AARRR 이란? 단계별로 알아보기. +퍼널분석, 코호트, 리텐션

AARRR 

AARRR은 사용자의 서비스 이용흐름을 기반으로 고객 유치/ 활성화/ 리텐션/ 수익화/ 추천 이라는 5가지 카테고리를 정의하고 각 카테고리에서 핵심이 되는 지표를 발굴하고 이를 측정/ 개선하는 지표관리 방법론이다. 

 

Acquisition, Activation,  Retention, Referral,Revenue 단계의 약자이며 각각의 의미는 

 

Acquisition : 고객 유치 

사용자들을 어떻게 데려올 것인가? 

사용자를 우리 서비스로 데려오는 것과 관련된 활동. 즉, 신규 고객이 생기는 것을 의미한다.

유치의 핵심은 고객 유치에 기여(Attribution)한 채널의 성과를 판단할 수 있는 모델을 만드는 것이다.

어떤 채널을 통해 들어온 사용자들이 꾸준히 남아서 활동하는지, 결제로 전환되는 비율이 얼마나 되는지 등을 바탕으로 각 채널의 가치를 정확히 판단할수 있어야 이를 기반으로 전체적인 전략을 수립하거나 예산을 분배할 수 있기 때문이다. 

 

유저획득 핵심지표 

• CAC (Customer Acquisition Cost) - 유저 획득 비용 
  한명의 사용자를 데려오기 위해 지출하는 평균 비용.
  비용에 대해 논의하기 위해서는 각 채널별/캠페인별/광고별로 얼마의 예산을 집행했고, 각 경로를 통한 유입이 어느 정도인지 정확히 추적할 필요가 있다. 

 

추적 방법.

1) 웹 - UTM 파라미터 (Urchin Tracking Module)

서비스로 유입된 트래픽 경로 출처를 확인할수 있도록 URL뒤에 추가된 파라미터를 의미. 

URL뒤에 ?로 시작되어 각 파라미터는 &로 구분된다. 

like this.. 각각 파라미터의 의미와 해당 예제에 대한 값은 

utm_source	소스	어디에서 왔나?	Facebook
utm_medium	매체	어떤 유형의 링크인가?	blog_article
utm_campaign	캠페인	어떤 캠페인을 통해서 들어왔나?	Journeys_launch
utm_term	검색어	어떤 키워드로 검색해서 들어왔나?	quarter_two
utm_content	콘텐츠	어떤 내용을 보고 왔나?	header_link

구글이 제공하는 Campaign URL Builder 또는 구글 애널리틱스의 소스/매체를 통해 UTM별 유입정보를 얻을 수 있다. 

 

2) 앱 - 어트리뷰션 (Attribution)

웹사이트와 달리 모바일 앱의 경우 UTM 파라미터로 확인할 수 없다. 

모바일앱은 링크클릭 > 앱스토어 설치 및 실행 과정이 필요한데 앱스토어로 가면서 URL에 지정된 UTM파라미터가 유실되기 때문.

어트리뷰션은 사용자가 앱을 설치하고 사용하는데 어떤 채널이 기여했는지를 식별하여 앱의 마케팅 성과를 판단하는 과정. 

UTM 파라미터에 비해 훨씬 복잡해서 보통 유료 서비스를 이용하는 경우가 대부분.

 

 

광고 관련 지표 

• CPC (Cost Per Click) - 클릭 당 과금 광고 
• CPI (Cost Per Install) - 설치 당 과금 광고 
• CPA (Cost Per Action) - 액션 당 과근 광고 
• CPM (Cost Per Mile) - 노출 당 과금 광고 
• CPP (Cpst Per Period) - 기간 보장형 광고 
• ROAS (Return On Ads Spending) - 광고로 인한 매출액 / 광고비 

 

성공지표 방향

• 유저 획득 비용보다 고객 라이프타임 밸류가 커야한다. 
• CAC (Customer Acquisition Cost) <  LTV ( Lifetime Value) 
• 같은 비율이라면 LTV를 증가시키는것이 CAC를 감소시키는 것보다 효과적일 것. 

* CAC는 단순히 비용계산이 아닌, 채널/ 캠페인/ 날짜 등에 따라 쪼개서 살펴야 함

ex) 어느 채널에 어느 캠페인으로 어느 기간동안 얼마의 예산을 집할할 것인가?   

 

결론적으로 정답은 없다. 서비스에 맞는 주관과 철학에 맞추어 설정해야한다. 

 

 

Activation 활성화

사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가? 

예를 들어 쇼핑몰이라면 장바구니 담기, 상세페이지 조회 등이 될 수 있겠다.

