리텐션 분석

본 내용은 데이터리안 ‘SQL 데이터 분석 캠프 실전반’을 수강하며 작성한 내용입니다.

https://datarian.io/blog/classic-retention

AARRR

이미지 출처: https://dwarves.foundation/playbook/aarrr-framework-zmjhde6izw/

• 그로스 해킹의 대표적인 분석 프레임워크
  • 그로스 해킹 (Growth Hacking) 이란?
    • 데이터 기반 접근법: 사용자의 행동 데이터를 분석해 효과적인 성장 전략을 찾음
    • 저비용, 고효율: 적은 비용으로 큰 성장을 만드는 방법을 찾음
    • 제품 자체를 활용한 마케팅: 광고보다는 제품 자체의 기능 개선을 통해서 비즈니스 성장을 유도함
• A: Acquisition 사용자 획득
  A: Activation 사용자 활성화
  R: Retention 사용자 유지
  R: Revenue 매출
  R: Referral 전파
  • 2025.03.05 - [데이터분석/분석 이론] - AARRR 
  • '사용자 유지'가 가장 중요한 이유는 사용자 유지가 되지 않는 서비스는 광고를 늘린다고 해도 밑빠진 독에 물을 붓는 것과 다름이 없기 때문

 

---

Retention

• '지속적 사용' 측정 기준
  • 일반적으로 '방문'을 기준으로 측정
  • 경우에 따라 '특정 기능을 사용'한 유저만 리텐션 계산에 포함하기도
    (e.g. 일정을 등록하고 일정을 완료하면서 캘린더를 채우는 성취감이 핵심인 todo-mate 서비스에서는 '방문' 보다는 '일정 등록' 또는 '등록된 일정 완료' 로그를 리텐션 계산에 활용하는 것이 바람직할 것)

Classic Retention = N-Day Retention

사용자	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
A	방문	방문	방문	방문
B	방문
C	방문			방문
D	방문	방문		방문

	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
방문 유저 수	4	2	1	3
리텐션	100%	50%	25%	75%

• 한계: 사용 주기가 길 경우 과소 계산하게 됨
  (사용자 D의 경우 day 0, day 1, day 3에 방문했으니까 사실 day 2에도 계속 서비스를 사용하고 있다고 봐야 하는 거 아닐까?)

Rolling Retention = Unbounded Retention

• '사용자가 이탈하지 않고 남아있는가?'에 초점을 맞춤

사용자	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
A	방문	방문	방문	방문
B	방문
C	방문	(방문으로 간주)	(방문으로 간주)	방문
D	방문	방문	(방문으로 간주)	방문

	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
방문 유저 수	4	3	3	3
리텐션	100%	75%	75%	75%

• 여행 서비스, 쇼핑몰, 부동산 서비스 등 사용 빈도가 높지 않은 서비스에서 유용하게 활용됨
  (매일매일 이용하는 것보다 사용자가 니즈를 가진 시점에 방문하는 게 더 중요한 서비스의 경우, 클래식 리텐션으로 사용자 유지 여부를 계산할 필요는 없는 것! 오히려 매일의 접속 여부를 확인하면서 이 지표를 높이기 위해 앱 푸시를 보낸다면 장기적인 사용자 유지에 악영향을 미칠 수도)

	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
이탈하지 않은 유저 수 (3월 6일 계산)	4	2	1
이탈하지 않은 유저 수 (3월 7일계산)	4	3	3	3
리텐션 (3월 6일 계산)	100%	50%	25%
리텐션 (3월 7일 계산)	100%	75%	75%	75%

• 사용자들의 이후 접속에 따라 기존에 계산했던 리텐션 값이 얼마든지 달라질 수 있다는 점이 롤링 리텐션의 특징
  (따라서 절대적 수치보다는 트렌드가 중요)

Range Retention = Bracket Retention

• 클래식 리텐션을 유연하게 확장

사용자	3월 4일 (day 0)	3월 5일 (day 1)	3월 6일 (day 2)	3월 7일 (day 3)
A	방문	방문	방문	방문
B	방문
C	방문			방문
D	방문	방문

	3월 4일 (day 0)	3월 5일 ~ 3월 7일 (day 1 ~ day 3)
기간 내 방문 유저 수	4	3
범위 리텐션	100%	75%

• 주로 서비스 사용 주기가 길거나 주기적인 서비스에서 사용 (기간을 묶어서 계산하는 만큼 노이즈에 강하기 때문)

---

다양한 리텐션 계산 방법에 따른 주의점

• 비교를 하고자 한다면 같은 계산 방법 사용
  (우리 서비스의 클래식 리텐션 값과 옆 회사 서비스의 롤링 리텐션 값을 비교하지 말자)
• 적절한 계산 방법 사용
  (사용 주기가 긴 서비스인데 일 단위 클래식 리텐션을 사용한다면 잦은 푸시로 사용자들을 지치게 할 수 있다)
• 정해진 공식은 없음을 기억하자
  (하나만 볼 필요도, 너무 많이 볼 필요도 없다)

