 에어브릿지 (airbridge) : 국내
                    • 애드브릭스 (Adbrix) : 국내
                  • 관련 개념
                    • 어트리뷰션 윈도우(attribution window)
                      • 기여 이벤트가 발생한 이후 얼마만큼의 기간동안 발생한 전환에 대해 어트리뷰션을 인정할것인가를 의미하는 용어 ( = lookback window)
                      • 기여 채널의 성과를 판단하기 위해서는 기여이벤트가 발생한 후 어느정도의 기간 내에 발생한 어트리뷰션을 해당 채널의 성과로 인정할 것인가에 대한 기준이 필요함
                    • 어트리뷰션 유형 : 클릭-스루,뷰-스루
                      • 클릭-스루 : 클릭을 통해 발생하는 기요
                      • 뷰-스루: 조회를 통해 발생하는 기여
                    • 어트리뷰션 모델(attribution model)
                      • 2개이상의 기여 이벤트가 발생했을때 기여도에 대한 판단을 내릴 수 있게 하는 일종의 기준.
                      • 싱클터치 어트리뷰션
                        • 퍼스트 클릭 : 싱글터치 어트리뷰션 모델, 단순하지만 간접적으로 기여하는 채널의 성과가 전혀 반영되지 않음
                        • 라스트 클릭 : 싱글터치 어트리뷰션 모델, 단순하지만 간접적으로 기여하는 채널의 성과가 전혀 반영되지 않음
                      • 멀티터치 어트리 뷰션
                        • 선형 어트리뷰선 모델 : 어트리뷰션 접점이 발생한 모든 매체에 동일한 가중치를 부여하는 방식
                        • 타임 디케이 : 기여한 모든 채널의 어트리뷰션 기여도를 인정하지만, 시간의 흐름에 따라 가중치를 주는 방식 (최근 어트리뷰션이 기여도가 가장 높음)
                        • u자형 : 타임디케이와 비슷하지만, 처음, 마지막 기여 이벤트에 높은 가중치를 줌
                • 어트리뷰션 기준 정의
                  • 정답은 없음, 사내 합의가 필요
                  • 어트리뷰션 윈도우 기간 (광고 채널별)
                  • 클릭-스루, 뷰-스루에 대한 어트리뷰션 윈도우 설정.
                  • 모바일 앱 어트리뷰션 윈도우와 웹 UTM에 대해 기여 윈도우를 인정할것인지에 대한 여부
                  • 웹 어트리뷰션 로그와 앱 어트리뷰션 윈도우 로그가 남아있을 경우 기여도
                  • 기여이벤트가 여러 채널에서 발생한 경우
                  • 검색광고 utm 로그가 있는 사용자가 다음날 친구초대로 가입했을 경우
                  • 마케팅 성과 판단 기준
                    • 광고 수익률(ROAS, return on ads spending?)
                    • 고객 획들 비용(CAC)
                    • 결제당 단가?
                    • 광고 수익률은 낮지만 고객획득비용이 저렴한 캠페인은 유지해아 하는가?
                • 채널 특성을 고려하여 기준을 세워야 함
                • 정량적으로 나타나는 수치 외에도 고려해야 할 점
                  • 마케팅 채널의 지면, 사용자 층, 사용자 타켓팅 방법, 광고와 사용자의 인터렉션 등
        • 딥링크 (deep link)
          • 모바일 앱 안의 특정 화면(activity)로 이동하는 링크를 의미
          • 해당 앱이 설치되어 있을때만 정상적으로 동작한다는 한계가 있음
        • 디퍼드 딥 링크 (deferred deep link)
          • 딥링크의 단점을 보완한 기술
          • 모바일 앱 설치 유무와 상관없이 사용할수 있는 딥 링크
          • 장점
            • 사용맥락 유지 가능
            • 사용자경험 측면에서 장점이 있음
            • 어트리뷰션을 측정할 수 있는 범위가 넓어짐
            • 딥링크를 생성할 때 적절한 파라미터를 추가하면 어떤 채널에서 활용된 딥 링크를 통해 앱을 설치하고 사용했는지 측정 가능
        • 어트리뷰션 사용시 고려해야 할 이슈
          • 어트리뷰션 원칙 잘 정의하기
          • 상용 어트리뷰션 툴에 대한 기술적인 이해도
          • 어트리뷰션에 관한 깊이있는 고민
          • 숫자 이면에 있는 다양한 맥락 정보
          • 나름의 주관과 철학을 바탕으로 서비스에서 활용할 어트리뷰션 기준을 세우는 과정이 꼭 필요
        • 스타트업이라면 많은 채널을 찾으려고 하는것보다 영향력 있는 소수의 채널을 찾아서 해당 채널의 효과를 극대화 하는것을 목표로 삼는게 좋음
          • 채널의 확장은 채널의 포화도를 바탕으로 결정해야 함
            • 기존 채널에서의 최적화가 충분히 잘 돼 있는지?
