월간 데이터리안 세미나 4월의 리뷰입니다.
데이터리안 월간 세미나 4월 리뷰입니다. 데이터 분석을 주제로 이렇게 주기적인 세미나를 여는게 신기하기도 하고, 유익해서 도움이 많이 되고 있습니다.
보는 것만으로도 충분히 좋지만, 이렇게 글로 세미나의 내용을 정리하는 것이 오랫동안 기억에 남길 수 있어 오늘도 리뷰를 작성해보도록 하겠습니다.
매출 분석
많은 데이터 분석가분들이 한계를 지점 중 하나가 '분석이 실제 액션으로 이어지지 않는다'는 점입니다. 분석이 액션으로 이어지지 않으면서, 나는 쿼리머신인가... 하는 현자타임이 오곤 합니다.
이러한 상황에서 벗아나기 위해서는 돈이 되는 분석, 돈이 흐르는 방향으로의 분석이 필요합니다. 분석결과에 따라 이러한 액션하면 돈을 벌 수 있다는 내용은 꽤나 큰 설득력을 가지고 있습니다.
4월 세미나에서 다루는 '매출 분석'은 이러한 맥락에서 중요하다고 이해해주시면 좋을 것 같습니다.
1. 결제유저수와 ARPPU
1.1 주요 지표
어떤 지표를 보고 매출 분석을 할 수 있을까요? 매출을 볼 때 전체 매출도 중요하지만, 고객당 얼마나 구매를 하는지도 매우 중요합니다. 이를 앞으로 '객단가'라 부르도록 하겠습니다. 이 객단가를 확인하는 지표에는 두 가지가 있습니다.
- ARPU (Average Revenue Per User) : 전체 매출 / 전체 유저 수
- ARPPU (Average Revenue Per Paying User) : 전체 매출 / 결제 유저 수
객단가를 나타내는 두 지표 중 결제 유저를 활용하는 ARPPU라는 지표를 가지고 이야기를 해보도록 하겠습니다. 참고로 전체 유저는 결제 유저(Paying User)와 미결제 유저(Non Paying User)로 나누어 볼 수 있습니다.
1.2 매출 증감 원인 분석
대부분의 회사에서는 구성원들이 주요 지표를 확인할 수 있도록, 대시보드를 만들어 공유합니다. 앞서 소개한 ARPPU와 같은 지표들도 마찬가지죠. ARPPU와 함께, 결제유저수 정보가 있으면 다음과 같은 분석이 가능합니다.
| 결제 유저수 | ARPPU | 매출 | 분석 |
|---|---|---|---|
| 증가 | 증가 | 증가 | 결제 유저수와, 객단가가 모두 늘어 매출이 증가했구나 |
| 증가 | 그대로 | 증가 | 결제 유저수가 늘어 매출이 증가했구나 |
| 그대로 | 증가 | 증가 | 객단가가 늘어 매출이 증가했구나 |
| 감소 | 감소 | 감소 | 결제 유저수와, 객단가가 모두 줄어 매출이 감소했구나 |
| 감소 | 그대로 | 감소 | 결제 유저수가 줄어 매출이 감소했구나 |
| 그대로 | 감소 | 감소 | 객단가가 줄어 매출이 감소했구나 |
| 그대로 | 그대로 | 그대로 | 결제 유저수 객단가에 변동이 없어, 매출에 아무런 변화가 없었구나 |
| 증가 | 감소 | 증가 | 객단가가 낮지만, 결제유저수가 늘어 매출이 증가했구나 |
| 증가 | 감소 | 감소 | 결제유저수가 늘었지만, 객단가가 낮아져서 매출이 감소했구나 |
| 감소 | 증가 | 증가 | 결제유저수가 줄었지만, 객단가가 높아져서 매출이 증가했구나 |
| 감소 | 증가 | 감소 | 객단가가 높아졌지만, 결제유저수가 줄어 매출이 감소했구나 |
(전체 매출) = (결제 유저수) * ARPPU
전체 매출의 증감의 원인을 이렇게 결제 유저수와 ARPPU로 확인해볼 수 있습니다. 이제 이 각각의 지표들을 살펴보도록 하겠습니다.
1.3 결제 유저수 증가 이유
결제 유저수의 증가 이유를 알아보기 위해, 다음의 과정이 필요합니다. 우선 전체 유저 중 결제 유저와 미결제 유저를 나누어봅니다. 그리고 이를 보고 이해하기 쉽도록 결제비율로 표현합니다.
첫 번째로, 전체 유저수가 증가하고 결제 유저수가 증가하는 경우입니다. 이때는 신규 고객 가입 등으로 전체 이용자 수가 증가하여 결제 고객이 늘었다고 해석할 수 있습니다.
두 번째는, 전체 유저수는 그대로인데 결제 유저수가 증가하는 경우입니다. 이 때는 기존 이용자들의 결제 비율이 증가하여 매출이 증가했다고 해석해볼 수 있습니다.
