분석 상식 : 퍼널 분석편(Funnel Analysis)

오늘은 마케팅 필수 상식인 퍼널 분석에 대해 알아보고자 다음의 두 글을 참고하여 학습한 내용을 정리하고자 하며, 개인 코멘트 제외하고는 참고한 내용이 많아 글 처음부터 확실히 출처를 밝히고자 한다.

 

출처 1 : 퍼널분석 Funnel Analysis(링크)

출처 2 : 퍼널은 왜 이탈률이 가장 큰 곳부터 개선해야 할까?(링크)

 

데이터 분석가로 근무를 시작한 여러분, 본격적으로 업무를 시작한 첫 날 대표님이 여러분에게 물어봅니다.

 

 

“다음달 SQL 캠프 입문반 참가자를 10배로 늘리고 싶은데, 어떻게 하면 될까요?”

 

업무를 받은 여러분은 어떤 방법을 떠올릴 수 있으신가요?

• 유료 광고 예산을 늘려볼까요?

• 웹사이트에 있는 SQL 캠프 입문반 소개 페이지에서 체류시간을 늘려야할까요?

• 지금은 웹사이트 외부에서 결제하도록 되어 있는데 결제 기능을 내재화해서 결제까지의 경험이 더 연결감있도록 만들어볼까요?

 

모두 다 가능한 방법이겠지만 각각 드는 비용과 실행하는데 걸리는 시간도 다 다르고, 무엇보다 그래서 입문반 참가자가 얼마나 늘어날지 예상하기 어렵습니다. 10배를 늘려야하는데 이 방법으로 그게 될까? 알 수 없죠.

 

>>> 이럴 때 퍼널 분석이 문제를 조금 더 풀기 쉽게 만들어준다,

 

퍼널 분석 (Funnel Analysis) 이란?

퍼널 분석은 고객들이 우리가 설계한 유저 경험 루트를 따라 잘 도착하고 있는지 확인해보기 위해 최초 유입부터 최종 목적지까지 단계를 나누어서 살펴보는 분석 기법입니다. 얼마나 많은 사람들이 최종 단계까지 도착하는지, 또 어디에서 많이 이탈하는지 확인할 수 있습니다. 각 단계를 통과할 때마다 유저 수가 줄어들게 되는데 그림으로 그려보면 아래 그림처럼 점점 좁아지는 형태의 깔대기(Funnel) 모양이라 퍼널 분석이라고 말합니다. 각각의 단계를 넘어가는 것을 전환(Conversion)이라고 부르고 그 비율은 전환율(Conversion rate)이 됩니다.

 

예를 들어, 앱 서비스의 가입까지의 퍼널을 구성한다고 하면 아래 그림과 같이 그려볼 수 있습니다.

 

 

앱 서비스의 가입까지 퍼널 예시

 

퍼널의 최종 단계에 도착하는 유저 수 늘리기

 

1. 앱 스토어 페이지 뷰를 늘린다

퍼널로 유입되는 고객 수를 늘리는 방법을 처음으로 생각해 볼 수 있을 것 같아요. 아래 테이블에서처럼 전환율이 같다고 가정하면 앱스토어 페이지 뷰를 본 사람 수를 늘리면 마지막 단계인 가입완료까지 도착하는 사람 수도 따라서 늘어납니다. 어찌보면 가장 쉬운 방법이에요. 유료 광고 예산을 늘리거나, 자극적인 문구나 이미지로 클릭을 유도해서 많이 들어와보게 할 수 있겠죠. 들어왔다 나가는 사람도 그만큼 많겠지만 일단 들어오는 사람을 10배 100배 늘려버리면 그 다음단계로 가는 사람들도 분명히 늘어날테니까요.

 

>>> 이 방법은 가장 쉬운 방법이면서, 현실적으로 가장 어려운 방법이라고 생각한다. 무한 경쟁 시대인 지금 무작정 마케팅 예산을 늘릴 수 있는 기업은 흔치 않을 것이며, 자극적인 문구에 비해 실속이 없는 광고만 하는 기업 또는 웹페이지라는 판단이 들면 이후에 실제로 유저에게 도움이 될만한 상품 또는 서비스를 광고할 때에도 신뢰를 잃어 최종 단계까지 전환되지 않을 수도 있기 때문이다. 양치기 소년이 아무리 외쳐도 들어주지 않는 시점이 올 수도 있는 것이다.

