기록하는 분석가

[GA4 코호트 분석] Day9-8 코호트 리텐션 분석 (LTV 분석)

조성호 — Sun, 31 May 2026 23:42:24 +0900

"어떤 코호트가 실제로 돈을 벌어주는가?"

분석 목적

Cohort별 총 매출
Cohort별 ARPU (Revenue per User)
Cohort별 Purchase Frequency
Cohort별 AOV (Average Order Value)

SQL

1. Cohort별 총 매출

어떤 주차에 유입된 유저들이 가장 많은 매출을 만들었는가?
리텐션이 높은 코호트가 실제로도 매출이 높은가?

-- Cohort별 총 매출 분석

WITH first_session AS (

  SELECT
    user_pseudo_id,

    -- 최초 방문 주차 = Cohort
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id

),

purchase_data AS (

  SELECT
    user_pseudo_id,

    DATE(TIMESTAMP_MICROS(event_timestamp)) AS purchase_date,

    -- 구매 매출
    ecommerce.purchase_revenue AS revenue

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name='purchase'
    AND ecommerce.purchase_revenue IS NOT NULL
)

SELECT

  f.cohort_week,

  ROUND(SUM(p.revenue),2) AS total_revenue,

  COUNT(*) AS purchase_events

FROM first_session f

JOIN purchase_data p
ON f.user_pseudo_id = p.user_pseudo_id

GROUP BY 1
ORDER BY 1;

핵심 코드

DATE_TRUNC(MIN(DATE(...)), WEEK)

→ 유저의 최초 방문 주차 추출

SUM(revenue)

→ Cohort별 누적 매출 계산

2. ARPU (Revenue Per User)

코호트 규모 차이를 제거
유저 1명당 얼마를 벌어오는지 확인

-- Cohort별 ARPU 분석

WITH first_session AS (

  SELECT
    user_pseudo_id,

    -- 최초 방문 주차
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name='session_start'
  GROUP BY user_pseudo_id

),

cohort_size AS (

  -- Cohort별 유저 수
  SELECT
    cohort_week,
    COUNT(*) AS users

  FROM first_session
  GROUP BY 1

),

cohort_revenue AS (

  -- Cohort별 총 매출
  SELECT

    f.cohort_week,

    SUM(ecommerce.purchase_revenue) AS revenue

  FROM first_session f

  JOIN `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` e
    ON f.user_pseudo_id=e.user_pseudo_id

  WHERE event_name='purchase'
    AND ecommerce.purchase_revenue IS NOT NULL

  GROUP BY 1

)

SELECT

  r.cohort_week,

  ROUND(r.revenue,2) AS total_revenue,

  c.users,

  -- 유저당 평균 매출
  ROUND(r.revenue/c.users,2) AS arpu

FROM cohort_revenue r

JOIN cohort_size c
ON r.cohort_week=c.cohort_week

ORDER BY 1;

핵심 코드

ROUND(revenue / users, 2)

→ ARPU

Revenue Per User

3. Purchase Frequency

한 번 사고 끝나는가?
반복 구매하는가?

-- Cohort별 구매 빈도 분석

WITH first_session AS (

  SELECT
    user_pseudo_id,

    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name='session_start'
  GROUP BY user_pseudo_id

),

purchase_count AS (

  SELECT

    f.cohort_week,

    -- 전체 구매 건수
    COUNT(*) AS purchases,

    -- 구매 유저 수
    COUNT(DISTINCT f.user_pseudo_id) AS purchasers

  FROM first_session f

  JOIN `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` e
    ON f.user_pseudo_id=e.user_pseudo_id

  WHERE event_name='purchase'

  GROUP BY 1

)

SELECT

  cohort_week,

  purchases,

  purchasers,

  -- 구매 유저 1명당 평균 구매 횟수
  ROUND(
    purchases/purchasers,
    2
  ) AS purchase_frequency

FROM purchase_count

ORDER BY 1;

핵심 코드

COUNT(*) AS purchases

→ 전체 구매 건수

COUNT(DISTINCT user_pseudo_id)

→ 실제 구매 유저 수

purchases / purchasers

→ 구매 빈도

4. AOV (Average Order Value)

구매 빈도가 아니라 구매 금액 자체 확인

-- Cohort별 평균 주문 금액(AOV)

WITH first_session AS (

  SELECT

    user_pseudo_id,

    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name='session_start'
  GROUP BY user_pseudo_id

)

SELECT

  f.cohort_week,

  -- 평균 주문 금액
  ROUND(
    AVG(ecommerce.purchase_revenue),
    2
  ) AS avg_order_value,

  ROUND(
    SUM(ecommerce.purchase_revenue),
    2
  ) AS total_revenue,

  COUNT(*) AS purchase_events

FROM first_session f

JOIN `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` e
ON f.user_pseudo_id=e.user_pseudo_id

WHERE event_name='purchase'
  AND ecommerce.purchase_revenue IS NOT NULL

GROUP BY 1

ORDER BY 1;

핵심 코드

AVG(ecommerce.purchase_revenue)

→ AOV (Average Order Value)

SUM(ecommerce.purchase_revenue)

→ 총 매출

COUNT(*)

→ 구매 횟수

해석

1. Cohort별 총 매출

KPI

Highest Revenue Cohort

2020-12-06 Cohort

Total Revenue

48,008

Purchase Events

686건

12월 첫째 주에 유입된 유저들이 가장 높은 매출을 발생시켰다.

이는 단순히 유입 규모 때문일 수도 있지만, 해당 기간에 유입된 유저들의 구매 의도가 높았을 가능성도 존재한다.

- 유입량이 많은 코호트가 항상 가장 가치 있는 코호트는 아니다.

2. ARPU 분석

KPI

Highest ARPU Cohort

2020-11-08 Cohort

ARPU

2.69

Users

16,066명

11월 8일 Cohort는 전체 매출 규모는 가장 크지 않았지만 유저 1명당 발생시킨 매출은 가장 높았다.

유입 규모보다 유입 품질이 중요할 수 있음
특정 유입 채널 또는 캠페인이 더 가치 있는 유저를 데려왔을 가능성

3. Purchase Frequency 분석

KPI

Highest Purchase Frequency

2020-11-15 Cohort

Purchase Frequency

1.56회

11월 15일 Cohort는 구매 유저 1인당 평균 1.56회의 구매를 기록했다.

즉, 다른 Cohort보다 반복 구매 성향이 강했다.

CRM 관점 해석

재구매 가능성이 높은 유저군
장기 고객으로 전환될 가능성이 높은 유저군

4. AOV 분석

KPI

Highest AOV Cohort

2021-01-17 Cohort

Average Order Value

74.50

1월 17일 Cohort는 주문 횟수는 많지 않았지만 주문 1건당 금액이 가장 높았다.

고가 상품 구매
묶음 구매
특정 프로모션 효과

최종 인사이트

Insight 1

매출이 가장 높은 Cohort와 ARPU가 가장 높은 Cohort는 다르다.

→ 유입량보다 유입 품질이 중요할 수 있다.

