쭈경의 배움과 성장 로그

실전 데이터 분석 35 - 데이터 분석할 때 필수 정보만 담기, 요청자와 소통 중요성

쭈경잉 — Wed, 3 Sep 2025 00:45:37 +0900

비즈니스 데이터 분석에 있어 핵심적인 인사이트 내용만 남기고

요청자와 커뮤니케이션을 통해 분석에 너무 많은 내용을 담으려 하지 말 것

분석은 다각도로 했어도 핵심적인 내용이 아니라면 과감히 쳐 내는 것도 필요하다.

즉, 데이터 분석을 하는 목적/의도/배경을 파악하고 실제 액션까지 이어질 수 있도록 하는

데이터 분석 해석 & 제안이 중요한 것이다.

이 부분을 많이 잊고 "분석 열심히 했으니까 다 공유해야지" 라는 마인드도 생긴 것 같다.

아까워서.. 이것도 나름 인사이트인 걸? 이라는 생각이 더 복잡하게 만드는 것 같다.

정보의 간결성 / 핵심을 믿고 축약하고 쳐내는 것도 필요함을 늘 잊지 말아야 겠다.

[CASE 17] 분석 도구가 엑셀 파일을 읽어들이지 못한다.

다른 사람들이 활용하는 시트에 대해서 이해해보기, 이해하는 과정은 의미있는 과정이다.

실무자가 어떤 분석을 원하는 지는, 그들이 만든 엑셀 파일 안에 담겨 있다. 데이터 분석을 비즈니스에 활용하고자 한다면 다른 사람들이 손댄 엑셀 파일을 주의깊게 살펴보는 일이 중요하다. 사람들이 여기저기 손댄 지저분한 엑셀 파일일수록 데이터 분석을 비즈니스 영역에서 잘 활용할 수 있는 보물이 숨겨져 있다.

[CASE 18] 데이터 항목이 무슨 의미인지 이해하기 어렵다.

데이터 항목이 갖는 의미 이해할 수 없을 때 분석 요청자와 함께 한다. 수치 제공을 해주는 것도 의미있는 것!
데이터 시각화 한다 > 그래프에서 읽어낼 수 있는 정성적인 특성을 확인 > 그래프 단위 확인한다.

그래프를 통해 정성적인 측면을 이해할 수 있다 (EDA 과정), 시계열 그래프로 주기성 확인 가능,

히스토그램으로 값이 균등하게 분포 or 편향 여부 확인 가능하다.

정량적인 측면을 보여줄 때는 수치 / 단위 명시가 필수적이다.

✏️ EDA : 그래프와 대푯값으로 데이터의 분포와 특징을 발견

> 데이터의 분포와 값을 다양한 각도에서 관찰하며 데이터가 표현하는 현상을 더 잘 이해할 수 있도록 도와주고

데이터를 다양한 기준에서 살펴보는 과정을 통해 문제 정의 단계에서 미처 발견하지 못한 다양한 패턴을 발견함으로써

이를 바탕으로 기존의 가설을 수정하거나 새로운 가설 추가할 수 있다

➡️ EDA 의 분석 건수를 늘려서 인사이트를 제공해주자

[CASE 19] 프로젝트가 시작됐는 데 구성원 간에 손발이 맞지 않는다.

분석 결과 해석, 다음 할 일 정하는 부분은 다른 사람과 논의하자. 여러 명과 컴케한다면 더더욱 좋음

데이터 준비 > 분석 처리 > 분석 결과 해석 > 다음 할 일 정하기 ⇒ 중간 공유 활성도를 높이고 방향을 잡아가기

[CASE 20] 통계 모델은 과학적이며 객관적이라고 믿는다.

데이터를 기록하는 것부터 통계 모델을 만들고 그 결과의 유효성을 검증하는 것까지 모든 과정에서 사람의 힘이 개입된다.

그럼에도 최대한 자신의 주관을 배제할 수 있는 방향을 찾아 이런 사실을 분석 요청자와도 충분히 공유할 수 있도록 노력하는 것이 좋다.

➡️ 완벽하게 객관적인 것은 없음을 인지하고 이에 대한 부분을 잘 전달하는 게 중요하다.

✏️ 타파트가 쓰고 있는 시트와 업무에 대해서 이해하고 EDA 분석 안건 늘려 케이스를 늘리자

[CASE 26] 분석 요청자가 예상 외의 결과를 기대한다.

데이터 분석에 거는 기대 중 하나는 “지금껏 상상하지 못한 뜻밖의 사실을 알 수 있다”이다.

→ 이건 “데이터 마이닝”의 단계로 대다수의 데이터 분석은 생각보다 대단한 사실을 알아 내지 못한다.

오히려 당연한 사실을 당연하게 알게 될 뿐!

지금까지 해왔던 직감과 경험을 통해 정성적으로 알고 있던 사실을 정량적으로 뒷받침하는 것도 데이터 분석의 중요한 역할이다.

☑️ 의외의 결과가 나오는 일은 그리 흔하지 않음을 분석 요청자에게 전달하자!

[CASE 27] 가독성이 낮은 분석 스크립트를 작성했다.

동일한 처리 과정을 수행하더라도 데이터 분석가에 따라 전혀 다른 스크립트가 나오기도 한다.

대부분의 분석 프로젝트는 반복적으로 수행됨

☑️ 가독성 높은 스크립트 작성과 주석 작성 & 네이밍 규약을 통해 읽기 좋은 스크립트 작성하기

[CASE 28] 평가 지표가 비즈니스에 도움이 되지 않는다.

분석 요청자에게 모델 구축 결과를 설명할 때는, 적어도 산포도와 시계열 그래프를 제시하는 게 좋다.

산포도 활용하면 예측값과 어긋나는 경우가 실젯값이 클 때인 지 작을 때인지와 같은 경향성 보여줄 수 있다,

시계열 그래프로는 언제 여측 결과가 적중했으면 하는 지, 또는 언제 다소 빗맞아도 문제없겠는 지를 질문하며 확인할 수 있다.

비즈니스 영역에서 통계 모델은 ‘실제로 사용할 수 있어야 비로소 가치’를 지닌다.

통계 모델이 어떻게 사용되며 활용할 만한 가치가 있는 지 등을 포함해 통계 모델의 성능이 결정된다.

분석 요청자와 모델을 어떻게 활용할 것인 지 사전 협의 필요,

결과를 판단해서 분석 요청자에게 전달하는 경우 ‘더 좋은 모델’, ‘더 나은 결과’라는 함의 안에 여러가지 뜻에 대한 해석을 전달해보기

✏️ 27~28 케이스의 경우 당장 적용하진 않겠지만 추후 참고하면 좋을 것 같아 기록해둔다.

[CASE 29] 분석 요청자의 의도를 잘못 읽고 분석을 진행해버렸다.

인터뷰에서는 먼저 분석 목적을 명확히 하기 > 해당 목적을 달성하기 위한 문제 설정과 분석 내용 결정

인터뷰시 분석 요청자의 의도를 세심히 읽을 수 있도록 인터뷰 진행하기

→ 분석 목적, 분석을 통해 알 수 있는 것들을 정리해 분석 요청자에게 중간 공유하기

☑️ 이후 팀원들과 상의 후 분석 내용 구체화 이후 분석 요청자의 더블체크 진행 후 분석 진행

*분석 목적과 의도는 분석 프로젝트의 좌표와 같은 역할!

[CASE 30] 분석 작업만이 데이터 분석가의 본분이라고 착각하고 있다.

분석 진행 후 보고 단계에서 할 일

사실 : 데이터를 통해 직접 안 것은 무엇인가 열거한다
해석 : 데이터 이면에서 무슨 일이 벌어지고 있는 가를 고찰한다
가정 : 이대로 아무것도 하지 않는다면 어떻게 될까를 예상한다
대책 : 무엇을 해야 할까 제안한다
해결 : 대책을 실행하면 어떻게 될까를 예상한다

➡️ 보고 단계에서 해야 할 일은 계산 결과에 대한 “해석”과 “제안”

일정 짤 때 해석과 제안 정리하는 시간 확보와 함께 검토해야 할 계산 결과의 수를 줄이기

⇒ 계산에 이어 분석 요청자가 이해하고 곧이어 액션으로 옮길 수 있도록 해석과 제안을 하는 것까지가 분석!

