코호트 분석 하는 방법: 리텐션 표 만드는 5단계
- 코호트 분석은 같은 시점에 유입된 사용자 그룹을 추적해 리텐션을 비교하는 방법입니다.
- 목적 정의→지표 선택→데이터 정제→테이블화→인사이트 도출 5단계로 진행합니다.
- 획득 코호트와 행동 코호트를 구분해야 정확한 원인 분석이 가능합니다.
- GA4·Amplitude·SQL 등 도구별 장단점을 비교해 팀 상황에 맞게 골라야 합니다.
코호트 분석이란? 정의부터 바로 확인하기
코호트 분석(Cohort Analysis)은 특정 시점이나 공통 조건으로 묶인 사용자 그룹, 즉 코호트(cohort)를 시간 흐름에 따라 추적해 행동 변화를 비교하는 분석 기법입니다. 예를 들어 8월에 처음 가입한 사용자를 하나의 코호트로 묶고, 이들이 1주 뒤·1개월 뒤·3개월 뒤 얼마나 서비스에 남아 있는지(리텐션, retention·재방문율)를 추적하면 전체 평균 지표로는 보이지 않던 이탈 시점과 원인을 정확히 짚어낼 수 있습니다. 이번 달 MAU(월간 활성 사용자, Monthly Active Users)가 늘었는지 줄었는지만 보는 방식과 달리, 코호트 분석은 ‘어느 그룹이 언제부터 왜 이탈했는가’까지 답해주기 때문에 제품 개선과 마케팅 채널 최적화의 출발점이 됩니다.
코호트 분석이 필요한 상황
전체 평균 지표가 숨기는 문제 진단
서비스 전체의 월간 리텐션이 30%로 유지되고 있다고 해도, 그 안에는 3개월 전 유입자의 리텐션이 45%에서 15%로 급락한 코호트와, 반대로 개선된 코호트가 섞여 있을 수 있습니다. 평균만 보면 이 변화가 상쇄되어 드러나지 않습니다. 코호트 단위로 쪼개야 ‘언제 유입된 사용자군부터 이탈이 심해졌는지’를 특정할 수 있고, 그 시점에 있었던 기능 변경·정책 변경·경쟁사 이벤트 등과 대조해 원인을 추정할 수 있습니다.
마케팅 채널·업데이트 효과 비교
신규 마케팅 채널을 통해 유입된 사용자군과 기존 채널 유입자군을 각각 코호트로 나눠 리텐션·구매전환·LTV(고객생애가치, Lifetime Value)를 비교하면 어느 채널이 ‘숫자만 많은 유입’인지, 어느 채널이 ‘오래 남는 진짜 사용자’를 데려오는지 구분됩니다. 마찬가지로 특정 기능을 배포한 날짜를 기준으로 배포 전·후 코호트를 비교하면 그 기능이 실제로 리텐션에 기여했는지 검증할 수 있습니다.
코호트 분석 하는 방법: 5단계 프로세스
1단계. 분석 목적과 코호트 기준 정의하기
가장 먼저 ‘무엇을 알고 싶은가’를 명확히 해야 합니다. 목적에 따라 코호트를 나누는 기준이 달라지기 때문입니다. 가입일 기준(주간·월간 가입 코호트), 유입 채널 기준(광고·SEO·추천), 최초 행동 기준(첫 결제 여부, 첫 기능 사용 여부) 중 분석 목적에 맞는 기준 하나를 먼저 확정하세요. 기준을 여러 개 동시에 섞으면 표가 복잡해져 해석이 어려워집니다.
2단계. 추적할 핵심 지표 선택하기
리텐션율이 가장 대표적이지만, 서비스 성격에 따라 DAU(일간 활성 사용자) 복귀율, 재구매율, 특정 핵심 기능(activation feature) 사용률, 결제 전환율 등을 지표로 삼을 수 있습니다. 지표는 1~2개로 좁혀야 결과 표가 읽기 쉬워집니다.
