[데이터리안] 리텐션 분석 글 후기

다음 글은 데이터리안 블로그의 리텐션과 관련된 글을 읽고 남기는 후기입니다.

목차

후기
AARRR
리텐션
    • 클래식 리텐션
    • 롤링 리텐션
    • 범위 리텐션
Stickiness
    • 예제 - 데이터리안 블로그의 Stickiness
리텐션 차트, 리텐션 커브

---

후기

리텐션 분석은 크게 3단계 의사결정으로 나눌 수 있을 것 같다. 각각의 과정에서 기준을 정하기 위한 세부적인 의사결정 과정이 있다.

1. 어떻게 계산할지
2. 어떻게 해석할지
3. 어떻게 액션할지

어떻게 계산할지

기준에 대한 정의가 중요하다. 서비스에 대한 이해를 바탕으로 리텐션 값을 구할 것인지? 구할 것이라면 어떻게 구할 것인지에 대한 기준 설정이 중요하다. 아래 나열한 내용에 대해서 생각해 보는 것이 좋을 것 같다.

1. 서비스의 퍼널이 어떻게 구성되는지?
2. 서비스에서 리텐션이 중요한지?
3. 서비스 이용에 대한 기준 - 단순히 서비스 방문(앱 등)을 서비스 이용으로 할 것인지?
4. 어떤 리텐션 값을 계산할 것인지?
5. 리텐션 값을 구하는 기간을 어떻게 설정할 것인지?
6. Stickiness를 구할 것인지? 구한 다면 어떻게 구할 것인지?

어떻게 해석할지

리텐션 값을 구한 뒤, 리텐션 값을 어떻게 분석하는지도 중요하다.

어떻게 액션할지

분석을 마치고 만약 개선이 필요하다면 어떤 액션을 취해야할지에 대해서도 의사결정이 필요하다.

AARRR

고객이 서비스를 이용하는 과정에 대한 분석 프레임워크이다.

출처 : What is the AARRR Framework

다음과 같이 5단계로 나눌 수 있다. 

A : Acquisition (유저 유입)
A : Activation (서비스 핵심 기능 이용)
R : Retention (서비스 재방문)
R : Revenue (매출 발생)
R : Referral (추천)

리텐션

Retention : 사용자들이 서비스를 지속적으로 이용하는지?

리텐션에 대해 이야기 하기 전에 사용자의 서비스 이용에 대한 기준을 정해야 한다. 일반적으로 서비스 이용은 ‘방문’을 기준으로 측정한다. 하지만, ‘접속’과 ‘방문’으로 리텐션의 기준을 한정할 필요는 없다.

서비스 이용에 대한 기준을 어떻게 정해야 하는가? (활성 사용자에 대한 기준을 정하는 것일 수도 있겠다.)

[네이버 웹툰을 예시로 생각해보자.]

네이버 웹툰 앱을 사용했다는 기준은?
웹툰을 보는 것이 앱을 사용했다는 기준이 아닐까?, 앱 방문보다는 웹툰 한 회차를 본 사람을 사용자로 정의하는 것이 좋을 것 같다.

출처: 모바일 인덱스

모바일 인덱스에서 발표한 보고서이다. 이 보고서에 따르면 2023년 10월의 네이버 웹툰 월간 사용자 수는 823만명이라고 한다. 모바일 인덱스에서는 순 방문자 수를 기준으로 사용자수를 카운트한다고 한다. 따라서, 실제 서비스 운영측에서 정의하는 사용자수와는 다르게 집계 될 수 있다.

모바일 인덱스에서는 다양한 앱들에 대해서 비교하기 위해 모든 앱의 공통적인 특성인 ‘방문’을 기준으로 사용자수를 카운트 한다고 한다.

클래식 리텐션 (Classic Retention)

사용의 기준을 방문으로 잡고 리텐션을 계산

기준일 이후 일정한 단위 기간의(일, 주, 월) 재접속률을 의미한다.

장점 : 사용자가 매일 접속해서 사용할 것으로 기대되는 서비스에 적합 (메신저 등)
단점 : 사용주기가 긴 서비스에 대해 사용하기 힘듦. (값이 과소하게 계산될 수 있음.)

예시 

사용자	Day0	Day1	Day2	Day3	Day4	Day5	Day6
A	O*	O	O		O	O
B	O		O	O	O
C	O				O		O
D	O		O			O	O
E	O	O
F	O
클래식 리텐션	100%	33.3%	50%	16.7%	50%	33.3%	33.3%

* O - 방문

롤링 리텐션 (Rolling Retention, Unbounded Retention)

기준일 이후 그 이후에 한번이라도 방문한 사람에 대한 재접속률을 의미한다.

