[AARRR] Activation : 활성화 - 퍼널(Funnel) 분석
[그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법]
2-3. Activation
그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법 - 인프런 | 강의
데이터를 기반으로 정의한 핵심지표를 바탕으로, 실험을 통해 배움을 얻고, 이를 빠르게 반복하면서 서비스를 성장시키는 것. 그로스해킹의 기본을 다루는 101 강의입니다., - 강의 소개 | 인프런
www.inflearn.com
위 강의를 들으며 학습한 내용을 기록한 글입니다.
Activation 단계의 핵심은 Funnel 분석
Activation(활성화)단계 :
Acquisition을 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험했는가? 에 대한 단계.
퍼널 분석이란,
고객들이 우리가 설계한 유저 경험 루트를 따라 잘 도착하고 있는지 확인해보기 위해
최초 유입부터 최종 목적지까지 단계를 나누어서 살펴보는 분석 기법.
사용자들이 서비스에 진입하고 나서 최종적인 핵심기능을 사용하기까지의 여정을 도식화 한 것으로,
점점 좁아지는 형태의 깔대기(Funnel) 모양이라 퍼널 분석이라고 말함.
각각의 단계를 넘어가는 것을 전환(Conversion), 그 비율은 전환율(Conversion rate)이라고 함.
사용자들이 경험하는 단계를 도식화 -> 각 단계의 전환율을 측정 / 분석하는 단계를 거침.
출처 : https://datarian.io/blog/funnel-analysis
Funnel 분석의 고려 요소
#1. 핵심가치를 경험하는 시점과 그곳으로 연결되는 Stage를 잘 정의했는가?
#2. 각 Stage 별 전환율을 어떤 기준으로 측정하는가?
#3. Cohort를 쪼개서 보고 있는가?
#1. 핵심가치를 경험하는 시점과 그곳으로 연결되는 Stage를 잘 정의했는가?
- 주로 A ha moment, Must Have, Critical Path 로 표현되는 '핵심가치'를 경험하는 시점이 어디인가?
- 서비스에서 중요한 사용자 경험을 제공하는 부분, 혹은 가입/결제처럼 필수로 이어지는 단계들을 얼마나 잘 쪼개서 퍼널로 만들었는가?
** 서비스에 따라 퍼널이 여러 개 나올 수도 있음. 서비스 당 단 한개의 퍼널이 나와야하는 것은 아님.
(예 : 가입에서의 퍼널. 결제에서의 퍼널. 서비스 핵심가치인 리뷰 작성의 퍼널 등등)
** 회사에서 생각하는 가치와 유저가 생각하는 가치가 다른 경우가 간혹 있으니 주의 필요.
(예 : 서비스의 마케팅 메시지와, 유저 리뷰 등에서 나오는 키워드가 일치하는가?)
#2. 각 Stage 별 전환율을 어떤 기준으로 측정하는가?
굉장히 다양한 케이스가 존재하며, 전환율의 기준을 일치시키는 것이 쉽지 않음.
기준을 명확하게 하는게 중요함.
<예시>
case 1.
어떤 사용자가 상품A, 상품B, 상품C, 상품D, 상품E까지 다섯개의 상품페이지를 조회,
마지막 상품인 상품E의 상품페이지에서 결제를 했을 경우
-> 5개의 상품페이지 중 1개의 페이지에서만 결제까지 이어졌으므로 전환율은 20%? (1/5)
case 2.
어떤 사용자가 상품A, 상품B, 상품C, 상품D, 상품E까지 다섯개의 상품페이지를 조회,
그러나, 결제를 하지 않은 경우
-> 전환율 0%? (0/5)?
case 3.
어떤 사용자가 상품A의 상품페이지만 다섯번 들어와서 조회,
마지막 조회 후 결제했을 경우
-> 5번 조회 후 1번 결제했으니 전환율 20%(1/5) ?
아니면 1개의 상품페이지를 조회-결제했으니까 100%(1/1)?
case 4.