 

앱 스토어 페이지 뷰	전환율	가입 완료
100명	5%	5명
1,000명	5%	50명
10,000명	5%	500명

 

>>> 전환율이 같다는 가정하에 투입람을 늘리면 당연히 산출(=최종 단계에 도달하는 고객)이 많아지게 된다는 내용

 

2. 각 단계 사이의 전환율을 올린다

위에서 언급한 것처럼 많이 들어와도 그만큼 많이 나가버리면 효용이 없겠죠. 아까와 같이 기존 전환율이 5%라고 해봅시다. 5%면 100명 중에 5명이 전환되는 거죠. 우리가 전환율을 획기적으로 끌어올려서 30%가 됐다고 해봅시다. 그러면 유입을 전혀 늘리지 않고도 가입완료 수를 늘릴 수 있어요. 100명이 들어오면 30명이 전환되니까요.

 

앱 스토어 페이지 뷰	전환율	가입 완료
100명	5%	5명
100명	30%	30명

>>> 이 방법을 위해 데이터 분석가들과 웹 개발자들이 필요한 것이라고 생각한다. 우리는 현실적으로 예산이 부족한 기업에서 일할 것이고, 돈이 넘쳐난다고 한들 비용을 줄이면 당연히 수익으로 직결되는 것이기 때문이다. 어렵지만 가야하는 길이다.

 

데이터리안에서도 실제로 얼마 전에 이 과정을 겪었어요. 월간 데이터리안이라고 매월 마지막 주 화요일에 웨비나를 하는데요. 여기에 유료광고를 집행하고 있습니다. 이번에 광고 예산을 늘렸는데, 생각보다 신청이 늘지 않더라고요. 그래서 왜 그럴까 고민하던 와중에, 우연히 저희 광고를 직접 보고 웨비나 페이지에 들어갔는데 설명이 너무 없더라구요. 설명이 부족해서 전환이 되지 않는게 아닐까? 가정을 세우고 자세한 설명을 추가했습니다. 그리고 다음날부터 바로 신청이 막 들어오기 시작하더라고요. 유입은 그대로였지만 전환율을 높였더니 성과가 늘어난거죠.

>>> 실제 사례로서 설명하시는 내용도 1을 지양하는 것을 강조한다. 예산을 늘린다고 생각만큼 효과가 크지 않을 수도 있기 때문이다. 위 사례처럼 근본적으로 원인이 다른 곳에 있었을 수도 있는 것이다.

 

월간 데이터리안 페이지 수정 전과 후

 

3. 퍼널의 단계를 줄인다

전환율을 올리고 유입 수를 늘려도 결국은 한 단계를 거칠 때마다 이탈하는 유저가 생길 수 밖에 없어요. 단계가 너무 많아서 귀찮아서든, 갑자기 와이파이 연결이 원활하지 않았든, 갑자기 실수로 창을 꺼버렸든, 뭐 상상할 수 없는 정말 다양한 일들이 현실 세계에서는 일어나니까요. 그래서 가장 효과적인 방법은 퍼널의 단계를 줄이는 거에요. 지금 위의 예시를 언뜻 보면 단계를 여기서 더 줄일 수 있을까? 싶지만, 각 단계를 또 좀 쪼개서 보면 다르게 보일 수 있습니다.

 

>>> 실제로 내 경험을 떠올려보았을 때도, 무언가 가입하는 과정, 특히 핸드폰일 때는 더더욱 회원가입/인증/질문 등등 시키는 내용이 많아질 수록 급격하게 귀찮음이 증가했다가 어느 순간에는 에라이 안해. 혹은 아 귀찮아 ... 다음에 하지 뭐 다음에 마음을 먹고 해야지 = 기억은 못하지만 아마도 반 정도는 까먹고 안했을 것이다.

 

 

일반적인 가입 절차

마이현대 앱: 여러 단계로 이루어진 일반적인 가입 예시

브런치 앱: 소셜 로그인 가입 예시

 

지금 퍼널에서는 가입하기 한 단계로 표현되어 있지만 사실은 이메일 입력, 이름 입력, 휴대폰 인증, 아이디 중복체크, 등등 여러 단계가 들어있습니다. 요즘 대부분의 서비스들이 구글 계정 로그인, 소셜 계정 로그인을 많이 쓰잖아요. 이렇게 가입 절차 자체를 최소화하는 것도 퍼널을 줄이고 전환율을 높이기 위한 장치로 이해하실 수 있을 것 같아요.

