DAY38 - 유저 행동 분석 심화 : 데이터와 리서치

데이터의 중요성

• 직관과 경험에만 의존한 의사결정의 위험성(잘못된 가정, 편향된 시각)
• 데이터 기반 의사결정의 필요성 : 불확실성 감소, 성공 확률 증대, 자원 효율화

디자이너가 다루게 될 데이터 툴

1. 구글 애널리틱스 (사용자 로그 분석) ⇒ 방문자 유입, 행동 데이터, 체류 시간
2. 믹스패널 (이벤트 기반 사용자 행동 데이터 분석) ⇒ 퍼널 분석, 리텐션 분석, a/b 테스트 등
3. 앰플리튜드 (사용자 행동 분석 특화) ⇒ 코호트 분석, 퍼널 분석, 플로우 분석
4. 핫챠 (사용자 행동을 시각적으로 보여줌, 히트맵) ⇒ 사용자의 클릭, 커서 이동 등 설문 및 피드백 수집 등 정석적 데이터도 함께 수집 가능

다양한 분석 도구를 통해 무엇을 알아야 할까?

1. 이벤트 흐름 분석

• 사용자가 제품(또는 웹사이트) 안에서 실제로 어떤 경로를 따라 움직였는지 “흐름”을 시각화해서 보는 분석
• 특정 페이지나 이벤트에서 어디로 이동했는지, 이탈했는지 파악 가능함
• 자유 탐색적 : 예측하지 못한 경로를 파악 할 수 있음
• 사용자의 실제 행동 패턴을 분석 할 수 있움(지도)

[이벤트 흐름 분석 예시]

• 탐색 > 경로 탐색 > 페이지 이동 별 탐색 가능함
• 경로 시각화 확인 가능 ⇒ 어떤 이벤트나 페이지로 이동했는지 흐름을 나무(tree)처럼 볼 수 있음
• 각 분기별 이탈 표시 가능

tip) 왼쪽에서 page_path / page_ title 기준으로 그룹핑 바꿔가며 흐름 분석 가능함

2. 퍼널분석 ⇒ 가장 많이 사용하는 방법

• 유저의 목표 행동(가입, 결제 등) 완료하는 과정을 “미리 정해진 단계”로 나누고, 각 단계별 전환율과 이탈율을 추적해서 분석
• 어디서 이탈하는지(병목) 찾기
• 전환율 개선 방향을 잡을 수 있음
• 실험(ab테스트)이나 개선 아이디어 만들 근거 찾기 ⇒ 실험 전에 퍼널 분석을 통해 근거 찾기

[퍼널 분석 예시]

처음방문 / 세션시작 / 페이지 조회 / 구매

⇒ 4단계 맞춤별로 다양하게 설정 가능함 ⇒ 시각화 가능


3. 코호트 분석

• 코호트 : 특정 기간에 특정의 경험을 공유한 사람들의 집합
• 코호트 분석 : 같은 기간에 앱 설치한 경험한 사용자 그룹이 시간이 지남에 따라 앱의 꾸준한 사용 여부(리텐션)를 분석하는 것
• 예) 제품의 첫번쨰 사용 시점 이후, 일정 기간이 지난 시점에 제품을 재사용하는 사용자의 비율
• 예) day0 에 방문해 제품 사용을 1번 이상 실시한 사용자 중, day1 이후 재방문 하여 제품 사용을 1회 실시한 사용자의 비율
  
  

4. 세그먼트 분석

공통점을 가진 고객의 군집? 높은 비중으로 교집합이 발생하는 경우가 있다면 이 고객군을 타게팅하여 하나의 페르소나를 상정할 수 있게 됨

⇒ 모바일 트래픽 & 25~54세 연령 교집합 트래픽을 사용자를 분석 할 수 있다

[과제]

구글애널리틱스를 활용하여 데이터 분석하기(과제)

챗 gpt 통해 세팅 방법 구현하기

1. 실험 배경 (Background)

Google Merch Shop 사이트의 구매 퍼널을 GA4를 통해 분석한 결과,

사용자가 장바구니에서 결제 완료까지 이어지는 전환율 낮은 것으로 확인되었습니다.

