리텐션 분석 (데이터리안 블로그 리텐션 시리즈를 읽고)

그로스 해킹의 대표적인 분석 프레임워크 AARRR이 있다.

 

AARRR은

사용자 획득 (Acquisition) → 신규 사용자가 서비스를 사용하기 시작 (사용자 활성화, Activation) → 지속적으로 서비스를 사용 (사용자 유지, Retention) → 구매 (매출, Revenue) → 다른 사용자에게 추천 (전파, Referral) → 새로운 사용자 획득 (Acquisition)이라는 유저의 서비스 이용 사이클을 체계화한 프레임워크이다.

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

 

 

그중 첫 번째 R인 리텐션(사용자 유지, Retension)은 다섯 단계 중 가장 먼저 개선을 해야 하는 단계로도 알려져 있다.
리텐션 단계에서는 사용자들이 서비스를 1회성이 아니라 지속적으로 사용하는지, 핵심가치를 꾸준히 경험하는지를 측정하며 측정 방법에는 클래식 리텐션, 롤링 리텐션, 범위 리텐션 등이 있다.

 

 

1. 클래식 리텐션 (Classic Retention)

• N-Day Retention 이라고도 한다.
• 사용자가 매일 접속해서 사용할 것으로 기대되는 서비스에 활용하기 적절한 지표이다.
• 카카오톡 같은 메신저 앱이나, 트위터 같은 SNS 서비스에 적합하다.

 

2. 롤링 리텐션 (Rolling Retention)

• Unbounded Retention 이라고도 하며, 클래식 리텐션의 한계를 보완하는 방법이다.
• 사용 주기가 긴 서비스, 사용 빈도가 높지 않은 서비스에서 유용하다.
• 여행 서비스, 쇼핑몰, 부동산 서비스 등에 적합하다.

 

3. 범위 리텐션 (Range Retention)

• Bracket Retention 이라고도 한다.
• 클래식 리텐션을 유연하게 확장한 개념으로 구간을 유연하게 나누는 방법이다.
• 노이즈에 강하며, 주로 서비스 사용주기가 길거나 주기적인 서비스에서 많이 사용한다.

 

리텐션 분석과 관련된 지표: Stickiness 사용자 고착도

• DAU / MAU(보편적인 방법) 혹 DAU / WAU로 계산하며, 유저가 더 자주 방문할수록 100%에 가까워진다.
• 유저들이 더 자주 접속하고, 더 많이 접속하는 것이 중요한 페이스북, 인스타그램 같은 SNS 광고 비즈니스 또는 생필품을 판매하는 온라인 쇼핑몰 비즈니스에서 사용자 고착도를 중요하게 본다.

 

코호트(Cohort) 분석

• 전체 데이터를 쪼개어 특정 집단 안의 특징을 보고, 다른 집단과 비교하는 것을 말한다.
• 일반적으로 가입 시기별로 유저 그룹을 나누어 각 그룹별로 리텐션을 관찰한다.
• 리텐션 분석을 할 때도 코호트를 잘 정의하는 것이 중요하다!

 

리텐션 분석할 때 주의할 점

1. 남과 비교를 하려면 제대로 해야 한다. → 다른 회사와 우리 회사의 방법이 다른데 수치만 보고 비교하는 것은 옳지 않다.
2. 서비스에 맞는 계산 방법을 사용해야 한다. → 예를 들어 사용 주기에 맞는 계산 방법을 사용해야 한다.
3. 형식에 얽매이지 않는다. → 서비스, 상황, 목표에 맞게 응용한다.
4. 하나만 볼 필요는 없다.  → 일단 가장 쉬운 방법으로 계산해 본 후 현상을 파악하는 게 중요하다.

리텐션을 높이는 방법

1. 초기에 이탈하는 유저 줄이기
2. 유저와 장기적인 관계 유지하기

👉 서비스의 핵심 가치를 고객들이 계속 경험할 수 있게 하기

 

 

 

✔️

리텐션 분석을 할 때 중요한 것은 서비스의 성격에 맞는 분석 방법을 찾아야 하고,

개선해야 할 부분, 취할 수 있는 액션을 끊임없이 고민하고 시도해봐야 한다는 것 같다.

그 과정에서 잊지 말아야 할 것은 '서비스의 핵심 가치를 고객들이 계속 경험할 수 있게 하기'라는 것.

 

 

---

본 내용은 데이터리안 'SQL 데이터 분석 캠프 | 실전반'을 수강하며 작성한 내용입니다.

 

 

출처

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

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

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

https://datarian.io/blog/stickiness

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