[CASE 31] 보고서 내용을 정작 분석 요청자가 이해하지 못하고 있다.

보고를 받는 쪽에게 부담을 주는 보고서는 사람을 피곤하게 한다.

사실에 관한 의견과 해석에 관한 의견은 같은 줄에 쓰지 않는다.
사실 의견과 해석 의견의 글자 색 다르게 한다.
사실 의견과 해석 의견을 화살표로 연결한다.

➡️ 3가지 방법 중 구분 가능하도록 쓴다. ⇒ 의견 쓸 때 사실과 해석을 분명히 구분해서 쓰기

이건 보고 나서 바로 보고서 작성할 때 적용하도록 노력하고 있다. (*읽는 이의 입장 배려하기 기본 전제!)

[CASE 32] 보고용 슬라이드에 정보를 너무 많이 넣었다.

너무 많은 정보를 담으면 이해하기 어렵고 보고를 하는 자리에서 여러 문제 일으킬 수 있다.
“심플하게 만들자” 쓸데없는 정보를 과감히 제거하자.
의견을 먼저 젛은 후 그에 맞춰 그래프나 표 만들기
보고 받는 쪽이 궁금해 할 내용은 엑셀로 표 만들기

최종 결과를 내기 위해 무수한 분석을 했으니 그 내용을 다 담고 싶기도 할 것이고 결론과 간단한 내용만 결과로 내놓으면 논리적 비약이 있는 것 아닌가 싶을 수 있다. 그치만 최종 결과물에 굳이 데이터 분석가의 고민 흔적까지 넣을 필요 없음을 명심하기!

➡️ 간단한 분석 자료를 만들기 연습하자

[CASE 33] 핵심을 놓친 보고서를 만들었다.

보고 받는 쪽이 알고 싶어 하는 내용 및 이후 액션 감안할 때 중요한 사항들에 대해서만 이해하기 쉽도록 보고서에 적기
보고서 잘 작성하는 tip
- 분석 작업과 보고서 작성 작업 사이에 재충전할 수 있는 시간적 여유 두기
- 보고 받는 쪽이 알고 싶어 하는 내용 종이에 적어보고 충분히 이해하기 쉽게 꼼꼼히 적혀있는 지 보고서 여러번 검토하기
- 분석하면서 고생스러웠던 점을 종이에 적어보고 보고서에 필요 이상으로 과하게 들어가 있지는 않은 지 검토

➡️ 모든 내용을 적을 필요 없다. 2~3줄로 끝나도 된다. 내 고생을 적지 않기

[CASE 34] 거듭 확인했는 데도 보고서에 오탈자나 틀린 숫자가 있었다

분석 결과 숫자, 오탈자 틀리지 말 것, 보고할 때 매끄럽게 설명할 수 있도록 흐름을 갖출 것

내가 많이 약한 부분 “핵심 인사이트만 추려 논리적으로 얘기하기”

[CASE 35] 밤샘 여파로 결과 보고할 때 유의미한 토의를 하지 못했다.

분석 결과의 보고와 토의에 힘 써야 한다. “인사이트 전달”, “액션 도출”에 힘을 쏟자

34~35 의 경우 어찌보면 뻔한 이야기일 수 있지만 중요한 부분! 크로스 체크 / 정합성 체크 또한 분석가에게 있어 중요하다.

✏️ 핵심적인 인사이트 내용만 담고 요청자가 확인하고 싶은 내용만 담자. 모든 것을 담으려고 하다 보면 내용이 산으로 간다.
✏️ 분석 요청자의 핵심 필요사항과 맥락을 파악하여 "분석 방향 기획과 필요성"을 명확히 하는 것도 중요하다.

실전 데이터 분석 35 - 필수 데이터 분석을 통해 ROI 높이기

쭈경잉 — Sun, 24 Aug 2025 00:14:26 +0900

비즈니스 데이터 분석에 있어 특히 중요한 건 ROI 관점에서 데이터 분석을 해야 한다는 것

즉, 완벽한 데이터 분석(사실 존재하지도 않는 것 같긴 하지만..)을 하기 보다는

업무 리소스 대비 시간 안에 최대한 효율적으로 하는 게 필요한 것 같다.

필요하고 핵심적인 분석을 빠르게 착수하는 것이 중요하다.

이번 분석을 하면서 느낀 건 분석을 함에 있어서도 "기획력"이 중요하다는 것 -

방향성을 잡고 안건을 기획해서 지금의 현 상태에서 할 수 있는 것들을 파악하고

계획을 잡아서 데이터 정리 > 과정 기록 등을 해두면 이후 분석 건에도 도움되고 Lesson&Learned 를 할 수 있다.

[CASE 8] 필요한 파일이 어디에 있는 지 모른다.

데이터 관리 중요성 > 언제 어떤 데이터를 받았고 어디에 보관되어 있는 지 정확한 파악 필요
데이터 정리할 때 규칙 정해 기계적으로 하기
1. 폴더 구조 템플릿화 : 로우 데이터 > 정리한 파일 > 분석 스크립트 등으로 별도 정리
2. 파일 명명 규칙 설정 : 버전 중심 파일명 정하고 최신 파일 확인 가능하도록 구분
3. 작업 중간에 생성된 파일, 분석에 사용한 파일 별도 정리

➡️ 이미 하고 있는 부분이지만 구체적으로 한 줄로 정리해 기록해보자

즉, 이후 확인할 때 이게 뭐였지?라고 확인하는 시간을 줄이기 위해 그때그때 정리하고 기록해두는 건 필수다.

[CASE 10] 데이터 분석가끼리 커뮤니케이션이 잘 안된다.

기본 정보 : 분석 요청자 / 데이터 취득 방법 / 분석 스크립트 저장 위치 / 보안리스트
데이터 정비 : 데이터 각 항목 갖는 의미 / 결측값과 이상값의 종류와 대처법 / 필요한 전처리 무엇인가
분석 내용 : 독립변수 선택 이유 / 변수 변환 실시 이유 / 분석 기법과 모델 선택 이유
현재 상황 평가 : 분석 결과의 정밀도 / 분석 요청자의 평가 / 운용 상황 / 고려 가능한 개선방법

➡️ 업무 인수인계와 아카이빙을 위해 해당 내용을 정리하자

이 부분은 데이터 분석을 함에 있어서도 흐름 기록, 리터러시 역량 향상에 필요한 과정이다.

[CASE 11] 분석 요청자의 요구를 다 맞춰주려다 시간이 부족해졌다.

분석 요청자의 요구사항 중 하나만 먼저 집중하고 무엇을 가장 알고 싶어 하는 지 파악해 해당 분석 집중하기

분석을 하다보면 이것도 알고 싶고 저것도 알고 싶은 경우가 많다.

그렇기 때문에 하나에 집중하며 순차적으로 끝내는 게 매우 중요하다.

(*안건이 많아질 수록 복잡해지고 해석의 난이도가 올라간다. 그렇기에 복잡하게 보고 열어두고 분석하는 건 좋지 않다)

[CASE 12] 새로운 분석 기법에 도전하다 보니 시간이 모자란다

데이터 분석에는 확실성과 목표 의식 필요하다.

> 확실한 결과를 낼 수 있는 기법으로 분석, 여유가 있다면 최신 기법 분석 진행해 새롭게 시도해보자

모든 업무가 그렇듯 중간 공유가 필수적이다. 지속적인 소통을 통해 의견을 전달하고 업무 우선 달성 뒤 새로운 걸 시도해보자.

할 건 해야하니까 ROI 계산은 필수다.

[CASE 13] 불필요한 모델 구축에 시간도 돈도 다 허비했다.

데이터 분석의 본질은 데이터에서 사실을 발견하고 이를 토대로 액션을 실행한다는 데에 있다.