장점 : 사용자가 니즈를 가진 시점에 사용하면 되는 서비스에 적합 (커머스, 부동산 등)
단점 : 기준일에 따라 값이 바뀜. (기준 설정이 중요)

매일 계산하는 것보다는 일정한 주기(일주일, 한달)로 계산하는 것이 좋을 것 같다.

예시 

사용자	Day0	Day1	Day2	Day3	Day4	Day5	Day6
A	O*	O	O		O	O
B	O		O	O	O
C	O				O		O
D	O		O			O	O
E	O	O
F	O
클래식 리텐션	100%	33.3%	50%	16.7%	50%	33.3%	33.3%
롤링 리텐션(Day5 기준)	100%	83.3%	66.7%	66.7%	66.7%	33.3%
롤링 리텐션(Day6 기준)	100%	83.3%	66.7%	66.7%	66.7%	50%	33.3%

범위 리텐션 (Range Retention, Bracket Retention)

기준일 이후 일정한 단위 대신 설정한 특정 기간의 재접속률을 의미한다.

장점 : 노이즈에 강함. 하루정도 접속을 하지 않아도 설정한 범위내에선 영향을 주지 않음.
단점 : 기간을 어떻게 설정하는 방법이 정해져 있지 않음. (서비스에 따라 달라짐)

예시

사용자	Day0	Day1	Day2	Day3	Day4	Day5	Day6
A	O*	O	O		O	O
B	O		O	O	O
C	O				O		O
D	O		O			O	O
E	O	O
F	O
클래식 리텐션	100%	33.3%	50%	16.7%	50%	33.3%	33.3%
롤링 리텐션(Day5 기준)	100%	83.3%	66.7%	66.7%	66.7%	33.3%
롤링 리텐션(Day6 기준)	100%	83.3%	66.7%	66.7%	66.7%	50%	33.3%
범위 리텐션 (리텐션 기간: 3일)	100%	66.7%	66.7%	66.7%	66.7%	66.7%	66.7%

Stickiness (사용자 고착도)

사용자가 서비스를 계속해서 사용하는지를 측정하는 지표이다. Engagement 지표라고 하기도 하며, WAU(또는 MAU) 대비 DAU의 비율이라고도 한다. Stickiness 값이 높을 수록 사용자가 서비스를 계속해서 사용하는지를 측정할 수 있다.

예시

사용자	Day0	Day1	Day2	Day3	Day4	Day5	Day6
A	O*	O	O		O	O
B	O		O	O	O
C	O				O		O
D	O		O			O	O
E	O	O
F	O
DAU	6	2	3	1	3	2	2

WAU 대비 DAU 비율로 Stickiness를 구해보자.

DAU를 어떻게 구하지? → 일주일간 평균, 중앙값 등의 지표를 어떻게 선정해야 할까?

만약 평균으로 구한다고 하면 Stickiness는 약 38%(2.3 / 6 = 0.38) 이다.

예제

데이터리안 블로그의 Stickiness 지표 해석

출처: 데이터리안 블로그

WAU 대비 DAU 비율 = 약 13%(138/1100) = 약 1/7
유저들은 보통 데이터리안 블로그에 일주일 내 에 한번 정도 방문하는 것이라고 할 수 있다.

MAU 대비 DAU 비율 = 약 7% (138/ 2000) = 약 1/14
유저들은 한달에 약 2번, 보통 2주에 한번정도 방문한다고 판단할 수 있다.

한번 방문한 유저는 그 주에 바로 다시 방문하지는 않지만 2주정도의 텀을 두고 방문을 한다.
왜 그럴까? : 정보성 글이 대부분이라 매일매일 와서 글을 읽기란 쉽지 않다. 

좋은 컨텐츠가 계속 업로드 되고, 데이터리안 수강생이나 뉴스레터등을 통해 글이 공유 되면 될 수록 Stickiness가 개선될 수 있을 것 같다는 생각이 든다. 블로그의 Stickiness를 올리기 위한 전략에 대해서는 더 알아봐야 할 것 같다.

리텐션 차트, 리텐션 커브

리텐션 값을 시각화하는 방법에는 크게 두가지가 있다.

리텐션 차트

동질 집단(코호트)별로 리텐션율을 확인할 수 있다.

출처 : 데이터리안 블로그

리텐션 커브

리텐션 커브를 통해 어느 부분을 개선해야할지 확인할 수 있다. 초기 이탈율을 개선할 것인지, 또는 리텐션율을 개선할 것인지 서비스의 상황을 함께 고려하여 개선 방향을 정할 수 있을 것이다.

출처 : 데이터리안 블로그

---

참고

[데이터리안]
Classic Retention
Rolling Retention
Range Retention
DAU, WAU, MAU 그리고 Stickiness
리텐션 차트, 리텐션 커브
[추가 참고]
What is the AARRR Framework
모바일 인덱스