데이터 분석가가 실제로 보는 핵심 지표들 — AARRR부터 Cohort까지
데이터 분석가가 실제로 보는 핵심 지표들
“지표가 너무 많아서 뭘 봐야 할지 모르겠어요”
데이터 분석가의 역할은 숫자를 나열하는 게 아니라, 어떤 숫자가 문제를 말하고 있는지 골라내는 것입니다.
분석가가 지표를 바라보는 관점
마케터는 “DAU가 올랐으니 캠페인이 성공했다”고 볼 수 있습니다.
하지만 데이터 분석가는 다르게 봅니다.
- DAU가 올랐는데 세션 길이는 줄었나?
- 신규 유입이 올랐는데 7일 리텐션은 유지되고 있나?
- LTV/CAC 비율이 채널마다 왜 이렇게 다른가?
지표 하나의 증감보다, 지표들 사이의 관계와 맥락을 읽는 것이 분석가의 일입니다.
AARRR 프레임워크 — 분석가의 진단 체계
AARRR은 사용자 여정을 5단계로 구조화한 프레임워크입니다. 분석가 입장에서는 이 흐름을 퍼널(Funnel)로 보고, 각 단계 전환율의 병목(Bottleneck)을 찾는 데 씁니다.
import pandas as pd
import numpy as np
# AARRR 단계별 사용자 수 (샘플 데이터)
funnel_data = {
'stage': ['Acquisition', 'Activation', 'Retention', 'Revenue', 'Referral'],
'users': [100000, 42000, 23000, 8500, 3200]
}
df_funnel = pd.DataFrame(funnel_data)
# 단계별 전환율 계산
df_funnel['conversion_rate'] = (
df_funnel['users'] / df_funnel['users'].shift(1) * 100
).round(2)
df_funnel['overall_rate'] = (
df_funnel['users'] / df_funnel['users'].iloc[0] * 100
).round(2)
print(df_funnel.to_string(index=False))
stage users conversion_rate overall_rate
Acquisition 100000 NaN 100.00
Activation 42000 42.00 42.00
Retention 23000 54.76 23.00
Revenue 8500 36.96 8.50
Referral 3200 37.65 3.20
위 퍼널에서 분석가가 주목할 포인트는 Activation → Retention 전환(54.76%)보다 Acquisition → Activation 전환(42%)이 훨씬 낮다는 점입니다. 유입된 사용자 중 절반 이상이 핵심 기능을 경험하기도 전에 이탈한다는 뜻이므로, 온보딩 개선이 최우선 과제가 됩니다.
DAU / MAU — 서비스의 생활화 지수
DAU(일간 활성 사용자)와 MAU(월간 활성 사용자)는 단독으로보다 비율(Stickiness)로 볼 때 의미가 커집니다.
# DAU / MAU Stickiness 계산
monthly_data = {
'month': ['Jan','Feb','Mar','Apr','May','Jun',
'Jul','Aug','Sep','Oct','Nov','Dec'],
'mau': [42000,45000,48500,51000,55000,60000,
63000,67000,72000,76000,80000,85000],
'dau': [8400, 9450,10185,11220,13200,15600,
17010,18760,21600,24320,28000,32300]
}
df = pd.DataFrame(monthly_data)
df['stickiness'] = (df['dau'] / df['mau'] * 100).round(2)
df['mau_growth'] = df['mau'].pct_change() * 100
df['dau_growth'] = df['dau'].pct_change() * 100
print(df[['month','mau','dau','stickiness']].to_string(index=False))
month mau dau stickiness
Jan 42000 8400 20.00
Feb 45000 9450 21.00
Mar 48500 10185 21.00
Apr 51000 11220 22.00
May 55000 13200 24.00
Jun 60000 15600 26.00
Jul 63000 17010 27.00
Aug 67000 18760 28.00
Sep 72000 21600 30.00
Oct 76000 24320 32.00
Nov 80000 28000 35.00
Dec 85000 32300 38.00
Stickiness 해석 기준:
| 범위 | 해석 |
|---|---|
| < 20% | 생활화 약함. 핵심 기능 재점검 필요 |
| 20 ~ 30% | 준수. 꾸준한 개선 필요 |
| 30 ~ 50% | 높은 참여도. 습관적 사용 중 |
| > 50% | SNS·메신저 수준의 생활화 |
위 예시는 20%에서 시작해 38%까지 지속 성장하는 건강한 패턴입니다. MAU 성장률보다 DAU 성장률이 더 가파른 것도 긍정적인 신호입니다.
Cohort Retention — 분석가가 가장 즐겨 보는 지표
리텐션은 단순한 수치보다 코호트(Cohort) 분석으로 봐야 진짜 패턴이 보입니다. 같은 달에 가입한 사용자 그룹이 시간이 지나며 얼마나 남아있는지를 추적합니다.
