Happy Day:)

Math, Computer Engineering

5 분 소요

이 글은 데이터 분석 직무를 준비하거나, 처음으로 지표를 체계적으로 정리하고 싶은 분들을 위해 작성됐습니다.
사전적 정의가 아니라 “왜 이 지표가 필요한가” 와 “분석가는 이 지표로 무엇을 하는가” 에 집중합니다.

지표를 왜 AARRR 순서로 봐야 하는가

지표가 너무 많아서 뭐부터 봐야 할지 막막하다면, 가장 먼저 퍼널 구조를 머릿속에 심어야 합니다.

flowchart LR A(["👤 유입
Acquisition"]) -->|42%| B(["⚡ 활성화
Activation"]) B -->|55%| C(["🔄 유지
Retention"]) C -->|37%| D(["💰 수익
Revenue"]) D -->|38%| E(["📢 추천
Referral"]) style A fill:#1e3a5f,stroke:#58A6FF,color:#F0F6FC style B fill:#1a3d2e,stroke:#3FB950,color:#F0F6FC style C fill:#2d2a1e,stroke:#E3B341,color:#F0F6FC style D fill:#3d2a1a,stroke:#F0883E,color:#F0F6FC style E fill:#2e1a3d,stroke:#BC8CFF,color:#F0F6FC

각 단계 사이의 숫자가 전환율(Conversion Rate) 입니다. 분석가의 일은 “어느 단계에서 사람이 가장 많이 빠져나가는가”를 찾아내는 것입니다.

AARRR 퍼널 & 핵심 지표 매핑
📊 AARRR 퍼널 — 각 단계별 사용자 이탈과 핵심 지표 매핑
💡 분석가의 시각: 단계별 수치를 보는 것보다, 어느 단계의 전환율이 업계 평균보다 현저히 낮은가를 찾는 것이 핵심입니다. 거기가 가장 먼저 파야 할 곳입니다.

1. 리텐션(Retention) — 분석가가 가장 먼저 보는 지표

“한 번 온 사람이 다시 오는가?”

리텐션은 단순하게 들리지만, 측정 방식에 따라 완전히 다른 이야기를 합니다.

Classic Retention vs Rolling Retention

Classic RetentionN-Day

정의: 가입 후 정확히 N일째에 돌아온 비율

가입 후 7일째 날에만 들어온 사람 / 전체 가입자

적합한 서비스: 게임, 메신저, SNS

단점: 6일째 들어왔다가 8일째 들어온 사람은 0%로 계산됨

Rolling RetentionUnbounded

정의: 가입 후 N일 이후 한 번이라도 돌아온 비율

가입 후 7일 이후에 한 번이라도 방문한 사람 / 전체 가입자

적합한 서비스: 여행 앱, 가전 쇼핑몰

장점: 비정기적으로 쓰는 서비스에 더 현실적인 측정값

Cohort 분석 — 리텐션의 진짜 패턴을 읽는 법

단순한 리텐션 수치 하나보다, 가입 시점이 같은 집단(Cohort) 을 묶어서 비교할 때 진짜 인사이트가 나옵니다.

Retention 분석 — Classic vs Rolling 곡선 + Cohort Heatmap
📈 Classic/Rolling Retention 곡선 비교 & 월별 코호트 리텐션 히트맵

Cohort Heatmap에서 읽어야 할 패턴 두 가지:

  • 세로(같은 Week) 방향으로 읽기: 아래 코호트로 갈수록 Week 1 리텐션이 45% → 61%로 올라가고 있다면, 서비스 품질이 개선되고 있다는 신호입니다.
  • 가로(같은 코호트) 방향으로 읽기: 특정 Week에서 리텐션이 급격히 꺾이는 시점이 있다면, 그 시점에 사용자가 이탈하는 원인이 있습니다. 그 지점을 파야 합니다.

Stickiness — DAU/MAU로 서비스 생활화 진단

\[\text{Stickiness} = \frac{DAU}{MAU} \times 100\]
📐 해석 기준:
범위의미예시
< 20%생활화 약함핵심 기능 재점검 필요
20 ~ 30%준수꾸준한 개선 필요
30 ~ 50%좋음습관적 사용 중
> 50%탁월카카오톡·인스타그램 수준

2. 전환율(CVR) — 퍼널의 어디가 막혔나

“원하는 행동을 했는가?”

전환율은 Micro(작은 전환)와 Macro(최종 전환)로 나뉩니다.

Micro CVR: 상세 페이지 조회 Micro CVR: 장바구니 담기 Micro CVR: 결제 시작 Macro CVR: 결제 완료 Macro CVR: 구독 전환
⚠️ 전환율 분석의 흔한 실수: "전체 전환율 3.2%"는 아무 말도 하지 않습니다. 반드시 신규 vs 기존 사용자, 모바일 vs 웹, 채널별로 세그먼트를 쪼개야 진짜 인사이트가 나옵니다. 
# 세그먼트별 전환율 분석
segment_data = {
    'segment':     ['신규_모바일', '신규_웹', '기존_모바일', '기존_웹'],
    'visitors':    [15000, 8000, 22000, 12000],
    'conversions': [  300,  280,  1540,   960]
}
df = pd.DataFrame(segment_data)
df['cvr'] = (df['conversions'] / df['visitors'] * 100).round(2)

#  segment  visitors  conversions   cvr
#  신규_모바일  15000     300       2.00  ← 문제 구간 발견
#  신규_웹      8000     280       3.50
#  기존_모바일  22000    1540       7.00
#  기존_웹     12000     960       8.00

신규 모바일(2%) vs 기존 웹(8%) 사이에 4배 차이. 전체 평균만 봤다면 이 격차를 완전히 놓쳤을 것입니다.