어떤 사용자가 상품 A, 상품 B 상품페이지를 조회 후 상품B 결제,
그 후 상품 C, 상품 A, 상품 B 상품 페이지를 보고, 또 다시 상품 B를 한 번 더 결제했을 경우
-> 상품페이지 5번 조회 중 2번 구매했으니 전환율 40%(2/5)?
아니면, 상품 3개 중 1개만 구매했으니 전환율 33%(1/3)?
이렇게 많은 경우의 수가 존재함.
그러나, 위는 사용자 별로 전환율을 뽑아낸 경우이며,
실제로는 아래와 같이 전체 사용자를 대상으로 전환율을 뽑는 경우가 더 많음.
(1) 상품페이지 총 20회 조회 중 구매 4건 -> 전환율 20% (4/20) ?
(2) 14개의 상품 조회 중, 3개 상품에서 구매 발생 -> 전환율 21% (3/14) ?
(3) 상품페이지 조회한 사용자 4명 중 3명이 구매 -> 전환율 75% (3/4) ?
전환율을 어떻게 봐야할 지에 정답은 없다.
회사별로 일관성있는 규칙을 정해 사용하면 되는 문제.
예시 :
- 심플하게 보려면 유저 단위로 보는 것이 좋음. // 위의 (3)
- 전환율 보는 목적이 상품->결제화면의 UI/UX 개선이라면 page view기준으로 보는 것 나쁘지 않음 // 위의 (1) , 그러나 상품페이지에서 바로 결제페이지로 넘어가지 않는 경우 (장바구니 등) 등 다양한 변수로 인해 복잡할 수 있다.
#3. Cohort를 쪼개서 보고 있는가?
Cohort란 그룹/집단을 의미함.
단순히 '페이지-페이지간 전환율이 00%다' 라는 것에서는 사실 그렇게 큰 인사이트를 얻을 수 없다.
퍼널분석에서의 인사이트는
'A 그룹에서는 전환율이 00%인데 B 그룹에서는 00%다' 라는 그룹 간의 차이를 발견하는 것에서 온다.
위 코호트 분석 예시 이미지에서는
푸시로 인해 음악을 재생한 집단에 비해
푸시 없이 음악을 재생한 집단의 이후 전환율이 떨어진다는 인사이트를 얻을 수 있다.
** 코호트를 쪼개는 방법 :
- 특정 action을 했는지 여부
- 특정 action을 한 시점 (언제 가입했는지, 언제 첫 결제를 헀는지..)
** 앰플리튜드 같은 툴 뿐 아니라, GA에서도 집단 간 퍼널비교 쉽게 가능함. (전환>목표>목표흐름의 세그먼트 이용)
Funnel 분석의 가치
- 각 stage 별 conversion을 확인할 수 있다 (기본!)
- Conversion에 영향을 주는 선행지표를 발견할 수 있다.
- Cohort A는 stage1 → stage2 로 넘어오는 conversion이 35%인데,
- Cohort B는 stage1 → stage2 로 넘어오는 conversion이 왜 20% 밖에 안되지?
- Cohort별 분석 예시
- Sign Up cohort 에 따라 다른가?
- UA medium / source / campaign 에 따라 다른가?
- Event 경험 유무에 따라 다른가?
- Demography 에 따라 다른가?
이탈의 원인 밝히기
1. 데이터분석, 인터뷰를 하자.
정량데이터는 What(00%가 이탈했다. 등등) 은 알려주지만 Why(왜 이탈했지?) 를 찾아내기 힘든 데 반해,
사용자 인터뷰 또는 설문조사를 진행하면 Why를 알아낼 수 있다.
2. 일반적으로 Cohort에 따른 Conversion rate를 비교하게 되지만
Raw data를 깊이 있게 확인할 수 있다면, 역순으로 찾아낼 수도 있다.
- Tutorial을 완료한 사용자와, 그렇지 않은 사용자의 Conversion이 다른가?