            • 마케팅 예산이 커져서 기존 채널에서 모두 소화라기에는 비효율적인지?
        • 숲과 나무를 함께 바라보는것이 중요
          • 전체적인 관점에서 우리 서비스의 마케팅 데이터를 어떻게 통합해서 정리할지에 대한 고민이 함께 이뤄져야 함
      • 활성화 (Activation)
        • 고객 유치를 통해 데려온 사용자가 우리 서비스의 핵심가치를 경험하게 만드는것이 중요 포인트
        • 퍼널에 대한 분석이 핵심
          • 핵심가치를 경험하는 시점과 그곳으로 연결되는 각 단계를 잘 정의했는지?
          • 각 단계별 전환율을 어떤 기준으로 측정할 지
          • 코호트(Cohort)에 따른 퍼널별 전환율을 보고 있는지
          • 퍼널의 세부단계 정의하기
            • 서비스가 줄수 있는 핵심 가치를 구체화 하고, 핵심가치를 경험하는 정확한 순간을 정의하는것
              • 핵심가치를 아하 모먼트(Aha moment), 머스트 해브(must have) 라는 용어를 사용하기도 함
                • 핵심가치는 사용자 입장에서 정의해야 함
              • 크리티컬 패스(Critical Path) 정의해야 함.
                • 핵심 가치를 경험하는 지점까지 연결되는 세부적인 단계를 하나하나 정의하고 도식화 하는 과정이 필요함
          • 퍼널분석의 핵심은 전환율 측정하기
            • 퍼널분석또한 회사내에서 합의된 기준이 필요함
            • 일반적으로 트래픽을 기준으로 한 전환율을 살펴보기
              • UI/UX 측면에서의 개선점을 찾는데 도움이 됨
              • 사용자를 기준으로 한 전환율은 UX/UI를 포함한 다양한 요소(상품의 매력도나 가격 등)의 영향력이 종합적으로 반영되는 지표라고 할 수 있음
          • 코호트별 전환율 쪼개보기
            • 전환율에 영향을 미치는 유의미한 선행지표 발견
            • 코호트 : 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹
            • 코호트별로 분리하면 각 퍼널에 영향을 미치는 선행지표를 발견하기 쉬워짐
            • 코호트 별 분리 방법
              • 가입시점에 따라 결제 전환율에 차이가 있는지
              • utm_source, utm_medium, utm_campaign에 따라 결제 전환율에 차이가 있는지?
              • 특정 이벤트 경험 유무에 따라 결제 전환율에 차이가 있는지
              • 시간이나 요일, 계절이나 날씨 등 외부 변수에 따라 결제 전환율에 차이가 있는지?
              • 사용자의 성별이나 나이 등 인구통계학적 정보에 따라 결제전환율에 차이가 있는지?
            • 전환된 사용자와 전환되지 않는 사용자는 무엇이 다른지 생각해 보기
          • 퍼널의 전환율을 높이는 방법
            • 개인화
              • 사용자 개개인의 맥락에 맞는 정보를 보여주기
                • 이름명시(이메일, 푸시메세지), 개개인 서비스 사용 내역 참고한 데이터 보여주기 등
              • 규칙기반 추천(rule-based recommendation)도 초기에는 잘 동작함
                • 기존 데이터 확인 후 간단한 추천규칙 정리해서 개인화 시작하기
            • UI/UX (user interface / user experience) 개선
              • 주요 화면 디자인 변경 혹은 구성요소 바꾸기
              • 디자인 변경 초기에는 사용자들이 익숙하지 않아서 일정기간 지표가 낮아질 수 있음
            • 적절한 개입
              • CRM (customer relationship management) 채널
                • 이메일, 푸시, 인앱 메세지 등을 적절히 활용하여 주요단계의 전환율 높이기
                예시 ) 장바구니네 넣고 미결제인 고객에세 푸시 보내기, 회원가입후 활동하지 않는 회원에게 쿠폰 보내기
              • 맥락에 따라 효과가 극적으로 달라질 수 있음
                • 타켓칭이 잘 된 이메일과 푸시는 논타케팅보다 5배정도의 성과 차이가 있음
              • 마구잡이 남발 금지
              • 전체 회원 대상 논타키팅 푸시와 이메일은 보수적으로 판단하고 보내야 함
        • 돈이아닌 실력으로 헤쳐나가야 함
        • 핵심가치 정의 → 단계별 퍼널 정의 → 코호트 기반으로 쪼개서 보기
        • 전환율을 높이는 것보다 퍼널의 단계수를 줄이는것이 더 효과적임
          • 퍼널을 재설계하는것도 새로운 대안이 될 수 있음
        • 높은 활성화 지표는 리텐션의 든든한 바탕이 됨
      • 리텐션 (Retention)
        • 활성화 과정을 통해 경험한 핵심 가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리해야 함
