기록하는 분석가

"어떤 코호트가 실제로 돈을 벌어주는가?"분석 목적 Cohort별 총 매출Cohort별 ARPU (Revenue per User)Cohort별 Purchase FrequencyCohort별 AOV (Average Order Value)SQL1. Cohort별 총 매출 어떤 주차에 유입된 유저들이 가장 많은 매출을 만들었는가?리텐션이 높은 코호트가 실제로도 매출이 높은가? -- Cohort별 총 매출 분석WITH first_session AS ( SELECT user_pseudo_id, -- 최초 방문 주차 = Cohort DATE_TRUNC( MIN(DATE(TIMESTAMP_MICROS(event_timestamp))), WEEK ) AS cohort_week..

"오래 남는 유저가 실제 구매도 많이 하는가?" 분석 목적리텐션이 높은 유저 그룹이 실제 구매 전환에서도 높은 성과를 보이는지 확인한다.단순히 사용자를 오래 유지시키는 것이 아니라 비즈니스 성과(구매)와 연결되는 유지 전략이 필요한지 검증한다. SQL1. 코호트 생성 확인-- 유저별 최초 방문 주차를 기준으로 cohort_week 생성SELECT user_pseudo_id, DATE_TRUNC( MIN(DATE(TIMESTAMP_MICROS(event_timestamp))), WEEK ) AS cohort_weekFROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`WHERE event_name = 'session_sta..

특정 상품 카테고리에 관심을 보인 유저는 이후 주차에도 재방문하는가?유저가 가장 많이 조회한 상품 카테고리를 기준으로 그룹을 나누고 카테고리별로 유저 유지율 차이가 존재하는지 분석했습니다.목표충성도가 높은 상품 카테고리 발견재방문 유도가 강한 카테고리 확인이후 CRM / 추천 / 리마케팅 전략 방향 도출SQL1. 카테고리 데이터 확인-- Part6-1. item_category 값 확인SELECT item.item_category, COUNT(*) AS event_countFROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`,UNNEST(items) AS itemWHERE event_name = 'view_item'GROUP BY ..

신규 유저와 재방문 유저 중 누가 더 오래 유지되는가?이번 분석의 목적은 신규 유저와 재방문 유저 중 어떤 그룹이 더 오래 유지되는지를 확인하는 것입니다.단순히 전체 리텐션율만 보면 어떤 유저군에서 이탈이 크게 발생하는지 파악하기 어렵습니다. 따라서 사용자를 New User와 Returning User로 구분한 뒤, 각 그룹의 주차별 리텐션 변화를 비교했습니다.이를 통해 신규 유저의 초기 이탈이 큰지, 재방문 유저가 더 안정적으로 유지되는지 확인하고, 이후 신규 유저 재방문 유도 전략의 필요성을 판단하고자 했습니다. SQL1. User Type 정의 확인 SQL-- Part5-1. 사용자 유형 정의 확인-- 목적: first_visit 이벤트 여부를 기준으로 New / Returning User를 구분한..

“어떤 유입 채널이 오래 유지되는 유저를 데려오는가?”재방문 유지율장기 유지 가능성채널 품질SQL1. 첫 방문 유저 + 첫 유입채널 확인-- Step 1. 유저별 첫 방문 주차와 첫 유입 채널 확인WITH first_session AS ( SELECT user_pseudo_id, DATE_TRUNC( DATE(TIMESTAMP_MICROS(event_timestamp)), WEEK ) AS cohort_week, CONCAT( COALESCE(traffic_source.source, 'unknown'), ' / ', COALESCE(traffic_source.medium, 'unknown') ) AS source_medium, ..

"구매 유저가 더 오래 남는가?"가설구매 경험이 있는 유저는 비구매 유저보다 리텐션이 높을 것이다.그룹기준Purchase Userpurchase 이벤트 경험 있음Non-Purchase Userpurchase 이벤트 없음 SQL1. 유저별 구매 여부 정의-- 유저별 구매 경험 여부 확인SELECT user_pseudo_id, -- purchase 이벤트가 1번 이상 있으면 Purchase User CASE WHEN COUNTIF(event_name = 'purchase') > 0 THEN 'Purchase User' ELSE 'Non-Purchase User' END AS user_groupFROM `bigquery-public-data.ga4_obfuscated_sample_ecomme..

각 cohort_week에 유입된 신규 유저가 1주차, 2주차, 3주차…에 얼마나 다시 방문했는가?SQL1. 유저별 첫 방문 주차 확인-- 1. 각 유저가 처음 방문한 주차를 구한다.-- cohort_week = 해당 유저가 처음 session_start를 발생시킨 주차SELECT user_pseudo_id, DATE_TRUNC( MIN(DATE(TIMESTAMP_MICROS(event_timestamp))), WEEK ) AS cohort_weekFROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`WHERE event_name = 'session_start'GROUP BY user_pseudo_idORDER BY co..

코호트 분석은 “재방문했는가?”를 확인한 뒤, “왜 재방문했는가?”를 분석하는 방법 첫 방문자 정의 → 재방문율 계산 → 리텐션 패턴 확인 → 왜 남았는지/떠났는지 가설 설정 → source, 행동, 구매, 카테고리별 검증 → 원인 해석 → CRM 전략 제안 누구를 첫 방문자로 볼 것인가?- 데이터 내에서 관측된 첫 방문 방문자 정의 단위- user_pseudo_id : 한 유저가 여러 번 방문해도 같은 사람으로 추적 가능 시간 단위 선택- Weekly Cohort : 주차별 비교 가능, 패턴 보기 좋음 예시)user첫 방문일cohort_weekA11-0311월 1주차B11-0511월 1주차C11-1211월 2주차 SQL- 각 user별 MIN(session_start) → cohort_week 생성SE..

Day1부터 Day7까지의 분석을 통해 구매 퍼널 전반의 병목 구간과 주요 원인을 단계적으로 검증했다.초기 퍼널에서는 상품 조회 대비 장바구니 전환율이 낮았고, 가격대와 카테고리별 차이가 주요 변수로 작용했다. 또한 결제 단계에서는 신규 유저의 구매 완료율이 상대적으로 낮아 신뢰 요소의 중요성을 확인할 수 있었다.특히 Day7에서는 A/B 테스트를 통해 디바이스보다는 가격, 카테고리, 신규/기존 유저 여부가 실제 전환율 차이에 더 큰 영향을 준다는 점을 확인했다.따라서 Day8에서는 지금까지의 분석 결과를 바탕으로 “가장 효과적으로 매출 개선이 가능한 전략은 무엇인가?"를 Priority Matrix(Impact × Ease) 방식으로 정리했다. 지금까지의 핵심 문제 요약[문제 1] 상품 조회 대비 장바..

카테고리 구조를 바꾸면 성과가 좋아질까?분석 목표Day5 분석에서는 Category 역시 Price Band와 함께 view_item → add_to_cart 단계의 핵심 변수 후보였다.특히 일부 분석 과정에서 Bags 카테고리가 상대적으로 강한 후보처럼 보였기 때문에 "Unknown(분류 불명확 카테고리) 일부를 Bags 중심 구조로 전환하면 전체 장바구니 및 구매 성과가 개선될 수 있을까?”를 시뮬레이션했다.즉,이번 시나리오는 단순 전환율 개선이 아니라“무엇을 더 많이 보여줄 것인가?”라는 카테고리 운영 전략 관점의 검증이다.분석 목적Category Mix 최적화가 실제 상단 퍼널 성과 개선 전략이 될 수 있는지 확인하고 단순 Bags 확대가 효과적인지 혹은 Category 구조 자체보다 데이터 품질..