Insight 2

2020-11-15 Cohort는 구매 빈도가 가장 높았다.

→ CRM 및 리텐션 관점에서 우수한 고객군이다.

Insight 3

2021-01-17 Cohort는 객단가가 가장 높았다.

→ 고가 상품 구매 가능성이 높은 유저군으로 볼 수 있다.

Insight 4

LTV는 단순 리텐션보다 비즈니스 가치에 직접 연결되는 지표이다.

→ 유지율이 높은 유저보다 실제 매출을 만드는 유저를 식별하는 것이 중요하다.

시각화

LTV = ARPU × Purchase Frequency

"어떤 Cohort가 가장 가치가 높은가?"

2020-11-15 Cohort는 ARPU는 최고가 아니었지만 구매 빈도가 가장 높아 최종적으로 가장 높은 LTV(3.78)를 기록했다.

단순 매출 규모보다 고객의 반복 구매 행동이 장기 가치에 더 큰 영향을 미칠 수 있음을 확인하였다.

[GA4 코호트 분석] Day9-7 코호트 리텐션 분석 (Retention vs Purchase Analysis)

조성호 — Sat, 30 May 2026 23:21:53 +0900

"오래 남는 유저가 실제 구매도 많이 하는가?"

분석 목적

리텐션이 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.

SQL

1. 코호트 생성 확인

-- 유저별 최초 방문 주차를 기준으로 cohort_week 생성
SELECT
  user_pseudo_id,
  DATE_TRUNC(
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
    WEEK
  ) AS cohort_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
GROUP BY user_pseudo_id
ORDER BY cohort_week
LIMIT 100;

2. 코호트별 유저 수 확인

-- cohort_week별 신규 유저 수 확인
WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
)

SELECT
  cohort_week,
  COUNT(DISTINCT user_pseudo_id) AS total_users
FROM first_session
GROUP BY cohort_week
ORDER BY cohort_week;

3. 유저별 활동 주차 확인

-- 유저가 session_start를 발생시킨 활동 주차 확인
SELECT DISTINCT
  user_pseudo_id,
  DATE_TRUNC(
    DATE(TIMESTAMP_MICROS(event_timestamp)),
    WEEK
  ) AS activity_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
ORDER BY user_pseudo_id, activity_week
LIMIT 100;

4. 코호트별 리텐션 유저 수 확인

-- 최초 방문 이후 다시 방문한 유저 수 계산
WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  f.cohort_week,

  -- week_number가 1 이상인 경우만 재방문으로 계산
  COUNT(DISTINCT CASE
    WHEN DATE_DIFF(a.activity_week, f.cohort_week, WEEK) > 0
    THEN a.user_pseudo_id
  END) AS retained_users

FROM first_session f
LEFT JOIN user_activity a
  ON f.user_pseudo_id = a.user_pseudo_id
GROUP BY f.cohort_week
ORDER BY f.cohort_week;

5. 코호트별 구매 유저 수 확인

-- cohort_week별 구매 경험 유저 수 계산
WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

purchase_users AS (
  SELECT DISTINCT
    user_pseudo_id
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'purchase'
)

SELECT
  f.cohort_week,

  -- 해당 cohort에서 한 번이라도 구매한 유저 수
  COUNT(DISTINCT p.user_pseudo_id) AS purchasers

FROM first_session f
LEFT JOIN purchase_users p
  ON f.user_pseudo_id = p.user_pseudo_id
GROUP BY f.cohort_week
ORDER BY f.cohort_week;

6. 최종 결과

-- Part7: 코호트별 리텐션율과 구매율 비교
WITH first_session AS (
  -- 유저별 최초 방문 주차 생성
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  -- 유저별 활동 주차 생성
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

cohort_size AS (
  -- cohort_week별 전체 유저 수
  SELECT
    cohort_week,
    COUNT(DISTINCT user_pseudo_id) AS total_users
  FROM first_session
  GROUP BY cohort_week
),

retention_table AS (
  -- 최초 방문 주차 이후 다시 방문한 유저 수
  SELECT
    f.cohort_week,
    COUNT(DISTINCT CASE
      WHEN DATE_DIFF(a.activity_week, f.cohort_week, WEEK) > 0
      THEN a.user_pseudo_id
    END) AS retained_users
  FROM first_session f
  LEFT JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  GROUP BY f.cohort_week
),

purchase_table AS (
  -- cohort_week별 구매 유저 수
  SELECT
    f.cohort_week,
    COUNT(DISTINCT p.user_pseudo_id) AS purchasers
  FROM first_session f
  LEFT JOIN (
    SELECT DISTINCT
      user_pseudo_id
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
    WHERE event_name = 'purchase'
  ) p
    ON f.user_pseudo_id = p.user_pseudo_id
  GROUP BY f.cohort_week
)

SELECT
  c.cohort_week,
  c.total_users,
  r.retained_users,
  p.purchasers,

  -- 리텐션율 = 재방문 유저 수 / 전체 코호트 유저 수
  ROUND(r.retained_users * 100.0 / c.total_users, 2) AS retention_rate,

  -- 구매율 = 구매 유저 수 / 전체 코호트 유저 수
  ROUND(p.purchasers * 100.0 / c.total_users, 2) AS purchase_rate

FROM cohort_size c
LEFT JOIN retention_table r
  ON c.cohort_week = r.cohort_week
LEFT JOIN purchase_table p
  ON c.cohort_week = p.cohort_week
ORDER BY c.cohort_week;

KPI

Avg Retention Rate: 6.20%
Highest Retention Rate: 12.59% (2020-11-08 Cohort)
Avg Purchase Rate: 1.56%
Highest Purchase Rate: 2.96% (2020-11-08 Cohort)
Correlation (Retention ↔ Purchase): 0.872

1. 리텐션이 높은 코호트는 구매율도 높았다

2020-11-08 Cohort

Retention Rate: 12.59%
Purchase Rate: 2.96%

전체 기간 중 가장 높은 수치를 기록했다.

2021-01-31 Cohort

Retention Rate: 0%
Purchase Rate: 0.42%

전체 기간 중 가장 낮은 수준을 보였다.

즉, 오래 남는 유저가 실제 구매로 이어질 가능성도 높다는 패턴을 확인할 수 있었다.

2. 시간이 지날수록 리텐션과 구매율이 함께 감소

11월 Cohort

리텐션 8~12%
구매율 2~3%

12월 이후

리텐션 3~5%
구매율 0.5~2%

수준으로 감소하였다.

신규 유입 규모는 증가했지만 장기 유지와 구매 전환 품질은 오히려 하락한 것으로 볼 수 있다.

3. 강한 양의 상관관계 확인

상관계수 : 0.872

일반적으로 0.7 이상 → 강한 양의 상관관계으로 해석한다.

리텐션이 높은 코호트→ 구매율도 높은 경향

시각화

코호트별 리텐션율과 구매율 간 상관계수는 0.872로 나타났으며, 유지되는 유저가 실제 구매 성과에도 긍정적인 영향을 미치는 경향을 확인하였다.

