[태블로] #9. 코호트 분석, 퍼널 분석

1. 과거 구매 고객의 매출 기여도

코호트 분석을 하기 이전 '2015년에 첫 구매를 한 고객이 2018년도까지 얼마나 매출에 기여하고 있는지?'를 태블로 시각화로 알아보겠습니다.

 

✅고객별 최초 구매일 구하기

 

고객별로 최초 구매일을 알아야 2015년체 첫 구매를 한 고객을 알 수 있습니다. '고객별 최초 구매일'이라는 계산필드를 생성합니다. FIXED 함수를 통해 [고객번호] 차원으로 고정한 후,  MIN 함수를 사용해 [주문 일자]의 최소값을 구하면 고객별 최초의 구매일을 구할 수 있습니다.

 

✅매출 기여도 시각화

 

열 선반에 주문일자를 연 단위로 올려놓고 행 선반에 매출 합계를 올려두었습니다. 고객의 첫 구매일에 따라 매출 비율을 표시하기 위해 고객별 최초 구매일을 마크 선반의 색상에 두었습니다. 2015년에 첫 구매를 한 고객의 매출 구성 비율이 2018년까지 1위를 보이고 있는 것을 알 수 있습니다.

 

2. 코호트 분석

코호트(Cohort)란 비슷한 특성을 가진 그룹을 의미합니다. 특히 같은 시점에 어떤 행동을 한 사람들을 묶은 그룹을 뜻합니다. 같은 달에 회원 가입을 한 사용자들은 가입 코호트, 같은 주에 앱을 설치한 사용자들을 설치 코호트라 부를 수 있습니다. 이러한 코호트를 대상으로 시간의 흐름에 따라 어떤  행동 변화가 있는지  분석하는 방법을 코호트 분석이라고 합니다.

 

이번에는 '같은 분기에 첫 구매를 한 고객'을 코호트로 묶고, 이들이 두 번째 구매까지 걸린 기간을 분석해보겠습니다. 해당 코호트 분석을 위해서는 구해야할 것이 몇가지 있는데요,

• 고객별 최초 구매일(이는 1번 분석에서 구했으니 패스하겠습니다.)
• 두 번째 구매까지 걸린 기간

✅두 번째 구매까지 걸린 기간

 

1) '고객별 최초 재구매일' 계산필드 생성

두 번째 구매까지 걸린 기간을 구하기 위해서는 먼저 두 번째 구매 일자를 구해야 합니다. 위와 같은 식을 통해 '고객별 최초 재구매일' 계산필드를 생성했습니다. IIF문을 통해 [주문 일자]가 [고객별 최초 구매일]보다 크면 [주문 일자]를 반환, 그렇지 않으면 NULL을 반환합니다. 이를 통해 최초 구매일은 NULL로 표시됩니다. 그 후 MIN을 통해 최초 구매일이 제거된 상태에서 최소 일자를 구함으로써 두 번째 구매일을 구할 수 있게 됩니다. 이 계산 필드 역시 필드와 뷰에 영향을 받지 않도록 [고객 번호] 차원에서 FIXED 함수를 통해 고정했습니다.

 

2) '고객별 재구매 경과기간' 계산필드 생성

이제 DATEDIFF함수를 통해 '고객별 최초 구매일'과 '고객별 최초 재구매일' 사이의 날짜 차이를 구할 수 있습니다.

 

생성한 '고객별 재구매 경과기간' 계산필드는 숫자값이기 때문에 측정값으로 분류가 됩니다. 그러나 코호트 분석을 위해서는 열 선반에 재구매 경과기간을 위치시켜야 하기때문에 '고객별 재구매 경과기간' 측정값을 차원값으로 드래그하여 이동시켜줍니다.

