2020. 5. 4. 01:20ㆍ카테고리 없음
한 번, 이탈률 Deep-dive : 이탈률의 한계와 조정된 이탈률, 이탈률을 낮추는 방법이라는 포스팅을 한 적이 있습니다. 구글 애널리틱스에서 기본적으로 제공하는 이탈률이라는 지표가 가지고 있는 한계와 이를 극복하기 위한 방안을 다룬 내용이었습니다. 오늘은 목표 전환율이라는 지표가 가지는 한계와 이를 극복하는 방법을 다루고자 합니다.
지난 8-9개월 동안 10여개의 대행사에게 1-3번의 구글 애널리틱스 교육을 해주는 나름 빡빡한(?) 트레이닝 스케쥴을 가지고 갔었습니다. 대행사들이 대부분 구글 애널리틱스에 대한 관심이 무척 높았기에 많은 Q&A가 나와 30분 이상을 Q&A에만 할애하는 경우도 정말 많았는데요. (정말 수십가지의 질문을 받았습니다.) 그 중 가장 인상깊은 질문은 바로 이것이었습니다.
그간 대행사 교육을 다닐 때 기능적인 부분, 제대로 작동되지 않는 부분에 대해서만 질문이 많이 나오다가 급 이런 근본적인 질문이 나와서 '오~' 했던 기억이 납니다. 만약 이 블로그에 오셔서 이러한 고민을 안해보셨다면 제가 적을 아래 글을 적기 전에 한 번 생각해볼 필요가 있을 것 같습니다. 스스로 고민을 해보는 것은 무척 중요하니까요.
단도직입적으로 제 답변을 공유하자면, 제 답은 '유저 레벨로 분석해야한다' 였습니다. 이유는 생각할 필요도 없을 것 같습니다. 그게 맞기 때문이죠. 이러한 유저 레벨 분석을 오늘 포스팅의 주제인 목표 전환율과 연결시켜서 생각해보겠습니다.
구글 애널리틱스에서 보는 전환율의 공식은 전환수 / 세션수 입니다. 즉, 위의 상황에서 구글 애널리틱스는 이 사이트의 전환율을 3/20, 즉 15% 로 리포팅을 하게 됩니다. 하지만 이 15%가 과연 맞는 수치일까요?
유저 레벨로 살펴보면, 이 사이트의 전환율은 3/5, 75% 에 해당합니다. (비현실적인 수치지만 이해해주세요 ^^;; 예시는 예시이니까요)
구글 애널리틱스에서 기본적으로 제공하는 전환율 공식의 분자/분모인 전환 수와 세션 수는 둘 다 문제점을 가집니다. 그리고 여기에서 전환율의 한계가 옵니다.
- 전환 수의 문제점 : 구글 애널리틱스에서 추적하는 전환 수는 기본적으로 Last Non Direct Source라는 기여 모델을 따릅니다. Last Non Direct에 대한 글은 향후 자세히 설명드리기로 하고, 오늘은 거두절미 정의를 설명드리면, 유저들이 여러번 여러 소스를 통하여 방문하였을 때 가장 마지막으로 방문한 소스/매체 (마지막 방문한 소스/매체가 Direct/(none)일 경우 Direct/(none) 직전의 소스/매체) 에 전환을 올려준다는 것인데요. 일례로 어떤 유저가 구글을 통하여 들어왔다가 네이버를 통하여 들어와 전환을 일으키면, 네이버에 전환이 1 올라가고 구글 쪽에는 전환이 올라가지 않습니다. 구글이라는 매체가 전환에 영향을 미쳤음에도 불구하고 그냥 전환율이라는 지표만 보게 될 경우 구글 매체의 전환율은 0%가 되는 것이죠. 이처럼 분자인 전환 수는 기여 모델의 한계로 인하여 의사결정을 misleading 할 수 있습니다.
- 세션 수의 문제점 : 세션 수의 문제점은 위의 사례를 생각하면 더 쉽게 이해가 될 수 있을 것 같습니다. 그냥 단순하게.. 세션 숫자를 분모로 하는 것이 맞는지 생각해보시면 될 것 같습니다 ^^
많은 분들이 관심을 가져주신 [SEE-THINK-DO 프레임워크 : 성과 측정 전략]에서 제가 구매 전환율만 추적하는 부분에 대한 폐해를 말씀드렸습니다. 구매 전환율만 볼 경우, DO에 대한 의사 결정을 할 수 밖에 없다는 점이었는데요. 이러한 내용의 위에서 말씀드린 전환율의 한계와 일맥상통한다고 볼 수 있습니다.