Micro→Macro 전환 퍼널 & DAU/MAU Stickiness 트렌드
🔽 Micro → Macro 전환 퍼널 & 월별 DAU/MAU Stickiness 추이

3. 수익 지표 — LTV / CAC / ARPU / ARPPU

“비즈니스가 지속 가능한가?”

LTV — 한 명의 고객이 가져다주는 총 가치

\[\text{LTV} = ARPU \times \frac{1}{\text{Churn Rate}}\]

월 평균 결제액이 3만 원이고 월 이탈률이 5%라면:

\[\text{LTV} = 30{,}000 \times \frac{1}{0.05} = 600{,}000\text{원}\]

LTV / CAC — 비즈니스 지속가능성의 핵심 비율

LTV/CAC < 1 → 고객 데려올수록 손해 LTV/CAC = 3 → 건강한 비즈니스 기준 LTV/CAC ≥ 5 → 성장 투자 가능

단순히 비율만 볼 게 아니라 Payback Period(투자 회수 기간)도 함께 봐야 합니다. CAC가 LTV의 1/3이라도, 그걸 회수하는 데 24개월 걸린다면 현금 흐름에 문제가 생깁니다.

ARPU vs ARPPU — 결제 유저와 전체 유저를 구분하는 이유

ARPU

전체 유저 1인당 평균 매출

총 매출 ÷ 전체 MAU

비결제 유저까지 포함해 서비스 전체의 수익 효율을 봄

ARPPU

결제 유저 1인당 평균 매출

총 매출 ÷ 결제 유저 수

실제 지갑을 여는 사람들의 소비 패턴을 봄. 가격 전략에 직접 영향

LTV/CAC 채널별 분석 & A/B 테스트 통계적 유의성
💹 채널별 LTV vs CAC 비율 분석 & A/B 테스트 통계적 유의성(p-value) 개념

4. A/B 테스트 — 진짜 효과였는지 증명하는 법

“어떤 변화가 우연이 아닌 진짜 효과였는가?”

알아야 할 핵심 개념 3가지

  • Statistical Significance (통계적 유의성)
    실험 결과가 우연이 아님을 증명하는 성질. 보통 p-value < 0.05일 때 "유의하다"고 판단합니다.
  • P-value
    귀무가설(아무 효과 없음)이 참일 때 이런 결과가 우연히 나올 확률. 낮을수록 "이건 진짜 효과다"라고 말할 수 있습니다.
  • MDE (Minimum Detectable Effect)
    실험으로 감지하고 싶은 최소한의 지표 개선 폭. MDE가 작을수록 더 많은 샘플(사용자)이 필요합니다. 실험 설계 단계에서 반드시 정해야 합니다.
📐 실험 필요 샘플 수 추정: $$n \approx \frac{2 \cdot (z_{\alpha/2} + z_{\beta})^2 \cdot p(1-p)}{MDE^2}$$
  • $z_{\alpha/2} = 1.96$ (유의수준 5%)
  • $z_{\beta} = 0.84$ (검정력 80%)
  • $p$ = 기존 전환율, $MDE$ = 감지하려는 최소 개선폭
🚨 A/B 테스트에서 가장 많이 하는 실수: 결과가 좋아 보이자마자 실험을 조기 종료하는 것입니다. 이를 Peeking Problem이라고 하며, 실제로 유의미하지 않은 결과를 유의미하게 오해할 확률이 올라갑니다. 사전에 정한 샘플 수를 채울 때까지 기다려야 합니다.

5. 분석가가 지표를 다루는 실전 원칙

🌟 North Star Metric 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 유형North Star Metric 예시
커머스월간 구매 완료 건수
SaaS주간 활성 워크스페이스 수
콘텐츠주간 총 시청 시간
커뮤니티월간 콘텐츠 생산 사용자 수
🚫 허영 지표(Vanity Metric)를 경계하라
총 가입자 수, 누적 다운로드 수처럼 숫자는 커 보이지만 실제 비즈니스 상태를 반영하지 못하는 지표들입니다. 가입자 100만 명이라도 MAU가 1만 명이면 의미가 없습니다.
✅ 지표는 항상 세그먼트로 쪼개라
"전체 리텐션 25%"는 아무 말도 하지 않습니다. 신규 vs 기존, 모바일 vs 웹, 채널별, 지역별로 분해했을 때 진짜 개선 포인트가 보입니다.

전체 지표 한눈에 정리

분류 지표명 핵심 질문 주의할 것
Retention N-Day / Rolling / Cohort 다시 돌아오는가? 서비스 특성에 맞는 방식 선택
Stickiness DAU/MAU 생활화됐는가? 20% 미만이면 핵심 기능 재검토
CVR Micro/Macro Conversion Rate 원하는 행동을 했는가? 세그먼트 없는 전체 수치는 의미 없음
Revenue LTV / CAC / ARPU / ARPPU 지속 가능한 구조인가? LTV/CAC 비율 + Payback Period 함께 볼 것
Experiment p-value / MDE / Significance 이 변화는 진짜 효과인가? Peeking Problem — 조기 종료 금지

마치며

지표는 정답을 알려주지 않습니다.

“지금 무엇을 물어봐야 하는지” 를 알려주는 도구입니다.

리텐션이 낮으면 “왜 떠나는가”를, LTV/CAC가 1 미만이면 “이 채널에 계속 돈을 써야 하는가”를, A/B 테스트 결과가 p < 0.05이면 “이 변화를 전체 배포해도 되는가”를 물어볼 수 있게 됩니다.

💬 결국 같은 말: 좋은 분석가는 좋은 질문을 만드는 사람입니다. 지표는 그 질문을 만들기 위한 재료입니다.

댓글남기기

참고