즉, 담당자들의 감과 경험이 유용할 때가 있다. 이럴 때는 분석을 통한 액션이 필요 없을 수 있다.

따라서 분석을 통해 무엇을 기대하는 지 명확히 하기 위해 분석 결과물 적당히 보여줄 것이 필요하다.

→ 때론 데이터 집계해 시각화하는 것만으로도 충분한 경우가 있다.

데이터 분석의 필요성을 검토하는 과정이 그 무엇보다 중요하다.

[CASE 14] 데이터 현장을 상상하기도, 데이터를 이해하기도 어렵다.

데이터 현장 : 데이터가 발생하는 물리적인 장소나 환경에서 해당 데이터 값이 어떻게 입력됐는 지,

어떤 업무를 통해 갱신되는 지와 같은 배경 파악해야 한다.

실제로 어떤 시점에서 어떻게 수집이 되는 지 맥락을 알지 못하면 데이터를 수집하는 데에도.

이후에 분석할 때 데이터를 해석하는 데에도 어려움을 겪는다.

데이터가 발생하는 상황은 각양각색 > 데이터가 어떻게 발생하고 또 어떻게 이용되는 지 구체적으로 관찰해야 적절한 파악이 가능하다.

➡️ 데이터의 추후 활용과 이해력을 높이기 위해 데이터 발생 로직에 대해서 확인해보기

[CASE 16] 추가 데이터가 왜 필요한 지를 설명할 수 없다.

큰 단위로 집계된 샘플링 데이터만 사용 가능한 경우, 신뢰성 부족한 데이터 밖에 없는 경우 문제 발생

데이터를 추가 확보하는 데에 있어서는 비용 발생 > ROI 측면 고려 필요, 수집하는 데에 있어서 리소스 고려해야 한다.

특히 데이터 분석의 7~8할은 데이터 이해와 전처리 과정이다.

해당 데이터를 통계적으로 이해하고 문제에 적합하게 전처리를 하는 데 드는 시간도 고려하도록 해야 한다.

✏️ 현 시점에서 필요한 데이터 분석이 무엇인 지? 데이터 분석도 "임팩트"의 측면을 고려해야 하고 시기성도 고려되어야 한다. 데이터 분석이라고 다르지 않다고 생각한다.
✏️ 데이터 정리, 처리, 분석 과정에 있어 상세한 기록을 통해 과정 아카이빙하며 데이터와 친해지기

[TIL 33] 고객 수, 중복 포함 vs 제외 어떤 기준으로 보는 게 맞을까?

쭈경잉 — Wed, 20 Aug 2025 23:34:03 +0900

항상 데이터 분석을 하면서 이후에 깨닫게 되는 건,

고객 수를 중복으로 봐야 할까? 아니면 중복을 제외해서 볼까?이다.

늘 놓치는 측면 중 하나여서 나에겐 늘 고민의 순간들로 다가오기도 했다.

물론 분석 안건에 따라 다르고 그걸 명확히 한다면 어렵지 않은 문제일 수 있겠지만,

분석하고 데이터를 보다 보면 이런 조건들을 간과하게 되고 놓치게 되는 것 같다.

따라서 어떤 지표에서 고객 중복 포함해 봐야 할 지, 어떤 지표를 비중복으로 봐야 할 지

분석 건마다 이러한 질문을 던지는 건 데이터 분석에서 중요한 시야 중 하나라고 생각한다.

결론부터 얘기하면 행동 흐름은 중복이 필요하며 전체 고객 상태 값을 볼 때는 중복 제외가 필요하다.

구분 기준	설명
행동의 흐름(이동, 전환, 반복)을 분석할 때	→ 중복 포함
전체 고객의 상태(구간, 군집, 누적 규모)를 분석할 때	→ 비중복(고객 1인 1회 포함)

특히 실무에서 지표를 볼 때는 중복값에 대해서 포함 여부를 고려해야 지표 해석에 있어서 왜곡이 없어진다.

실무 지표별 정리: 중복 포함 vs 비중복 포함

지표	중복 포함 여부	이유
회차별 전환율 (1→2, 2→3 등)	✅ 중복 포함	고객이 각 회차를 "거쳐갔는지" 보는 게 중요
회차별 잔존율	✅ 중복 포함	고객이 몇 회차까지 살아남았는지 추적
구매 여정 퍼널 분석	✅ 중복 포함	흐름과 전환의 누적 경로를 보는 분석
LTV 군 분류 (ex: 1회 구매군, 3회 이상 구매군)	❌ 비중복	고객을 한 군에만 소속시켜야 비교 가능
회차별 고객 구성비 (ex: 1회차 고객이 전체의 몇 %)	❌ 비중복	중복 시 총합이 100% 초과되어 왜곡됨
회차별 매출 기여도	❌ 비중복 추천	고객이 최대 회차에서 발생시킨 매출로 계산해야 의미 있음
세그먼트 마케팅 대상 추출	⚠️ 케이스에 따라 다름	예: "2회차 후 이탈자"는 중복 포함, "3회차 이상 유지자"는 비중복
재구매율(1회 이상 재구매한 비율)	❌ 비중복	고객 1명당 한 번만 포함 (재구매 여부만 판단하므로)

내가 헷갈렸던 부분은 "회차간 전환율"을 볼 때 였다.

회차간 누적으로 전환율을 본 게 아니라 중복을 제외한 회차(최대 회차)를 봤는 데,

이렇게 되면 A 라는 고객이 1 > 2 > 3회차로 전환되는 건 데 그 흐름을 알 수 없다.

(*그 수가 제외되고 최대 회차에만 카운팅을 해서 봤기 때문)

이렇듯 중복 포함이 필요한 경우에 대해서 생각해보면

그 사람이 포함되어 행동의 흐름을 함께 고려해야 한다면 중복 포함해야 한다는 점이다!

✏️ 즉 A 고객이 3회 구매했다면

1→2회차 전환율을 볼 때는 A가 1회차 → 2회차로 넘어간 흐름의 일부이기 때문에 포함되어야 한다.
하지만 회차별 고객 구성비(=전체 중 몇 %가 1회차냐, 3회차냐)를 볼 때는 가장 많이 산 회차로만 포함시켜야 전체 비중이 왜곡되지 않는다. ➡️ 전체 고객 100% 집합적인 비율 안에서 봐야 하는 데 중복되면 100% 비중에서 왜곡!

✅ 실무에서 유의해서 보는 법

아래의 질문들을 고민하고 체크포인트로서 검증하는 것도 방법!

질문	체크 포인트
고객이 여러 번 나와도 괜찮은 지표인가?	→ 전환율, 여정, 행동 흐름이면 OK
전체를 100%로 나누고 있는가?	→ 구성비/분포는 중복 포함 ❌
세그먼트를 뽑고 있는가?	→ 목적에 따라 결정 필요 (이탈자 = 중복 포함 / VIP = 비중복)
매출/기여도 분석인가?	→ 보통은 비중복이 타당 (중복 시 누적액이 왜곡됨)

✍️ 즉, 아래와 같이 설명할 수 있다.

“고객 행동의 흐름(예: 1→2→3회차 전환)을 볼 땐 고객이 각 회차마다 중복되어도 OK

반대로 전체 구성을 나눠 보거나, 매출 기여도를 따질 땐

고객을 딱 한 군에만 넣는 게 GOOD! 그래야 비율이 왜곡되지 않는다.

✏️ 느꼈던 점 요약
- 이렇듯 앞으로 분석을 하고 지표를 추출 함에 있어서 "중복" 포함 여부에 대해서 생각해보도록 해야겠다.
- 매번 분석을 하면서 느끼는 건 데이터 "기준"에 있어서 다양한 요소를 고려해야 한다는 점이다.