분석 목적

코호트별 리텐션율과 구매율을 함께 분석하여 유지되는 유저가 실제 비즈니스 성과(구매)로 이어지는지 확인하였다.

핵심 결과

평균 리텐션율은 6.20%
평균 구매율은 1.56%
최고 리텐션과 최고 구매율은 모두 2020-11-08 Cohort에서 발생
리텐션과 구매율 간 상관계수는 0.872

인사이트

리텐션이 높은 코호트일수록 구매율도 높게 나타났다. 단순히 사용자를 많이 유입시키는 것보다 장기적으로 유지시키는 전략이 구매 성과 향상에도 긍정적인 영향을 줄 수 있음을 확인하였다.

[GA4 코호트 분석] Day9-6 코호트 리텐션 분석 (Category 리텐션 비교 분석)

조성호 — Fri, 22 May 2026 22:37:44 +0900

특정 상품 카테고리에 관심을 보인 유저는 이후 주차에도 재방문하는가?

유저가 가장 많이 조회한 상품 카테고리를 기준으로 그룹을 나누고 카테고리별로 유저 유지율 차이가 존재하는지 분석했습니다.

목표

충성도가 높은 상품 카테고리 발견
재방문 유도가 강한 카테고리 확인
이후 CRM / 추천 / 리마케팅 전략 방향 도출

SQL

1. 카테고리 데이터 확인

-- Part6-1. item_category 값 확인

SELECT
  item.item_category,
  COUNT(*) AS event_count
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`,
UNNEST(items) AS item
WHERE event_name = 'view_item'
GROUP BY item.item_category
ORDER BY event_count DESC;

2. 카테고리별 유저 정의

-- Part6-2. 유저가 조회한 대표 카테고리 확인

SELECT
  user_pseudo_id,
  item.item_category AS item_category,
  COUNT(*) AS view_item_count
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`,
UNNEST(items) AS item
WHERE event_name = 'view_item'
GROUP BY
  user_pseudo_id,
  item_category
ORDER BY
  user_pseudo_id,
  view_item_count DESC;

3. 카테고리별 코호트 리텐션 최종 SQL

-- Part6-3. Category별 Weekly Cohort Retention 분석

WITH user_category AS (
  -- 유저가 가장 많이 조회한 대표 카테고리 선정
  SELECT
    user_pseudo_id,
    item_category
  FROM (
    SELECT
      user_pseudo_id,
      IFNULL(NULLIF(item.item_category, ''), 'Unknown') AS item_category,
      COUNT(*) AS view_item_count,
      ROW_NUMBER() OVER (
        PARTITION BY user_pseudo_id
        ORDER BY COUNT(*) DESC
      ) AS rn
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`,
    UNNEST(items) AS item
    WHERE event_name = 'view_item'
    GROUP BY
      user_pseudo_id,
      item_category
  )
  WHERE rn = 1
),

first_session AS (
  -- 유저별 첫 방문 주차
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  -- 유저별 활동 주차
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

category_retention AS (
  -- 카테고리별 코호트 주차별 활성 유저 수
  SELECT
    c.item_category,
    f.cohort_week,
    DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
    COUNT(DISTINCT a.user_pseudo_id) AS active_users
  FROM first_session f
  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  JOIN user_category c
    ON f.user_pseudo_id = c.user_pseudo_id
  WHERE DATE_DIFF(a.activity_week, f.cohort_week, WEEK) >= 0
  GROUP BY
    c.item_category,
    f.cohort_week,
    week_number
),

cohort_size AS (
  -- 카테고리별 코호트 최초 유저 수
  SELECT
    item_category,
    cohort_week,
    active_users AS cohort_users
  FROM category_retention
  WHERE week_number = 0
)

SELECT
  r.item_category,
  r.cohort_week,
  r.week_number,
  r.active_users,
  c.cohort_users,
  ROUND(SAFE_DIVIDE(r.active_users, c.cohort_users) * 100, 2) AS retention_rate
FROM category_retention r
JOIN cohort_size c
  ON r.item_category = c.item_category
 AND r.cohort_week = c.cohort_week
ORDER BY
  r.item_category,
  r.cohort_week,
  r.week_number;

핵심 SQL 로직

1. 유저별 대표 카테고리 선정

ROW_NUMBER() OVER (
  PARTITION BY user_pseudo_id
  ORDER BY COUNT(*) DESC
)

조회 수 기준 가장 많이 본 카테고리를 대표 카테고리로 선정했습니다.

2. Weekly Cohort 생성

DATE_TRUNC(
  MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
  WEEK
)

최초 방문 주차를 기준으로 코호트를 생성했습니다.

3. 리텐션 계산

SAFE_DIVIDE(active_users, cohort_users) * 100

각 카테고리별 잔존율을 계산했습니다.

결과 해석

1. 일부 카테고리는 높은 리텐션 유지

Women's T-Shirts/
Shopping and Totes/
Google Cloud 관련 카테고리

등이 상대적으로 높은 리텐션을 보였습니다.

이는 단순 상품 탐색보다

브랜드 관심도
굿즈/팬덤 성향
반복 탐색 행동

이 강하게 나타난 것으로 해석할 수 있습니다.

2. 일반 카테고리는 빠른 리텐션 감소

대부분 카테고리

Week0 이후
급격한 리텐션 하락

“상품 조회는 발생하지만 재방문까지 이어지는 비율은 낮다”

3. 특정 카테고리는 CRM 활용 가능성 존재

반복 방문 성향이 높은 카테고리

추천 시스템
리마케팅
이메일/푸시 CRM
개인화 상품 추천

전략에 활용 가능성이 높다고 판단했습니다.

최종 인사이트

단순히 “어떤 상품이 많이 조회되었는가”보다 “어떤 카테고리가 유저를 다시 돌아오게 만드는가”가 더 중요하다는 점을 확인할 수 있었습니다.

특히 일부 브랜드/굿즈 성향 카테고리는 일반 상품 대비 높은 리텐션 특성을 보였으며, 이는 향후

CRM 전략
개인화 추천
리텐션 마케팅

관점에서 중요한 기준이 될 수 있다고 판단했습니다.

시각화

시각화 에서는“어떤 카테고리가 유저를 다시 방문하게 만드는가”에 집중했습니다.

분석 과정에서 일부 카테고리는 표본 수가 적어 리텐션이 과대 계산되는 현상이 발생했고 이를 필터링하며 데이터 해석에서 표본 수와 이상치 제거가 중요하다는 점도 함께 확인할 수 있었습니다.

최종적으로는 브랜드/굿즈 성향 카테고리가 상대적으로 높은 리텐션 특성을 보였으며 향후 CRM 및 추천 전략에서는 단순 인기 상품보다 재방문 유지력이 높은 카테고리 중심 접근이 중요하다고 판단했습니다.

[GA4 코호트 분석] Day9-5 코호트 리텐션 분석 (User Type별 리텐션 비교 분석)

조성호 — Fri, 22 May 2026 21:44:42 +0900

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.

