[AARRR] Retention 지표

 

Retention  지표는 크게 아래 3가지로 나뉨.

 

classic retention

range retention

rolling retention

 

classic retension(Day-N Retention)

특정일에 다시 돌아온(come back) 유저의 비율

각 날짜에 접속한 유저는 독립적으로 계산됨(반복적으로 들어왔는지 여부는 중요하지 않음)

그동안 쭉 안들어오다가 하필 설정한 날짜에 들어오면 컴백한 유저가 됨.

계산 = Day N에 서비스를 사용한 사람 수/ Day 0에 처음 서비스를 사용한 사람 수

 

예컨대 0일에 접속하고 1,2,3,4,5,6일동안 안들어오다가 설정한 7일 후에 접속하면 카운팅 됨.
0일에 접속하고 1,2,3,4,5,6 일동안 계속 접속했으나 설정한 7일에 접속안하면 카운팅 되지 않음.

단점

따라서 특정일의 노이즈에 민감하다
또 일단위 로그인 데이터를 모두 쌓아둬야 함.

 

활용

Daily 유지가 중요한 서비스(짧은 주기로 반복적인 사용이 보편적인 서비스- 전화)

노이즈를 줄이기 위해 여러개의 기준일을 잡아서, 여러 번 측정하여 day N 리텐션의 평균값을 사용

 

 

range retention

특정 기간에 come back한 비율
N 기간 안에 사용만 하면 카운팅.
계산 = Range N에 서비스를 사용한 사람/ Day 0에 이용한 사람

장점
설명하기 쉽다
특정일 노이즈에서 자유로움

단점
기간이 길어질수록 과대평가하게 됨.
의미있는 결과를 보기 위해 오랜 시간이 필요함.

 

 

활용
daily use가 덜 중요한 서비스(일정 간격으로 주기적으로 사용하는 서비스)

 

Rolling Rentention
몇 명이 남아있는가 가 아니라 몇 명이 서비스를 떠났는지에 대한 리텐션 지표
언제 마지막으로 들어오고 그 시점 이후로 얼마나 들어오지 않았는지 카운팅함.
계산 = after n day에 서비스를 쓴 기록이 있는 사람/Day 0 에 이용한 사람

 

장점
계산하기 쉽다.
리텐션의 기준을 임의의 기간으로 설정하지 않고, 온전히 사용자에게 맡긴다?!

 

단점
전반적으로 과대 평가됨.
이상치의 영향이 매우 큼
계속 변화하는 숫자(1년 후에 계산한 값이라도, 이후 달라질 수 있음)

활용
자주 쓰이지 않는 서비스에서의 리텐션 측정(쇼핑몰 등)

약식으로 보는 리텐션

Engagement = DAU/MAU

DAU/MAU 비율을 통해 사용자가 특정 서비스에 얼마나 engage 되었는지 가늠
단, daily use가 전제된 서비스에서만 활용
retained 유저와 그렇지 않은 유저를 나눠서, drill-down 하는 분석이 뒤따라와야 함.

서비스간 비교는 쉽지 않음
서비스마다, DAU, MAU를 측정하는 기준이 의외로 같지 않음.
트래킹 서비스에서 보여주는 수치도 대부분 추정치에 가까움.
동일 서비스에서의 기간별 추이를 보는데 용이함.

리텐션 차트 : 리텐션이 어떻게 움직이는지를 측정

 

코호트
퍼널 분석과 마찬가지로 리텐션도 코호트를 쪼개서 차이를 보는게 핵심
리텐션 분석 시 활용하는 코호트의 기본은 날짜(가입일, 첫구매일, 드읃ㅇ)

가입 월별, 첫구매 월별로 구분

 

'접속'이 리텐션의 유일한 기준일까?

로그인이 유의미한 행동이기 때문에, 이를 시간에 따라 반복하는지 보는 것
다른 유의미한 행동을 기준으로 시간에 따른 반복을 보는 것도 좋음.

구매완료-> Repurchase를 보는 것
컨텐츠 시청
상세페이지 5개 이상 방문 등

리텐션 개선하기
시점에 따른 접근
 1. 초기에 떨어지는 속도를 늦추기
   1) 엑티베이션 프로세스 점검
   2) new user experience 개선

 

 2. 오랜기간 유지시키기
   1) 정기적인 커뮤니케이션 plan
   2) 휴먼 고객의 복귀 이유 만들어주기

함정카드가 많은 영역 : 지표에 매몰되기 쉽다.

푸시보내기, 이메일 보내기, sms보내기 -> 일시적인 리텐션은 늘어남.
그러나 피로 관리가 제대로 되지 않으면, 장기적으로 악영향
유저 커뮤니케이션 채널은 사내에서 일원화해서 관리하는 게 좋음
촉발제를 사용하면 당연하게도 uninstall이 늘어남

key feature을 기준으로 리텐션 모니터링
단순히 접속이 아니라, 핵심기능 사용, N페이지 이상 방문, 결제하기 등 핵심기능을
기준으로 모니터링

축적된 가치
서비스에서 오랜 시간을 보내면서 축적해 놓은 데이터가 많은 경우 리텐션이 높아질 수 밖에 없음
경쟁사 입장에서는 축적된 가치 이동시키기

 

예컨대 노션은 에버노트에 저장해둔 기록을 옮겨올 수 있음.
FLO 음악서비스는 기존 음악리스트 캡쳐하면 OCR기능으로 노래 제목, 가수를 읽어서 리스트에 자동으로 추가해줌.

그밖에 생각해야 할 것들
카테고리마다 권장되는 리텐션 수준은 다르다. 목표 수준을 잘 정의할 것.