특히, 퍼널 분석을 통해 주문폼페이지 진입 후 이탈율이 55% 이상의 높은 수치의 패턴을 확인했습니다.

이는 사용자가 구매 과정 중 불편함, 불확실성, 또는 신뢰 부족을 경험하고 이탈하고 있음 의미

---

2. 문제 정의 (Problem Statement)

현재 Google Merch Shop의 구매 퍼널에서,

사용자가 상품을 장바구니에 담은 이후 최종 구매 완료까지 도달하는 전환율이 낮습니다.

특히 결제 흐름(Shipping/Payment 단계)에서 과도한 이탈이 발생합니다.

이는 전체 매출 손실 및 마케팅 효율 저하로 이어질 위험요소로 해석 가능합니다.

---

3. 가설 (Hypothesis)

• H1 (사용자 경험 불편 가설) 결제 프로세스 중 입력해야 하는 정보가 많거나 복잡해서 이탈이 발생하고 있다.
• H2 (추가 비용 노출 가설)
• 예상하지 못한 추가 비용(배송비, 세금 등)이 결제 단계에서 노출되어 구매 의사가 꺾이고 있다.
• H3 (결제 수단 제한 가설)
• 사용자가 원하는 결제 수단(예: 간편결제, 지역별 결제방식 등)이 지원되지 않아 이탈하고 있다.

---

4. 실험 목표 (Goal)

• 장바구니 추가 대비 구매 완료 전환율을 현재 대비 10%p 이상 향상시킨다.
• 결제 프로세스 진입 후 이탈율을 55% → 40% 이하로 낮춘다.
• 사용자당 평균 결제 완료 시간(Checkout Completion Time)을 20% 단축한다.

---

5. 개선 아이디어 (Experiment Ideas)

① 결제 프로세스 간소화

• 불필요한 입력 필드 제거, 주소 자동완성 기능 추가
• 1페이지 결제(One-page Checkout) 도입 테스트

② 비용 투명성 강화

• 장바구니 페이지에서 예상 배송비 및 세금 미리 표시
• "지금 보는 가격 = 결제 가격" 강조 메시지 삽입

③ 다양한 결제 수단 추가

• Apple Pay, Google Pay, PayPal, 지역 특화 결제방식 추가
• 결제수단 아이콘을 결제 시작 단계부터 노출

④ 페이지 성능 최적화

• Checkout 페이지 평균 로딩속도 2초 이하로 개선
• 오류 발생시 사용자 친화적인 오류 안내 문구 제공

⑤ 신뢰도 향상 요소 추가

• 결제 페이지에 보안 인증 마크, 환불 정책 강조
• 구매자 리뷰 또는 고객 평점 요약 노출

---

6. 실험 방법 (Experiment Design)

• 실험 설계: A/B 테스트
  • Control 그룹: 기존 Checkout 프로세스 유지
  • Test 그룹: 개선 아이디어 적용 (결제 간소화 + 비용 투명성 + 신뢰요소 추가)
• 대상자: 2025.05.08~05.21 기간 동안 장바구니 추가 후 Checkout 진입한 사용자
• 주요 측정 지표 (KPI):
  • 장바구니 추가 대비 구매 완료 전환율 (Primary KPI)
  • Checkout 프로세스 이탈율 (Secondary KPI)
  • 결제 페이지 평균 로딩 시간 및 오류 발생률 (보조 지표)
• 세부 분석 계획:
  • 결제 단계별 퍼널 분석 (Shipping, Payment, Review, Complete)
  • 결제 수단 선택별 전환율 비교
  • 페이지 로딩속도와 이탈율의 상관관계 분석