        • 잘 하고 있을때일수록 더 세심하게 측정하고 관리해야 하는 지표에 속함
        • 주요 이벤트 반복여부 살펴보기
          • 접속
          • 상품페이지 5개 이상 방문
          • 구매하기 클릭
          • 구매 완료
          • 재구매
          • 친구초대
          • 메시지 주고받기
          • 콘텐츠 시청
        • 리텐션 측정 방법
          • 클래식 리텐션(classic rentention)
            • 가장 일반적인 유지율 계산 방법
            • 특정일에 이벤트를 발생시킨 유저의 비율 계산 (= day N 리텐션)
            • 하루하루 시간이 지남에 따라 몇명이 해당 이벤트를 반복했는지를 집계하는 방식
              • 7일 째 : 10명중 6명 접속 = 60%
              • 14일쨰 : 40%
            • 꾸준히, 반복적으로 들어왔는지 여부는 고려하지 않음
            • 짦은 주기로 반속적으로 사용하는 서비스에 주로 사용
              • 메신저, sns, 등
          • 범위 리텐션 (range retention)
            • 특정기간(7일, 1개월)에 이벤트를 발생시킨 유저의 비율을 계산하는 방식
            • 기간내 접속한 횟수는 고려하지 않음
              • 1번 이상 접속기록이 존재하면 해당기간에는 접속한것으로 인정
            • 범위 리텐션 = range N에 서비스를 이용한 사람 / range 0 에 처음 서비스를 이용한 사람
              • 1주일 기준 리텐션
                • 첫번째 기간 (range 1) = 80%
                • 두번쨰 기간 = 60 %
            • 설명하기 쉽고 직관적임
            • 클래식 리텐션 대비 측정일에 따른 노이즈(day-to-day noise)가 크지 않음
            • 기준이 되는 기간이 길어질수록 리텐션이 과대추정 (over-esimated)될 수 있는 문제가 있음
            • 의미있는 결과를 보기 위해서는 어느정도 기간이 축적되어야 함
            • 일정간격으로 꾸준히 사용하는 서비스
              • 가계부, 음식배달 서비스 등
          • 롤링 리텐션(rolling retention)
            • 더이상 해당 이벤트가 발생하기 않는 비율은 얼마인지 살펴봄으로써 리텐견 계산
            • 떠나버린 유저를 집계해서 리텐션을 계산
              • 마지막 로그인 날짜를 활용해 리텐션 계산
              • 7일쨰 되는날 롤링 리텐션 : 80%
              • 14일 : 60%
            • 계산에 필요한 데이터가 간단하고 계산이 간편함
            • 한번만 로그인하면 활동 기간으로 인정하기 때문에 유지율이 과대 추정되는 경향이 강함
              • 이상치의 영향을 크게 받음
            • 사용빈도가 높지않는 서비스에서 유용하게 사용됨
              • 의류쇼핑 서비스, 여행서비스 등
          • 약식으로 보는 리텐션 지표, 인게이지먼트(Engagement)
            • DAU(Daily active user)를 MAU(Monthly active user)로 나누기
              • engagement = DAU / MAU
            • 매일 동일한 사용자가 반복적으로 들어오는지, 새로운 사용자가 들어오는지를 빠르게 가늠할 수 있게 해줌
            • 꾸준히 들어와서 주기적으로 사용하는 서비스에서 사용하기 적합함
              • 전화, 메신저, SNS 등 클래식 리텐션에 잘 맞는 서비스가 여기에 해당됨
            • 동일 서비스에서 기간별 추이를 보는 형태로 활용하는것이 좋음
        • 리텐션 분석하기
          • 코호트에 따른 차이 살펴보고 원인이 되는 요소를 규명하기
          • 쪼개서 볼 때 의미있는 지표임
          • 활용하는 코호트 기본 지표
            • 날짜
              • 가입 월별 리텐션, 첫 구매 월별 리텐션 등
            • 유입 채널별 리텐션
          • 리텐션 차트 (Retention chart)
            • 코호트, 볼륨, 기간, 유지율의 4가지 요소로 이뤄짐
            • 유용한 인사이트 얻는 방법
              • 시간에 따른 변화 추이 민감하게 보기
              • 하나의 코호트안에서 기간에 따른 유지율을 봤을때의 추이
              • 유지율이 급격히 떨어지지 않고 안정화 되는 지점이 있는지
              • 대략 어느정도 기간이 지나야 안정화 되는지
              • 서로다른 코호트의 동일한 기간의 유지율을 비교하면 어떤지
              • 2020년 1월 가입자 vs 2020년 5월 가입자의 60일 리텐션에 차이가 있는지
              • 기간에 따라 나눈 코호트의 규모는 어떻게 달라지고 있는지
