[그로스해킹] AARRR - Retention

[ Retention ]

• Activation 과정을 통해서 경험한 A HA Moment를 꾸준히 경험하도록 하는 것
• 서비스의 성공을 예측할 수 있는 가장 기본적인 지표 중 하나 (PMF에서도 중요함)
• 일반적으로는 재방문을 통해 측정 -> 하지만 꼭 방문/접속이 기준이 되어야 하는지는 생각해볼 필요 있음 
• 비용 대비 개선 효과가 굉장히 큼 
  • 일반적으로 신규 사용자 만드는 것보다 기존 고객을 유지하는게 비용이 더 적게 듦  
• 복리 효과 
  • 리텐션이 10% 높아진다고 매출도 단순히 10% 증가하는게 아니고, 시간이 지나면서 복리효과를 내며 매출의 성장에 크게 기여함 
  • 리텐션이 떨어지면 마이너스 복리효과가 나타나서 다른 부분을 아무리 개선해도 매출이 원하는 만큼 오르지 않을 수 있음 

 

[ Retention 측정하는 세 가지 방법 ]

• Classic Retention (Day-N Retention)
  • 특정 일에 come back한 유저의 비율
  • 각 날짜에 접속한 유저는 독립적으로 계산됨 (반복적으로 들어왔는지 여부는 고려하지 않음)
  • 계산 = Day N에 서비스를 사용한 사람 / Day 0에 처음 서비스를 사용한 사람 
  • 장점
    • 설명하기 쉬움 
    • 계산하기 쉬움 
  • 단점
    • 특정 일의 noise에 매우 민감함 (우연히 들어오거나 들어오지 않는...)
    • 일 단위 로그인 데이터를 모두 쌓아둬야 함 
  • 활용
    • Daily Use가 중요한 서비스 (짧은 주기로 반복적인 사용이 보편적인 서비스 - 전화)
    • Noise를 줄이려면? 기준일을 여러 개 두고, 여러 번 측정해서 Day N 리텐션의 평균값을 활용한다 
• Range Retention
  • 특정 기간에 come back한 유저의 비율 (일반적으로 주 or 월 단위)
  • Classic retention과 기본적으로 동일한데, 기준을 개별 날짜가 아닌 특정 기간으로 한다는 차이가 있음
  • 각 기간에 접속한 유저는 독립적으로 계산됨 (반복적으로 들어왔는지 여부는 고려하지 않음)  
  • 기간 중 N회 이상 접속했는지도 고려 X
  • 계산 = Range N에 서비스를 사용한 사람 /  Range 0에 처음 서비스를 사용한 사람 
  • 장점
    • 설명하기 쉬움 
    • Day-to-Day Noise에서 자유로움
  • 단점
    • Range가 길어질수록 over-estimate 됨
    • 의미있는 결과를 보기 위해서는 꽤 오랜 시간이 필요함 
  • 활용 
    • Daily Use가 덜 중요한 서비스 (일정 간격으로 주기적으로 사용하는 것도 의미있는 서비스 - 가계부) 

 

• Rolling Retention
  • 몇 명이 남아있는지가 아닌, 몇 명이 나갔는지에 초점을 맞춘 리텐션 계산 
  • 계산 = After N day에 서비스를 쓴 기록이 있는 사람 / Day 0에 처음 서비스를 사용한 사람 
  • 장점
    • 계산하기 쉬움 (first_date, last_date만 있으면 됨)
    • Retention의 기준을 임의의 기간으로 설정하지 않고 온전히 사용자에게 맡김 
  • 단점 
    • 전반적으로 over-estimate 됨 
    • 이상치의 영향이 매우 큼 (User2의 경우, 7일부터 안들어오다가 갑자기 29일에 들어오면 Day N 시점에 활동했 것으로 판단함) -> retention이 높아보이게 왜곡됨 
    • 계속 변화하는 숫자 (Day-28 rolling retention 값을 언제 최종적으로 알 수 있을까 ? - 1년 후에 계산한 값이라도, 이후 달라질 수 있음) 
  • 활용
    • 자주 쓰이지 않는 서비스에서 리텐션 측정 (청바지 쇼핑몰?)
      • Daily하게 사용되는 서비스에서는 사용하기 힘듦 (최종 값을 확정할 수가 없음 ...)