시도할 점
- 앞으로도 놓치는 부분이 있을 수 있지만 이렇게 체크하고 아카이빙해두고 중복 측면 고려하기, case 쌓기

실전 데이터 분석 35 - 실무에서 분석하는 데에 있어서의 어려움

쭈경잉 — Wed, 20 Aug 2025 23:24:41 +0900

파트에서 같이 스터디를 해보자고 구입했던 [경험에서 배운다! 실전 데이터 분석 35]

여기서 업무하면서 정말 많이 공감 갔던 내용들과 적용해 볼 점들을 정리해서 기록해두고자 한다.

우선 업무 리소스를 효율화해서 업무를 하는 것이 그 무엇보다 중요하기 때문에

분석 방향을 기획하고 거기서 안건 구체화를 하여 R&R을 정하는 게 무엇보다 중요했다.

실무 데이터 분석의 어려움과 고민

[CASE 1] 분석 목적은 뒷전 흥미 위주의 분석을 하고 있다.

그렇지 않으면 분석하다 방향성을 잃을 경우가 많고 이것도 봐야 하고 저것도 봐야 하고.. 하는 방식의 "흥미 위주의 분석"을 하고 있는 상황들이 발생되게 된다.

데이터 분석 후 취하게 될 액션
데이터 분석에서 얻게 되는 분석 결과(*분석 시나리오와 가설 및 결과)
분석 결과와 액션의 연결

사유. 손에 잡히던 분석 목적은 멀어져 가고 무엇을 위해 분석을 하고 있는 지 알 수 없게 되면서 전체 정리 작업이 많아져 프로젝트가 지연되는 경향이 높기 때문
해결점. 분석 목적을 명확히 해두고 추가 분석 건은 필요성 정도 + 이유 아카이빙 간단히 해두고 백로깅

➡️ 이미 하고 있는 부분이지만 구체적으로 한 줄로 정리해 기록해보자, 추가 분석 건은 왜 필요한 것 같은 지 / 어떨 때 진행하면 좋을 지에 대해서 아카이빙으로 남겨두면 된다.

[CASE 2] 분석 요청자와의 인터뷰가 정처없이 늘어지고 있다.

목적 : 무엇을 위한 회의 및 인터뷰인가 > 데이터 항목, 정의, 기간 등 구체화해야 한다
영향 : 인터뷰를 함으로써 나중에 어떤 영향이 있겠는 가 > 구체화했을 때의 장점
이점 : 인터뷰를 통해 무엇을 얻을 수 있는 가
서브 목표 : 인터뷰를 통해 “데이터 리터러시” 관점을 심어주자

분석 요청 건이 있고 나서의 분석을 착수할 때에는 목적 파악 > 구체화 > 요청자와의 인터뷰 > 분석 방향성 기획 > 업무 리소스 배분 후 분석 착수의 형태 프로세스로 잡아 가는 것이 효율적이다.

그렇게 되면 업무 시간 내에 최대의 효율로서 업무를 해낼 수 있다.

(*데이터 분석이라는 건 개인적으로 시간 싸움보다는 기획을 잘 잡고 우선 착수해 단계적으로 진행하는 게 가장 좋은 방법인 것 같다.)

특히 마감기한에 쫓기듯이 업무를 진행하게 되면 질 높은 분석이 나오지 않기 때문에 이 부분을 유의하는 게 좋다.

[CASE 3] 데이터 분석 프로젝트의 전체 청사진을 그리지 못하고 있다.

저자는 데이터에서 열어두고 분석 프로젝트를 그리기 보다는 역산으로 결론을 정해 놓고 구체화를 하라고 말한다.

이 부분은 실제 업무를 진행하면서 "가설" "결론"을 설계하고 분석 시나리오를 그리는 작업의 일종이라고 생각되었다.

실제로 분석 업무를 했을 때 어려운 건 뭐부터 어떻게 해야 하지?였는 데

이런 과정처럼 진행했었을 때 오히려 분석 안건이 구체화되고 빠르게 분석이 진행되곤 했다.

역산 과정 : 액션 → 분석 결과 → 분석 → 데이터의 차례로 거슬러 생각하여 불필요한 분석 줄이기
이렇게 청사진 그려 분석 범위를 좁히고 다시 데이터 → 분석 → 분석 결과 순서에 맞춰 청사진 완성하기

[데이터 분석 방향성 기획] 이라는 타이틀을 가지고 업무 최우선 순위로 진행하는 데,

이게 업무를 함에 있어서 꽤나 많은 도움이 되었다.

[CASE 4] 프로젝트가 시작됐는 데 구성원 간에 손발이 맞지 않는다.

분석 요청자와의 인터뷰 통해 데이터 분석을 구체화하고 프로젝트 시작 → 킥오프 미팅 진행하기

인터뷰 내용 정리, 분석 목적 명시, 일정과 역할 분담 후 자료 형태 제공

요청자의 경우, 분석을 구체화 하는 데에 있어서는 어려움을 겪는 경우가 있다.

분석을 하는 데에 있어 구체화 작업 진행 > 인터뷰를 통해 의도를 파악하면 분석하는 데에 있어 더 수월한 것 같다.

적용 Point : 데이터 분석가에게 중요하다고 생각되는 태도는 "경청하는 자세"이다.

그저 듣는 것에서 더 나아가 상대방 말의 배경과 맥락까지 파악해야 니즈에 맞는 분석을 할 수 있다.

[CASE 5] 필요한 데이터가 부족하다는 사실을 분석 도중에 깨달았다.

분석 요청자가 데이터를 직접 확인하게 해 명확히 정하기 → [분석 대상 / 사용할 데이터의 단위 / 사용할 데이터 기간]

만약 분석을 하는 데에 있어 기준점 / 비교 대상과 같은 것들이 모호하다면

이를 구체화하는 중간 체크 과정이 필수적으로 필요하다.

적용 Point : 특히 분석에 대한 데이터 및 지표 구체화를 할 때 중간 체크하는 과정을 두면

더 만족도 높은 결과물을 도출할 수 있으리라 기대한다.

✏️ 즉, 분석 요청자와 소통을 보다 원활히 해 최소의 분석으로 원하는 결과를 얻을 수 있도록 하는 것이 포인트
앞으로 분석을 함에 있어서 위의 케이스들과 적용 포인트

[TIL 32] 지표 정의와 시점에 대한 중요성

쭈경잉 — Mon, 11 Aug 2025 23:48:18 +0900

지표는 계산식에 따라 의미가 다르고 용어로 표현하는 데에 있어 모두가 공통 기준으로 이해하지 못할 수 있다.

그러기에 공통 기준으로 정리, 어떤 수치를 가지고 어떤 수식으로 계산되었는 지 명확히 하는 게 중요하다.

주문 건수로 재구매율을 볼 수 있고 고객 기준으로 재구매율을 볼 수 있고

재구매 중에서 2, 3, 4회차 비율을 볼 수 있고 전체 고객 기준에서 2, 3, 4회차 비율을 볼 수 있다.

지표는 정의하고 해석하기 나름이기 때문에 명확히 공통 기준으로 정리하는 게 필요하다.

