안녕하세요, 인트렌치컨설팅 강채연입니다.
비즈니스 성과를 분석할 때, 고객 행동을 제대로 이해하는 것이 무엇보다 중요합니다.
하지만 그 과정이 쉽지 않은데요.
고객들이 왜 그런 행동을 했는지, 그들의 변화가 비즈니스에 어떤 영향을 미쳤는지 제대로 알기 위해서는 깊이 있는 분석이 필요합니다.
이때, 코호트(Cohort) 분석은 매우 유용한 도구라고 할 수 있습니다.
고객을 특정 그룹으로 나누어 시간에 따른 행동 변화를 추적하는 이 분석법은 단순히 데이터를 나열하는 것이 아니라, 중요한 인사이트를 도출할 수 있는 강력한 방법이죠.
그렇다면, 코호트(Cohort)분석이 정확히 무엇이고, 왜 중요한지, Looker Studio에서 어떻게 구현할 수 있는지 차근차근 살펴보겠습니다.
코호트(Cohort) 분석이란?
앞서 말씀드렸던 것 처럼 코호트(Cohort) 분석은 유사한 특성을 가진 사용자 그룹을 나누어, 그들의 행동을 시간에 따라 추적하는 분석 기법입니다.
말로만 들으면 어렵게 느껴질 수 있지만, 핵심은 단순합니다.
‘그룹화’ + ‘시간에 따른 변화 추적’ 이 두가지 요소가 핵심이죠.
예를 들어, 사용자들을 가입 시기, 연령, 유입 경로, 사용 패턴 등으로 그룹화한 후, 이 그룹들이 시간이 지나면서 어떻게 행동이 변하는지 분석하는 것입니다.
이때 중요한 개념 중 하나가 바로 리텐션(Retention)인데요.
단순히 한 번의 전환율만 보는 것이 아니라, 시간이 지나도 사용자가 다시 서비스로 돌아오는지, 계속해서 특정 행동(ex. 로그인, 콘텐츠 소비, 재구매, 기능 사용 등)을 유지하는지를 추적하는 것이죠.
– “우리 서비스에 가입한 사용자들이 한 달 후에도 여전히 활동하고 있을까?”
– “무료 체험을 시작한 고객들이 유료 전환으로 이어지는 비율은 시간이 지나면서 어떻게 달라질까?”
– “어떤 유입 경로를 통해 온 고객이 장기적으로 더 높은 참여율을 보일까?”
이처럼 코호트(Cohort) 분석은 서비스 유지율, 기능 활용도, 유저 행동 패턴 등 다양한 측면에서 사용자 경험을 개선하는 데 활용할 수 있습니다.
코호트(Cohort) 분석이 중요한 이유
그렇다면, 왜 코호트(Cohort) 분석이 필요할까요?
일반적인 데이터를 보면 전체적인 트렌드는 알 수 있지만, 세부적인 인사이트를 얻기 어려운 경우가 많습니다.
이때, 코호트(Cohort)분석을 활용하면 특정 고객군이 어떻게 반응했는지, 어떤 고객군이 더 활발히 반응했는지를 명확하게 파악할 수 있어, 마케팅 전략을 보다 세밀하게 조정할 수 있습니다.
� 사례 1: 프로모션 효과, 정말 모든 고객층에 통했을까?
한 커머스 기업이 시즌 한정 프로모션을 진행한 결과,
구매 전환율이 10% → 13% (30% 증가) 하면서 성공적인 캠페인처럼 보였습니다.
그런데 코호트 분석을 적용해 보니, 숨겨진 패턴이 있었습니다.
✅ 신규 유입 고객 전환율: 6% → 7% (미미한 증가)
✅ 재방문 고객 전환율: 15% → 29% (폭발적인 증가)
즉, 프로모션이 기존 고객의 재구매를 유도하는 데는 성공했지만, 신규 고객의 유입 효과는 크지 않았던 것이죠.
만약 단순히 “전환율이 올랐다”는 결과만 보고 넘어갔다면, 신규 고객 확보를 위한 추가적인 전략이 필요하다는 것을 놓칠 수도 있었습니다.
� 사례 2: 마케팅 채널별 고객 이탈 패턴 발견
또 다른 기업은 마케팅 채널별로 유입된 고객을 그룹화한 후,
각 그룹의 구매율을 코호트 차트로 분석했습니다.
그 결과, 각 채널별 전환율이 급격히 떨어지는 시점이 다르게 나타났습니다.
✅ 네이버 유입 고객 → 4일 차에 급감
✅ 구글 유입 고객 → 2일 차에 급감
✅ 카카오 유입 고객 → 1일 차에 급감
즉, 고객이 유입된 후 관심을 잃고 이탈하는 시점이 채널마다 다르게 나타난 것이죠.