# 코호트 리텐션 테이블 생성
cohorts = ['2024-01','2024-02','2024-03','2024-04','2024-05','2024-06']
retention_matrix = np.array([
[100, 45, 32, 27, 23, 20, 18],
[100, 48, 35, 29, 25, 22, 19],
[100, 52, 38, 31, 27, 24, 21],
[100, 55, 41, 34, 29, 26, 0],
[100, 58, 43, 36, 0, 0, 0],
[100, 61, 0, 0, 0, 0, 0],
], dtype=float)
# 관측 가능한 데이터만 마스킹
df_retention = pd.DataFrame(
retention_matrix,
index=cohorts,
columns=[f'Week {i}' for i in range(7)]
).replace(0, np.nan)
print(df_retention.to_string())
Week 0 Week 1 Week 2 Week 3 Week 4 Week 5 Week 6
2024-01 100.0 45.0 32.0 27.0 23.0 20.0 18.0
2024-02 100.0 48.0 35.0 29.0 25.0 22.0 19.0
2024-03 100.0 52.0 38.0 31.0 27.0 24.0 21.0
2024-04 100.0 55.0 41.0 34.0 29.0 26.0 NaN
2024-05 100.0 58.0 43.0 36.0 NaN NaN NaN
2024-06 100.0 61.0 NaN NaN NaN NaN NaN
코호트 분석에서 읽어야 할 것들:
- 세로(열) 방향: 같은 Week에서 코호트가 갈수록 리텐션이 올라간다면, 서비스가 개선되고 있다는 신호입니다. (Week 1: 45% → 61%로 상승 ✅)
- 가로(행) 방향: 가입 후 시간이 지날수록 얼마나 유지되는지 감소 패턴을 봅니다. 특정 Week에서 급격히 꺾이면 그 시점에 이탈 원인이 있습니다.
- 수평 안정화(Flattening): 리텐션 곡선이 특정 값에서 수평이 되면, 그게 해당 서비스의 핵심 사용자 비율(Power User Ratio)입니다.
Churn Rate & N-Day Retention Curve
이탈률(Churn Rate)은 리텐션의 반대 개념으로, 이미 사용 중이던 사용자가 떠나는 비율입니다.
# Churn Rate 계산
churn_data = {
'month': ['Jan','Feb','Mar','Apr','May','Jun',
'Jul','Aug','Sep','Oct','Nov','Dec'],
'start_users': [10000,10800,11500,12200,13000,13800,
14500,15200,16000,16800,17500,18200],
'churned': [ 820, 842, 817, 842, 845, 828,
841, 836, 832, 823, 823, 801]
}
df_churn = pd.DataFrame(churn_data)
df_churn['churn_rate'] = (
df_churn['churned'] / df_churn['start_users'] * 100
).round(2)
# 월별 이탈 비용 추정 (ARPU 3만원 가정)
ARPU = 30000
df_churn['revenue_lost'] = df_churn['churned'] * ARPU
print(df_churn[['month','churn_rate','churned','revenue_lost']].to_string(index=False))
month churn_rate churned revenue_lost
Jan 8.20 820 24600000
Feb 7.80 842 25260000
Mar 7.10 817 24510000
Apr 6.90 842 25260000
May 6.50 845 25350000
Jun 6.00 828 24840000
Jul 5.80 841 25230000
Aug 5.50 836 25080000
Sep 5.20 832 24960000
Oct 4.90 823 24690000
Nov 4.70 823 24690000
Dec 4.40 801 24030000
Churn Rate이 8.2%에서 4.4%로 절반 수준으로 개선됐지만, 이탈로 인한 월 매출 손실(약 2,400~2,500만원)은 거의 그대로입니다. MAU가 꾸준히 늘면서 이탈자 수 자체는 유지되기 때문입니다. 이처럼 비율과 절대값을 함께 봐야 실제 비즈니스 영향을 정확히 파악할 수 있습니다.
LTV / CAC — 비즈니스 지속가능성의 핵심
LTV(고객 생애 가치)와 CAC(고객 획득 비용)의 비율은 “이 사업이 돈이 되는 구조인가”를 판단하는 지표입니다. 분석가는 이를 채널별로 분해해서 어디에 예산을 집중해야 할지 근거를 만듭니다.