그래서 실무에서는 반드시 “지표 정의서(지표 사전)” 또는 “지표 명세서”를 만들어야 하고, 일관된 포맷으로 정리하는 것이 핵심⭐️

✅ 공통 기준으로 지표를 정리하는 3요소

구성 항목	설명	예시
① 정의	이 지표가 의미하는 바를 명확히 서술	“첫 구매 후 90일 내 재구매한 고객의 비율”
② 계산 방식	지표를 어떻게 계산하는지 수식으로 표현	재구매한 고객 수 / 첫 구매자 수
③ 사용 데이터 및 조건	어떤 테이블·컬럼을 사용하고, 필터 조건은 무엇인지	user_id, purchase_date, purchase_nth, 90일 이내 구매 조건 등

✍️ 지표 정의 템플릿 예시

[지표명] : 90일 내 재구매율 (90D Repurchase Rate)

[지표 정의]
- 특정 고객이 자사몰에서 첫 구매 후 90일 이내에 2번째 구매를 한 비율

[지표 계산식]
- 재구매율 = 90일 내 2회 이상 구매한 고객 수 / 첫 구매 고객 수

[데이터 기준]
- 기준 기간: 분석 시작일 기준 n개월
- 제외 조건: 취소/미입금/NPAY 비회원 제외
- 사용 테이블: 주문 데이터 (order_data)
- 필요 컬럼: user_id, purchase_date, n_times, order_status
- 필터: purchase_nth = 1 기준으로 추출, 이후 90일 이내 재구매 여부 판단

[적용 예시]
- 2025.01~06월 기준 첫 구매자 2,000명 중 90일 내 600명 재구매 → 재구매율 30%

1. Notion/Excel에 지표 정의서 관리

한눈에 검색 가능하게
탭 구분: [공통 지표] / [캠페인 전용 지표] / [A/B 테스트 지표] 등

2. 대시보드에도 Tooltip 형태로 포함

Looker, DataStudio 등 지표 위에 마우스오버 시 정의/계산식이 보이도록

3. 모두가 참고하는 “지표 사전”으로 고도화

유사 지표명 구분 (ex. 전환율 vs. 상세페이지 전환율 vs. 장바구니 전환율)
용어 통일: 같은 의미인데 부서마다 다르게 부르면 안 됨

지표 혼란 줄이는 팁

팁	설명
용어에 단위 명시	“전환율(세션 기준)” vs “전환율(유저 기준)”
비율 vs 수치 구분	“재구매율”과 “재구매 건수”는 따로 구분
대상 명시	“신규 고객 전환율”인지, “전체 전환율”인지 항상 명시
동일 수식은 변수화	SQL, Excel에서도 동일 수식은 repurchase_flag, conversion_base처럼 컬럼화해 반복 정의 방지

데이터 분석에서 "시점"은 지표 해석, 분석 대상 정의, 액션 방향에 중요한 요소이다.

"시점"에 대해서 명확화하는 것은 무엇보다 필요한 작업!

✅ "시점"이 중요한 이유

중요성	설명
지표의 의미가 달라짐	같은 수치라도 기준 시점이 어디냐에 따라 완전히 다른 해석 가능
고객 여정에 맞는 분석 필요	유입 시점, 구매 시점, 행동 시점이 모두 다를 수 있음
시계열 변화 파악의 기준	시점 없이 트렌드 분석은 왜곡되기 쉬움
정책/기획 효과 측정 기준	이벤트 적용 시점 기준으로 before/after를 명확히 나눠야 효과 측정 가능

분석에서 주로 구분해야 하는 시점 종류

시점명	설명	예시
유입 시점	고객이 사이트에 처음 들어온 시점	GA4의 first_visit_date
가입 시점	회원가입 시점	join_date, signup_date
첫 구매 시점	첫 주문이 발생한 시점	first_purchase_date
이벤트 발생 시점	광고 클릭/장바구니 추가 등 특정 행동이 일어난 시점	event_time, click_date
기준일 시점	분석을 위한 기준이 되는 시점 (컷오프 기준)	“2024.07.01 기준으로 90일 이내 재구매율”
지표 측정 시점	지표를 어떤 날짜 기준으로 집계할지	“2025년 3월 LTV = 2024년 12월 가입자 기준”

시점의 중요성이 드러나는 예시 - 재구매율

❌ 예: “90일 내 재구매율” 분석 시 실수

기준일 없이 그냥 1~3월 구매자 중 2번 이상 구매한 사람 비율로 집계
→ 일부는 구매한 지 10일밖에 안 됐을 수도 있음 → 왜곡된 지표

✅ 올바른 방법

first_purchase_date 기준으로 90일 이후까지의 데이터 확보
first_purchase_date + 90일 이전까지 2번째 구매 여부 판단
→ 시간 기준 정리로 정확한 재구매율 산출 가능

✍️ 시점 기준 정리 시 고려해야 할 요소

요소	질문 예시
분석 기준일은?	"어떤 시점을 중심으로 데이터를 자를 것인가?"
시점 계산 방식은?	"기준일 기준 ‘전후 90일’인가, ‘기간 내 행동’인가?"
대상이 되는 사람의 기준 시점은?	"이 고객은 언제부터 우리가 측정 가능한 대상인가?"
분석 가능한 데이터 범위는?	"시점 기준으로 충분한 데이터가 존재하는가?"

✅ 정리 팁: 시점 기준은 항상 명시적으로 표현하기

예시 문장:

“2025년 3월 첫 구매 고객 기준으로, 90일 내 재구매율을 측정”
“유입일 기준이 아닌 구매일 기준으로 분석”
“각 고객의 첫 구매일 기준 180일 누적 LTV 계산”

이렇게 명시해두면 커뮤니케이션/보고서/재현 모두 쉬워짐

재구매회차, 재구매율의 경우에도 "시점"에 대한 고려가 필수이다.

재구매 회차처럼 “회차를 계산하는 지표”도 전체 기간 기준과 기간 제한 기준 두 가지로 나눠서 생각할 수 있다.

재구매 회차 계산 방식의 두 가지 시점 기준

1. 전체 기간 기준 회차

고객의 모든 구매 이력을 기준으로 회차를 부여
예: 2020년에 첫 구매하고 2025년에 재구매해도 2회차로 카운트
장점: 고객의 평생(Lifetime) 구매 행동을 파악 가능
단점: 오래된 구매 이력 때문에 최근 트렌드 파악이 어려울 수 있음

2. 기간 제한 기준 회차

특정 기간 내 구매만을 기준으로 회차 부여
예: 분석 대상 기간을 2024.01~2024.12로 한정 → 해당 기간 내 첫 구매 = 1회차, 두 번째 구매 = 2회차
장점: 특정 캠페인, 시즌, 기획의 효과 분석에 유리
단점: 기간 전의 구매 이력이 무시돼 회차 의미가 바뀔 수 있음

실무에서의 적용 예시

분석 목적	적합한 방식	이유
장기 고객 가치 분석 (LTV)	전체 기간 기준	고객의 전체 여정을 반영
특정 프로모션 효과 분석	기간 제한 기준	이벤트 시작 이후의 행동만 측정
신제품 출시 후 구매 패턴 분석	기간 제한 기준	출시일 이후 회차 기준으로 행동 변화 확인
충성 고객 정의	전체 기간 기준	누적 구매 횟수 기반 분류

✅ 로직 설계 시 체크포인트

회차의 의미를 정의
- “고객의 평생 구매 순서”인지
- “분석 대상 기간 내 구매 순서”인지
기간 전 구매 이력 처리 방법
- 기간 전 이력을 회차 계산에 포함할지 제외할지
지표 보고 시 표현 방식
- “n회차”라고만 쓰지 말고 기간 기준을 반드시 병기
- 예: 2024년 기준 2회차 구매 고객 vs 전체 이력 기준 2회차 고객

분석을 할 때는 다방면의 요소를 고려해야 하는 만큼 주요 요소인 "시점"에 대한 부분도 인지해두기!

✏️ 느꼈던 점 요약
- 데이터 분석을 하며 중요한 포인트인 "시점", 그에 따라 의미가 달라질 수 있다. 분석 시 고려해야 하는 요소로 체크해두기

시도할 점
- 분석 case study 할 때 시점에 대한 부분 체크하며 아카이빙해두기, 사례 쌓기

[TIL 31] 퍼널 관점에서의 GA 데이터 이해해보기

쭈경잉 — Tue, 5 Aug 2025 22:59:04 +0900

퍼널에 대한 이야기는 항상 많이 듣지만 GA 데이터를 퍼널과 전환 관점에서 이해하려면

"사용자가 어떤 경로로 유입되어 어떤 행동을 거쳐 목표(전환)에 도달하는가?"의 흐름을 데이터 기준으로 볼 수 있어야 한다.

자사몰 행동 데이터 그 자체로도 볼 수 있지만 퍼널 관점에서 GA를 바라보는 건 필수적이다.

✅ 1. 퍼널(Funnel) 관점에서 보는 GA 핵심 데이터

퍼널은 사용자의 여정(여러 단계)을 의미하며, GA에서는 아래와 같은 단계별 이벤트와 파라미터로 추적된다.

