데이터로 사업 문제 진단하기

🔄 Quick Recall: 이전 레슨에서 AI를 분석에 활용하는 법 — 맥락 있는 프롬프트로 데이터 탐색, 이상 탐지(비정상을 잡되 중요성은 별도 판단), 예측 분석(진단과 개입이 있어야 유용) — 을 배웠어요. 이제 분석에서 가장 어려운 질문에 답하는 진단 기법을 배워요: 왜 이런 일이 벌어지나?

이 레슨을 마치면 코호트 분석, 퍼널 분석, 비교 프로파일링으로 사업 문제를 진단할 수 있어요.

배울 내용

• 코호트 분석: 평균이 숨기는 것 찾기
• 퍼널 분석: 가치가 새는 곳 찾기
• 비교 프로파일링: 성과 차이의 원인 찾기

코호트 분석: 평균이 숨기는 것

평균은 거짓말해요. 새 고객과 오래된 고객, 강한 달과 약한 달, 개선 추세와 하락 추세를 섞어 버려요. 코호트 분석은 같은 시작점을 가진 그룹으로 데이터를 나눈 후 각 그룹을 시간에 따라 추적해요.

코호트 분석 작동 방식:

읽는 법: 1월 코호트는 1개월 후 92% 유지. 3월 코호트는 1개월 후 85%만 유지. 이 하락 추세는 전체 유지율 지표에는 안 보이지만, 뭔가 바뀌었다는 초기 경고 신호예요.

코호트 분석을 쓸 때:

• 유지율이 “안정적"인데 뭔가 이상한 느낌이 들 때
• 변경 사항이 기존 사용자 vs 신규 사용자에 미치는 영향을 측정할 때
• 고객 품질이 바뀌는 것 같지만 전체 지표에 안 보일 때
• 다른 고객 그룹의 시간에 따른 행동을 비교할 때

코호트 분석을 만들어줘.

데이터: [데이터 설명 — 가입일, 구매 이력, 사용 로그 등]
질문: [알고 싶은 것]
코호트 정의: [그룹 기준 — 가입 월, 획득 채널, 플랜 유형 등]

분석:
1. 각 코호트의 유지율/참여도 비교
2. 추세가 있나 — 최신 코호트가 나은지 나쁜지?
3. 어느 시점에서 가장 큰 이탈이 있나?
4. 최고 코호트와 최악 코호트 사이에 뭐가 바뀌었나?
5. 근본 원인에 대해 뭘 시사하나?

✅ Quick Check: 코호트 분석이 전체 지표가 놓치는 문제를 드러내는 이유는? 전체 지표는 모든 고객을 합쳐요 — 충성도 높은 기존 고객과 이탈하는 신규 고객의 혼합이 “안정적"으로 평균 날 수 있어요. 코호트 분석은 시작점으로 분리해서 1월 코호트 92% 유지인데 4월 코호트 82%만 유지하는 하락 추세를 볼 수 있게 해줘요.

퍼널 분석: 가치가 새는 곳

모든 사업에는 퍼널이 있어요 — 첫 접점에서 원하는 결과까지의 단계. 퍼널 분석은 각 단계의 전환율을 측정해서 가장 큰 이탈 지점을 찾아요.

사업 유형별 퍼널:

레버리지 포인트 원칙: 전환율이 가장 낮은 퍼널 단계가 보통 가장 높은 개선 기회예요. 5% 전환을 10%로 올리면 그 아래 모든 단계의 산출이 두 배. 50%를 55%로 올리면 10%만 추가.

한국 이커머스에서 특히 중요한 퍼널 병목이 있어요 — 결제 단계. 네이버페이, 카카오페이, 토스 간편결제가 보편화되면서 다양한 결제 옵션 제공이 장바구니 포기율에 직접적 영향을 미쳐요. 결제 수단이 제한적인 해외 쇼핑몰에서 한국 소비자의 이탈이 높은 이유기도 해요.

퍼널 진단 질문:

1. 절대적으로 가장 큰 이탈이 있는 단계는?
2. 벤치마크 대비 전환율이 가장 낮은 단계는?
3. 세그먼트(채널, 기기, 고객 유형)에 따라 이탈이 다른가?
4. 이탈이 시간에 따라 변했나? (나아지고 있나, 나빠지고 있나?)

비교 분석: 뭐가 다른지 찾기

팀, 제품, 고객 세그먼트, 기간 간에 성과가 다르면 — 비교 분석이 이유를 밝혀요.

비교 프로파일링 기법:

1. 두 그룹 정의: 상위 vs 평균 (또는 성장 세그먼트 vs 하락 세그먼트)
2. 모든 가용 지표를 두 그룹 간 비교
3. 가장 큰 격차 파악 — 이것이 진단 단서
4. 정성 조사로 검증 (인터뷰, 관찰)

이 비교가 보여주는 것: 유지된 고객은 자주 로그인하고 빠르게 가치에 도달하는 반면, 이탈 고객은 첫 주에 거의 참여하지 않아요. 해결책은 “이탈을 줄이자"가 아니라 “첫 주 참여와 가치 달성 시간을 가속하자"예요.

✅ Quick Check: 비교 분석이 단일 그룹 분석보다 유용한 이유는? 한 그룹만 분석하면 ‘무엇인지’를 알려줘요. 두 그룹을 비교하면 ‘뭐가 다른지’를 알려줘요 — 인사이트는 차이에 있어요. 이탈 고객의 첫 주 로그인이 2.1회라는 건 그냥 숫자예요. 유지 고객이 8.2회라는 걸 알면 2.1이 분명히 고칠 문제가 돼요.

핵심 정리

• 코호트 분석은 전체 지표가 숨기는 추세를 노출해요 — 최신 코호트의 유지율 하락, 제품 변경 후 전환 개선, 시간에 따른 고객 품질 변화를 같은 시작점 그룹별로 추적해서
• 퍼널 분석이 가장 높은 레버리지 개선 기회를 찾아요: 전환율이 가장 낮은 단계에서 작은 개선이 그 아래 모든 단계의 결과를 증폭해요
• “트래픽을 늘리자"는 직감은 보통 틀려요 — 퍼널 중간·하단의 누수를 고치는 게 상단에 더 붓는 것보다 거의 항상 싸고 빨라요
• 비교 프로파일링(상위 vs 평균, 유지 vs 이탈, 성장 vs 하락)이 그룹 간 차이를 드러내요 — 실행 가능한 인사이트는 차이에 있어요
• 복잡한 결과에 대한 단일 변수 설명(“전화를 더 해서”)은 거의 항상 지나치게 단순해요 — 모든 가용 지표를 비교해서 진짜 원인을 찾고, 정성 조사로 검증하세요

Up Next: 다음 레슨에서 분석 결과를 효과적으로 전달하는 법 — 임원이 이해하고, 믿고, 행동하게 만드는 데이터 스토리텔링을 배워요.