모범 사례
실제로는 여러 모델을 조합하여 다양한 관점에서 분석할 수 있습니다.
익일 이탈 분석
익일 리텐션은 모든 프로젝트가 주목하는 분석 지표입니다. 유저 이탈의 진짜 원인을 찾아야 그에 맞게 조정하여 익일 잔존율을 높일 수 있습니다.
먼저 리텐션 분석 모델에서 가입을 초기 이벤트로, 로그인을 복귀 이벤트로 설정하여 익일 리텐션 추이를 관찰합니다. 데이터가 하락한 날짜를 찾으면 그날 가입한 유저와, 그날 가입했지만 다음 날 로그인하지 않은 유저를 각각 결과 코호트로 저장할 수 있습니다.
다음으로 퍼널 분석에서 이 유저들이 가입 당일 어느 스테이지에 머물렀는지 확인하고, 이탈 유저 여부를 그룹 항목으로 설정하여 이탈 유저와 잔존 유저의 데이터 성과를 비교할 수 있습니다.
또한 경로 분석으로 이탈 유저가 가입한 후의 행동 경로를 확인하여 이탈 유저가 마지막으로 참여한 핵심 플레이를 찾고, 그 플레이가 유저에게 좌절감을 주어 더 이상 활동하지 않게 만들었는지 분석할 수 있습니다. 예를 들어 아레나 전투 패배나 뽑기 결과에 대한 실망 등이 있습니다.
결제 행동 분석
결제 행동은 데이터 분석의 핵심이며, 여러 관점에서 결제 행동을 분석할 수 있습니다.
가장 기본적인 방법은 이벤트 분석입니다. 결제 행동의 총 횟수, 유저 수, 금액 합계를 분석 지표로 설정하면 일정 기간 동안 데이터가 어떻게 변하는지 확인할 수 있습니다.
더 나아가 분포 분석에서 기간을 선택하고, 해당 기간 동안 유저의 결제 금액 합계에 따라 여러 구간으로 나누어 구간별 유저 수와 비율을 확인할 수 있습니다.
간격 분석은 유저가 가입부터 첫 결제까지 걸리는 시간을 분석하는 데 도움을 줍니다. 박스 플롯으로 중앙값과 상위·하위 4분위수를 직관적으로 확인하여 첫 결제 포인트를 조정하는 근거로 삼을 수 있습니다.
유저 특성 분석
속성 분석에서 차원을 교차 조합하여 각 조합에 해당하는 유저 수를 보고, 두 차원 사이에 상관관계가 있는지 탐색할 수 있습니다. 예를 들어 유입 채널과 누적 결제 금액을 그룹 항목으로 설정하면, 특정 채널의 고과금 유저 비율이 다른 채널보다 뚜렷하게 높은지 확인할 수 있습니다.
특정 차원 조합의 유저 수에 이상이 있으면 클릭하여 유저 목록으로 이동하거나, 더 나아가 행동 시퀀스에서 개별 유저의 모든 특성을 관찰할 수 있습니다. 또한 프로젝트 내 유저를 유저 속성에 따라 여러 그룹으로 나누어 데이터 성과를 비교할 수 있습니다.
현재 유저 속성으로 요구 사항을 충족할 수 없으면 유저 태그로 유저를 세분화할 수도 있습니다. 유저 태그는 유저 속성과 마찬가지로 필터와 그룹 항목에 사용할 수 있습니다.
프로젝트에 다양한 특성 데이터가 있으면 여러 속성 분석 리포트를 하나의 대시보드에 배치하여 프로젝트의 완전한 유저 프로필을 구축할 수 있습니다.