이벤트의 경우에는 GA에서 기본적으로 세팅된 것도 있고 GTM으로 별도 설정해주어야 하는 것도 있다.

퍼널 단계	GA 이벤트	주요 필드/파라미터	설명
유입	page_view	page_location, utm_campaign, utm_source, utm_medium	유저가 어떤 페이지에 어떤 채널로 들어왔는지 확인
탐색	view_item, scroll, click 등	items, content_type	상품/콘텐츠를 봤는지, 어느 정도 탐색했는지
장바구니	add_to_cart	items	장바구니 담기 발생 여부
결제 시작	begin_checkout	transaction_id, items	구매 흐름으로 진입했는지
구매 완료	purchase	transaction_id, items, value, currency	실제 결제가 완료된 시점. 전환의 핵심 이벤트

각각의 단계는 event_name으로 식별되고, 세부 내용은 event_params, items 같은 구조 안에 들어 있다.

✅ 2. 전환(Conversion) 관점에서 보는 GA 핵심 데이터

GA에서는 purchase 이벤트가 핵심 전환 이벤트!

크로스셀링을 통해 구매한 경우, 전환을 다음과 같이 정의할 수 있다

분류	정의	측정 기준
구매 전환	크로스셀링으로 추천된 제품 중 1개 이상을 구매한 경우	purchase 이벤트 + product_name ∈ 추천 제품
세션 전환율	크로스셀링 제품 페이지를 본 세션 중 실제 구매가 발생한 비율	전환 세션 / 크로스셀링 상품 상세페이지 조회 세션
추천 제품 전환율	크로스셀링 제품을 클릭하고 그 제품을 실제로 구매한 비율	클릭 후 구매 여부 (page_view + purchase)

✅ GA 데이터 구조 요약 (event 기반 분석 시)

GA 데이터는 processed_events_* 테이블로 구성되고,

하나의 세션에 여러 이벤트가 포함되므로 세션 기준, 유저 기준으로 퍼널을 재구성해야 한다

즉, 세션 기준과 유저 기준은 다르기에 주의가 필요하단 점!

필드	설명
event_name	이벤트 이름 (page_view, purchase, etc)
event_timestamp	이벤트 발생 시간
user_pseudo_id	유저 ID (로그인 여부 상관없이 GA 기준)
ga_session_id	GA에서 계산한 세션 ID
page_location	유입된 URL
utm_campaign 등	마케팅 유입 채널 정보
items	구매한 상품 정보 포함된 배열 (상품명, ID 등)
transaction_id	주문번호 (구매 이벤트와 Cafe24 매칭 시 사용)

✅ GA 퍼널/전환 분석에서 데이터 추출 시 고려할 점

GA 데이터를 추출할 때는 기준에 대한 부분을 고려할 필요가 있따.

포인트	설명
세션 단위 정리	같은 유저가 여러 세션 동안 행동했을 수 있음. 세션 단위로 page_view → purchase 흐름을 봐야 함
items 데이터	purchase 이벤트의 경우 items를 UNNEST하여 개별 상품 단위로 분석 필요
page_location / utm_campaign	크로스셀링 구좌, 결과 그룹군, 추천 상품을 식별하는 기준
세션 간 전환	추천 받고 바로 사지 않아도, 이후에 구매할 수 있음. 이런 경우 세션 간 분석 (예: 7일 이내 전환율) 고려 가능 해당 케이스를 고려하느냐 안하느냐에 따라 결과가 달라질 수 있음

그렇다면 GA 데이터로는 과연 어떤 데이터 분석을 할 수 있을까?

➡️ Google Analytics(GA) 데이터는 유저 행동 전반을 추적할 수 있도록 설계되어 있기 때문에

웹사이트나 자사몰의 퍼널 흐름, 성과 지표, UX 개선점 등을 분석하는 데 매우 유용하다.

✅ GA 데이터로 확인 가능한 것 (전반적 관점)

분류	확인 가능한 데이터	설명
유입 분석	유입 채널, 캠페인, 유입 키워드	어떤 경로로 유입됐는지 (utm_source, utm_medium, utm_campaign 등)
행동 분석	페이지 조회, 클릭, 체류시간, 이탈률	어떤 페이지를 얼마나, 어떻게 탐색했는지 (page_view, scroll, click)
전환 분석	장바구니/결제/구매	실제 전환 행동이 어떻게 발생했는지 (add_to_cart, purchase)
퍼널 분석	유입 → 탐색 → 구매 퍼널 단계별 이탈	단계별 전환율, 문제 구간 탐지
세션 분석	방문자별 세션 수, 행동 수	세션 기준 분석 가능 (ga_session_id)
사용자 분석	신규/재방문, 디바이스, 지역	고객군의 특성 및 유입 경로별 분석 가능
이벤트 분석	페이지 내 상호작용 (버튼 클릭 등)	특정 UI 요소 클릭, 퀴즈 응답, 탭 클릭 등 커스텀 이벤트 기반
제품/컨텐츠 분석	어떤 상품/콘텐츠가 많이 조회되었는가	items 정보 기반으로 제품별 조회/구매 분석
A/B 테스트 성과 비교	실험 대상 vs 통제군 비교	구간별, 유입별 전환율/이탈율 비교 분석

그렇다면 이커머스 자사몰 기준으로는 GA 데이터 분석을 주로 어떤 걸 다룰까?

1. 유입 경로 분석

어떤 채널(Instagram, Naver, 유튜브 등)에서 가장 많은 트래픽이 발생했는가?
광고별 전환율, 이탈률, 체류시간 차이
utm_campaign 기준으로 어떤 캠페인이 가장 효율적인가?

2. 상세페이지 → 장바구니 → 구매 퍼널 분석

상세페이지 유입 대비 구매 전환율이 낮은 제품은?
어떤 제품은 장바구니 담김은 높은데 구매율은 낮은가?
상세페이지별 평균 체류시간, 이탈률 분석

3. 유저 행동 패턴 분석

고객은 어떤 순서로 페이지를 탐색하는가?
페이지별 스크롤 비율(scroll), CTA 클릭률
페이지 내 클릭 이벤트 (버튼, 필터, 탭 등)

4. 추천 기능(AI 추천, 퀴즈 등) 성과 분석

추천 테스트를 이용한 사람의 전환율
추천 제품을 클릭한 후 구매한 비율
어떤 추천 그룹이 클릭률 or 전환률이 높은가?

5. 구매 전환율 및 이탈 구간 분석

세션당 이벤트 수 / 구매까지 평균 소요 시간
이탈이 많이 발생한 퍼널 단계는 어디인가?
결제 페이지까지 갔지만 이탈한 비율

6. A/B 테스트 or 개선안 효과 측정

개선 전후 상세페이지 클릭률 or 전환율 변화
새로운 구좌 or 레이아웃 변경에 따른 행동 변화

✏️ 이러한 방식으로 질문을 던지고 그에 관련해 분석하는 것이 가능하다

✅ 실무에서 자주 쓰는 지표 (GA + 이커머스 관점)

지표	설명
세션 수	방문 횟수 (30분 이상 비활동 시 새로 카운트)
페이지뷰 수	전체 페이지 조회 횟수
이탈률 (bounce rate)	한 페이지만 보고 나간 비율
페이지당 평균 체류시간	해당 페이지에 머문 시간
상품 클릭 수	view_item, select_item 이벤트 기반
전환율 (conversion rate)	purchase 발생 세션 / 전체 세션
첫 구매 vs 재구매 세션 수	n_times 정보 매핑 시 가능
장바구니 이탈률	add_to_cart → purchase 안 간 비율

✅ 분석 목적별 GA 활용 예시

분석 목적	GA 주요 지표	이벤트 활용 방법
퍼널 구간별 이탈 원인 파악	page_view, add_to_cart, purchase	각 단계별 세션 수/전환율 계산
상세페이지 성과 평가	page_location, items.product_name	제품별 조회 → 장바구니 → 구매 흐름
광고 유입 성과 측정	utm_source, utm_campaign	캠페인별 유입 수/전환율 비교
추천 시스템 효과 확인	page_view + 추천 구좌 추적 + purchase	추천받은 상품 클릭 후 구매한 경우만 추출
신규/재방문 분석	user_pseudo_id, n_times	신규 고객군의 전환율 확인

실제로 ✔️ 자사몰 액션 ✔️유입에 따른 분석 등 GA 데이터는 여러 방면에서 활용 가능하다.