SQL

1. User Type 정의 확인 SQL

-- Part5-1. 사용자 유형 정의 확인
-- 목적: first_visit 이벤트 여부를 기준으로 New / Returning User를 구분한다.

SELECT
  CASE
    WHEN event_name = 'first_visit' THEN 'New User'
    ELSE 'Returning User'
  END AS user_type,
  COUNT(DISTINCT user_pseudo_id) AS users
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name IN ('first_visit', 'session_start')
GROUP BY user_type
ORDER BY users DESC;

2. User Type별 Weekly Retention SQL

-- Part5-2. User Type별 주차별 리텐션 분석
-- 목적: New User / Returning User별로 cohort_week 이후 재방문율을 비교한다.

WITH first_session AS (
  -- 사용자별 최초 session_start 시점 계산
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_type AS (
  -- first_visit 이벤트가 있으면 New User, 없으면 Returning User로 분류
  SELECT
    user_pseudo_id,
    CASE
      WHEN COUNTIF(event_name = 'first_visit') > 0 THEN 'New User'
      ELSE 'Returning User'
    END AS user_type
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name IN ('first_visit', 'session_start')
  GROUP BY user_pseudo_id
),

user_activity AS (
  -- 사용자별 활동 주차 계산
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

retention AS (
  -- cohort_week 기준으로 몇 주 후에 재방문했는지 계산
  SELECT
    f.cohort_week,
    u.user_type,
    DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
    COUNT(DISTINCT a.user_pseudo_id) AS active_users
  FROM first_session f
  JOIN user_type u
    ON f.user_pseudo_id = u.user_pseudo_id
  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  WHERE DATE_DIFF(a.activity_week, f.cohort_week, WEEK) >= 0
  GROUP BY
    f.cohort_week,
    u.user_type,
    week_number
),

cohort_size AS (
  -- user_type별 cohort_week의 최초 유저 수 계산
  SELECT
    cohort_week,
    user_type,
    active_users AS cohort_users
  FROM retention
  WHERE week_number = 0
)

SELECT
  r.cohort_week,
  r.user_type,
  r.week_number,
  r.active_users,
  c.cohort_users,
  ROUND(SAFE_DIVIDE(r.active_users, c.cohort_users) * 100, 2) AS retention_rate
FROM retention r
JOIN cohort_size c
  ON r.cohort_week = c.cohort_week
 AND r.user_type = c.user_type
ORDER BY
  r.cohort_week,
  r.user_type,
  r.week_number;

결과 해석

1. Returning User 리텐션이 압도적으로 높음

Returning User 평균 리텐션은 약 5.27%로 New User 평균 리텐션 1.09% 대비 약 4~5배 높게 나타났습니다.

이는 이미 서비스를 경험한 유저일수록 반복 방문 가능성이 높다는 의미입니다.

2. 신규 유저 초기 이탈이 매우 큼

New User는 Week1부터 빠르게 감소합니다.

대부분의 신규 유저가 첫 방문 이후 다시 돌아오지 않는 구조입니다.

3. 서비스의 핵심 과제는 “재방문 유도”

이번 분석에서 중요한 점은 단순 유입 증가보다 신규 유저를 Returning User로 전환시키는 전략이 훨씬 중요하다는 점입니다.

첫 구매 쿠폰
관심 상품 리마인드
장바구니 리텐션 캠페인
이메일/푸시 리마케팅
추천 상품 개인화

같은 전략이 핵심 액션이 될 수 있습니다.

시각화

Returning User는 New User 대비 훨씬 높은 리텐션을 보였으며, 이미 서비스 경험이 있는 사용자가 반복 방문 가능성이 높다는 점을 확인할 수 있었다. 반면 신규 유저는 첫 방문 이후 빠르게 이탈하는 경향을 보였고, 이는 초기 경험 개선 및 재방문 유도 전략의 중요성을 보여준다.

[GA4 코호트 분석] Day9-4 코호트 리텐션 분석 (Source/Medium 리텐션 비교 분석)

조성호 — Fri, 22 May 2026 20:14:03 +0900

“어떤 유입 채널이 오래 유지되는 유저를 데려오는가?”

재방문 유지율
장기 유지 가능성
채널 품질

SQL

1. 첫 방문 유저 + 첫 유입채널 확인

-- Step 1. 유저별 첫 방문 주차와 첫 유입 채널 확인

WITH 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,
    ROW_NUMBER() OVER (
      PARTITION BY user_pseudo_id
      ORDER BY event_timestamp
    ) AS rn
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  user_pseudo_id,
  cohort_week,
  source_medium
FROM first_session
WHERE rn = 1
LIMIT 100;

2. Source / Medium별 유입 유저 수 확인

-- Step 2. Source / Medium별 최초 유입 유저 수 확인

WITH 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,
    ROW_NUMBER() OVER (
      PARTITION BY user_pseudo_id
      ORDER BY event_timestamp
    ) AS rn
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  source_medium,
  COUNT(DISTINCT user_pseudo_id) AS users
FROM first_session
WHERE rn = 1
GROUP BY source_medium
ORDER BY users DESC;

3. 주차별 활동 이력 확인

-- Step 3. 유저별 주차별 활동 이력 확인

SELECT DISTINCT
  user_pseudo_id,
  DATE_TRUNC(
    DATE(TIMESTAMP_MICROS(event_timestamp)),
    WEEK
  ) AS activity_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
ORDER BY
  user_pseudo_id,
  activity_week
LIMIT 100;

4. Source / Medium별 코호트 크기 계산

-- Step 4. source_medium + cohort_week별 코호트 유저 수 계산

WITH 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,
    ROW_NUMBER() OVER (
      PARTITION BY user_pseudo_id
      ORDER BY event_timestamp
    ) AS rn
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  cohort_week,
  source_medium,
  COUNT(DISTINCT user_pseudo_id) AS cohort_users
FROM first_session
WHERE rn = 1
GROUP BY
  cohort_week,
  source_medium
ORDER BY
  cohort_week,
  cohort_users DESC;

5. Source / Medium별 retained_users 계산

-- Step 5. Source / Medium별 주차별 재방문 유저 수 계산

WITH 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,
    ROW_NUMBER() OVER (
      PARTITION BY user_pseudo_id
      ORDER BY event_timestamp
    ) AS rn
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

first_user AS (
  SELECT
    user_pseudo_id,
    cohort_week,
    source_medium
  FROM first_session
  WHERE rn = 1
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  f.cohort_week,
  f.source_medium,
  DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
  COUNT(DISTINCT a.user_pseudo_id) AS retained_users
FROM first_user f
JOIN user_activity a
  ON f.user_pseudo_id = a.user_pseudo_id
WHERE DATE_DIFF(a.activity_week, f.cohort_week, WEEK) >= 0
GROUP BY
  f.cohort_week,
  f.source_medium,
  week_number
ORDER BY
  f.cohort_week,
  f.source_medium,
  week_number;

