모바일 애널리틱스의 코호트 분석: 정의, 지표 및 수행 단계

코호트 분석이란?

코호트 분석은 앱 설치 또는 등록과 같은 첫 번째 목표 이벤트를 수행한 시간에 따라 사용자를 그룹(코호트)으로 나누는 분석 방법입니다. DAU나 MAU와 같은 집계 지표와 달리 코호트는 동일한 그룹의 행동을 수주에서 수개월에 걸쳐 추적하여 리텐션 및 이탈 추세를 파악할 수 있게 합니다.

이 방법의 주요 장점은 기존 사용자가 새로운 사용자의 문제를 가리는 성장의 환상을 제거하는 것입니다. Amplitude Blog(2024)에 따르면, 코호트 분석을 도입한 기업은 첫 90일 동안 사용자 이탈을 20~30% 줄입니다.

코호트 분석을 적용하여 UA 캠페인의 효과를 평가하고, 앱의 여러 버전 간 행동을 비교하며, 사용자 획득에 대한 투자 수익률을 계산하세요.

코호트 분석의 주요 지표

리텐션율(Retention Rate)

리텐션율은 설치 후 N일이 지난 후 앱으로 돌아온 코호트 사용자의 비율입니다. 이것은 제품 품질의 주요 지표입니다. 사용자가 돌아오지 않는다면 문제는 온보딩, 가치 제안 또는 앱 안정성에 있습니다. Statista(2025)에 따르면, 모바일 앱의 평균 Day-1 리텐션은 25~30%, Day-7은 10~15%, Day-30은 5~7%입니다.

코호트의 리텐션을 카테고리 벤치마크와 비교하고 어떤 제품 변경이 복귀를 증가시켰는지 분석하세요.

LTV — 평생 가치

LTV(Lifetime Value)는 관찰 기간 동안 코호트의 모든 사용자로부터 발생한 총 수익입니다. 이 지표는 광고 캠페인의 ROI를 평가하고 UA 예산 확대에 대한 결정을 내리는 데 중요합니다. Adjust Benchmarks(2024) 보고서에 따르면, 게임에서 사용자당 중간 LTV는 $3.50, 전자상거래에서는 $1.80, 유틸리티에서는 $0.40입니다.

Day-30, Day-90 및 Day-180에서 코호트 LTV를 계산하여 획득한 사용자의 장기적 가치를 이해하세요.

이탈률(Churn Rate)

이탈률은 앱 사용을 중단한 코호트 사용자의 비율입니다. 초기 높은 이탈률은 온보딩 문제나 기대치 불일치를 나타냅니다. Localytics(2024)에 따르면, 25%의 사용자가 첫 실행 후 앱을 이탈하며, 90일째에는 5% 미만만 남습니다.

이탈률을 매주 모니터링하세요. 코호트에서 5% 증가가 발생하면 설문 조사나 세션 기록을 통해 즉시 이탈 원인을 분석해야 합니다.

시간 기간별 코호트 유형

일별 코호트

일별 코호트는 같은 날 앱을 설치한 사용자입니다. 가장 세분화된 수준으로 이상 징후를 감지할 수 있습니다. 특정 날짜의 리텐션 급감은 기술적 장애나 문제가 있는 크리에이티브 캠페인을 나타낼 수 있습니다. 일별 코호트는 매일 변경이 이루어질 때 운영 모니터링 및 A/B 테스트에 사용됩니다.

주별 코호트

주별 코호트는 같은 주에 앱을 설치한 사용자입니다. 더 안정적인 데이터를 제공하며 일일 변동을 완화합니다. 정기적인 보고 및 광고 채널 성능 비교에 적합합니다. 주별 단계는 주말에 전환율이 다를 수 있는 요일 효과를 중화합니다.

월별 코호트

월별 코호트는 같은 달에 앱을 설치한 사용자입니다. 장기 추세, 계절성 및 6~12개월 범위의 LTV 계산에 최적입니다. 제품 개발에 대한 전략적 결정을 위해 제품 관리 수준에서 사용됩니다.

코호트 분석 수행 방법

코호트 분석은 데이터 수집, 코호트 그룹화, 기간별 지표 계산, 시각화의 네 단계로 구성됩니다. 먼저 목표 이벤트를 정의합니다. 일반적으로 설치, 가입 또는 첫 구매입니다. 동일한 기간에 이를 수행한 모든 사용자가 동일한 코호트에 속합니다.

둘째, 시간 간격(일, 주 또는 월)을 설정합니다. 각 후속 기간(Day-1, Day-2, Day-3...)에 대해 돌아온 사용자의 비율을 계산합니다. 결과는 각 행이 코호트, 각 열이 기간, 각 셀이 지표 값인 코호트 테이블로 정리됩니다.