그러면 이제 무슨 생각이 드시나요? 퍼널의 단계를 최소한으로 줄이고, 각 단계 사이의 전환율을 끌어올린 다음에, 유입을 늘리면 되겠구나! 이런 생각을 들지 않으시나요? 이상적으로는 더없이 좋은 시나리오인데요. 하지만 현실에서는 그 작업들을 순서대로 하나씩 다 하기는 어려울거에요. 들일 수 있는 시간과 비용에는 언제나 한계가 있기 때문에. 회사에서는 비용 대비 효율을 생각해야하고 우리에게 시간이 무한정 있는 게 아니니까요. 우선순위를 정해서 가장 적은 비용으로 큰 효과를 볼 수 있는 전략을 선택해야겠죠.

 

그래서 퍼널에 불필요한 단계가 들어있지는 않은지, 전환율이 너무 떨어지는 구간이 있지는 않은지, 유입량 자체가 너무 적지는 않은지 살펴보면서 가장 쉽고 빠르게 가장 큰 효과를 가져다줄 부분이 어디인지 찾는 게 우리의 과제라고 할 수 있겠습니다.

 

※ 좋은 분석이란 무엇일까?

작성자께서는 정답은 없지만, 단순히 숫자만 뽑아서 보여주는 게 아니라 의사결정에 도움이 되고 구체적인 액션 아이템이 나오는 분석이 좋은 분석이라고 생각합니다. 이게 말로는 쉽지만 사실 쉬운 일은 아닌데요. 그런 점에서 퍼널분석이 좋은 툴이에요. 퍼널을 쪼개보면 어디를 개선해야할지가 나오잖아요. 그러면 혼자서 액션 아이템까지 찾는 건 어렵더라도 마케터, 기획자, 개발자, 다른 파트들과 이야기를 나눠보면서 해결책을 찾아갈 수 있으니까요.

 

>>> 내가 생각했을 때에도 퍼널 분석 자체로 해결되지 않을 문제는 없다고 생각이 들어 좋은 마케팅 방법론이며 필수적인 개념이라고 생각이 들었다. 또한 Agile 하게 각 퍼널에 해당하는 담당자 또는 조직과 유연하게 소통하며 개선해야될 필요성이 매우 높아 의사소통이 중요하다는 생각이 들었다.

 

더하여 퍼널 분석에 대해 추가적인 내용이 있어 글을 추가하고 싶다. 흔히 퍼널을 개선할 때는 "이탈률이 가장 큰 곳"을 우선시하여 개선하라고 하는데, 상식적으로는 끄덕끄덕 할 내용이긴 하지만 그 이유가 무엇인지 자세히 알아보고자 한다.

 

다음은 뷰저블에서 제공하는 퍼널 분석 기능 예시 화면이다.

 

• 랜딩 페이지에 해당하는 ‘메인’에 도착한 세션 수는 2978회입니다. 
• 서비스의 강점을 소개하는 ‘Why’ 페이지에 도착한 세션 수는 179회입니다. 
• 기능을 상세히 소개하는 ‘Feature’ 페이지에 도착한 세션 수는 84회입니다. 
• 최종 도달 목표 페이지인 ‘Pricing’ 가격 소개 페이지에 도달한 세션 수는 47회입니다.

실제로 마케팅팀에서는 이탈률 개선과 유입 수 증가에 대해 이견이 발생한다고 합니다. Data 에 입각하여 다음 두 사례에 대해 비교해보자.

 

최종 전환율은 47/2978 * 100 = 약 1.6 퍼센트

최종 전환율이 개선되어 6.6 퍼센트가 되었을 때 최종 전환 수는 197회가 되고,

만약 여기서 똑같이 197회라는 최종 도달 건 수를 만들기 위해서 유입량만을 늘린다면, 최초 랜딩 페이지에 도착해야 하는 건 수가 12,313 건이 필요하게 된다.

 

물론 정해진 답은 없기에 목표하는 최종 도달 건 수를 위해 필요한 전환율과 필요한 유입량을 역산한 뒤 그 수치를 가능케하는 예산과 인력 소모를 계산하여 결정하면 되겠다. (진리의 Case by Case..)

 

다시 주제로 돌아와 이 퍼널에서 본다면 가장 이탈률이 높은 구간은 Drop Off 94 % 인 1번 구간이다. 그렇다면 왜? 해당 구간을 개선해야하는지 잔존율 / Drop Off / 페이지 이탈률 계산법에 대해 알아보자.

 

1. 잔존율 이해하기

먼저 개념 이해를 위해 아래 퍼널 중 빨강 박스의 파란색 글자인 ‘잔존율 %’를 살펴봐주세요. 잔존율은 첫 번째 전체 방문자를 토대로 하여, 특정 페이지로 이동한 세션 수를 의미합니다. 

