데이터로 알 수 있는 것 | 생각해볼 수 있는 것들(예시) | |
👓 who (유형) | 사용자 연령 및 성별 분포 1. 액티브 유저 비율 a. 자주 방문하거나, 트랜젝션을 많이 일으키는 사용자들, = MAU, DAU b. 방문은 매일 하지만 거래는 일어나지 않는 경우 2. 오래된 유저 (액티브 유저 제외) 3. 신규 유입 유저 | 사용자군에 따라 서비스를 이용하는 목적/패턴이 다른가? 1. 액티브 유저 이용 패턴 a. 어떤 요인이 액티브 유저의 경험을 만드는가? b. 유지하는 기능 c. 신규 유저와 다른 이용 패턴 2. 연간 사용하는 사람 패턴 3. 최근 어떤 관심으로 들어왔는가(신규 유입 고객의 특성은 기존 고객 대비 어떻게 다른지 등 파악) |
📊 how many(비율) | 비활동 고객 (신규 가입 후 드롭 비율) | 신규 가입 후 드롭 비율을 낮춘다면 리텐션을 유지할 수 있을까? |
주 접속 / 사용 시간대 | 많이 활동하는 시간대가 있다면 왜 그럴까? | |
페이지뷰 / 접속 빈도가 높은 화면 | (사용자군/시간대에 따라 등등 특정조건에 따라 )페이지 뷰가 높은 이유는 무엇일까? | |
🧮 case, flow(패턴) | 이런 패턴을 파악하기 위해서는 통계적인 정보를 확인하는 것 보다는 사용자 개별 ID의 이용 흐름 파악을 하는 것이 효과적이다.특히 유저별(헤비,라이트등)로 나누면 더 효과적! | |
서비스 이용 패턴 1. 어떤 경로로 이동하는가? 2. 한번 접속 시 보통 몇개 화면을 보고 나가는가? 3. 이동 경로에서 방문하는 화면간 상관관계는 어떻게 되는가? | ||