LV.1 탐색적 데이터 분석(EDA)과 가설 발견을 위한 분석 기초

1. 고객 생애 가치(Lifetime Value, LTV) 분석

• LTV의 정의: 고객이 회사와의 관계에서 기대되는 총 수익, 고객 획득부터 이탈 시점까지 전반적인 가치를 반영
• LTV 중요성: 고객 유지와 마케팅 자원 배분의 중요한 지표. 고수익 고객 세그먼트를 식별하여 타겟팅하고, 이탈 가능성이 높은 고객군에 대한 선제 대응이 가능
• 활용법: 고가치 고객에게 집중한 리텐션 마케팅, 이탈 예상 고객군의 특징 분석을 통해 고객 유지 전략을 강화 가능

 

- 데이터 사일로(Data Silo)

• 개념 설명: 데이터가 개별 부서 혹은 부문에만 머물러 통합적으로 활용되지 못하는 현상
• 문제점: 전사적인 고객 이해도를 저해하고, 여러 부서 간의 협업을 방해하여 중복된 마케팅 전략 발생 가능
• 해결 방안: 전사적으로 데이터 통합 관리 시스템을 구축해 여러 부서가 고객 데이터를 쉽게 접근할 수 있도록 하고, 통합된 CRM을 사용해 유기적인 고객 대응 체계를 구축

 

2. 데이터 수집 형태

* 로그의 3가지 주요 요소

1. 유저의 액션 = Event
2. 액션의 속성 = Event Property
3. 유저의 속성 = User Property

 

 

 

3.  퍼널 분석 (Funnel Analysis)

Funnel 차트 분석 5 Step

1. Funnel Event 정의: 분석하고자 하는 주요 이벤트를 정의
2. Time to Convert로 Funnel 전환 시간 확인: 고객이 이벤트를 완료하는 데 소요된 시간을 분석하여 전환에 걸리는 시간을 파악
3. Completed within 정의: 특정 시간 내에 이벤트를 완료한 고객 비율을 확인하여 전환율을 분석
4. Over Time으로 일반 패턴 & 특이점 확인: 시간 흐름에 따른 전환율 변화를 관찰하여 특정 시점에서의 특이 패턴을 파악
5. Frequency로 Funnel Event 빈도 확인: 주요 이벤트가 발생하는 빈도를 추적하여 행동 패턴을 이해

Insight

• 첫 구매 전환율 분석: 상세 페이지와 구매 페이지 간의 평균 전환율을 분석하여 개선 지점을 찾기
• 고객의 구매 여정 파악: 고객이 구매 전환에 도달하기까지 걸리는 평균 일수를 확인하여 여정의 평균 기간을 파악
• 반복 구매 여부 확인: 특정 시점 이후 고객이 서비스나 제품을 재구매하는 비율을 확인하여 반복 구매 행동을 분석
• 특이 패턴 발견: 특정일에 고객 행동이 달라지는 패턴을 확인하여, 전환율 향상 가능성을 탐색

Action

• CRM 메시지 테스트: CRM 시나리오 설계 시 특정 메시지를 통해 구매 전환율을 높이는 테스트를 진행
• 기능 개선: 유지 및 구매 전환율을 높이기 위해 특정 기능 개선을 도입하는 실험을 수행
• 다른 상품 추천: 고객이 특정 상품을 구매한 후 관련된 다른 상품을 추천하여 추가 구매를 유도

Experiment & Verification

• 실험 결과 분석: 실험을 통해 개선된 요소들이 유의미한 전환율 상승을 가져왔는지 확인합니다. 실험 결과가 Improvement & Significant하게 나타나는지 분석하여 최종 결론을 도출

 

- 퍼널(Funnel) 분석의 목적: 고객 여정의 각 단계별 전환율을 분석하여 이탈율이 높은 구간을 파악

- 특이점 발견: 퍼널 단계별로 일반적인 행동과 다른 특이 고객 그룹을 찾아 이들의 특성을 분석함으로써 잠재적인 리텐션 기회를 발견하거나 이탈 방지 전략을 수립

 

- 데이터 분석 지표 활용 (예시. e-commerce 전환율 계산)

• 10일 기준 전환율 측정: 전환율을 통해 광고, 프로모션, 사용자 경험 개선 효과를 평가
• 중앙값 기준 80% 타겟팅: 구매 전환율의 중앙값을 활용해 80% 고객군을 타겟으로 한 캠페인 설정 및 광고 지출 최적화를 검토

 

4. 이벤트 및 사용자 속성 분석 (Events & UTM Source)

• 이벤트 속성 (Event Properties): 각 이벤트 발생 시 속성을 기록해 특정 행동이나 패턴을 추적
• 사용자 속성 (User Properties): 사용자의 특징 및 히스토리를 기록하는 속성으로, 재방문 빈도 등을 파악하기 위해 유용
• 활용 전략
  • 그룹화(Group by): 이벤트를 기준으로 그룹화하여 각 행동이 발생하는 빈도를 파악
  • 세분화(Segment by): 사용자별로 세분화하여 개별 행동 패턴을 이해
  • 이벤트 속성은 순간적인 행동 트래킹에, 사용자 속성은 장기적 분석에 적합

 

5. 상관관계 vs. 인과관계

• 상관관계: 두 변수 간의 상호 연관성을 나타내지만, 하나가 다른 하나를 반드시 초래한다고 보기는 어려움
• 인과관계: 하나의 변화가 다른 변수에 직접적인 영향을 미치는 경우로, 인과관계를 도출하기 위해서는 실험적 접근이나 깊은 분석이 필요
• 활용: 상관관계는 초기 고객 행동 분석에 유용하며, 인과관계는 특정 마케팅 활동이 실제로 매출이나 리텐션에 미치는 영향을 확인하는 데 중요