기본 세팅이 되어 있는 것도 있지만 트래킹 되지 않는 것이 있다면 확인 후 설치 & "정합성 체크" 또한 필수!

실무를 하면서 GA 데이터에 대한 이해도를 높이는 것 또한 중요함을 깨닫는 요즈음이다.

데이터의 의미와 트래킹 시점, 기준과 정의에 대한 고민도 필수적이다.

✏️ 느꼈던 점 요약
- GA 데이터, 이커머스 자사몰에 있어서는 중요한 데이터로 활용도를 높이는 게 브랜드의 자산을 쌓는 방법이다.
- GA 데이터의 활용방향은 무궁무진, 어떻게 쓸 것이냐를 우선순위를 정해 진행해야 한다.

시도할 점
- GA 데이터의 활용 방향과 상시 모니터링을 위한 중요성 잊지말기
- GA 데이터의 활용 방향성을 넓혀보기

[TIL 30] 데이터 분석 목적에 따른 추출에 있어 로직 설계의 중요성

쭈경잉 — Wed, 30 Jul 2025 20:21:05 +0900

데이터 분석을 위한 추출을 하면서 반복적으로 실수하는 부분에 대해 보면

늘 step by step 로직에 대한 설계에 있어서 순서를 달리할 때인 것 같다.

데이터 분석에서 목적에 맞는 데이터를 추출하는 로직 설계는 무엇보다 분석의 품질과 정합성에 중요한 핵심 요소이다.

실제로 분석을 하며 느꼈던 건 로직이 정확하지 않으면 잘못된 데이터 기반으로 결론을 짓게 되는 부분이 있었다.

✅ 로직 설계가 중요한 이유

이유	설명
분석 목적과 정렬	분석하고자 하는 대상/범위를 정확히 추출해야 지표가 왜곡되지 않음
지표 정의와 연결	분자/분모를 어떻게 집계할지에 따라 지표 해석이 달라짐
데이터 정확도 확보	쿼리 조건을 명확히 잡아야 중복, 누락, 오류 없이 신뢰할 수 있는 결과 가능
불필요한 노이즈 제거	범위가 과하면 해석이 어려워지고, 정제된 데이터 없이 진행 시 정확한 판단이 힘듦

로직 설계 시 고려해야 할 핵심 요소

1. 분석 대상 정의

어떤 유저? 어떤 행동? 어떤 상품? 어떤 시점?
예) “첫 구매자 중에서 특정 상품을 구매한 유저” vs “전체 구매자”

2. 분석 기간 명시

언제부터 언제까지?
기준일(구매일, 유입일, 가입일 등)을 명확히
주문, 배송, 결제 등 시점에 대한 구분자도 명확히

예: “출시일 기준 5개월 이내 구매자만 추출”

3. 중복 여부와 집계 기준

user_id 기준 중복 제거?
세션 기준? 주문 기준? 유저 기준?

예: user_id 기준으로 최초 구매만 집계할지, 전체 주문건을 집계할지, GA 기준 세션으로 집계할 지

최근에 헤맸던 부분이었는 데 세션 기준 / user_id 기준이냐에 따라 수치가 달라지고

이는 회원 수가 많아짐에 따라 수치 차이가 나는 경우가 더 늘어나는 경향이 있다.

4. 필터 조건 명확화

제외할 조건 명확히 정의
예) 미입금, 취소건 제외 / 특정 상품군만 포함 / 특정 채널 제외

5. 지표 계산을 위한 정규화 형태 설계

지표 계산을 쉽게 하려면 long → wide / wide → long 형태 가공도 고려
예) 구매 데이터에 n번째 구매 횟수를 붙여야 평균 구매 횟수 계산 가능

이 단계는 분석 지표 계산이 쉽고 정확하게 가능하도록 가공하는 구조 설계이다.

예시

요소	설계 내용
분석 대상	자사몰 첫 구매자 중 상의 제품 구매자
분석 기간	2024.07.01 ~ 2024.12.01
필터 조건	취소/미입금 제외, product_name에 특정 제품 포함
지표 계산	user_id 기준으로 재구매 유무 파악, n번째 구매 기준으로 구매 횟수 집계
사용 컬럼	user_id, product_name, order_date, n_times, category, sales_channel

→ 이 설계를 기반으로 SQL/쿼리 작성 시 혼동 없이 정확한 집계 가능

정규화 형태 설계를 진행하는 연습을 통해서 로직에 대한 정리하는 연습을 시도해보자!

✍️ 로직 설계 간소화 템플릿 활용하기!

[분석 목적] OO 제품의 재구매율을 파악하여 지속 푸쉬 여부 판단
[대상 정의] 첫 구매자 중 OO 제품 구매자
[기간 설정] 제품 출시일 + 5개월 기준
[제외 조건] 취소 / 미입금 / Npay 비회원
[지표 계산 방식] user_id 기준 재구매 건수 집계, 시리즈 내 교차 구매율 포함
[사용 컬럼] user_id, item_name, category, purchase_date, order_status, n_times

✅ 정규화 형태 설계가 중요한 이유

이유	설명
지표 계산의 정확도 확보	지표 정의에 필요한 조건/그룹화/순서를 정확히 반영하기 위함
복잡한 지표도 단순하게 집계	반복 사용되는 로직을 미리 필드로 만들어두면 계산이 쉬워짐
재사용성과 유지보수 용이	동일 지표 계산 시 매번 쿼리 작성이 아니라 테이블 재활용 가능

실무 예시

목적: "고객의 첫 구매 이후 90일 내 재구매율" 계산
필요한 전처리 로직

단계	설명	컬럼
① 유저별 구매 순서 부여	첫 구매 판단용	purchase_nth (ex. 1, 2, 3...)
② 첫 구매일 저장	기준일 계산용	first_purchase_date
③ 재구매 여부 플래그	지표 계산용	is_repurchase_within_90d (1/0)

정규화 형태 예 (가공 테이블 형태)

user_id	order_id	purchase_date	purchase_nth	first_purchase_date	days_since_first	is_repurchase_within_90d
U001	O1001	2024-01-10	1	2024-01-10	0	0
U001	O1033	2024-02-05	2	2024-01-10	26	1
U001	O1044	2024-05-10	3	2024-01-10	120	0

→ 이 테이블이 만들어지면, is_repurchase_within_90d = 1 비율만 구하면 지표 계산 완료

즉, 전처리 및 분석에 필요한 가공 형태의 테이블이 필요하다.

주로 만드는 정규화 컬럼 유형

목적	컬럼	예시 설명
구매 순서	purchase_nth, rank	유저별 구매 순서 계산 (ROW_NUMBER() 등)
기준일	first_purchase_date	첫 구매일 또는 첫 유입일 저장
경과 일수	days_since_first	특정 기준일과의 차이 계산 (DATEDIFF)
행동 플래그	is_conversion, is_repeat, is_cross_buy	특정 행동 여부를 1/0 으로 명시
그룹화 기준	category_group, utm_group, product_series	같은 성격의 데이터를 묶기 위한 코드화

즉, 정규화 설계 = 지표 계산이 편해지도록 테이블 구조를 가공하는 것

자주 쓰는 지표에 대해 가공된 컬럼을 만들게 되면 지표 계산 로직은 집계만 남아 단순해진다

그렇다면 로직 설계에 있어서 "순서"를 고려하는 것 또한 중요하다.

데이터 추출 로직에서 “작업 순서”는 매우 중요!

특히 데이터의 출처, 구조, 전처리 방식에 따라 순서가 달라지면 결과가 완전히 바뀔 수도 있다.
즉, “같은 조건을 쓰더라도 순서에 따라 완전히 다른 데이터셋이 만들어질 수 있다”는 점이 핵심이다.