6. 최종 리텐션율 계산

-- Step 6. Source / Medium별 최종 리텐션율 계산

WITH 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,
    ROW_NUMBER() OVER (
      PARTITION BY user_pseudo_id
      ORDER BY event_timestamp
    ) AS rn
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

first_user AS (
  SELECT
    user_pseudo_id,
    cohort_week,
    source_medium
  FROM first_session
  WHERE rn = 1
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

cohort_size AS (
  SELECT
    cohort_week,
    source_medium,
    COUNT(DISTINCT user_pseudo_id) AS cohort_users
  FROM first_user
  GROUP BY
    cohort_week,
    source_medium
),

retention AS (
  SELECT
    f.cohort_week,
    f.source_medium,
    DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
    COUNT(DISTINCT a.user_pseudo_id) AS retained_users
  FROM first_user f
  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  WHERE DATE_DIFF(a.activity_week, f.cohort_week, WEEK) >= 0
  GROUP BY
    f.cohort_week,
    f.source_medium,
    week_number
)

SELECT
  r.cohort_week,
  r.source_medium,
  r.week_number,
  c.cohort_users,
  r.retained_users,
  ROUND(r.retained_users / c.cohort_users * 100, 2) AS retention_rate
FROM retention r
JOIN cohort_size c
  ON r.cohort_week = c.cohort_week
  AND r.source_medium = c.source_medium
WHERE r.week_number <= 8
ORDER BY
  r.cohort_week,
  r.source_medium,
  r.week_number;

결과 해석

source_medium	Week1 평균 리텐션
google / organic	약 3~4%
direct / none	약 3~4%
google / cpc	약 3~4%

첫 방문 이후 다음 주 재방문 비율은 매우 낮게 나타났습니다.

“유입은 발생하지만 장기 유지로 연결되기는 어렵다”

Organic 채널은 이후 주차에서도 일정 수준 유지되는 흐름이 나타남

google / organic
referral 계열

유저가 상대적으로 관심도가 높을 가능성을 보여줌

검색 기반 유입
외부 추천 기반 유입

(direct) / (none) 채널은 유입 규모는 컸지만 Week1 이후 빠르게 감소하는 흐름이 나타났습니다.

단순 방문
일회성 접근

핵심 인사이트

유입량이 많은 채널과 오래 유지되는 유저를 데려오는 채널은 다를 수 있다 는 점을 확인할 수 있었습니다.

단순 트래픽 수
방문자 수

만으로 채널 성과를 평가하기보다

리텐션
재방문율
장기 유지율

까지 함께 고려하는 것이 중요하다고 볼 수 있습니다.

시각화

Source / Medium별 리텐션을 비교한 결과 대부분의 유입 채널은 Week1 이후 빠르게 감소하는 흐름을 보였습니다. 다만 referral 및 organic 기반 유입은 상대적으로 안정적인 유지 패턴을 보였으며, 단순 direct 유입보다 재방문 유지 가능성이 높게 나타났습니다. 이를 통해 채널 성과는 단순 유입 수뿐 아니라 장기 리텐션까지 함께 고려해야 함을 확인할 수 있었습니다.

최종 결론

유입량이 많은 채널과 오래 유지되는 유저를 데려오는 채널은 다를 수 있음을 확인했습니다.

따라서 마케팅 채널 평가는 단순 방문 수뿐 아니라 리텐션까지 함께 고려해야 한다고 생각합니다.

[GA4 코호트 분석] Day9-3 코호트 리텐션 분석 (Purchase vs Non-Purchase 리텐션 비교 분석)

조성호 — Thu, 21 May 2026 22:38:38 +0900

"구매 유저가 더 오래 남는가?"

가설

구매 경험이 있는 유저는 비구매 유저보다 리텐션이 높을 것이다.

그룹	기준
Purchase User	purchase 이벤트 경험 있음
Non-Purchase User	purchase 이벤트 없음

SQL

1. 유저별 구매 여부 정의

-- 유저별 구매 경험 여부 확인

SELECT
  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_group

FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

GROUP BY user_pseudo_id

LIMIT 100;

2. 유저별 최초 방문 주차 만들기

-- 유저별 최초 방문 주차 계산

SELECT
  user_pseudo_id,

  DATE_TRUNC(
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
    WEEK
  ) AS cohort_week

FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

WHERE event_name = 'session_start'

GROUP BY user_pseudo_id

LIMIT 100;

3. 유저별 활동 주차 만들기

-- 유저별 활동 주차 계산

SELECT DISTINCT
  user_pseudo_id,

  DATE_TRUNC(
    DATE(TIMESTAMP_MICROS(event_timestamp)),
    WEEK
  ) AS activity_week

FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

WHERE event_name = 'session_start'

LIMIT 100;

4. 구매 여부별 리텐션 유저 수 계산

-- 구매 유저 vs 비구매 유저의 주차별 활동 유저 수 계산

WITH user_group AS (
  SELECT
    user_pseudo_id,

    CASE
      WHEN COUNTIF(event_name = 'purchase') > 0 THEN 'Purchase User'
      ELSE 'Non-Purchase User'
    END AS user_group

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  GROUP BY user_pseudo_id
),

first_session AS (
  SELECT
    user_pseudo_id,

    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  WHERE event_name = 'session_start'

  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,

    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  WHERE event_name = 'session_start'
)

SELECT
  g.user_group,
  f.cohort_week,

  -- 최초 방문 후 몇 주차 활동인지 계산
  DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,

  COUNT(DISTINCT a.user_pseudo_id) AS active_users

FROM first_session f

JOIN user_activity a
  ON f.user_pseudo_id = a.user_pseudo_id

JOIN user_group g
  ON f.user_pseudo_id = g.user_pseudo_id

GROUP BY
  g.user_group,
  f.cohort_week,
  week_number

ORDER BY
  g.user_group,
  f.cohort_week,
  week_number;

5. 최종 리텐션율 계산

-- 구매 유저 vs 비구매 유저 리텐션율 계산

WITH user_group AS (
  SELECT
    user_pseudo_id,

    CASE
      WHEN COUNTIF(event_name = 'purchase') > 0 THEN 'Purchase User'
      ELSE 'Non-Purchase User'
    END AS user_group

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  GROUP BY user_pseudo_id
),

first_session AS (
  SELECT
    user_pseudo_id,

    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  WHERE event_name = 'session_start'

  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,

    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week

  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

  WHERE event_name = 'session_start'
),

retention AS (
  SELECT
    g.user_group,
    f.cohort_week,

    DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,

    COUNT(DISTINCT a.user_pseudo_id) AS active_users

  FROM first_session f

  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id

  JOIN user_group g
    ON f.user_pseudo_id = g.user_pseudo_id

  GROUP BY
    g.user_group,
    f.cohort_week,
    week_number
),

cohort_size AS (
  SELECT
    user_group,
    cohort_week,

    -- 각 그룹/코호트의 Week0 유저 수
    active_users AS cohort_users

  FROM retention

  WHERE week_number = 0
)

SELECT
  r.user_group,
  r.cohort_week,
  r.week_number,
  r.active_users,
  c.cohort_users,

  -- 리텐션율 계산
  ROUND(r.active_users / c.cohort_users * 100, 2) AS retention_rate

FROM retention r

JOIN cohort_size c
  ON r.user_group = c.user_group
 AND r.cohort_week = c.cohort_week

ORDER BY
  r.user_group,
  r.cohort_week,
  r.week_number;

분석 해석

분석 결과, 구매 유저는 비구매 유저보다 전반적으로 더 높은 리텐션을 보이는 경향이 나타났습니다. 이는 구매 경험이 단순한 결제 이벤트가 아니라, 유저의 서비스 몰입도와 재방문 가능성을 높이는 신호로 해석될 수 있습니다. 반면 비구매 유저는 첫 방문 이후 빠르게 이탈하는 비중이 높아, 구매 경험 여부에 따라 유지율 차이가 발생하는 것으로 보입니다.

