🔁 Cohort 분석으로 리텐션 이해하기(사용자가 남는 이유를 데이터로 읽는 법)

🎯 들어가며

서비스 성장의 핵심은 유입이 아니라 유지입니다.
유입이 많아도 사용자가 금세 이탈한다면, 결국 데이터는 “일회성 트래픽”으로 사라집니다.

그래서 데이터를 볼 때 가장 중요한 질문은

“우리의 사용자는 얼마나 오래 남아있는가?” 입니다

그리고 이 질문에 가장 명확하게 답할 수 있는 분석 방법이 바로 Cohort 분석입니다.

---

🧩 1. 코호트(Cohort)란 무엇인가

‘코호트(cohort)’는 공통된 시점이나 특성을 가진 사용자 집단을 뜻합니다.
즉, “언제 가입했는가”, “어떤 경로로 유입되었는가”처럼 공통 조건으로 사용자를 묶고, 그들의 행동 패턴을 추적하는 방식입니다.

구분	설명	예시
코호트 단위	사용자 그룹을 구분하는 기준	가입일, 첫 결제일, 캠페인별 유입
측정 대상	시간에 따른 행동 유지 여부	1일/7일/30일 잔존율
핵심 질문	“특정 시점의 사용자는 시간이 지나도 남아있는가?”	예: 1월 가입자는 3개월 뒤에도 남아있는가?

 

💡 즉, 코호트 분석은 ‘시간을 기준으로 한 사용자 잔존 추적’입니다.

---

📊 2. 리텐션(Retention)을 보는 관점

리텐션은 단순히 “재방문 비율”이 아닙니다.
시간의 흐름 속에서 제품의 지속 사용성을 보여주는 지표입니다.

예를 들어,

• 1일 리텐션: 다음 날 다시 방문한 사용자 비율
• 7일 리텐션: 일주일 후 다시 돌아온 사용자 비율
• 30일 리텐션: 한 달 후에도 남은 사용자 비율

리텐션은 서비스가 습관처럼 자리잡았는가, 혹은 단발성 사용으로 끝났는가를 보여줍니다.

---

⚙️ 3. 코호트 분석의 기본 구조

코호트 분석은 보통 행(Row) 은 “코호트(가입 주차·월)”이고, 열(Column) 은 “경과 기간(1일, 7일, 30일…)”입니다.

가입 월	1일	7일	14일	30일
1월 가입자	100%	55%	40%	25%
2월 가입자	100%	60%	42%	28%
3월 가입자	100%	65%	50%	35%

여기서 눈여겨볼 부분은 “같은 시점”이 아니라 “같은 출발점(가입 시점)”에서의 변화입니다.

일반적인 트렌드 그래프는 “전체 평균 리텐션”을 보여주지만, 코호트는 “시점별 사용자 집단의 리텐션 차이”를 드러냅니다.

---

🔍 4. 코호트 분석으로 읽는 인사이트

① 리텐션의 구조적 패턴 파악

• 모든 코호트가 일정하게 하락 → 구조적 UX 문제
• 특정 시점 이후의 코호트만 급락 → 기능 업데이트나 정책 영향 가능

② 신규 유입 품질 비교

• 마케팅 캠페인별 코호트 분석으로
  → 어떤 채널에서 들어온 사용자가 오래 남는지 비교 가능

③ 개선 효과 검증

• 기능 개선 이후 생성된 코호트의 리텐션 상승 → 개선 효과 확인

코호트는 ‘현재의 사용자’가 아니라 ‘과거의 실험 결과’를 보여줍니다.
즉, 리텐션은 실험과 학습의 지표입니다.

---

5. 코호트 분석의 시각화

기본 형태: 히트맵(Heatmap)

가장 일반적인 코호트 시각화는 ‘잔존율 히트맵’으로 나타냅니다.
각 셀의 색이 진할수록 잔존율이 높고, 시간이 지날수록 색이 옅어지는 구조입니다.

 

예시)

1월  ████████▒▒░░
2월  ██████▒▒▒░░░
3월  ███████▒▒░░░

시각화 포인트

• 수평 비교: “같은 코호트의 시간별 유지율”
• 수직 비교: “다른 코호트 간의 초기 리텐션 차이”
• 대각선 비교: “전체 리텐션의 트렌드”

시각화의 목적은 숫자를 나열하는 게 아니라, “남는 사용자들의 패턴을 시각적으로 드러내는 것”입니다.

---

💡 6. 실무에서 코호트 분석을 적용하는 방법

① Looker Studio / Metabase에서 시각화

• “가입일 기준”으로 필터링
• DATEDIFF(event_date, signup_date) 형태로 경과일 계산
• 잔존율 계산: 활성 사용자 수 / 최초 사용자 수 * 100

② BigQuery 예시 쿼리

SELECT
  signup_week,
  DATEDIFF(event_date, signup_date) AS day_diff,
  COUNT(DISTINCT user_id) / FIRST_VALUE(COUNT(DISTINCT user_id)) OVER (PARTITION BY signup_week ORDER BY day_diff ASC) AS retention_rate
FROM user_activity
GROUP BY signup_week, day_diff
ORDER BY signup_week, day_diff;

이런 형태로 데이터를 변환하면 히트맵이나 라인 차트로 시각화 가능합니다.

③ 코호트를 대시보드에 포함시키기

• 상단: 전체 리텐션 추이 (7일, 30일 평균)
• 중단: 코호트 히트맵 (가입 주차 기준)
• 하단: 기능 업데이트·캠페인 로그와 비교

리텐션이 언제, 왜 바뀌었는지를 연결하는 게 핵심입니다.

---

7. 코호트로 리텐션을 ‘이해’한다는 것

코호트 분석은 단순히 숫자를 보는 게 아니라, “시간이 만든 사용자 관계”를 이해하는 과정입니다.

• 꾸준히 리텐션이 유지되는 코호트 → 제품이 습관화되었다는 증거
• 리텐션이 급격히 떨어지는 코호트 → 첫 경험 설계의 문제
• 개선 후 리텐션이 상승하는 코호트 → 제품 학습의 결과

코호트는 결국 “유입의 결과가 남는가”를 증명하는 데이터입니다.

---

☕ 마무리하며

데이터 분석에서 리텐션은 “얼마나 많은 사람이 남아있는가”를 묻는 지표가 아니라,

“왜 어떤 사람은 떠나고, 어떤 사람은 남는가”를 이해하는 과정입니다.

 

코호트 분석은 그 과정을 가장 투명하게 보여주는 도구입니다.
시간을 축으로 사용자 관계를 읽을 수 있다면, 성장은 숫자가 아니라 습관으로 증명됩니다.