Revenue 쪼개보기 in R

이번 글은 앞서 작성했던

https://dangdo.tistory.com/57 에서 사용한 데이터 + 추가 매출정보를 이용해 설명해보고자 합니다.

코호트 분석 입문(Cohort analysis in R)

 

위에 글을 먼저 읽고 오시면 아래에서 설명할 내용을 조금 더 이해하고 쉬우시리라 생각됩니다.

앞선 내용을 요약해보면, 우리는 3개의 컬럼으로 이루어진 데이터를 통해 코호트 분석을 해보았습니다.

해당 데이터는 특정기간(2019년 가입자)에 가입한 유저들의 가입일, 마지막 로그인 기간을 담고 있습니다.

각 컬럼은 user_id(PK), 첫 가입일, 마지막 로그인 일입니다.

Revenue를 쪼개보기 위해 다음 표와 같이 추가적인 데이터를 사용하고자 합니다.

이 데이터 역시 앞선 강의에서 제공한 엑셀데이터를 이용했습니다.

payment_id	item	buy_date	user_id
1	아이템A	2019-MM-DD	50
2	아이템B	2019-MM-DD	1211
3	아이템E	2019-MM-DD	327

df_1

저장된 데이터(df_1)는 위와 같은 형태를 취하고 있습니다.

결제번호, 아이템이름, 구매일자, 아이템을 구매한 유저의 ID값입니다.

payment %>%
  group_by(user_id) %>%
  summarise(total = sum(payment),
            n = n())

위와 같은 코드를 통해 user_id별 구매비용과 구매횟수를 알 수 있습니다.

결과는 아래와 같습니다.

# A tibble: 1,506 x 3
   user_id total     n
     <dbl> <dbl> <int>
 1      12  3000     1
 2      14 20000     1
 3      70 20000     1
 4      72 20000     1
 5      85 20000     1
 6      86  3000     1
 7     113  6000     2
 8     159 40000     2
 9     161 20000     1
10     168  3000     1
# … with 1,496 more rows

 

 

앞선 글에서 우리는 유저의 아이디, 가입일, 마지막 로그인 일을 알고 있기 때문에 USER_ID를 PK로 하여 MERGE하여

정보를 더 활용할 수 있습니다.

엑셀에서는 vlookup으로, R과 SQL에서는 join을 활용할 수 있습니다.

df_1<- left_join(df_1, user_info %>%
            select(user_id, sign_up), by = 'user_id')

 

 

user info 데이터의 user_id와 sign_up 열을 가져와 user_id기준으로 left join을 하였습니다.

df_1$sign_up <- month(df_1$sign_up)

df_2 <- dcast(df_1, sign_up ~ ., value.var = c("user_id"), length, margins=TRUE)
names(df_2)<- c("sign_up", "payment_number")
df_3 <- dcast(df_1, sign_up~., value.var = c("total"), sum, margins = TRUE)
names(df_3)<- c("sign_up", "sales")
df_4 <- full_join(df_2, df_3, by = "sign_up")
df_4$register_num <- sign_up2$`(all)`
df_4$active_num <- sign_up2$`12`
df_4$retention_ratio <- df_4$active_num/df_4$register_num
df_4$payment_ratio <- df_4$payment_number/df_4$active_num
df_4$ARPPU <- round(df_4$sales/df_4$payment_number)

 

코드에 대한 설명보다는 데이터를 어떻게 활용하고 보여줄 것인지에 대해 집중하겠습니다.

 

 

 

df_4 %>%
  group_by(sign_up) %>%
  ggplot(aes(x= sign_up, y= retention_ratio))+geom_col(fill="#2471A3")+coord_flip()+
  geom_text(aes( y= round(retention_ratio,2)+0.05, label = round(retention_ratio,2)), 
            vjust= 0.08, size = 4)+xlab("가입월")+ylab("잔존율")

위의 그림은 2019년 회원들의 월별 가입월을 기준으로 하여 현재의 잔존율을 나타내었습니다.

잔존율은 활성회원 수/해당 월 가입자 수로 구하여 최근일수록 그 잔존율이 높은 것을 확인할 수 있습니다.

 

 

 

 

 

 

---

 

df_4 %>%
  group_by(sign_up) %>%
  ggplot(aes(x=sign_up, y= payment_ratio))+geom_col(fill="#2471A3")+coord_flip()+
  geom_text(aes( y= round(payment_ratio,2)+0.03, label = round(payment_ratio,2)), 
            vjust= 0.08, size = 4)+xlab("가입월")+ylab("결제비율")+ggtitle("2019년 월별 가입자의 결제비율")

위 그림은 2019년 가입월별 결제비율을 막대그래프로 시각화한 것 입니다.

결제비율은 해당 월 가입자 중 결제자 수/활성회원 수로 구하였습니다.

위 그림에서는 1월 가입자의 잔존율이 가장 낮지만 1월 달 가입자의 결제비율이 가장 높은 것을 보여줍니다.

따라서 1월 가입자는 활성회원 중에서 유료서비스를 이용해 결제하는 회원의 비율이 높다는 특성을 보인다고 유추할 수 있습니다.

 

 

---

df_4 %>%
  group_by(sign_up) %>%
  ggplot(aes(x=sign_up, y= ARPPU))+geom_col(fill="#2471A3")+coord_flip()+
  geom_text(aes( y= round(ARPPU,2)+750, label = round(ARPPU,2)), 
            vjust= 0.08, size = 4)+xlab("가입월")+ylab("ARPPU") + ggtitle("2019년 월별 가입자의 ARPPU")

 

위 그래프는 2019년 월별 가입자의 ARPPU를 보여줍니다.

 

9월가입자들의 평균 결제액이 가장 높다는 것을 보여줍니다. 특정 회원의 금액만 큰 것인지, 회원 전체적으로 구매금액

 

이 많은 것인지는 데이터의 분포를 더 봐야 알 수 있을 것 같습니다.

 

이번 글에서는 R을 이용해 Revenue의 주요지표를 쪼개어 분석해보았습니다.

 

이용자의 가입월, 결제금액, 결제일 정보를 다양하게 조합하여 주요 KPI지표를 만들어 볼 수 있었습니다.

 

한 번 R을 이용해 코드를 작성해두면, 향후에 엑셀로 매번 작업할 필요없이 위와 같이 자동화 시킬 수 있으니,

 

활용해보는 것도 좋을 것 같습니다.