셋째, 데이터를 보정합니다. 100명 미만의 사용자가 있는 코호트는 제외하고 계절성을 고려합니다. Mixpanel(2024)에 따르면, 50명 미만의 사용자가 있는 코호트는 오차 범위가 20%를 초과하는 통계적으로 무의미한 결과를 제공합니다. 넷째, 데이터를 코호트 테이블 또는 히트맵으로 시각화합니다. 행(코호트)과 열(기간)은 이해관계자에게 리텐션 추세를 명확하게 보여줍니다.

올바른 해석을 위해 항상 동일한 크기의 코호트를 비교하세요. 50,000명 사용자의 코호트와 500명 사용자의 코호트를 비교하는 것은 허용되지 않습니다. 지표를 절대값이 아닌 코호트 초기 크기의 백분율로 정규화하세요. 이를 통해 크기가 다른 그룹을 비교할 수 있습니다. 또한 새로움 효과를 고려하세요. 대규모 마케팅 이벤트 후에 앱을 설치한 사용자는 유기적 설치와 다르게 행동할 수 있습니다.

코호트 분석 도구

코호트 분석 도구는 분석 플랫폼에 내장된 것과 맞춤형 SQL 솔루션으로 나뉩니다. Amplitude와 Mixpanel은 쿼리 작성 없이 자동으로 Retention과 LTV를 계산하는 기성 코호트 보고서를 제공합니다. Firebase Analytics는 설치 날짜별로 기본 코호트를 일, 주, 월 단위로 제공합니다.

맞춤형 코호트를 위해서는 BigQuery 또는 Redshift에서 SQL 쿼리를 사용하세요. 이를 통해 지표와 기간을 완전히 제어할 수 있습니다. Amplitude(2024)에 따르면, 맞춤형 SQL 코호트를 사용하는 팀은 표준 보고서보다 35% 더 많은 행동 인사이트를 발견합니다. BI 도구(Tableau, Looker, Google Data Studio)를 사용하면 정기적인 모니터링을 위한 대화형 코호트 대시보드를 구축할 수 있습니다.

도구 선택은 팀의 분석 성숙도에 따라 달라집니다. 초기에는 Firebase Analytics 또는 Amplitude에 내장된 코호트로 충분합니다. 이들은 코호트 분석 요구의 80%를 충족합니다. 팀이 성장함에 따라 BigQuery의 SQL 코호트로 전환하세요. 이를 통해 비표준 지표(예: 설치 날짜 대신 첫 구매 날짜별 코호트)를 정의하는 유연성을 얻고 ML을 사용한 예측 LTV 모델을 구축할 수 있습니다. 시각화를 위해서는 추가 비용 없이 BigQuery에 직접 연결되는 Looker Studio를 사용하세요.

SQL 코호트 분석 예제

일별 코호트를 직접 계산하려면 설치 날짜별로 세션을 그룹화하는 SQL 쿼리를 사용하세요. 다음은 각 코호트 내에서 일별 활성 사용자 수를 반환하는 BigQuery용 쿼리입니다.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

쿼리를 실행한 후 Google Sheets 또는 BI 도구에서 요약 테이블을 만드세요. 각 행은 코호트 날짜, 각 열은 일자(Day-1, Day-2 등)입니다. 활성 사용자 비율은 Day-0(설치일)의 active_users에 대한 N일차 active_users의 비율로 계산됩니다.

코호트 분석의 일반적인 실수

첫 번째 실수는 작은 코호트로 작업하는 것입니다. 코호트에 100명 미만의 사용자가 있는 경우, 한 사람의 이탈이나 복귀가 비율을 크게 왜곡합니다. 신뢰할 수 있는 결론을 위한 최소 코호트 크기는 500명의 사용자입니다.

두 번째 실수는 계절성을 무시하는 것입니다. 새해 전에 앱을 설치한 코호트는 1월 중순의 코호트와 다르게 행동합니다. 항상 같은 계절의 코호트를 비교하거나 데이터 정규화를 사용하세요. Mixpanel(2024)에 따르면, Day-1 리텐션의 계절적 변동은 30~40%에 달할 수 있습니다.

세 번째 실수는 코호트 분석과 횡단면 분석을 혼동하는 것입니다. 코호트 분석은 시간에 따른 하나의 그룹을 추적하는 것이지, 특정 시점에서 여러 그룹을 비교하는 것이 아닙니다. 동일한 코호트에서 반복 측정을 사용하세요. 그렇지 않으면 리텐션 성장에 대한 잘못된 결론을 얻게 됩니다.