결론

따라서 이번 데이터는 “구매 경험이 있는 유저가 비구매 유저보다 리텐션이 높을 것이다”라는 가설을 어느 정도 지지합니다. 다만 구매 자체가 리텐션을 직접 만든다기보다, 이미 서비스에 관심이 높거나 만족도가 높은 유저가 구매로 이어졌을 가능성도 함께 고려해야 합니다.

액션 인사이트

앞으로는 구매 유저의 재방문을 더 강화할 수 있도록 구매 후 CRM과 리마인드 전략을 설계해야 합니다. 동시에 비구매 유저가 첫 방문 이후 이탈하지 않도록 온보딩, 리타겟팅, 첫 행동 유도 장치를 보완할 필요가 있습니다.

구매 유저의 평균 리텐션율은 11.77%로 나타났으며, 비구매 유저(1.13%) 대비 약 10배 이상 높게 유지됨
특히 초기 1~3주차 구간에서 리텐션 차이가 크게 발생
구매 경험 자체가 장기 재방문 행동과 강하게 연결되는 핵심 행동으로 해석 가능

[GA4 코호트 분석] Day9-2 코호트 리텐션 분석 (신규 유저 재방문율 구조화)

조성호 — Sun, 17 May 2026 19:32:07 +0900

각 cohort_week에 유입된 신규 유저가 1주차, 2주차, 3주차…에 얼마나 다시 방문했는가?

SQL

1. 유저별 첫 방문 주차 확인

-- 1. 각 유저가 처음 방문한 주차를 구한다.
-- cohort_week = 해당 유저가 처음 session_start를 발생시킨 주차

SELECT
  user_pseudo_id,
  DATE_TRUNC(
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
    WEEK
  ) AS cohort_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
GROUP BY user_pseudo_id
ORDER BY cohort_week
LIMIT 100;

2. 주차별 신규 유저 수 확인

-- 2. cohort_week별 신규 유저 수를 집계한다.
-- Part1에서 만든 주차별 신규 유저 규모와 같은 개념

WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
)

SELECT
  cohort_week,
  COUNT(DISTINCT user_pseudo_id) AS cohort_users
FROM first_session
GROUP BY cohort_week
ORDER BY cohort_week;

3. 유저별 활동 주차 확인

-- 3. 각 유저가 session_start를 발생시킨 활동 주차를 구한다.
-- activity_week = 유저가 실제로 방문한 주차

SELECT DISTINCT
  user_pseudo_id,
  DATE_TRUNC(
    DATE(TIMESTAMP_MICROS(event_timestamp)),
    WEEK
  ) AS activity_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
ORDER BY user_pseudo_id, activity_week
LIMIT 100;

4. 첫 방문 주차와 활동 주차 연결

-- 4. 유저별 첫 방문 주차와 이후 활동 주차를 연결한다.
-- week_number = 첫 방문 이후 몇 주차에 다시 방문했는지

WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  f.user_pseudo_id,
  f.cohort_week,
  a.activity_week,
  DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number
FROM first_session f
JOIN user_activity a
  ON f.user_pseudo_id = a.user_pseudo_id
WHERE a.activity_week >= f.cohort_week
ORDER BY f.cohort_week, f.user_pseudo_id, week_number
LIMIT 100;

5. 코호트별 주차별 활성 유저 수 집계

-- 5. cohort_week와 week_number별 active_users를 집계한다.
-- active_users = 해당 코호트에서 해당 주차에 다시 방문한 유저 수

WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
)

SELECT
  f.cohort_week,
  DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
  COUNT(DISTINCT a.user_pseudo_id) AS active_users
FROM first_session f
JOIN user_activity a
  ON f.user_pseudo_id = a.user_pseudo_id
WHERE a.activity_week >= f.cohort_week
GROUP BY
  f.cohort_week,
  week_number
ORDER BY
  f.cohort_week,
  week_number;

6. 최종 리텐션율 계산

-- 6. 최종 리텐션율을 계산한다.
-- retention_rate = active_users / cohort_users * 100

WITH first_session AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT DISTINCT
    user_pseudo_id,
    DATE_TRUNC(
      DATE(TIMESTAMP_MICROS(event_timestamp)),
      WEEK
    ) AS activity_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
),

cohort_retention AS (
  SELECT
    f.cohort_week,
    DATE_DIFF(a.activity_week, f.cohort_week, WEEK) AS week_number,
    COUNT(DISTINCT a.user_pseudo_id) AS active_users
  FROM first_session f
  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  WHERE a.activity_week >= f.cohort_week
  GROUP BY
    f.cohort_week,
    week_number
),

cohort_size AS (
  SELECT
    cohort_week,
    COUNT(DISTINCT user_pseudo_id) AS cohort_users
  FROM first_session
  GROUP BY cohort_week
)

SELECT
  r.cohort_week,
  r.week_number,
  c.cohort_users,
  r.active_users,
  ROUND(r.active_users / c.cohort_users * 100, 2) AS retention_rate
FROM cohort_retention r
JOIN cohort_size c
  ON r.cohort_week = c.cohort_week
ORDER BY
  r.cohort_week,
  r.week_number;

전체 구조 해석

week_number = 0 → 첫 방문 주차 (무조건 100%)
week_number = 1 → 1주 뒤 재방문율
week_number = 2 → 2주 뒤 재방문율

신규 유저 유입은 많지만, 다음 주 재방문율이 얼마나 유지되는지가 중요하다.

평균 리텐션 추이 (전체 코호트 평균)

주차	평균 리텐션
Week0	100%
Week1	약 4.02%
Week2	약 1.80%
Week3	약 1.28%
Week4	약 1.10%

신규 유저의 약 96%가 첫 주 이후 다시 돌아오지 않음

유입은 발생
첫 구매/첫 방문 이후 재방문 유지 실패 가능성 높음

초기 코호트 특징 (11월 초)

2020-11-01 → Week1 6.26%
2020-11-08 → Week1 6.56%

초기 코호트는 상대적으로 리텐션이 높음
→ 시즌성 / 초기 프로모션 / Holiday 영향 가능성

후반 코호트 특징 (12월~1월)

2020-12-20 → Week1 2.49%
2021-01-24 → Week1 0.93%

후반부로 갈수록 리텐션 급감

신규 유입 품질 저하
프로모션 유입 후 이탈
첫 방문 경험은 있었지만 재방문 동기 부족
구매 이후 CRM/리마케팅 약함

핵심 인사이트

현재 구조 : “Acquisition 중심”

유저는 들어오지만 유지되지 않음

필요한 액션

CRM / Retention 전략 필요

이메일 리마인드
장바구니 리타겟팅
첫 구매 후 재방문 쿠폰
추천 상품 UX 개선
재방문 퍼널 구축

GA4 코호트 분석 결과, 신규 유저 유입 규모는 유지되었지만 평균 1주차 리텐션율은 약 4% 수준으로 매우 낮았으며, 대부분의 유저가 첫 방문 이후 재방문하지 않았다. 이는 유입보다 리텐션 구조 개선이 더 중요한 과제라고 생각한다.