3단계. 원천 데이터 수집·정제하기
사용자 ID, 최초 유입(가입) 일시, 이후 각 활동의 발생 일시가 담긴 로그 데이터가 필요합니다. GA4나 앱 분석 SaaS를 쓴다면 이벤트가 이미 수집돼 있을 가능성이 높고, 자체 데이터베이스를 쓴다면 SQL로 사용자별 이벤트 로그를 추출해야 합니다. 이 단계에서 중복 이벤트, 봇 트래픽, 테스트 계정을 걸러내지 않으면 이후 표 전체가 왜곡됩니다.
4단계. 리텐션 테이블(코호트 표) 만들기
행에는 코호트 기준일(예: 가입 주차), 열에는 경과 기간(1주차·2주차·3주차…)을 두고, 각 셀에 해당 코호트 중 그 시점까지 남아있는 사용자 비율을 채우는 방식이 표준입니다. 아래는 가입 주차별 리텐션 표의 예시 구조입니다.
| 가입 주차 | 1주차 잔존율 | 4주차 잔존율 | 8주차 잔존율 |
|---|---|---|---|
| 1주차 코호트 | 100% | 32% | 18% |
| 2주차 코호트 | 100% | 41% | 26% |
| 3주차 코호트 | 100% | 29% | – |
가로로 읽으면 한 코호트가 시간이 갈수록 얼마나 빠지는지 보이고, 세로로 읽으면 같은 경과 기간에서 코호트별 성과가 개선되고 있는지 비교됩니다. 체계적인 집계·정제 절차가 처음이라면 데이터 분석 파이프라인 구축 방법을 먼저 잡아두면 이후 코호트 표를 자동으로 갱신하기 훨씬 수월합니다.
5단계. 인사이트 도출하고 액션으로 연결하기
표를 만들었다면 끝이 아니라 시작입니다. 리텐션이 급락하는 경과 시점(예: 항상 2주차에서 절반 이하로 떨어진다면)을 특정해, 그 시점 사용자에게 왜 이탈하는지 원인을 조사해야 합니다. 정량 데이터만으로 원인이 안 보인다면 이탈 직전 사용자를 대상으로 한 인터뷰나 설문 같은 정성 조사를 병행하는 것이 효과적이며, 이 과정은 UX 리서치 방법과 함께 설계하면 더 정확한 원인 규명이 가능합니다.
리텐션 표에서 특정 경과 시점(예: 2주차)에 모든 코호트가 공통적으로 급락한다면 이는 개별 코호트의 문제가 아니라 제품 구조 자체의 문제일 가능성이 높습니다. 반대로 특정 코호트 하나만 유독 나쁘다면 그 시기의 외부 요인(채널·이벤트·장애)을 먼저 의심해야 합니다.
코호트 분석 종류: 획득 코호트 vs 행동 코호트
획득 코호트(Acquisition Cohort)
사용자가 서비스에 처음 유입된 시점이나 경로를 기준으로 묶는 방식입니다. ‘이번 달 신규 가입자’, ‘페이스북 광고로 유입된 사용자’처럼 최초 접점을 기준으로 삼기 때문에 마케팅 성과 측정과 신규 유입 품질 비교에 주로 사용됩니다.
행동 코호트(Behavioral Cohort)
가입 시점과 무관하게 특정 행동을 했는지 여부로 묶는 방식입니다. 예를 들어 ‘가입 후 3일 이내 첫 결제를 완료한 사용자’와 ‘완료하지 못한 사용자’를 나눠 이후 리텐션을 비교하면, 어떤 초기 행동이 장기 잔존과 상관관계가 있는지(이른바 activation 지표) 찾아낼 수 있습니다. 신규 서비스에서 ‘어떤 첫 행동을 유도해야 하는가’를 설계할 때 특히 유용합니다.