 

[ 약식으로 보는 Retention ]

• Engagement = DAU/MAU
  • DAU(Daily Active User)/MAU(Monthly Active User) 비율을 통해, 사용자가 특정 서비스에 얼마나 engage 되었는지 가늠할 수 있음 (숫자가 높을수록 good)
  • 단, Daily Use가 전제된 서비스에서만 유효한 지표 
  • Retained 유저와 그렇지 않은 유저를 나눠서, Drill-down 하는 분석이 뒤따라와야 함
  • 서비스간 비교는 쉽지 않음 
    • 서비스마다 DAU, MAU를 측정하는 기준이 조금씩 다름 
    • 트래킹 서비스에서 보여주는 수치도 대부분 추정치에 가까움 
  • 동일 서비스 내에서 기간별 추이를 보는게 훨씬 유용함 

 

[ Retention Chart : 리텐션이 어떻게 움직이는지 측정 ]

• 리텐션은 요약된 하나의 숫자로 나오는 것이 아닌 차트 형태로 많이 보게 됨 
• 가로로 보면 같은 시기에 들어온 사람들의 리텐션이 어떻게 달라지고 있는지 볼 수 있음 
• 세로로 보면 처음 들어온 사람들이 똑같은 시기동안 비교했을 때 초기 리텐션이 달라졌는지 볼 수 있음 
• => 리텐션은 어떤 특정 지점의 점과 같은 지표를 본다기 보다는, 시간의 흐름에 따른 변화나 어떻게 움직이는지를 길게 살펴보는 것 

 

[ Cohort ]

• 우리 서비스 Day 7 리텐션은 45%이구요, Day 30 리텐션은 30%입니다. (이건 기본) 
• Funnel 분석과 마찬가지로, Retention도 Cohort를 쪼개서 차이를 보는게 핵심 
  • Retention 분석 시 활용하는 Cohort의 기본은 날짜 (가입일, 첫 구매일 ...)
  • 가입 월별, 첫 구매 월별로 구분 
• 데이터를 들여다보면 Activation * Retention * Revenue는 자연스럽게 이어지는 과정 

 

[ '접속'이 Retention의 유일한 기준일까? ]

• Log-in이 '유의미한 행동'이기 때문에, 이를 시간에 따라 반복하는지 보는 것
• 다른 유의미한 행동을 기준으로, 시간에 따른 반복을 보는 것도 물론 OK 
  • 상세페이지 5개 이상 방문
  • 구매하기 클릭
  • 구매 완료 (-> Repurchase를 보는 것)
  • 메시지 주고 받기
  • 컨텐츠 시청 등등 

 

[ Retention 개선하기 ]

• 시점에 따른 접근
  • 초기에 떨어지는 속도를 늦추기
    • Activation 프로세스 점검
    • New User Experience 개선
  • 오랜시간 유지시키기
    • 정기적인 커뮤니케이션 plan
    • 휴면 고객 복귀 이유 만들어주기
• 함정 카드가 많은 영역 : 지표에 매몰되기 쉬움 
  • 푸시 보내기, 이메일 보내기, SMS 보내기 -> 어찌됐든 일시적인 Retention은 늘어남 
  • 이러한 유저 커뮤니케이션 채널에 대한 피로 관리가 제대로 되지 않으면 장기적으로 악영향이 있음 
  • 유저 커뮤니케이션 채널은 사내에서 일원화해서 관리하는 게 좋음 
  • 촉발제를 사용하면 당연하게도 uninstall이 늘어남 
• Key feature를 기준으로 리텐션 모니터링
  • 단순히 접속이 아니라
  • 핵심기능 사용하기, N 페이지 이상 방문, 결제하기 등 핵심 기능을 기준으로 모니터링 
  • 무조건 지금 다시 데려오는 것보다는, 추후 필요하다고 느낄 대 돌아오도록 해도 괜찮음 

 

• 축적된 가치 
  • 서비스에서 오랜 시간을 보내면서 축적해놓은 데이터가 많은 경우 리텐션이 높아질 수밖에 없음 
  • 경쟁사 입장에서는 축적된 가치 이동시키기 
• 습관
  • 계기 -> 행동 -> 가변적 보상 -> 투자 (훅(Hooked)이라는 책에 잘 설명되어있음)
  • 친구 소식이 궁금해서 페이스북에 들어가는 게 아니라, 페이스북에 일단 들어간 뒤에 뭘 할지 고민함

 

• 장기간의 리텐션이 중요하다는 게 어려운 포인트 
  • 현재 Status를 측정하는 데 시간이 오래 걸리고
  • 개선을 위해 실험을 하더라도, 효과를 확인하는 데 오래 걸림 
  • 리텐션은 복리 효과를 가져옴 (긍정이든 부정이든)
• 일관되게 유지되지 않는다 
  • 기간에 따른 코호트 분석을 해야하는 이유 
  • 내가 잘하는 것도 중요하지만, 경쟁사의 출현 등 외부적 요인도 많은 영향을 미침 
• 카테고리마다 권장되는 리텐션 수준이 다름 ! 목표 수준을 잘 정의할 것 
  • 전화 서비스 ?
  • 청바지 판매 서비스 ?
  • 여행 서비스 ?
  • 이게 중요한 이유는 Retention을 높이기 위한 장치들이 이미 Retained된 User를 불편하게 만들 수 있기 때문 
• 보통 AARRR에서 activation과 함께 가장 먼저 개선해야 하는 항목으로 꼽힘
  • 그로스 실험의 시작점이 되는 경우가 많음 
  • acquisition을 늘리기에 앞서서 내부 로직을 얼마나 탄탄하게 만드느냐가 중요한데, 그 로직의 시작점으로써 굉장히 중요한 의미를 가짐