만약 이 단계에서 문제가 있다면 서비스의 UX등을 체크해볼 필요가 있다.

 

Activation단계의 핵심은 Funnel 분석. 

• 사용자들이 경험하는 단계를 도식화 
• 각 단계의 전환율을 측정/ 분석 

퍼널 Funnel  분석 

먼저 퍼널(Funnel)의 사전적 의미는 깔대기 이다.

퍼널 분석은 사람들이 앱과 어떻게 상호작용하는지, 사용자의 유입과 이탈의 여정을 시각화하여 얼마나 많은 사람들이 어디에서 이탈하는지 보여주는 분석과정이다.

by clevertap

위에서 아래로 내려갈수록 이탈하는 사용자는 많아진다.

여기서 사용자들이 나가는 시점은 제각각인데, 이런 부분이 어디인지 집중적으로 분석한다면 왜 사용자들이 이탈하는지에 대한 단서를 찾을 수 있다. 즉, 이처럼 사용자가 이탈하는 행위, 이탈하는 비율을 이탈률이라 하고 이 이탈률이 높은 시점을 분석하는 것을 퍼널 분석이라 한다. 각각의 단계를 넘어가는 것을 전환(Conversion)이라 하고, 비율을 전환율(Conversion rate)라 한다. 

 

퍼널은 정해진 프레임이 있는것이 아니고 프로덕트마다 구성하는 방식이 다르다.

예를 들어 웹 사이트의 회원가입을 퍼널로 구성한다면, 웹사이트 접속 > 회원가입 > 가입완료 가 될 수 있고 쇼핑몰 구매를 퍼널로 구성한다면 쇼핑몰 접속 > 장바구니 > 구매 > 구매완료 가 될 수도 있다는 것이다.  

 

Funnel 분석의 가치

각 단계별 conversion(전환)을 확인할 수 있다. Conversion에 영향을 주는 선행 지표를 발견.

 

Funnel 분석의 고려요소 

• 핵심가치를 경험하는 시점과 연결되는 단계를 잘 정의했는가?
• 각 단계별 전환율을 어떤 기준으로 측정하나?
• 코호트(cohort)에 따른 퍼널별 전환율을 쪼개서 보고 있는가?  

 

코호트란?

공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트라 한다.

 

코호트 분류 기준 

• 특정 Action을 했는지 여부  ex) 접속 / 회원가입 / 구매 .. 
• 특정 Action을 한 시점  ex) 일별 / 주별 / 월별 첫 결제자 .. 

 

코호트별 분석 예시 

• 가입시점에 따라 결제 전환율에 차이가 있는가?
• UTM_parameter에 다라 결제 전환율에 차이가 있는가? 
• 특정 이벤트 경험 유무에 따라 결제 전환율에 차이가 있는가?
• 시간이나 요일, 계절이나 날씨 등 외부 변수에 따라 결제 전환율에 차이가 있는가?
• 사용자의 성별이나 나이 등 인구통계학적 정보에 따라 결제 전환율에 차이가 있는가?
• 이탈의 원인은 무엇인가? 
• 전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가? 

 

퍼널의 전환율을 높이는 방법 

• 개인화
  서비스 주요화면을 개인화해서 개개인의 취향에 맞는 정보를 보여준다면 전환율을 높일 수 있다.
  예를 들어 사소하게는 사용자들의 이름을 명시, 사용자 개개인의 데이터를 참고한 추천 등
• UI/UX 개선
  주요화면의 디자인을 변경하거나 구성요소를 바꾸는 것은 전환율 변화의 대표적인 방법이다.
  단, 전/후 효과에 대한 정확한 측정과 검증 과정이 필요하다.
  변화가 사용자들의 선택을 받아야 개선이 되고 그렇지 못하면 개악이 될지도.. 
• 적절한 개입
  흔히 CRM(Customer Relationship Management) 채널이라고 알려진 이메일/푸시/인앱 메세지 등..맥락을 잘 정의하면 효과를 보지만, 잘못 사용시 사용자를 떠나보내는 양날의 검이기에 보수적으로 개입

 

Retention 리텐션, 유지율

사용자가 우리 서비스에 지속적으로 방문하는가? 

Active 과정을 통해 경험한 핵심가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리하는 단계.

리텐션 역시 프로덕트마다 기준이 다르다. 일반적으로 접속을 기준으로 측정하지만 접속으로 한정할 필요는 없다.

서비스에 있어서 사용자의 유의미한 행동을 기준으로 잡고, 이러한 행동이 시간의 흐름에 따라 반복되는지 살펴보는것이 중요하다.