코호트 분석 도구 비교
| 도구 | 적합한 상황 | 주요 특징 |
|---|---|---|
| GA4 | 웹·앱 트래픽 기본 분석 | 무료 시작 가능, 표준 리텐션 리포트 내장, 커스텀 이벤트 설정 필요 |
| Amplitude / Mixpanel | 제품 사용성 중심 분석 | 이벤트 기반 행동 코호트 생성이 직관적, 세그먼트 비교 UI 강점 |
| SQL / BigQuery | 자체 데이터 완전 통제 | 원하는 기준으로 자유롭게 코호트 정의 가능, 쿼리 작성 역량 필요 |
| 스프레드시트 | 소규모·초기 단계 검증 | 추가 도구 없이 빠르게 시작, 데이터 양이 커지면 수작업 한계 |
도구를 고를 때는 ‘얼마나 자유롭게 코호트 기준을 바꿔가며 재분석할 수 있는가’를 우선 기준으로 삼는 것이 좋습니다. 자체 데이터 분석 체계를 웹사이트/앱 UX 개선까지 넓게 확장할 계획이라면 히트맵 분석 툴 비교 글도 함께 참고해 행동 데이터 수집 범위를 넓혀두는 것을 추천합니다.
코호트 분석할 때 흔한 실수와 주의사항
- 코호트 크기(모수)가 너무 작으면 비율 변화가 통계적으로 의미 없는 잡음일 수 있습니다. 코호트당 최소 표본 수를 정해두고 그 이하는 별도 검증 없이 결론 내리지 않아야 합니다.
- 테스트 계정, 내부 직원 계정, 봇 트래픽을 제외하지 않으면 리텐션이 실제보다 높게 왜곡됩니다.
- 기준일 정의가 코호트마다 다르면(예: 어떤 코호트는 가입일, 어떤 코호트는 첫 로그인일) 표 전체 비교가 무의미해집니다.
- 경과 기간 단위를 일관되게 유지해야 합니다(주차 기준과 월 기준을 섞지 않기).
코호트 분석은 원인을 ‘자동으로’ 알려주지 않습니다. 표는 어디서 문제가 발생했는지 위치를 좁혀줄 뿐이며, 실제 원인 규명은 로그 상세 분석이나 사용자 인터뷰 같은 추가 조사가 반드시 뒤따라야 합니다.
자주 묻는 질문
Q. 코호트 분석과 퍼널 분석은 어떻게 다른가요?
퍼널 분석은 한 세션 안에서 단계별 이탈(예: 장바구니→결제)을 보는 데 초점을 두고, 코호트 분석은 시간이 지남에 따라 같은 그룹이 얼마나 남아있는지를 추적하는 데 초점을 둡니다. 두 분석은 상호보완적이며 함께 쓰는 경우가 많습니다.
Q. 코호트 분석에 필요한 최소 데이터 기간은 얼마나 되나요?
정해진 기준은 없지만, 최소 2~3개 코호트를 비교하려면 서비스 운영 기간이 관찰하려는 경과 기간의 2~3배 이상은 확보돼 있어야 의미 있는 비교가 가능합니다. 예를 들어 8주차 리텐션을 보고 싶다면 최소 16~24주 이상의 데이터가 쌓여 있어야 합니다.
Q. 스타트업처럼 데이터 인력이 부족해도 코호트 분석을 할 수 있나요?
가능합니다. 초기에는 스프레드시트나 GA4 기본 리포트로도 주간 가입자 리텐션 정도는 충분히 추적할 수 있습니다. 데이터 양과 분석 빈도가 늘어나는 시점에 SQL이나 전용 분석 도구로 넘어가는 단계적 접근이 현실적입니다.
Q. 리텐션율이 몇 퍼센트면 괜찮은 수준인가요?
업종·서비스 유형에 따라 ‘괜찮은’ 기준이 크게 달라 일률적으로 말하기 어렵습니다. 절대적인 숫자보다는 자사 코호트가 시간에 따라 개선되고 있는지, 코호트 간 비교에서 특정 채널·기능이 다른 것보다 우위에 있는지를 상대적으로 판단하는 것이 실무적으로 더 유효합니다.