이 패턴을 바탕으로, 각 채널에 맞는 리텐션 전략을 설계했습니다.
✔️ 네이버 유입 고객 → 4일 차에 리타겟팅 광고 & 이메일 마케팅
✔️ 구글 유입 고객 → 2일 차에 리타겟팅 광고 & 이메일 마케팅
✔️ 카카오 유입 고객 → 유입 당일 Push 알림 재전송
이 전략을 적용한 후, 고객의 재구매율이 유의미하게 상승했습니다.
단순히 유입을 늘리는 것만으로는 고객의 관심을 지속적으로 끌어낼 수 없습니다.
코호트 분석을 통해 고객의 이탈 패턴을 정확히 파악하고, 그들의 관심이 시들해지는 시점을 맞춰 리텐션 전략을 실행하는 것이 핵심인데요.
이렇게 고객의 관심을 다시 끌어들이는 노력이 쌓이면, 자연스럽게 충성 고객이 형성되고, 이는 결국 안정적인 매출 성장으로 이어지게 됩니다.
이러한 코호트(Cohort)차트 분석 및 리텐션 시점 파악은 대시보드 모니터링을 통해 가능하며, 실제 리텐션 액션 사례를 확인하고 싶으시다면 아래 링크를 참고해 주세요.
알림톡 연동을 통한 마케팅 성과 극대화: 리텐션과 재구매율 증가시키기
출처) 버클 공식 블로그
Looker Studio에서
코호트(Cohort) 차트 구현하기
Looker Studio에서 “히트맵이 있는 피봇테이블”을 활용하여 아래와 같이 코호트(Cohort) 차트를 제작할 수 있는데요.
<Looker Studio 기반의 재방문 사용자 Cohort Chart>
<Looker Studio 기반의 재방문율(잔존율) Cohort Chart>
코호트 차트를 만들기 위해서는 먼저 필요한 4가지 데이터 항목을 수집해야 합니다.
[코호트(cohort) 차트 제작을 위한 데이터 준비]
<Cohort chart 구성 요소>
1️⃣ Active Date (기준 날짜) – 가로 행
고객이 특정 행동(방문, 구매, 가입 등)을 처음 수행한 날짜입니다.
예를 들어, 12월 1일이 Active Date라면 이 날 처음 방문했거나, 첫 구매를 했거나, 처음 앱을 실행한 고객을 의미합니다.
2️⃣ Cohort Date (시간 흐름) – 세로 열
기준 날짜 이후, 고객이 다시 동일한 행동을 수행한 시점을 나타냅니다.
Cohort Date가 4라면, 첫 행동 후 4일째 재방문한 고객, 재구매한 고객 등을 의미합니다.
이 값을 활용하면 특정 행동이 발생한 후 시간이 지나면서 얼마나 많은 고객이 유지되는지 분석할 수 있습니다.
3️⃣ Active Users (처음 행동한 고객 수)
기준 날짜(Active Date)에 특정 행동을 처음 수행한 고객 수입니다.
방문 데이터라면 첫 방문 고객, 구매 데이터라면 첫 구매 고객, 앱 데이터라면 처음 앱을 실행한 사용자로 해석할 수 있습니다.
4️⃣ Cohort Size (재행동 고객 수)
기준 날짜 이후 일정 시점에 다시 동일한 행동을 한 고객 수입니다.
첫 구매 후 4일 뒤 다시 구매한 고객 수, 첫 방문 후 재방문한 고객 수, 첫 실행 후 앱을 다시 사용한 고객 수 등을 의미합니다.
ㅡ
가령, 코호트 차트에서 “2024.12.01” 기준, Cohort Date “4”의 값이 1,210이라면, 이는 12월 1일에 첫 구매한 고객 중 4일 후인 12월 5일에 다시 구매한 고객이 1,210명이라는 의미입니다.
<Cohort Chart 예시>
이미지를 통해 또 다른 예시를 살펴보면, 코호트 차트에서 “2024.12.14” 기준 3일 차에 1,314로 표시된 값이 있습니다. 이 숫자는 12월 14일에 첫 구매한 고객 중 3일 후인 12월 17일에 다시 구매한 고객이 1,314명이라는 뜻입니다.
즉, 특정 날짜에 유입된 고객들이 이후 일정 기간 동안 얼마나 유지되는지를 한눈에 확인할 수 있는 것이죠.
이처럼 코호트 차트를 활용하면 단순 방문뿐만 아니라 구매, 회원가입, 앱 실행 등 다양한 사용자 행동 패턴을 분석할 수 있습니다.
이를 통해 고객 유지율, 재구매율, 이탈률 등을 파악하고, 효과적인 마케팅 전략을 수립하는 데 도움을 받을 수 있습니다.