넥플릭스라면 구독 연장을 리텐션으로 정의할 수 있고, 쇼핑몰이라면 상품 재구매를 리텐션으로 정의할 수 있겠다.  

높은 리텐션은 기업의 장기적 성장에 유리하기에 AARRR퍼널에서 가장 중요한 단계로 야기된다. 

 

리텐션을 측정하는 3가지 방법 

1) 클래식 리텐션 Classic Retention 

• 특정일에 이벤트를 발생시킨 유저의 비율을 계산하는 방식. (Day-N Retention 으로도 불린다)
• 가장 일반적인 유지율 계산 방법. (일반적으로 리텐션이라함은 클래식 리텐션을 의미)
• 각 날짜에 접속한 유저는 독립적으로 계산(반복여부 고려안함)
• 계산법 = DayN 에 서비스를 사용한 사람 / Day0 에 처음 서비스를 사용한 사람 

출처: 그로스해킹

예를 들어 day7에는 10명중 6명이 접속했으므로 60%가 day7리텐션이 된다. 같은 방식으로 day14 리텐션은 40%, day28은 20%이다. 특정일에 접속여부는 고려하지만 그때까지 꾸준히 반복적으로 들어왔는지는 고려하지 않는다. 때문에 특정일의 노이즈에 민감하고 일 단위의 데이터가 모두 필요하다. 

• 언제 사용하나?
  짧은 주기로 반복적인 사용이 보편적인 전화, 메신저, SNS 와 같은 서비스에 적합.
  노이즈를 줄이려면 기준일을 여러개 두고, 여러번 측정해서 Day N 리텐션의 평균값을 활용.

* Engagement

복잡한 리텐션 계산 없이 간단히 서비스의 리텐션 수준을 가늠하는 방법도 있다. 

Daily Active User 를 Monthly Active User로 나누어 Engagement 지표를 구하는 것.

 

Engagement = DAU / MAU 

• DAU / MAU 비율을 통해 사용자 리텐션 가늠
• 단, Daily Use 가 중요한 서비스에서만 유효한 지표 
• 동일서비스에서 기간별 추이를 보면 유용 

 

2) 범위 리텐션 Range Retention 

• 클래식 리텐션과 동일하나, 날짜 기준을 특정일이 아닌 특정기간으로 정해 이벤트를 발생시킨 유저비율 계산.
• 주별, 월별, 분기별 등 설정한 기간 내 한번이라도 들어왔으면 포함. 
• 각 기간에 접속한 유저는 독립적으로 계산(반복여부 고려안함)
• 계산법 = RangeN 에 서비스를 사용한 사람 / Range0 에 처음 서비스를 사용한 사람 

출처: 그로스 해킹

클래식 리텐션에 반해 특정일 노이즈에서 자유롭다.

단, 단점은 기간이 길어질수록 과대 추정이 될 수 있고(월별일 경우 1번만 접속해도 포함),비교적 데이터 수집 및 분석 기간이 길어진다. 

• 언제 사용하나?
  비교적 daily use가 덜 중요한 서비스인 배달/ 쇼핑몰 등에 적합. 
  
  

3) 롤링 리텐션 Rolling Retention 

• 위의 2가지와 성격이 조금 다름. 몇 명이 돌아왔는가가 아니라 몇명이 나갔는가? 에 초점.
• 즉, 특정일을 기준으로 떠나버린 유저를 집계해서 리텐션을 계산한다.
•  계산법 = After N day 에 서비스를 이용한 유저 / Day0 에 처음 서비스를 이용한 유저 

예를 들어 마지막 로그인 일자가 day7보다 이전인 사용자는 총 2명임. 

즉, 이 두 사용자는 일주일 이전에 이탈한것으로 간주되고 일주일 기준 활성 사용자에 포함되지 않음. 8/10 = 80% 최초 로그인 시점과 마지막 로그인에 대한 데이터만 있으면 계산할 수 있다는 장점이 있으나 단점은 전반적으로 과대추정 되는 경향이 강하다.(한달 후에 1번만 접속해도 한달 간 매일 접속한 유저와 동일치로 인정됨)

• 언제 사용하나?
  사용빈도가 높지 않은 서비스에 적합. 특정 상품 쇼핑몰, 이사/여행 서비스 등.. 

리텐션 차트 

리텐션 차트를 만들면 코호트에 따라 리텐션이 어떻게 움직이는지 시각화하여 확인할 수 있다. 

리텐션 차트는 다음과 같이 삼각형 모양을 띠며 코호트(기준일), 볼륨(각 코호트의 크기), 기간, 리텐션 4요소로 이루어진다.
차트를 가로로 보면 전반적인 리텐션 추이를 알 수 있고, (같은 시기에 들어온 사람들의 기간에 따른 리텐션 추이 ..)