              • 가입자(혹은 접속자)가 꾸준히 증가하는 추세인지
        • 리텐션 개선하기
          • 초기 리텐션 떨어지는 속도 낮추기
            • 활성화 프로세스의 영향을 많이 받음
            • 사용자가 서비스에 들어와서 가입하는 동선, 서비스 핵심기능 사용하는 프로세스 등 단계벼롤 쪼개서 살펴보기
            • 가입할떄 발송되는 이메일, sms 등 메세지가 잘 설정되 있는지 검토하기
            • 흔히 NUX(new user experience)라고 부르는 영역
          • 리텐션 안정화 후 기울기를 평평하게 유지하기
            • 정기적인 커뮤니케이션 플랜, CRM 마케팅 활동, 주기적인 프로모션 활용하기
            • 휴면고객 대상으로 리마케팅(re-marketing) 등 꾸준히 진행하기
          • 높은 리텐션 유지 방법
            • 서비스를 통해 축적되는 가치를 만들고, 이를 사용자에게 지속적으로 전달하는것
            • 쉬운 데이터 이전 방법
              • evernote → notion
              • flo에서 플레이리스트 캡쳐 이미지로 동일한 플레이 리스트 만들기
      • 수익화 (Revenue)
        • 수익화 관련 주요 지표
          • ARPU(Average Revenue Per User)
            • 인당 평균 매출
            • ARPU = Revenue / User
            • 전사적으로 통용되는 명확한 기준을 세워야함
            • ARPDAU = 일 매출 / DAU
            • ARPWAU = 주간매출 / WAU
          • ARPPU (Average Revenue Per Paying User)
            • 전체 사용자가 아닌 결제자 만 대상으로 함
            • 결제자 한명이 평균저긍로 발생시키는 매출
            • ARPPU = Revenue / Paying User
          • 고객 생애 가치( Lifetime Value, LTV) 혹은 CLV
            • 한명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익
            • 현실에서 이런식의 계산은 사실상 불가능함
          • 고객 생애 매출(Lifetime Revenue, LTR)
            • 고객 한명에 대한 기대 매출
            • 따로 비용을 살피지 않고 매출만 살펴보면 됨
        • 수익화 분석하기
          • 현실적으로 고객생애매출보다 고객획득비용이 변화시키기 쉬운 지표
          • 수익화 쪼개서 보기
            • 아이템별 매출의 합계
            • 사용자별 매출의 합계
            • 결제자 수 * ARPPU
              • 매출 = 결제자수 *ARPPU
              • 매출 = 활동회원 * 결제비율 * ARPPU
              • 매출 = 가입자 * 리텐션 * 결제비율 * ARPPU
              • 매출 = 설치수 * 가입전환율 * 리텐션 * 결제비율 * ARPPU
          • 월별 반복 매출 (Monthly recurring revenue, MRR)
        • 파레토 법칙 패턴이 많음
          • 20%가 전체매출의 80% 담당
          • 서비스에 따라 이 비율이 더 극단적인 경우도 많음
            • 게임
        • 요약된 수익화 지표 하나만 보고 의사결정을 내리기 보다는 사용자를 다양한 방식으로 그룹핑 하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는것이 중요함
      • 추천 (Referral)
        • 기존 사용자의 추천이나 입소문을 통애 새로운 사용자를 데려오는것을 의미
        • 서비스 내에 입소문을 통한 선순환 구조를 어떻게 구축할것인가 라는 구조적인 문제
        • 친구초대 보상은 일반적으로 고객 획득비용 (CAC)의 50~70% 수준에서 결정되는 경우가 많음
        • 친구 플로 설계
          • 초대 맥락
            • 초대하는 맥락을 자연스럽게 잘 구상하거나, 친구초대 자체에 게임화(gamificaition)요소를 추가하는것을 고려해야함
            • 카카오뱅크 모임통장
              • 초대된 회원들이 실시간으로 입/출금 내역 확인 가능
              • 본 기능을 이용하기 위한 자연스러운 친구추가
            • 메세지 / 보상
              • 적립금, 포인트, 기프티콘, 서비스에 대한 업그레이드 등
              • 토스
                • 실제 소액의 현금을 선물할 수 있는 서비스
                • 친구가 보낸 돈을 받으세요!라는 메세지
            • 온보딩 프로세스
        • 바이럴 계수(Viral coefficient)
          • 추천 엔진이 얼마나 표과적으로 동작하는지 확인할 수 있는 지표
          