[Looker Studio에서 코호트(cohort) 차트 제작 방법]
위의 4가지 데이터 항목이 준비되었다면, 이제 Looker Studio에서 실제로 코호트 차트를 제작하는 방법을 단계별로 살펴보겠습니다.
1️⃣ Looker Studio 내 피봇 테이블 생성
<Step01. Looker Studio 상단 Tab의 [차트 추가] 클릭>
먼저, Looker Studio에서 “히트맵이 있는 피봇 테이블” 차트를 추가합니다.
2️⃣ 피봇 테이블 설정
<Step01. 차트 설정에서 행, 열, 측정항목 설정>
Looker Studio에서 “히트맵이 있는 피봇 테이블”을 추가한 후, 아래와 같이 데이터를 설정합니다.
– 행 측정기준: active_date (고객이 특정 행동을 처음 수행한 날짜)
– 열 측정기준: cohort_date (기준 날짜 이후 동일한 행동을 다시 수행한 시점)
– 측정항목: cohort_size (재행동 고객 수)
그럼 아래와 같은 코호트 차트가 생성되게 됩니다.
<Looker Studio 기반의 재방문 사용자 Cohort Chart>
3️⃣ 백분율 코호트 차트 생성하기
만약, 앞서 보여드렸던 “잔존율” 코호트 차트를 생성하기 위해서는 ‘retention_rate(%)’ 지표가 필요한데요.
해당 지표는 아래와 같이 계산됩니다.
retention_rate(%) = (cohort_size / active_users) * 100
이 값을 사용해, 시간이 흐를수록 잔존율이 어떻게 변하는지 확인할 수 있습니다.
이러한 ‘retention_rate(%)’ 지표를 활용하기 위해서는 Looker Studio에 연동된 데이터에 [계산된 필드]를 생성하여 ‘retention_rate(%)’ 지표를 추가해주셔야 합니다.
** 계산된 필드란?
계산된 필드는 기존 데이터에 없는 새로운 값을 생성할 수 있도록 도와주는 기능입니다.
예를 들어, 데이터에 “재방문 고객 수”와 “전체 유입 고객 수”만 존재한다고 가정해 보겠습니다.
이때, “재방문율(%)”을 차트에서 활용하려면 직접 계산해야 하는데요.
이럴 때 계산된 필드를 사용하면,
➝ (재방문 고객 수 ÷ 전체 유입 고객 수) × 100
과 같은 공식을 설정하여 Looker Studio에서 자동으로 재방문율을 계산하고, 이를 차트에 활용할 수 있습니다.
즉, 계산된 필드를 활용하면 원하는 지표를 직접 생성하여 데이터를 더욱 효과적으로 분석할 수 있습니다.
<Step01. 데이터 설정 하단의 [필드추가] ➝ [계산된 필드 추가] 클릭>
<Step02. 필드 이름 설정 및 수식 입력>
이후, 차트 생성 방법은 위와 동일하나 측정항목 지표로 ‘retention_rate(%)’를 선택하면 됩니다.
– 행 측정기준: active_date (고객이 특정 행동을 처음 수행한 날짜)
– 열 측정기준: cohort_date (기준 날짜 이후 동일한 행동을 다시 수행한 시점)
– 측정항목: retention_rate(%) (재행동 고객의 잔존율)
이렇게 하면 잔존율을 나타내는 코호트 차트가 생성됩니다.
✅ 코호트(cohort) 차트 색상 변경하기
추가적으로 코호트 차트의 색상도 변경 가능한데요.
이를 통해 차트의 가독성을 높이고 원하는 스타일로 꾸밀 수 있습니다.
먼저, 차트 스타일 설정에서 조건부 서식을 추가해줍니다.
그 다음으로는 색상 유형에서 [색상 스케일]을 선택하신 후 서식 지정 기준은 [측정 항목] 지표를 넣어줍니다.
여기서 측정항목 지표는 cohort_size 또는 retention_rate(%)를 의미합니다.
다음으로는 점1, 점2, 점3에 해당하는 항목과 색상을 넣어주시면 됩니다!
마무리하며
코호트 차트는 특정 시점 이후 사용자들의 변화를 직관적으로 파악할 수 있는 강력한 도구입니다.
가장 중요한 점은 코호트 차트를 만들 때 “재행동(잔존율 기준)”을 어떻게 정의하느냐입니다. 즉, 어떤 행동을 기준으로 사용자가 동일한 행동을 반복했는지를 설정하는 것이 핵심입니다.
이를 통해 기준 날짜를 기준으로 시간이 지남에 따라 재행동한 고객 수가 어떻게 변화하는지 파악할 수 있습니다.
결론적으로 코호트 차트 활용을 통해 사용자 그룹별 유지율과 이탈 원인을 보다 명확하게 분석할 수 있으며, 이를 바탕으로 효과적인 개선 전략을 세울 수 있습니다.