# 채널별 LTV / CAC 분석
channel_data = {
'channel': ['Organic Search', 'Paid Search', 'Social Media',
'Email', 'Referral', 'Display Ads'],
'ltv': [360000, 280000, 220000, 310000, 420000, 190000],
'cac': [ 35000, 82000, 65000, 18000, 25000, 95000],
'monthly_users':[ 2500, 1800, 2200, 3100, 1200, 1500]
}
df_ch = pd.DataFrame(channel_data)
df_ch['ltv_cac_ratio'] = (df_ch['ltv'] / df_ch['cac']).round(2)
df_ch['payback_months'] = (df_ch['cac'] / (df_ch['ltv'] / 24)).round(1)
df_ch['total_ltv_value'] = df_ch['ltv'] * df_ch['monthly_users']
# 채널 우선순위 판단
df_ch['priority'] = df_ch['ltv_cac_ratio'].apply(
lambda x: '🟢 확대' if x >= 5 else ('🟡 유지' if x >= 3 else '🔴 축소')
)
print(df_ch[['channel','ltv_cac_ratio','payback_months','priority']].to_string(index=False))
channel ltv_cac_ratio payback_months priority
Organic Search 10.29 2.3 🟢 확대
Paid Search 3.41 7.0 🟡 유지
Social Media 3.38 7.1 🟡 유지
Email 17.22 1.4 🟢 확대
Referral 16.80 1.4 🟢 확대
Display Ads 2.00 12.0 🔴 축소
분석가가 이 표에서 이끌어낼 인사이트:
- 이메일·추천(Referral) 채널은 LTV/CAC가 17배 수준으로 압도적입니다. 예산을 더 투자할 여력이 있습니다.
- Display Ads는 LTV/CAC 2.0으로 손익분기점(3.0) 미달입니다. ROI 관점에서 예산 재배분을 검토해야 합니다.
- Payback Period(회수 기간): Display Ads는 투자 비용을 회수하는 데 12개월이 걸립니다. 현금 흐름이 빡빡한 스타트업에서는 치명적일 수 있습니다.
분석가가 지표를 다룰 때 지켜야 할 원칙
1. 북극성 지표(North Star Metric)를 먼저 정하라
모든 지표를 동시에 관리하는 것은 불가능합니다. 서비스의 핵심 가치를 가장 잘 표현하는 단 하나의 지표를 정하고 팀 전체가 그것을 기준으로 정렬해야 합니다.
| 서비스 유형 | North Star Metric 예시 |
|---|---|
| 커머스 | 월간 구매 완료 건수 |
| SaaS | 주간 활성 워크스페이스 수 |
| 콘텐츠 | 주간 총 시청 시간 |
| 커뮤니티 | 월간 콘텐츠 생산 사용자 수 |
2. 허영 지표(Vanity Metric)를 경계하라
누적 가입자 수, 총 앱 다운로드 수처럼 숫자는 커 보이지만 실제 서비스 상태를 반영하지 못하는 지표를 허영 지표라 합니다. 가입자 100만 명이라도 MAU가 1만 명이면 의미가 없습니다.
3. 지표는 반드시 세그먼트로 쪼개라
“전체 전환율 3.2%”는 아무 말도 하지 않습니다. 신규 vs 기존 사용자, 모바일 vs 웹, 채널별, 지역별로 분해했을 때 진짜 인사이트가 나옵니다.
# 세그먼트별 전환율 비교 예시
segment_data = {
'segment': ['신규_모바일', '신규_웹', '기존_모바일', '기존_웹'],
'visitors': [15000, 8000, 22000, 12000],
'conversions': [ 300, 280, 1540, 960]
}
df_seg = pd.DataFrame(segment_data)
df_seg['cvr'] = (df_seg['conversions'] / df_seg['visitors'] * 100).round(2)
print(df_seg.to_string(index=False))
segment visitors conversions cvr
신규_모바일 15000 300 2.00
신규_웹 8000 280 3.50
기존_모바일 22000 1540 7.00
기존_웹 12000 960 8.00
전체 전환율이 같더라도, 신규 모바일 사용자(2%)와 기존 웹 사용자(8%) 사이에는 4배 차이가 있습니다. 전체 수치만 보면 이 격차를 놓칩니다.
정리하며
데이터 분석가가 지표를 보는 방법을 요약하면 다음과 같습니다.
- AARRR 구조로 어느 단계에서 병목이 생기는지 진단한다
- DAU/MAU Stickiness로 서비스 생활화 수준을 측정한다
- Cohort Retention으로 시간에 따른 사용자 유지 패턴을 추적한다
- Churn Rate는 비율과 절대값을 모두 본다
- LTV/CAC를 채널별로 분해해 예산 배분의 근거로 만든다
- 모든 지표는 세그먼트로 쪼개야 진짜 인사이트가 나온다
지표는 정답을 알려주지 않습니다. 무엇을 물어봐야 할지 알려주는 도구입니다.
댓글남기기