          
          • 바이럴 계수를 높이기 위한 조건
            • 친구 초대와 같은 추천 액션에 참여하는 사용자의 비율 높이기
            • 한사람이 평균적으로 초대하는 친구의 수 늘리기
            • 초대받은 친구가 가입으로 전환되는 비율 높이기
          • 추천시스템에 대한 효과를 분석할 떄는 바이럴 계수를 구하는것과 함께 ‘초대의 주기가 얼마나 빠른가?’를 고려해야 함
          • 목표 시장에서의 포화도(Saturate)수준 고려하기
          • 추천 단계를 통해 유입된 사용자의 장기적인 경험 수준으 바이럴 계수에 잘 드러나지 않는다는 점을 유의해야 함
        • 좋은 서비스를 만든다고 해서 사용자들이 친구들에게 잘 추천을 안함ㅠ

• •  

---

AARRR에 대한 팁

• 서비스의 특정에 따라 카테고리 별로 어떤 지표를 봐야 할지를 선정하는 과정, 지표를 개선하기 위해 어떤 실험을 어떤 우선순위에 따라 진행할지를 결정하고 실행할지 중요함
• 개선 순서
  • 활성화와 유지율을 가장 우선적로 개선
  • 고객 유치와 추천을 개선
  • 수익화를 개선

 

---

AARRR을 활용하는 방법

• 각 단계별로 풀어야 할 문제를 확인
• 각 단계의 핵심이 되는 주요 지표를 선정 후, 해당 지표의 현재 수준을 측정
• 측정된 지표가 가지는 의미를 이해
• 개선해야 하는 목표 수준을 정하고, 실험을 통해 단계적으로 개선함

 

 

Reference

양승화, 『그로스해킹』, 위키북스(2021.1.14)