[그로스해킹] AARRR - Activation

[ Activation ]

• Acquisition을 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험했는가 ?
• Funnel 분석은 Activation 단계의 핵심
  • 사용자들이 경험하는 단계를 도식화
  • 각 단계의 전환율을 측정 / 분석 

 

[ Funnel 분석의 고려 요소 ]

• 핵심 가치를 경험하는 시점과 그곳으로 연결되는 Stage를 잘 정의했는가 ?
  • 비교적 이견이 없는 부분이긴 하나,
  • 간혹  회사에서 생각하는 가치와 유저가 생각하는 가치가 다른 경우가 있으니 주의해야 함
    • A ha moment : 굉장히 중요한 사용자 경험 제공해주는 부분
    • Must Have : 가입이나 결제처럼 필수적으로 사용자가 반드시 거쳐가는 부분
    • Critical Path : 핵심 가치를 경험하는 지점까지의 단계들을 얼마나 잘 쪼개서 Funnel을 만들었는지가 고려사항
  • 핵심 가치를 제공하는 부분에 대해서는 서비스의 마케팅 메시지와 유저 리뷰 등에서 나오는 키워드가 일치하는가 고민해볼 필요가 있음

 

• 각 Stage별 전환율을 어떤 기준으로 측정하는가 ?
  • User별로 나눠서 볼건지, 전체 상품에서 결제로 넘어간 횟수를 볼건지, 상품 개수로 나눠서 볼건지 기준을 명확하게 해야 함
  • 회사별로 공통된 기준을 일관성있게 사용하면 됨 
  • 이러한 경우 강사님은 사용자 단위로 전환율 측정하는 것을 추천한다고 하심 
  • 전환율 보는 용도가 화면 단위로 넘어가는 UI/UX, 디자인 개선이 목적이라고 하면 PV(Page View) 기준으로 4/20으로 계산하는 것도 나쁘지 않음 
  • 상품 화면 -> 결제 화면이 아니라 상품 -> 장바구니 -> 결제 이런 식으로 넘어가면 훨씬 복잡해짐....

 
 

파란색 : push 알림을 받고 노래 재생   /   초록색 : push 알람을 받지 않고 노래 재생

• 통으로 뭉쳐서 보는게 아니고 적절한 단위로 Cohort를 쪼개서 보고 있는가 ?
  • Funnel 분석에서 인사이트가 나올 때는 그룹간 차이를 발견할 때임 
  • 파란색 그래프의 1, 2, 3, 4단계로 넘어가는 Funnel을 봤을 때 전환율이 굉장히 좋음 
  • Google Analytics에서는 세그먼트를 나눠서 분석할 수 있음 
  • 전환율이 좀 더 높은 그룹은 어떤 특성을 가지고 있는지 확인하고 그 특성을 다른 곳으로 전파할 수 있을지 고민할 수 있음
  • 코호트 나누는 기준
    • 특정 액션을 했는지 여부를 기준으로 쪼개는 게 굉장히 유의미함 
    • 특정 액션이 이루어진 시점으로 쪼개기 

 

[ Funnel 분석의 가치 ]

• 각 stage 별 conversion을 확인할 수 있음 (이건 기본임) 
• Conversion에 영향을 주는 선행지표를 발견할 수 있음 
  • Cohort A는 stage1 -> stage2로 넘어오는 conversion이 35%인데
  • Cohort B는 stage1 -> stage2로 넘어오는 conversion이 왜 20%밖에 안되지 ? 
• Cohort를 다양하게 나눠서 분석할 수 있음 
  • Signup cohort 에 따라 다른가?
  • UA medium / source / campaign 에 따라 다른가?
  • Event 경험 유무에 따라 다른가?
  • Demography 에 따라 다른가?

 

[ 이탈의 원인 찾기 ]

• 데이터 분석과 인터뷰
  • 정량 데이터는 What은 알려주지만 Why를 찾아내기 힘든 반면
  • 사용자 인터뷰를 진행하면 Why를 알아낼 수 있음 
• 일반적으로는 cohort에 따른 conversion rate를 비교하게 되지만
  • Tutorial을 완료한 사용자와 그렇지 않은 사용자의 Conversion 차이 
  • 1월에 가입한 사용자와 2월에 가입한 사용자의 Conversion 차이
• Raw data를 깊이 있게 확인할 수 있다면 이걸 conversion rate 비교 -> cohort 구분 순서로 할 수 있음 
  • Conversion한 사용자와 하지 않은 사용자는 뭐가 다른지 역으로 질문하며 cohort를 만들어 시행착오를 겪지 않을 수 있음
  • Raw data를 잘 쌓고 각 사용자의 특성을 잘 이해해야 함 

 

[ Funnel 분석 정리 ]

• Conversion이 중요함 -> Global optimization
  • 개별 funnel의 최적화 -> 전체 funnel의 최적화로 이어지지 않는 경우가 있음
  • Conversion rate를 높이는 것보다, Stage를 줄이는 게 효과적인 경우도 있음 ( 매우 많음 )
• Home Try On : 깔대기 뒤집어보기 (결제 -> 배송이 아니라, 배송 -> 결제로 퍼널을 만든다면 ?)
  • Warby Parker, MiaDonna, Black Tux 
• Cohort에 따른 차이와 그 원인을 파악하는 게 핵심 
  • 이 퍼널의 conversion이 높은 그룹과 낮은 그룹의 차이 확인 
  • 우수 고객과 그렇지 않은 고객의 어떤 행동이 다른거지 ?

 

[ Funnel 개선하기 ]

• 개인화
  • 머신러닝을 활용한 모델링 -> 가능하면 좋지만 처음부터 이렇게 가지 않아도 괜찮음 
  • Rule Base Recommendation도 초기에는 굉장히 잘 동작함
• UI / UX 
  • UI Redesign은 Conversion rate를 변화(증가 X)시키기 위한 대표적인 독립변수 
    • 좋아진다는 보장이 없기 때문 
    • Funnel이 더 나빠지는 경우도 왕왕 있음
  • 전/후 효과에 대한 정확한 측정과 검증 과정 필요 
• 적절한 개입 
  • 사용자가 혼자 stage를 어렵게 넘어오도록 지켜보는게 아니라,
  • 이메일, 푸시, 인앱메시지 등을 이용한 Use Flow 개입을 통해 자연스럽게 넘어가도록 도와주는 것
  • 맥락을 잘 정의한다면 굉장한 효과를 볼 수 있지만, 잘못 사용하면 사용자를 떠나보내는 양날의 검 
    • Targeting 잘 된 푸시나 이메일의 경우, non-targeting 푸시 이메일 대비 5배 이상의 성과를 보임 
    • Uninstall 등의 부수 효과를 고려하면 10배의 성과 차이를 만든다고 해도 과언이 아님 
    • 전체 푸시, 전체 이메일은 진짜.진짜.진짜.진짜. 보수적으로 보내세요 !