 

'고객별 최초 구매일'을 행 선반에 불연속형 '년','분기' 수준으로 놓고, '고객당 재구매 경과기간'을 열 선반에 놓습니다. 그 후 고객 ID를 마크 선반의 색상에 두고 고유 카운트로 집계해주면 코호트 분석 시각화 완성입니다. 분석 결과 2015년 1분기에 첫 구매를 한 고객들은 3분기가 지난 후, 2분기에 첫 구매를 한 고객들은 2분기가 지난 후 재구매가 활성화 된 것을 볼 수 있습니다.

---

3. 애플 광고 결과를 퍼널 분석하기

Apple Ads data는 위와 같은 구성을 띄고 있습니다. 캠페인명, 캠페인 날짜, keyword ID, keyword와 같은 차원이 있고, 퍼포먼스 마케팅의 주요 지표인 CPA, CR, Impressions... 등과 같은 측정값이 있습니다. 오늘은 해당 광고 데이터를 사용하여 퍼널 분석(Funnel Analysis)을 진행해보겠습니다. 퍼널 분석은 고객이 제품이나 서비스에 처음 노출된 순간부터 최종 전환에 도달하기까지의 과정을 단계별로 분석하여, 어디서 사용자가 이탈하는지를 파악하는 분석 기법입니다. 즉, 고객의 행동 흐름을 단계별로 추적하여 전환 과정에서의 이탈률을 파악하는 분석 방법입니다. Apple Ads 결과의 퍼널 분석을 위해 다음의 측정값 퍼널 단계로 설정하겠습니다. 이번 애플 광고의 최종 전환 단계는 '앱 설치' 였나봅니다! 퍼널 분석을 진행할 수 있는 데이터 중 가장 나중에 이뤄진 유저의 행동이 Installs 네요. 이제부턴 Impressions > Taps > Installs 단계에 다른 퍼널 분석을 진행해보겠습니다.

	지표	퍼널 단계	설명
1단계	Impressions	광고 노출	광고를 본 사람의 수
2단계	Taps	광고 클릭	광고를 실제로 누른 사람의 수
3단계	Installs	앱 설치	앱을 설치한 사람의 수

 

 

✅3개 이상의 측정값을 하나의 차트에서 보고 싶을땐?  측정값 모음!

퍼널 차트를 구성할 때는 하나의 차트에서 Impressions, Taps, Installs라는 3개의 측정값을 한 번에 볼 수 있어야 합니다. 이럴땐 측정값/ 측정값이름 모음을 사용하는 것을 잊지 않으셨죠? 

1. 측정값 이름을 필터에 놓는다 > Impressions, Taps, Installs만 filter-in
2. 열 선반: 측정값 모음 / 행 선반: 측정값 이름 모음을 놓는다.
3. 마크 유형 > 영역으로 변경

3가지 단계를 마무리하면 위와 같은 반쪽짜리 퍼널 모양이 생성됩니다. 

 

 

퍼널 모양을 만들기 위해 하나의 측정값을 더 생성했습니다. 이제 왼쪽 사진에 있는 좌측 퍼널 차트를 좌우 반전시키면 퍼널 완성이겠죠? 좌측 퍼널의 x축을 더블클릭하면 우측 사진과 같은 축 편집 팝업이 뜹니다. 눈금 > 반전을 선택하면 그래프가 좌우 반전이 됩니다.

 

• Impressions ➡️ Taps 전환율 = 325/8174 *100 = 3.98%
• Taps ➡️ Installs 전환율 = 194/325*100 = 59.69%
• Impressions ➡️ Installs 전환율 = 194/8174*100 = 2.37%

최종 퍼널차트를 분석해보면 위과 같습니다. 광고를 시청한 사람들 중, 광고를 실제로 클릭한 사람의 비율은 3.98%이며, 광고를 실제로 클릭한 사람들 중 앱을 설치한 사람은 59.59%입니다. 이는 광고 클릭은 적지만, 클릭한 사람은 설치로 이어질 확률이 약 60%가 된다는 의미입니다. 이로써 광고 시청자가 광고를 실제로 클릭하도록 유도하는 전략을 수정하거나, 타겟팅 그룹을 조정하는 방향으로 나아갈 수 있을 것 같습니다!