코호트 분석 (동질 집단 차트를 읽는 세 방향)

🤔 혹시 이런 생각 해본 적 없나요?

• "리텐션이 좋아졌다는데, 온보딩을 고쳐서인지 사용자가 늘어서인지 구분이 안 된다."
• "코호트 차트를 열면 계단 모양 숫자만 가득한데 어디부터 읽어야 하지?"
• "매체별로 들어온 사용자의 질이 다르다는 걸 숫자로 보여 주고 싶다."

적정 CPI 산정에서 회수는 남아 있는 사용자에게서 일어난다고 했습니다. 그 남는 정도를 재는 도구가 리텐션인데, 전체 평균 하나로 보면 판단이 자주 어긋납니다. 이번 클래스는 리텐션을 집단으로 쪼개 읽는 방법을 다룹니다.

🎓 같은 학번끼리 묶어야 변화가 보입니다

코호트 분석은 같은 시기에 들어온 사용자끼리 묶어, 시간이 지나면서 얼마나 남는지를 집단별로 비교하는 리텐션 분석 방법입니다. 코호트(cohort)는 동질 집단이라는 뜻이고, GA4 한국어 화면에도 동질 집단으로 적혀 있습니다.

학교의 학번에 비유하면 감이 잡힙니다. 재학생 전체의 졸업률을 한 묶음으로 보면 학교가 좋아지는지 나빠지는지 알기 어렵지만, 20학번과 21학번과 22학번의 졸업률을 나란히 놓으면 교육 과정을 바꾼 해부터 달라졌는지가 보입니다. 앱도 같습니다. 3월에 들어온 사용자와 4월에 들어온 사용자를 각각의 학번으로 묶어 따로 추적해야, 그 사이에 한 개선 작업이 효과를 냈는지 읽을 수 있습니다.

전체 평균이 판단을 가리는 이유도 여기 있습니다. 신규 유입이 갑자기 늘면 초기 사용자 비중이 커져 평균 리텐션이 출렁이는데, 이것은 서비스가 좋아지거나 나빠져서가 아니라 집단의 구성이 바뀐 결과입니다. 학번을 나누면 이 착시가 사라집니다.

🪜 계단 모양 차트를 읽는 세 방향

코호트 차트는 처음 보면 숫자 계단처럼 보입니다. GA4 공식 도움말에 실린 예시 화면입니다.

행은 들어온 시기(이 예시는 주 단위)이고 열은 그 뒤로 지난 시간입니다. 오른쪽 위가 비어 있는 것은 최근에 들어온 집단일수록 아직 지나온 시간이 짧기 때문입니다. 이 계단을 읽는 방향이 세 가지이고, 방향마다 답하는 질문이 다릅니다.

실무에서 가장 자주 쓰는 방향은 세로입니다. 온보딩 화면을 고치거나 소재를 바꾼 날짜를 기준으로, 그 전에 들어온 집단과 그 뒤에 들어온 집단의 D+1과 D+7 잔존율을 비교하면 변화의 효과가 숫자로 드러납니다. 가로 방향은 이탈이 몰리는 시점을 찾아 푸시나 온보딩 가운데 무엇을 고칠지 정할 때 씁니다.

📐 가상 데이터로 읽어 보기

말로만 하면 헷갈리므로 가상의 앱 데이터를 놓고 읽겠습니다. 4월 둘째 주에 온보딩 화면을 개편했다고 가정합니다.

세로로 D+1 열을 읽으면 개편 시점부터 30퍼센트 선에서 38퍼센트 선으로 올라선 것이 보입니다. D+7도 같은 방향입니다. 개편 앞뒤로 유입 규모가 비슷하므로, 이 변화는 사용자 구성이 아니라 개편의 효과로 읽을 수 있습니다. 전체 평균 리텐션 하나였다면 이 단절이 완만한 곡선에 묻혔을 것입니다.

같은 표를 매체 기준으로 만들 수도 있습니다. 애드 프러드 대응과 적정 CPI에서 매체별로 나눠 보라고 반복한 것과 같은 원리이고, 어느 매체로 들어온 집단이 오래 남는지가 코호트 표에서 그대로 드러납니다.

🔍 GA4에서 여는 방법

GA4에서는 탐색 메뉴의 동질 집단 탐색 분석이 이 차트를 만듭니다. 설정할 항목은 세 가지입니다.

• 포함 기준: 집단에 들어올 조건입니다. 첫 접속이 기본이고, 첫 구매나 특정 이벤트를 조건으로 걸 수도 있습니다.
• 재방문 기준: 남았다고 인정할 조건입니다. 아무 이벤트나 발생하면 되는지, 구매처럼 특정 행동이어야 하는지를 정합니다.
• 단위: 일, 주, 월 가운데 고릅니다. 유입이 적으면 일 단위는 출렁임이 커서 주 단위가 읽기 낫습니다.