시각화

대부분의 코호트가 Week1에서 급격히 감소하였고 시간이 지나며 6% → 3% → 2%와 같이 완만히 감소하였습니다. 즉, 첫 방문 이후 재방문 비율이 낮고 초기 이탈 후 일부 충성 유저만 유지 된다는 것을 알 수 있었습니다.

후반 코호트 데이터가 짧은 이유는 데이터 수집 기간이 끝났기 때문입니다.

[GA4 코호트 분석] Day9-1 주차별 신규 유저 추이 분석 (리텐션 분석의 출발점)

조성호 — Sun, 17 May 2026 18:40:30 +0900

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)

user	첫 방문일	cohort_week
A	11-03	11월 1주차
B	11-05	11월 1주차
C	11-12	11월 2주차

SQL

- 각 user별 MIN(session_start) → cohort_week 생성

SELECT
  user_pseudo_id,
  MIN(DATE(TIMESTAMP_MICROS(event_timestamp))) AS first_visit_date,
  DATE_TRUNC(
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
    WEEK
  ) AS cohort_week
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
GROUP BY user_pseudo_id
ORDER BY first_visit_date;

- 우리 데이터는 어떤 주차에 신규 유저가 많았나?

SELECT
  DATE_TRUNC(
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
    WEEK
  ) AS cohort_week,
  COUNT(DISTINCT user_pseudo_id) AS new_users
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE event_name = 'session_start'
GROUP BY user_pseudo_id
ORDER BY cohort_week;

- cohort_week별 신규 유저 수는 어떻게 분포하는가?

-- 주차별 신규 유저 규모 확인

SELECT
  cohort_week,
  COUNT(*) AS new_users
FROM (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      MIN(DATE(TIMESTAMP_MICROS(event_timestamp))),
      WEEK
    ) AS cohort_week
  FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
  WHERE event_name = 'session_start'
  GROUP BY user_pseudo_id
)
GROUP BY cohort_week
ORDER BY cohort_week;

결과 해석

[11월 초]

19,894 → 16,066 → 17,703 → 19,135 (비교적 안정적)

기본 유입 구조

안정적 acquisition
큰 이벤트 없음

[11월 말~12월 초]

21,829 → 27,750 (급증)

12월 첫째 주(2020-12-06) 최고치

신규 유저 27,750

가능 가설

1. 연말 쇼핑 시즌

holiday shopping
gift demand

2. 프로모션/캠페인

3. 시즌성 트래픽 증가

실무적 질문

“많이 왔는데, 잘 남았나?” → 12월 코호트 리텐션 중요

[12월 중순 이후]

24,977 → 17,663 → 16,407 (감소)

연말 peak 이후 감소

→ 시즌성 유입 가능성

[1월 초]

22,592 (재상승)

가능성

- 새해 프로모션 / 재유입 / 신규 시즌

[1월 마지막 주]

2,160 (급락)

이건 실제 유입 급감보다

데이터 종료 영향 가능성 매우 높음 (분석 왜곡 구간)

실무 처리

2021-01-31 코호트는 제외 또는 주의 : 이후 Week1 추적 불가

핵심 인사이트

가장 중요한 코호트 : 2020-12-06 (최대 유입)

유입 peak 코호트 → 리텐션 비교 핵심

비즈니스 관점

가능성 A : 신규 많음 + 리텐션 낮음 → 단기 할인 유입

가능성 B : 신규 많음 + 리텐션 높음 → 고품질 시즌 유입

여기서 코호트의 진짜 가치 : “유입량”보다“유입 질”

주차별 신규 유저 라인차트

2021-01-31 제거

2020년 12월 첫째 주 신규 유입이 가장 높게 나타났으며, 이는 연말 시즌성 또는 프로모션 영향 가능성을 시사한다. 그러나 단순 유입 증가보다 중요한 것은 이후 리텐션 유지 여부이므로, 해당 코호트의 재방문율 검증이 필요하다.

[GA4 퍼널 분석] Day8 Priority Matrix 기반 전환율 개선 전략 최종 정리

조성호 — Thu, 14 May 2026 23:08:06 +0900

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 장바구니 전환율 낮음

상품 탐색은 활발하지만 실제 장바구니 전환은 낮음
가격 민감도와 카테고리 경쟁력 차이 존재

[문제 2] 신규 유저 구매 전환율 낮음

Returning User 대비 구매율 낮음
신뢰/후기/첫구매 혜택 부족 가능성

[문제 3] 카테고리별 성과 편차

Bags는 상대적 강세
일부 Apparel/Unknown 카테고리는 낮은 성과

[문제 4] 디바이스 영향 낮음

Mobile/Desktop 차이 제한적
UX보다 상품 전략이 우선

Priority Matrix 분석 목적

모든 문제를 동시에 해결하는 것은 비효율적이다.
따라서 매출 영향도(Impact)와 실행 난이도(Ease)를 기준으로
가장 빠르게 성과를 낼 수 있는 영역부터 우선순위를 설정했다.

Priority Matrix 결과

Quick Win (높은 영향 / 쉬운 실행)

① 신규 유저 첫구매 혜택 강화

첫 구매 쿠폰
무료배송
후기 강조

이유:
신뢰 장벽 완화 + 즉시 적용 가능

② 고가 상품 상세페이지 개선

리뷰
가격 설득 포인트
상품 비교 정보

이유:
가격 저항 완화 가능

Strategic Project (높은 영향 / 실행 난이도 높음)

③ 저성과 카테고리 구조 개선

Bags 성공 구조 벤치마킹
상세페이지/큐레이션 개선

④ 개인화 추천 시스템

신규/복귀 유저 분리 전략

Low Priority

⑤ 디바이스 UX 전면 개편

영향 대비 효율 낮음

우선순위	전략	기대효과
1	신규 유저 첫구매 혜택	신뢰 확보 및 구매율 개선
2	고가 상품 상세 강화	가격 저항 완화
3	카테고리 구조 개선	저성과 카테고리 전환율 상승
4	개인화 추천	장기 리텐션 개선
5	디바이스 UX 개편	후순위

최종 결론

이번 프로젝트를 통해 단순히 전환율이 낮은 구간을 찾는 것을 넘어,
실제 비즈니스 관점에서 어떤 전략부터 실행해야 하는지 우선순위를 설정할 수 있었다.