세로로 보면 초기 리텐션 추이를 알 수 있다.  (처음 들어온, 또는 같은 기간에 머물렀던 유저의 초기 리텐션 추이 ..)

또는 리텐션 차트를 실선 차트로 시각화를 통해 한눈에 볼 수도 있다. 

 

 

 

퍼널 분석과 마찬가지로, 리텐션 또한 코호트를 쪼개어 차이를 보는것이 핵심이다. 

리텐션 차트를 통해 유용한 인사이트를 얻으러면 다음 질문의 답을 찾아보아야 한다.

• 하나의 코호트 안에서 기간에 따른 유지율을 봤을때 그 추이가 어떠한가?
  유지율이 급감하지 않고 안정화 되는 지점이 있나?
  대략 어느정도 기간이 지나야 안정화 된다고 볼 수 있는가?
• 서로 다른 코호트의 동일 기간의 유지율을 비교하면 어떠한가?
  예를 들어 1월 가입자와 5월 가입자의 60일 리텐션에 차이가 있는가?
  
  
• 기간에 따라 나눈 코호트의 규모는 어떻게 달라지고 있는가?
  가입자 혹은 접속자가 꾸준히 증가하는 추세인가? 유지되거나 감소하는 추세인가? 

리텐션 개선

• 활성 단계에서 이탈이 많은 경로를 살피면 초기 유지율 보완에 도움 
• NUX(New User Experience) 신규 사용자 경험
• 안정화 단계에서는 사용자와의 관계를 잘 유지하는 것이 중요
• 곧 휴면고객 대상으로 적절한 복귀 명분을 만들어주는 리마케팅 Re-Marketing
• 경쟁 서비스에 축적되어 있는 가치를 손실없이 이전할수 있도록 하기.
  ex) 타플랫폼 import 지원 등 

 

Revenue 수익, 매출

사용자가 우리 서비스의 핵심 기능을 사용하기 위해 결제하는가? 

즉, 고객이 서비스에 금액을 지불하는 것을 의미한다. 수익화 관리를 위해서는 서비스 비즈니스 모델을 명확히 이해하고, 비즈니스 모델이 잘 동작하는지, 비용대비 수익이 안정적인지 데이터로 확인할 수 있어야 한다. 

 

* 수익 주요 지표

지표	APPU. Average Revenue Per User	ARPPU. Average Revenue Per Paying User
정의	인당 평균 결제액	결제자 인당 평균 결제액
계산	Revenue /  User	Revenue / Paying User

지표	LTV. Lifetime Value	LTR. Lifetime Revenue
정의	고객 생애 가치  한명의 유저가 전체활동 기간동안 발생시키는 누적 수익	고객 생애 매출  한명의 유저가 전체활동 기간동안 발생시키는 누적 매출
계산	(인당 평균매출-인당평균비용 / 1-고객유지비율+할인율 ) - 고객획득비용	기준에 따라 달라지는 개념적인 지표로써  고객 획득 비용(CAC)보다 높아져야 긍정적 신호. CAC + a < LTR

고객 생애 가치는 알려진 공식도 많고 사실상 공식에 넣어서 계산하기엔 엄청난 가정이 필요하기에 현실에서 충족되기 어려움. 

LTV 대신, 비용을 고려하지 않은 LTR를 활용하자. 

기간별로 고객 생애 매출이 증가하는 추이를 구한 후, 고객 획득 비용(CAC. Customer Acquisition Cost)과 비교하면서비스의 수익모델이 잘 동작하는지 확인할 수 있다. 건강하게 성장하는 서비스라면 LTR이 CAC를 빠르게 따라잡고 장기적으로 몇배수까지 높아져야 한다. 

 

우리서비스의 고래는 누구인가? 

수익화 분석에서 유의점은 대부분 지표가 대푯값의 형태로 계산되지만 실제 수익화 지표를 계산해보면 개인별 편차가 상당히 크게 나타난다. 파레토 법칙의 20:80 비율처럼 전체 사용자의 20%가 전체 매출의 80%를 결제하는 패턴도 흔히 볼수 있고 더 극단적인 경우도 많다. 고액 결제자 몇명의 행동에 따라 ARPU /ARPPU가 흔들릴수 있기 때문에 '평균 사용자' 라는 모호한 개념에서 벗어날 필요가 있다. 평균 사용자보다는 서비스에 대한 충성도가 높고 매출 기여도가 높은 사용자 층을 고려하는 것이 효과적이다. 

실제 수익화의 성패는 고수익 창출 유저를 지칭하는 고래 사용자 관리에 달린 경우가 많다.