더 자세히 살펴보기 위해서 결제 유저의 구성을 살펴보는 것도 좋은 방법입니다. 결제 고객 중 신규 결제 유저가 많았는지, 재결제 유저가 많았는지 확인해봅니다. 예로 들어 신규 고객의 결제가 많았다면 특정 시기에 마케팅이 진행되었다고 추측해 볼 수 있습니다.
1.4 ARPPU 증가 이유
객단가의 증가 이유는 결제 패턴을 살펴보아야 합니다. 1회당 결제 금액이 증가했을 수도 있고, 결제 빈도가 증가했을 수도 있습니다.
이해하기 쉽게 예로 들어보도록 하겠습니다. 어떤 먹방 유튜버가 고급 레스토랑에서 음식을 먹방하여 입소문이 났습니다. 그래서 한동안 비교적 높은 금액대의 음식을 시도해보는 것이 유행이 되었고 해당 기간의 ARPPU가 증가했습니다.
결제 빈도의 경우에는, 코로나가 심각했던 기간을 생각해볼 수 있습니다. 실외 활동이 극히 제한됐던 만큼 배달을 자주 시켜먹지 않았던 사람들도 배달 음식을 자주 시켜먹었죠. 이러한 요소들이 ARPPU 증가에 영향을 줍니다.
2. 코호트 분석
1.1 데이터 쪼개기
업무 요청이 와서 데이터를 분석해본다고 생각을 해봅시다. 열심히 데이터를 분석하고, 이쁘게 대시보드를 만들었습니다. 그런데 이런 질문이 들어왔습니다.
"그래서 저희가 어떻게 해야 한다는 거죠?"
이런 질문이 가혹하다고 느껴질 수는 있겠지만, 데이터 분석가들은 이 지점을 항상 고민해야 합니다. 데이터 분석이 분석으로만 그치지 않기 위해서 노력이 필요합니다.
액션으로 이어지지 않는 데이터를 허상 지표라고 합니다. 예로 들어 전체 가입자 수, 페이지 방문자 수 등이 있죠. 물론 이 지표들이 늘어난다면 기분이야 좋지만, 이를 가지고 어떤 액션을 할 수 있을까요?
이때 해볼 수 있는 시도가 바로 '데이터를 쪼개보는 것'입니다. 데이터를 쪼개는 순간 보이지 않았던 것들을 발견하게 될 지도 모릅니다.
1.2 코호트 분석
데이터를 쪼개는 방법에는 여러가지가 있습니다. 시간에 따라 쪼개기도 하고, 사용자 별로 쪼갤 수도 있습니다. 이 이외에도 A/B 테스트를 진행한다거나 다양한 방법들이 있습니다.
코호트 분석은 그 중에서도 사용자별로 쪼개는 데, 시간대 별로 확인할 수 있는 하나의 분석 방법입니다. 코호트 분석을 하기 위해서는 우선, 사용자들을 특정 기준으로 그룹을 만들어야 합니다. 여기서 사용할 수 있는 기준에는 인구 통계, 사용자 기기, 유입 채널, 행동 데이터 등이 있습니다.
다음으로 이 사용자 그룹이 시간대별로 어떤 모습들을 보이고 있는지를 확인합니다. 예로 들어 안드로이드 기종을 사용하는 20대 남자가, 기능 A를 경험했을 때 리텐션이 높았다는 결과를 낼 수 있습니다.
지금 하고 있는 분석이 지지부지한 경우에는 이러한 코호트 분석이 큰 도움을 줄 수 있습니다.
1.3 LTV
LTV(Life Time Value)는 고객 생애 가치입니다. 영문을 한글로 해석하면서 어색한 부분이 있는데, 직관적으로 해석하면 고객이 우리 서비스에 돈을 얼마나 쓸까에 대한 지표입니다. LTV는 회사의 수익에 중요한 요소입니다.
반대로 회사 입장에서 지출을 담당하고 있는 마케팅 비용은 CAC(Customer Acquisition Cost)라는 지표로 확인할 수 있습니다. 한 명의 고객을 우리 서비스에 대려오는 데 필요한 비용이 얼마인가에 대한 지표이죠.
당연한 이야기지만, LTV가 CAC보다 커야 비즈니스가 존속이 됩니다. 그래서 LTV가 마케팅 비용보다 커지는 시점이 언제인지 알아내는 것은 매우 중요한 작업입니다.
LTV는 코호트 분석과도 함께 사용되는데요. 코호트를 나누어 마케팅 비용을 계산합니다. 그리고 그룹별 고객 가치를 계산합니다. 그러면 비즈니스 존속을 위해 중요한 고객군을 살펴볼 수 있습니다. 이러한 분석 내용은 추후 예산 배분과 마케팅 액션에도 큰 영향을 줍니다.
더 알아보기
본 게시물은 인프런 데이터리안 세미나 VOD 시리즈의 리뷰 글입니다. 세미나에서 인상적이었던 내용을 주관적인 해석과 함께 작성하였습니다. 본 내용에 대해서 더 궁금하시다면 세미나를 직접 들어보시길 바라겠습니다.