그러면 구매 전환율의 한계를 극복하고, 구매 전환율을 보면서 SEE와 THINK 유저까지 신경쓸 수 있는 KPI를 만들려면 어떻게 해야할까요?
간단하게 분모만 바꿔도 됩니다. 세션 수로 보는 것이 아닌 유저 레벨로 분석하는 것이죠. 유저 레벨로 전환율을 재계산하게 되면 적어도 회사의 의사결정을 '전환을 일으킬 것 같은 유저를 유입시키고, 전환을 아직 일으키지 않은 유저들을 전환시키는데 집중' 시킬 수 있습니다.
**참고로 전환율 외 다른 세션 기반의 측정항목들도 유저 레벨로 계산해서 의사 결정하는 것이 훨씬 좋습니다. (예 : 세션 당 페이지 뷰 수, 평균 세션 시간)
---
▶ 계산된 측정항목으로 User-level의 전환율을 측정하자
다시 앞에서 잠깐 말씀드렸던 '데이터를 분석하는데 있어서 유저 레벨로 분석하는게 더 좋은지, 세션 레벨로 분석하는게 더 좋은지' 에 대한 대행사의 질문으로 돌아가보겠습니다.
제가 답변으로 '유저 레벨로 해야합니다' 라고 하자 당연히 그 다음 질문은 이렇게 나왔습니다.
'그런데 왜 구글 애널리틱스는 유저 레벨로 분석을 제공하고 있지 않은거죠?'
그 질문에 대해서는 순간 턱 막혔습니다. 사실 저도 구글 애널리틱스의 한계 중 하나라고 생가갛고 있던 부분이었기 때문이었습니다. 말씀드린대로 현재 GA에서 기본으로 제공하는 측정 항목들은 유저 레벨이 아닌 세션 레벨로 제공이 되고 있습니다. (저도 그 이유는 잘 모르겠습니다. 아마 유저를 계산하는데 많은 프로세싱 파워가 들어가기 때문이 아닐까 추측해봅니다.) 다만 몇 개월 전의 한 업데이트로 특별하게 GA 외부에서 엑셀 등을 이용하여 따로 작업하지 않아도 유저 레벨로 전환율 지표를 추적할 수 있는 길이 열렸습니다. 평소 구글 애널리틱스의 업데이트를 주기적으로 받아보고 있지만, 대부분의 경우 Back-end에서 변하는 경우가 많아 실제 구글 애널리틱스 유저가 체감하는 업데이트는 많지 않았을 것 같습니다. 그럼 프론트엔드에서 최근 1년 동안 있었던 가장 유의미한 업데이트가 무엇인지 저에게 고르라고 한다면 저는 주저 없이 이 '계산된 측정항목'을 고를 것 같습니다. 그만큼 프론트엔트의 측면에서는 가장 유용한 업데이트가 아닐까 싶습니다.
이 기능이 무엇인가 라고 하면, 구글 애널리틱스에 기존에 있던 측정항목을 바탕으로 새로운 측정항목을 만드는 것입니다.
위와 같이요. 어렵지 않습니다 :) 쉽게 만들 수 있어요. 이 업데이트를 통하여 이제는 큰 문제 없이 유저 레벨의 전환율을 추적할 수 있습니다.
다만...!
이 기능의 아쉬운 점도 함께 말씀드려야겠지요. 이렇게 만들어진 계산된 측정항목은 '맞춤 보고서'에서만 활용이 가능합니다.
즉, 규모가 좀 큰 사이트의 경우, 이 계산된 측정항목이 들어가면 필연적으로 샘플링이라는 한계를 맞이할 수 밖에 없습니다. GA에서 User의 항목 또한 맞춤 보고서로 볼 수 밖에 없기 때문에 결국 규모가 좀 큰 사이트에서는 샘플링을 감내하셔야만 합니다.
따라서 이전에 제가 작성한 [샘플링을 줄이는 방법]이나 샘플링을 피할 수 없다면 안타깝게도 [샘플링 된 수치로 상사에게 보고하는 방법]으로 진행을 해주셔야만 합니다.
사실 이 포스팅은 한 6개월 정도 미뤄두었던 포스팅이었습니다. 오늘은 조정된 전환율에 대해서만 다뤘는데요. 다음 포스팅에서는 이 계산된 측정항목을 바탕으로 만들 수 있는 다른 유용한 측정항목을 다뤄보도록 하겠습니다.