즉, 사용자를 다양한 방식으로 그룹핑하고 각 그룹에 맞는 운영 및 수익화 전력략을 세우는 것이 중요함. 

 

고객 세그먼트 기준을 나누기 위한 RFM 분석 

• Recency : 얼마나 최근에 결제했는가 ?
• Frequency: 얼마나 자주 결제했는가 ? 
• Monetary: 얼마나 많은 금액을 결제했는가? 

 

*관련 포스팅 

https://cheershennah.tistory.com/232

RFM Segmentation (RFM 분석) 이란?

 

 

Referral 추천

사용자들이 우리 서비스를 주변 지인에게 소개/ 추천하는가? 

즉, 서비스를 이용한 고객이 만족하여 자발적 바이럴 및 공유를 일으키는 것을 의미한다.

해당 단계는 충성도가 높은 고객들만 추천행동을 하기에 퍼널 내 가장 좁은 위치다.

* 바이럴 계수 Viral Coefficient 

추천에서 핵심 지표. 

Viral Coefficient  = 사용자수* 초대비율* 인당 초대한 친구 수* 전환율 / 사용자수 

ex) 10,000 명의 사용자 중 20% 인 2,000명이 인당 평균 5명 친구를 초대했고, 초대받은 친구의 30%가 신규가입했다면 .. 

       10,000 * 0.2 * 5* 0.3 / 10,000 = 0.3 , 바이럴 계수는 0.3이 된다. 

 

이론적으로 바이럴 계수가 1 이상이 되면 추천 신규 사용자가 기하급수적으로 증가한다. 바이럴 계수와 함께 초대의 주기가 얼마나 빠른가?를 반드시 고려해야함. (일주일에 5명인지, 1년에 5명인지.. )하지만 바이럴 계수만으로는 초대 가입비율을 확인할 수 있지만 이후 서비스 가치 경험까지는 알 수 없다. 추천을 통해 유입된 사용자들의 전체 활동 주기에 대한 관점 또한 필요하다.

좋은 제품이 우선

바이럴은 좋은 제품이 만들어지고 난 이후에 고민해야하는 부분이다. 단기적 효과가 있을수 있지만, 장기적으로 반발을 부르기도 한다. 

NUX. New User Experience

신규 사용자 경험은 가입 & 온보딩 프로세스를 최적화 하는 것이다. 

추천 플로우는 신규 사용자 경험과 연계되므로 중요하다. 가입 및 온보딩은 유저가 단 한번 겪는 과정이고, 코호트를 나누기도 쉽지 않지만 잘 설계해두면 초대받은 새 유저의 이탈을 방지하고 추천의 효과를 극대화 할 수 있음. 

 

AARRR 에 대한 오해 

1. 각 단계별로 정해진 지표를 보면 되는거 아닌가요..?  Nope.

지표를 정하고 계산하는 건 누구나 할 수 있다. 중요한 건 서비스의 특성에 따라 카테고리별로 어떤 지표를 봐야할지 선정하는 과정, 지표를 개선하기 위해 어떤 실험을 우선적으로 진행할지 결정하고 실행할 것인가다.

지표들은 평면적이지 않고 굉장히 입체적이다. 리텐션을 어떻게 정의하느냐에 따라 굉장히 다양한 형태의 정보를 얻을 수 있고,수익화를 어떻게 쪼개서 보느냐에 따라 같은 데이터를 가지고도 전혀 다른 인사이트를 찾아낼 수 있다.  

 

2. 5개 카테고리는 퍼널로 연결되어 있으니 맨 앞에 있는 고객 유치부터 개선하면 되지 않나..? Nope.

팬을 안티로 만드는 방법은 활성화(Activation)와 유지율(Retention)이 잘 준비되지 않았는데 고객 유치(Acqusition)채널을 활짝 열어버리는 것이다. 실제로 데이브 맥클루어는 활성화와 유지율을 우선적으로 개선하고, 그 다음으로 고객 유치와 추천을 개선하고, 마지막으로 수익화를 챙겨야 한다는 식으로 5카테고리 개선 순서를 제안한 바 있다. 

 Activation -> Retention ->  Acquisition -> Referral -> Revenue , ARARR

 

 

AARRR 활용단계 

1. 각 단계별로 풀어야 할 문제를 확인/ 정의한다. 

2. 각 단계별로 활용되는 주요 지표 선별/ 측정한다. 

3. 측정된 지표가 가지는 의미를 이해한다. 

4. 현 단계에서 개선 해야하는 목표지표를 정하고, 실험을 통해 단계적으로 개선한다. 

 

 

 

출처: 도서 그로스해킹