가장 빠른 개선 포인트는 “신규 유저 신뢰 확보”와 “고가 상품 설득력 강화”였으며, 디바이스 UX보다 상품 전략과 고객 심리 요인이 더 중요한 변수라는 점을 확인했다.

따라서 데이터 분석은 문제를 찾는 데서 끝나는 것이 아니라,
실행 가능한 전략으로 연결될 때 비즈니스 가치가 높아진다고 본다.

복기

이번 GA4 프로젝트를 통해 퍼널 분석 → 세그먼트 분석 → A/B 테스트 → Priority Matrix 과정을 경험하며, 데이터 기반 문제 정의부터 실행 전략 도출까지의 전체 흐름을 구조적으로 학습할 수 있었다.

[GA4 퍼널 분석] Day7-3 Category Mix 최적화 시뮬레이션

조성호 — Wed, 13 May 2026 23:02:40 +0900

카테고리 구조를 바꾸면 성과가 좋아질까?

분석 목표

Day5 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 목적

Category Mix 최적화가 실제 상단 퍼널 성과 개선 전략이 될 수 있는지 확인하고 단순 Bags 확대가 효과적인지 혹은 Category 구조 자체보다 데이터 품질이 더 중요한지 검토

분석 방법

현재 Unknown category 조회 세션 일부를 Bags 수준의 전환 구조로 전환한다고 가정했다.

Unknown 10% → Bags
Unknown 20% → Bags
Unknown 30% → Bags

즉, Unknown 일부 노출 구조를 Bags 중심으로 재배치
→ Category Mix 변화가 성과를 개선하는가?

데이터 전처리

이번 시나리오에서 가장 중요한 부분은 단순 시뮬레이션보다 이전 분석 실수 복기였다.

Day5 초기 분석 과정에서 Unknown(공백/결측 category)을 명확히 복구하지 않고 공백 상태로 처리한 적이 있었다.

Unknown 그룹 자체가 누락
실제 분류되지 않은 상품군이 다른 해석으로 왜곡
Category 비교 구조 자체가 흔들림

수정한 전처리 핵심

공백 / 결측 category를 Unknown으로 복구

category_df["item_category"] = category_df["item_category"].fillna("Unknown")
category_df["item_category"] = category_df["item_category"].astype(str).str.strip()
category_df.loc[category_df["item_category"] == "", "item_category"] = "Unknown"

깨달은 점

데이터 전처리 실수 하나가 단순 수치 오류를 넘어서 “어떤 카테고리가 더 중요한가?” 라는 전략적 결론 자체를 왜곡할 수 있다.

즉, 데이터 품질은 분석 이전 단계가 아니라 전략 판단의 시작점이었다.

시뮬레이터 설정

# 개선 시나리오 설정
scenarios = [
    {
        "scenario": "Unknown 10% → Bags",
        "reallocation_rate": 0.10
    },
    {
        "scenario": "Unknown 20% → Bags",
        "reallocation_rate": 0.20
    },
    {
        "scenario": "Unknown 30% → Bags",
        "reallocation_rate": 0.30
    }
]

# 시뮬레이션 계산
result = []

for s in scenarios:
    
    # Bags 수준으로 개선되는 Unknown 조회 수
    reallocated_views = unknown_view * s["reallocation_rate"]

    # 기존 Unknown 전환율 기준 장바구니 수
    current_expected_cart = reallocated_views * unknown_rate

    # Bags 전환율 기준 장바구니 수
    bags_expected_cart = reallocated_views * bags_rate

    # 추가 장바구니 수
    incremental_cart = bags_expected_cart - current_expected_cart

    # 추가 구매 수 추정
    incremental_purchase_proxy = incremental_cart * purchase_proxy_rate

    # 기대 가치 추정
    expected_value = incremental_purchase_proxy * aov_proxy

    result.append({
        "scenario": s["scenario"],
        "reallocated_views": round(reallocated_views, 1),
        "unknown_cart_rate(%)": round(unknown_rate * 100, 2),
        "bags_cart_rate(%)": round(bags_rate * 100, 2),
        "incremental_cart": round(incremental_cart, 1),
        "incremental_purchase_proxy": round(incremental_purchase_proxy, 1),
        "expected_value": round(expected_value, 2)
    })

# 결과 데이터프레임 생성
category_mix_df = pd.DataFrame(result)

print("\n=== Bags Category Mix Optimization Simulation ===")
print(category_mix_df)

=== Bags Category Mix Optimization Simulation ===

Unknown 10% → Bags
추가 장바구니: -24.9
추가 구매 추정: -11.9
기대 가치: -4,403.90

Unknown 20% → Bags
추가 장바구니: -49.8
추가 구매 추정: -23.9
기대 가치: -8,807.80

Unknown 30% → Bags
추가 장바구니: -74.6
추가 구매 추정: -35.8
기대 가치: -13,211.69

결과 해석

예상과 달리, Unknown 일부를 Bags 구조로 전환할 경우 모든 시나리오에서 성과가 악화됐다.

초기 가설: Bags 확대 → 성과 개선

실제 결과: Bags 확대 → 성과 감소

의미

단순히 Bags를 더 많이 노출하는 전략은 현재 데이터 기준 우선순위가 아닐 가능성이 높다.

Unknown은 실제 무엇으로 구성되어 있는지가 더 중요한 질문인 것 같다.

핵심 인사이트

“좋은 전략 찾기”보다 “잘못된 전략 제외하기”

모든 가설이 성과 개선으로 이어지지 않으며, 잘못된 전처리나 불완전한 분류는 잘못된 전략 실행으로 이어질 수 있다.

비즈니스 인사이트

우선 검토 가능 액션

Unknown 내부 상품 세분화
Category Attribution 개선
실제 상품군 재분류
Bags vs Apparel vs Accessories 재검증

최종 결론

이번 분석을 통해 Category Mix 최적화보다 먼저 Category 데이터 품질 개선이 선행되어야 함을 확인했다.

Category 전략 이전에
Category 정확도가 우선이다.

최종 정리

Scenario A

New User Checkout Trust

가장 직접적인 하단 퍼널 개선
신규 유저 신뢰 장벽 핵심

Scenario B

High Price Conversion

상단 퍼널 핵심
가격 인식 / 상품 경쟁력 중요

Scenario C

Category Mix

단순 Bags 확대보다
Unknown 구조 해석 및 데이터 품질 우선

최종 우선순위

Tier 1 : User Trust (New User Checkout)

Tier 2 : Price Strategy (High Price)

Tier 3 : Category Quality (Unknown Data Quality)

상단 퍼널에서는 Price, 하단 퍼널에서는 User Trust, 그리고 그 모든 전략 이전에는 Data Quality가 중요했다.

깨달은 점

“무엇을 개선하면 좋은가?”를 넘어서, “잘못된 데이터 해석은 잘못된 전략으로 이어질 수 있다”는 점을 확인한 과정이었다.

데이터 분석가는 숫자를 해석하는 사람을 넘어, 어떤 데이터가 전략 판단에 적합한지 검증하는 사람이어야 한다는 점을 가장 크게 배웠다.