- 1월에 가입한 사용자와, 2월에 가입한 사용자의 Conversion이 다른가?
- 친구초대로 가입한 사용자와, 그렇지 않은 사용자의 Conversion이 다른가?
-> Conversion 한 사용자 와 Conversion 하지 않은 사용자는 뭐가 다른가?
Funnel 분석에서 생각해볼 점
1. Conversion 수치 중요하다, 그러나 더 중요한 건, 컨버젼이 Global optimization 되는 것.
개별 funnel의 최적화가 전체 funnel의 최적화로 이어지지 않는 경우가 있음.
좁은 영역의 퍼널을 단계단계 최적화하는 것도 좋지만, 이게 전체 서비스의 퍼널을 개선하는 데에도 기여하는 지 생각해보자.
2. Conversion rate를 높이는 것보다, Stage를 줄이는 게 효과적인 경우도 많다.
conversion rate 80%짜리 4개보다, 50%짜리 단계 2개 있는 것이 더 효율적일 수도 있다.
스테이지를 통합하는 것도 고려해보자.
3. Home Try On: 깔대기 뒤집어보기
예시 : 결제 → 배송 이 아니라, 배송 → 결제 로 퍼널을 만든다면?
아래는 깔대기를 뒤집었는데 성공한 사례들이다.
- Warby Parker https://www.warbyparker.com/
- MiaDonna https://www.miadonna.com/
- Black Tux https://theblacktux.com/
4. 단순히 Conversion을 보는 것보다, Cohort에 따른 차이와 그 원인을 파악하는 게 핵심!
- 이 퍼널의 conversion이 높은 그룹과 낮은 그룹은 무슨 차이가 있는거지?
- 우수 고객과 그렇지 않은 고객은 어떤 행동이 다른거지?
- 어떤 행동이 고객을 구분하는 기준점이 되지?
Funnel을 개선하는 방법
1. 개인화
각 사용자 집단이 관심있어할 콘텐츠 또는 문구 보여주기
머신러닝 등을 활용하면 좋지만, 너무 많은 리소스가 투자됨, Rule Base Recommendation도 초기에는 굉장히 잘 동작함.
** Rule Base Recommendation 예시 : 여성사용자에게는 이런 메시지, 특정 채널을 통해 유입된 고객은 이런 메시지, 이벤트에 참여한 고객은 이런 메시지 표시 등등....
2. UI/UX
퍼널을 개선하기 위해 많은 회사에서 가장 많이 투자하는 부분.
UI/UX를 개선했다가 더 나빠지는 경우도 많이 발생함.
UI Redesign은 Conversion rate을 변화시키기 위한 대표적인 독립변수 (개선이 아닌 변화 !)
전/후 효과에 대한 정확한 측정과 검증 과정이 필요함.
3. 적절한 개입
이메일, 푸시, 인앱메시지 등을 이용한 Use Flow 개입
맥락을 잘 정의한다면 굉장한 효과를 볼 수 있지만, 잘못 사용하면 사용자를 떠나보내는 양날의 검.
- Targeting 잘 된 푸시나 이메일의 경우, non-targeting 푸시 이메일 대비 5배 이상의 성과
- Uninstall 등의 부수 효과를 고려하면 10배의 성과 차이를 만든다고 해도 과언이 아님
- 전체푸시, 전체이메일은 정~~~~~말 보수적으로 보낼 것!!!!
참고링크
https://datarian.io/blog/funnel-analysis
퍼널분석 Funnel Analysis
“다음달 SQL 캠프 입문반 참가자를 10배로 늘리고 싶은데, 어떻게 하면 될까요?”
datarian.io
https://playinpap.github.io/funnel-analysis-basic/
우리 서비스 뭐가 문제일까? - 퍼널을 개선하는 6가지 방법
안녕하세요 데이터 분석가 김민주입니다. 저는 데이터 분석가로 일하기 전에 스타트업 창업을 했던 경험이 있어…
playinpap.github.io