APP > "SensorTower > Appstore 최적화" 를 통한 Optimizing
WEB > "Blackkiwi"
메타데이터 입력
대부분 Last click의 attribution 세팅을 가지고있음. Attribution Model을 어떤걸로 설정?
Raw Data레벨로 확인하고 분석해야할 필요가 있음
요약데이터가 아니라 RawData까지 접근해야함
단순히 툴만을 사용하는 것이 아니라, 의사결정까지의 맥락을 이해해야함. (ROAS 예시 참조)
Acquisition Summary
핵심 채널을 잘 관리해야함
채널(ex. 페이스북, 인스타그램, ...)의 최적화와 확장이 필요함
정확한 트래킹
어트리뷰션툴에 대한 다양한 활용
2. Activation : 사용자가 서비스/제품의 핵심가치를 경험했는가
사용자 경험의 Funnel에서 각 단계별 전환율(ex.이탈율)을 측정/분석 (Download에서 Onboarding의 끝까지)
Funnel 분석의 요소 1) 핵심가치에 대한 Stage의 정의2) Stage별 전환율을 어떤 기준으로 측정하는지3) Cohort별로 보는지
- Funnel마다의 전환율을 확인하기 위해서, User/Browser/Mobile/세션/event 등을 기준으로 Cohort를 만들어서 분석
- ex. Mobile vs PC 고객을 따로 분석
- Event(action)와 시점을 기준으로 cohort를 만드는 경우가 많음
- 결제패턴 예시
- 하나의 제품만을 여러번 보고 결제가 1회 이뤄진 경우
- 여러 제품을 보고 그 중 일부 결제가 이루어진 경우
- Conversion Rate를 과연 뭘로해야할까?
- User기준?
- View기준?
- Product기준?
- **답이 없는 문제임!!**
- 사용자의 입장과 회사의 입장을 일치시키는 작업 필요(UX기반)
Funnel 분석의 의의
Stage별 Conversion의 확인
Conversion과 유관한 선행지표를 발굴할 수 있음
이탈 원인 분석
인터뷰, 설문, 데이터분석
Raw Data를 기반으로 Conversion User와 그렇지 않은 User의 분석을 통해 역순으로 확인 가능
Funnel Summary
Conversion을 통해 Global Optimization이 중요
Stage를 명확하게 정의해야함
불필요한 Stage를 통해 지표를 발굴했을때 과연 의의가 있을까?
Home Try On : Funnel을 역순으로 진행한 Service들이 존재
ex> Warby Parker : 안경을 배송하고, 마음에 들면 결제처리 아니면 반송
Cohort별 차이가 발생하는 원인을 파악해야함
Funnel 개선
개인화 : ML, DL이나 Rule 기반 추천 시스템
UI/UX : UI의 Redesign을 통해 개선될 수 있는지 검증(ex. AB Test)
사용자 유도
다음 Funnel로 이동할 수 있도록 유도 하는것
ex) 타겟팅을 기반으로한 푸시, 이메일, 인앱 메시지 등등
3. Retention : Activation 과정에서 A HA Moment를 꾸준히 경험하도록 하는것
일반적으로 재방문을 기반으로 측정
접속을 기준으로 꼭 해야하는지에 대해서는 고민해볼필요 있음
개선효과
비용대비 효과가 큼
Retention 측정 방법
Classic Retention(= Day-N Re~)
Day N에 서비스를 사용했는지에 대한 여부만 지표로함
N 일이 지나고 재방문을 했는가에 대한 Retention
(+) 계산과 설명이 쉬움
짧은 주기로 반복적 사용이 중요한 서비스에 적합
(-) Noise에 취약
Noise를 줄이기 위해서, N의 값을 여러개로 두고, DayN Retention의 평균값을 활용
Range Retention
특정 기간에 재방문한 user의 비율
(+) 설명하기 쉬움. Day-to-Day Noise에 자유로움
가계부 어플리케이션처럼 특정 간격으로 주기적 사용을 하는 부분에 활용 가능
(-) Range가 길어질수록 over-estimate됨
Rolling Retention(이탈에 초점을 맞춤)
남은 user를 기준으로 계산 '''
N day뒤 서비스 사용 기록 있는 사람의 수 / 0일에 처음 서비스를 사용한 사람의 수 '''
(+) 계산이 쉬움(첫사용, 마지막 사용 날만 있으면 됨)
(-) 이상치,Noise에 굉장히 취약
서비스 사용이 많지 않을 때 활용 (ex. 여행어플)
약식
Engagement=(DAU/MAU)
얼마나 Engage되었는지의 지표로 사용
하지만, DAU/MAU측정이 서비스별로 차이가있음.
Retention Chart
21분까지..
Cohort별로 retention이 어떻게 변해가는지 확인하는 차트
ex. 일별(cohort)로 기간이 지날수록 어떤 retention을 보이는지 확인
단순 표 뿐만아니라 차트로 표현하는것도 좋은 방법
Activation * Retention * Revenue로 엮어서 생각
Retention의 기준
접속(log-in)이 유일한 기준인지?
클릭이나 여러 대체 지수를 활용
Retention 개선
시점을 기준으로 접근
초기 user retention 제어
Activation 프로세스 점검
새로운 UX 개선
유지
고객과의 정기적 커뮤니케이션 플랜
휴면 고객 복귀 이벤트 등의 액션
유의점
지표에 매몰되지 말아야함
푸시/이메일/SMS자주 보내기 -> 일시적 Retention의 향상은 있겠지만 피로관리의 사이드이펙트가 존재
유저 커뮤니케이션 채널의 일원화
Key Feature 기준 모니터링
접속이라는 단순한 기준이 아닌 핵심기능 사용 이력, 결제, 방문횟수 등 핵심기준을 기준으로 모니터링
당장의 User의 복귀를 바랄것이 아니라, 장기적 관점에서 들어올 이유를 만드는 방법도 고려
축적된 가치
축적 데이터가 많은 경우 당연히 리텐션이 높음
파이가 작은입장이면 축적 가치를 이동할 수 있도록
습관
유저가 app을 습관적으로 들어올 수 있도록 고민
etc
장기적 Retention의 중요성
하지만 현 status를 측정하고, 새로운 실험과 효과확인이 어려움
기간에 따라 유동적으로 변해감
시기에 따라 코호트 분석을 해야함
외부요인(ex. 경쟁사 출현 등)
카테고리별 권장되는 retention의 수준이 다름
여행, 쇼핑, 가계부 등등 카테고리별로 차이가 있음
피로관리가 중요함
AARRR에서 Activation과 함께 가장 우선적으로 개선해야하는 지수
4. Revenue : BM의 정의와 제대로 작동하는지에 대한 지표. 매출
전사적인 관점에서 업무를 해나가야할 필요가 있음
Revenue 관련 지표
ARPU (Average Revenue Per User) : Revenue/User
전반적 상황을 보는데 유용함
하지만, User와 Revenue의 구분이 어려움
일반적으로 Monthly기준으로 정의
ex. MAU, ARPDAU,...
ARPPU (Average Revenue Per Paying User) : Revenue/Paying User