---

Stickiness = DAU / MAU

• DAU daily active user: 일간 활성 사용자 수
  WAU weekly active user: 주간 활성 사용자 수
  MAU monthly active user: 월간 활성 사용자 수
• Stickiness는 월간 순수 사용자 중 특정 일자에 접속한 사람의 비율을 보는 것 (유저가 더 자주 방문할수록 Stickiness는 100%에 가까워짐)
• 구글 애널리틱스 (GA4) 에서는 지난 30일 동안의 활성 사용자 수를 MAU, 7일 동안의 활성 사용자 수를 WAU, 24시간 동안의 활성 사용자 수를 DAU로 정의하고 있음

[예시1]

사용자	3월 4일	3월 5일	3월 6일	3월 7일	3월 8일	3월 9일	3월 10일
A	접속				접속
B		접속		접속		접속
C			접속				접속

사용자	3월 4일	3월 5일	3월 6일	3월 7일	3월 8일	3월 9일	3월 10일
A	접속	접속	접속	접속	접속	접속	접속
B	접속	접속	접속	접속	접속	접속	접속
C	접속	접속	접속	접속	접속	접속	접속

• 위의 예시는 3월 4일부터 3월 10일까지 DAU=1, WAU=3 / 아래의 예시는 3월 4일부터 3월 10일까지 DAU=3, WAU=3
  즉, 같은 WAU에 대해서 DAU가 작으면 작을수록 기존 유저들이 재방문 하는 곳이라기 보다는 새로운 유저들이 유입되는 곳이라는 뜻

[예시2] 전년도 같은 쿼터의 MAU 대비 몇 퍼센트 성장했는지

이미지 출처: https://www.beyonddevic.es/2015/07/

• 2015년도 2Q의 YoY MAU가 약 90%인 것을 보고 2014년 2Q의 MAU 대비 약 90% 성장했다라고 해석할 수 있음

이미지 출처: https://www.beyonddevic.es/2015/07/

• 유저 고착도가 가장 낮은 지역은 아시아 지역이라고 해석할 수 있음
  즉, 아시아 지역은 - [예시2]에 따르면 많은 새로운 사용자의 유입으로 MAU가 성장하는 중 - [예시3]에 따르면 기존 사용자의 고착도가 낮은 편

---

• 리텐션 분석을 할 때에도 코호트를 잘 정의하는 것이 중요함
  • 코호트 (cohort) 분석: 전체 데이터를 특정 특징을 기준으로 쪼개어 분석하고 비교하는 방법
  • 일반적으로 가입 시기별로 유저 그룹을 나누고, 각 그룹의 리텐션을 관찰하곤 함

Retention Chart

	0주째	1주째	2주째	3주째
모든 사용자	100.0%	8.1%	5.0%	3.1%
3월 4일 ~ 3월 10일
3월 11일 ~ 3월 17일
3월 18일 ~ 3월 24일
3월 25일 ~ 3월 31일

• 이 서비스의 리텐션은 점점 개선되고 있다고 볼 수 있음 (1주째 재방문율, 2주째 재방문율이 점점 높아지고 있기 때문)

Retention Curve

출처: 데이터리안 블로그

• 초기에 이탈하는 유저 줄이기
  • 0일 ~ 1일 사이의 리텐션 차트는 NUX new user experience와 관련이 있음, AARRR에서는 Acquisition과 Activation 단계
  • 주로 유저의 가입 동선, 처음 받아보는 이메일, 처음 보는 화면, 처음 경험하는 서비스의 핵심 가치 등을 개선해야 이탈을 줄일 수 있음
• 유저와 관계 유지하기
  • 흔히 앱 푸시나 휴면 고객 대상 마케팅을 생각하지만, 사실 우리 서비스의 핵심 가치를 계속 경험하게 하는 것 등 좀 더 근본적인 곳에 있는 듯함
  • 시간이 지날수록 유저에게 가치가 높아지는 서비스들은 Smile Curve를 그리기도 함

데이터리안 블로그를 읽으며

정말 사람 속은 알기 힘들다는 것을 체감할 수 있었다 ...
어떻게 하면 유저에게 좋은 인상을 남길 수 있을까 또는 어떤 요소가 유저와 좋은 관계를 유지하는 데 도움이 될까를 고민하기에 앞서, 현재 유저에게 어떻게 비춰지고 있는가를 확인하는 단계가 선행되어야 한다고 생각하는데, 그조차도 단순하지 않았기 때문이다.

또, 분석 이론에 대한 공부는 정말 꼭! 필요한 것 같다는 생각을 했다.
유저의 행동은 서비스 이용부터 다른 유저에게 전파까지 총 다섯 단계로 나뉠 수 있으며, 어떤 서비스를 분석할 것인가에 따라 주목해야 하는 단계가 다르다 - 라는 말은 어쩌면 정말 당연한 말이지만, 이를 알고 적용한다면 더 체계적인 분석이 가능하기 때문이다. 이전에 혼자 데이터 분석 프로젝트를 할 때면 분석 이론을 전혀 모르는 상태였음에도, 유저의 재방문이 중요하지 않은 서비스에서는 한 번의 기회에 최대의 매출을 낼 수 있는지 등을 지표로 삼아 평가하는 등 나름 맞는 분석을 했지만, 유저의 행동 다섯 단계 중 어떤 단계에 주목하고 있으며 어떤 지표를 활용할 수 있는지 생각하지 않고 직관에 따라 분석한 것이기 때문에, 산으로 가는 듯한 느낌을 자주 받았었다.