따라서 특정 페이지의 잔존율은 특정 페이지에 도달한 방문자 규모 / 첫 페이지에 도달한 전체 사용자 (단위 : %) 로 계산할 수 있습니다.  

 

 

전체 100% 중 Why 페이지로 이동한 잔존율은 6%였고, 전체 100% 중 Why를 거쳐 feature 페이지로 이동한 잔존율은 2.8%, 그리고 전체 100% 중 Why, Feature를 거쳐 Pricing 페이지로 도달한 잔존율은 1.6%라는 사실을 알 수 있습니다.  

 

 

2. Drop Off 와 페이지의 이탈률 이해하기 

 

<퍼널의 Drop Off> 

뷰저블의 퍼널에서 확인할 수 있는 Drop Off는 첫 페이지에 방문한 ‘전체 방문자’를 기준으로 한 비율임을 알 수 있습니다. 만약 Drop Off 를 각 단계에 해당하는 페이지를 기준으로 이해한다면, 비율을 나타내는 %가 아닌 비율의 산술적인 차이인 %p 로 이해해야겠죠?

 

 

<페이지의 이탈률> 

우리는 퍼널의 여러 페이지 중, 우선순위를 선정해서 페이지 별로 개선하고자 합니다.  따라서 세션을 기준으로 한 Drop Off 보다 여정에 대한 페이지의 이탈률을 함께 확인해야 합니다. 

세션을 기준으로 한 Drop Off와 달리, 퍼널에 대한 ‘페이지’의 이탈률은 다음과 같이 구할 수 있습니다.

 

" 퍼널에 대한 ‘A 페이지’의 이탈률 = (A 페이지에서 퍼널에 따르지않고 이탈한 방문자 / A 페이지의 방문자 ) x 100 (%) "

 

두 페이지 비율의 산술적 차이를 구하는 퍼널의 Drop Off와 달리 페이지의 이탈률은 실제 두 페이지 간 잔존 및 이탈한 규모에 따라 비율 차이를 구할 수 있다는 점을 확인할 수 있겠죠?  

아래는 우리가 확인한 퍼널에 따라 페이지의 각 이탈률을 구해본 예시입니다.  

 

 

※ 왜 이탈률이 가장 높은 페이지를 먼저 개선해야될까? 

 

우리는 현실적으로 모든 페이지를 한 번에 개선할 수 없기 때문에, 이탈률이 높은 구간을 중점으로 개선하고자 합니다. 각 페이지별로 이탈률을 동일하게 개선할 지라도, 최종 잔존율에 영향을 끼치는 규모는 다르기 때문이지요.  

하나씩 대입해보면서, 알아보겠습니다.

 

 

마지막 페이지의 잔존율, 즉 최종 전환율은 다음과 같이 계산할 수 있습니다. 

 

• S(N) = 퍼널 N 단계의 세션 수, 즉  S(1) = 전체 세션 수
• C(N) = 퍼널 N 단계 페이지의 전환율 (%)
• 최종 전환율 = C(1) x C(2) x C(3) x 100(%) = 1.6 (%)

 

위 수식을 활용하여, 각 페이지 이탈률 개선에 대한 시뮬레이션을 해보겠습니다. 

페이지의 이탈률을 5%p 씩 개선한다고 했을 때, 전환율(C) 또한 5%p 만큼 증가하겠죠? 

 

 

다 계산해 보았나요? 잔존율 P1 단계, 즉 가장 큰 이탈률을 지니는 단계(뷰저블 퍼널상 94% 이탈률)를 개선하였을 때의 증가치가 가장 컸습니다.

 

이로써 우리는 퍼널에서 가장 이탈률이 높은 단계를 개선하면 전환 수 개선에 가장 크게 기여할 수 있다는 내용을 검증할 수 있었습니다.

 

>>> 사실 상식적으로 전환율이 매우 낮은 부분을 개선했을 때 상대적으로 더 큰 효과가 일어날 것이라는 것은 충분히 예상가능한 수준이긴 했지만(10에서 15가 되는 것과 100에서 105가 되는 것은 다르기 때문에), 누군가 설명을 해달라고 한다면? 이 잘 와닿지 않아서 좋은 학습이었다고 생각한다. 특히 데이터 분석가는 필연적으로 데이터 과학을 모르는 사람들과 더 많이 일할 것이므로 이러한 학습은 좋은 접근 방식이었던 것 같다. 또한 당연하다고 여기는 것에서 새로운 패턴을 찾는 것이 데이터 분석가의 역량 중 하나이기 때문에 더욱 그랬던 것 같다.