재방문 기준을 바꾸면 같은 차트가 다른 질문에 답합니다. 기준을 접속으로 두면 돌아오는지를 보고, 구매로 두면 다시 사는지를 봅니다. 전환 이벤트 설계에서 심은 이벤트가 여기서 재방문 기준의 선택지가 되므로, 이벤트가 없으면 접속 말고는 물을 수 있는 질문이 없습니다.

🙅 좋은 리텐션이 몇 퍼센트인지 묻지 않는 이유

코호트를 읽기 시작하면 자연스럽게 떠오르는 질문이 있습니다. 우리 D+7이 18퍼센트인데 이게 좋은 편인지입니다. 그런데 이 질문에는 쓸 만한 답이 없습니다.

• 업종마다 방문 주기가 다릅니다. 매일 여는 메신저와 한 달에 한 번 여는 항공권 앱의 D+7을 같은 잣대로 비교할 수 없습니다.
• 유입 구성에 따라 같은 앱도 달라집니다. 리워드 유입이 섞인 주와 오가닉만 있던 주는 잔존율의 출발점부터 다릅니다.
• 공개된 평균은 집계 기준이 제각각입니다. 어떤 자료는 접속 기준, 어떤 자료는 이벤트 기준이라 숫자만 옮겨 오면 비교가 어긋납니다.

그래서 기준은 바깥이 아니라 우리 차트 안에 둡니다. 지난달의 우리 집단보다 이번 달의 우리 집단이 나아졌는지, 개선 작업 앞뒤로 세로 방향의 값이 움직였는지가 답할 수 있는 질문입니다.

🧭 캠페인 판단으로 잇는 순서

코호트 표를 캠페인 운영에 연결하는 순서를 정리하면 이렇습니다.

1. 이탈이 몰리는 구간을 찾습니다. 가로 방향에서 D+1과 D+7 사이가 급하게 꺾이면 첫 주 경험을, 그 뒤가 완만히 빠지면 재방문 계기를 봅니다.
2. 개선 작업의 앞뒤를 세로로 비교합니다. 온보딩, 푸시, 소재 교체 같은 변화마다 도입 시점을 적어 두고 그 앞뒤 집단을 비교합니다.
3. 매체별 코호트로 예산을 조정합니다. 잔존이 약한 매체는 상한을 낮추고, 오래 남는 집단이 들어오는 매체에 예산을 옮깁니다.

리텐션이 높아야 하는 이유는 결국 전환입니다. 재방문이 쌓여야 상품 조회와 장바구니와 구매로 이어지는 퍼널에 다시 올라올 기회가 생기고, 같은 광고비로 얻는 최종 전환이 늘어납니다. 다음 클래스에서는 그 재방문의 길을 놓는 딥링크 실전을 다룹니다.

❓ 유입이 적은 앱도 코호트를 볼 수 있나요?

볼 수 있습니다. 다만 하루 설치가 수십 건 수준이면 일 단위 코호트는 값이 크게 출렁여 읽기 어려우므로, 주 단위나 월 단위로 묶어 표본을 키우는 편이 낫습니다.

집단 하나의 크기가 커질수록 잔존율의 우연한 흔들림이 줄어듭니다. 단위를 늘려도 읽는 방향(가로, 세로, 대각선)은 같습니다.

❓ 재방문 기준은 무엇으로 두는 것이 좋나요?

질문에 맞춰 고릅니다. 앱을 계속 여는지가 궁금하면 아무 이벤트나 발생을 기준으로 두고, 매출로 이어지는지가 궁금하면 구매 이벤트를 기준으로 둡니다.

같은 획득 집단이라도 접속 기준과 구매 기준의 곡선은 다르게 그려집니다. 캠페인 예산 판단에는 결국 회수와 이어지는 구매 기준 쪽이 더 직접적인 근거가 됩니다.

📋 30초 요약

1. 코호트 분석은 같은 시기에 들어온 사용자를 학번처럼 묶어 따로 추적합니다. 전체 평균 리텐션은 집단 구성이 바뀌면 출렁여서, 서비스가 좋아진 것인지 유입이 달라진 것인지 구분하지 못합니다.

2. 계단 차트는 세 방향으로 읽습니다. 가로는 한 집단의 이탈 추이, 세로는 시기별 집단의 같은 시점 비교, 대각선은 특정 날짜의 구성입니다. 개선 효과 확인에는 세로 방향이 가장 자주 쓰입니다.

3. GA4 탐색의 동질 집단 탐색 분석에서 포함 기준, 재방문 기준, 단위를 정해 만듭니다. 재방문 기준을 구매로 바꾸면 같은 차트가 재구매 분석이 되고, 매체별로 나누면 예산 조정의 근거가 됩니다.

참고 자료

• GA4 동질 집단 탐색 분석, 애널리틱스 고객센터
• GA4 동질 집단 안내, 애널리틱스 고객센터