(이는 분석을 하면서도 직접 경험했고 순서에 따라 아예 다른 결과의 데이터가 만들어지는 부분)

✅ 데이터 추출 로직에서 순서가 중요한 이유

이유	설명
필터 타이밍에 따라 대상이 달라짐	중복 제거 전에 필터하면 제외되어야 할 데이터가 남을 수 있음
⚠️ 조인 순서에 따라 기준 테이블이 달라짐	주 테이블 기준으로 어떤 데이터를 붙이느냐에 따라 누락/증폭 발생
집계 전에 가공해야 하는 경우	구매횟수 계산 등은 집계 전에 선 가공 필요
지표 계산 순서도 결과에 영향	비율을 먼저 구하느냐, 필터 후 구하느냐에 따라 값 달라짐

실무에서 체크해야 할 순서 기준 6가지

1. 대상 필터 vs 중복 제거 순서

일반적으로는 필터 → 중복 제거 순이 안정적
예: 취소건 제거 후 중복 제거

2. 조인 순서 (좌측 테이블 기준)

어떤 테이블이 메인인지 명확히 하고
→ LEFT JOIN, INNER JOIN 전략 설계 필요

3. 선 집계 vs 후 집계 판단

user_id별 구매횟수는
→ 구매 테이블에 ROW_NUMBER()나 RANK()로 먼저 계산한 후
→ 그룹화하는 게 정확

4. null 처리 순서

조인 전 null 처리 vs 조인 후 null 처리 결과 다름
예: 구매 수단이 없는 건 제외할지, 기본값 처리할지 결정 필요

5. 타입 변환 시점

금액, 날짜 등의 타입 변환은
→ 로직 중간보다 전처리 초기에 미리 해두는 게 오류 방지에 좋음

6. 데이터 출처별 로직 분리 여부

여러 출처(예: GA4 + CRM + 주문 DB 등)를 사용할 땐
→ 출처별 로직을 분리 후 병합
→ 각 출처 특성을 반영해 사전 정제해야 함

실무 예시: 첫 구매자 기준으로 특정 제품의 90일 내 재구매율 계산

① 취소/미입금 제외 필터
→ ② 첫 구매자 추출
→ ③ 구매 데이터에서 제품 기준 필터
→ ④ 구매 순서 부여 (ROW_NUMBER)
→ ⑤ 90일 내 재구매 여부 계산
→ ⑥ 집계 및 지표 산출

위 순서를 바꾸면

예: "구매 순서 부여 전에 제품 필터"를 하면 전체 이력이 아닌 특정 제품군만 본 것이 되어 재구매율이 왜곡됨

✍️ 로직 설계 전 체크리스트

분석 대상은 전체 데이터에서 먼저 뽑아야 하는가?
필터는 전처리 전에 할까, 후에 할까?
어떤 테이블이 메인 기준이 되어야 하나?
집계 전에 필요한 가공이 있는가? (n번째 구매 등)
데이터 간 단위나 기준(유저 기준/세션 기준 등)이 맞는가?
복수 데이터 출처를 어떻게 통합할 건가?

항상 해당 질문을 던지면서 로직 설계 전 데이터에 대해 체크해보는 과정을 거치도록 해야 한다.

✏️ 느꼈던 점 요약
- 어떤 순서와 기준에 따라 로직 설계하는 지에 따라 데이터 결과를 좌우할 수 있다.
- Garbage In Garbage Out 이라는 말이 괜히 나온 게 아니다.. 정합성 체크와 의도에 맞는 데이터 추출의 중요성!

시도할 점
- 로직 설계 전 체크리스트에 따라 데이터에 대한 질문 던지기
- 데이터 로직 설계 간소화 템플릿 활용해보기
- 데이터 정규화 형태 기반으로 분석에 용이한 테이블 설계 연습해보기

[TIL 29] 재구매 산업에서의 재구매 관련 지표 기준 잡기

쭈경잉 — Tue, 29 Jul 2025 00:43:25 +0900

객단가가 높은 경우와 사업 초기 단계에서는 "첫구매" 지표를 집중하는 경우가 많겠지만

많은 기업들이 첫구매를 유도한 이후에 첫구매를 증대시킴과 동시에 매출 파이 확장을 위해 "재구매"에 집중하는 경향도 있다.

이때 고객 한명이 바이럴한 효과를 가져오는 추천 지표도 중요하지만

그에 앞서 일단 첫구매 후 만족했다? ➡️ 재구매를 진행한다. 의 선순환적 구조도 무시할 수 없다.

그러면 과연 재구매 관련된 지표는 무엇을 보면 좋을까? 고민하고 기록으로 남겨보고자 한다.

이전 LTV 분석을 진행하면서 고객 1명당 가지고 있는 가치에 대한 분석을 진행하게 되면서

더더욱 이 1명이 가지는 재구매가 이 가치를 높일 수 있으므로 "객단가" 측면 뿐만 아니라 "재구매회차" 측면도 주요하게 봤다.

우선 브랜드가 “재구매 중심 산업”이고, 2회차를 넘어 3회차 이상 고객 확보를 전략적 목표로 삼고 있다면,

LTV는 단순 지표가 아니라 모든 성과의 ‘질’을 보여주는 핵심 지표가 될 수 있다.

✅ 따라서 LTV를 공통 지표로 포함해야 한다.

이유	설명
매출의 질을 보여주는 지표	단순 매출이나 UV는 양적 지표지만, LTV는 고객 1명이 장기적으로 얼마를 쓰는지 보여줌
전략적 의사결정 기준	CAC(고객 획득 비용)이나 리텐션 전략이 효과적인지를 판단할 수 있음
고객 세그먼트 가치를 비교	신규 고객 vs 재구매 고객, 1회차 vs 3회차 이상의 고객의 가치를 직접 비교 가능
중장기 매출 예측 가능	재구매 기반 비즈니스에서, LTV는 미래 수익 예측의 핵심 도구가 됨

✏️ LTV 지표 구성

특히 구매 주기가 짧은 산업일 수록 특정 회차 이상의 고객 LTV가 어떻게 되는 지 확인하는 작업은 중요하다.

지표명	기준 기간	설명
평균 LTV (전체)	90일, 180일, 365일	전체 고객의 평균 누적 구매 금액
3회차 이상 고객 LTV	90일~365일	충성 고객군의 가치
회차별 LTV 비교	1→2→3회차 그룹	회차별 LTV 증가 곡선
고객 세그먼트별 LTV	유입채널/상품군	어떤 고객군이 더 오래/많이 쓰는가

LTV는 재구매 산업에서 핵심 지표

*매출의 ‘규모 + 질’**을 함께 보게 해주는 유일한 지표
전사적 전략(재구매, 충성 고객 관리)의 타당성을 검증하는 근거
실무자들에게도 “이 고객을 다시 유입시켜야 하는 이유”를 데이터로 설명할 수 있다.

특정 회차 이상 고객 LTV를 넣는 이유는?

재구매 산업에서 특히 우리 브랜드의 충성 고객 1명이 얼마를 쓰는가?를 잘 설명해주는 지표

전사 공감대 형성 + 전략적 집중 타깃 명확화

신규/1회 구매자보다 “왜 이들을 더 중요하게 봐야 하는가?”를 수치로 증명

다양한 LTV 지표 중 특정 회차 LTV 가 중요한 이유

지표	장점	한계
✅ 3회차 이상 고객 LTV	충성 고객의 ‘질’을 보여줌, 전략 고객 집중의 근거가 됨	회차 기준 정의 필요 (분기별 계산 등)
평균 LTV (전체)	전체 고객의 구매력을 한눈에 보여줌	신규 유입 많을수록 낮게 나와 오해 가능
회차별 LTV 비교	퍼널형 이해 가능 (1→2→3 회차 증가폭)	실무자에게는 조금 복잡해 보일 수 있음
세그먼트별 LTV	채널/상품군별 효율 비교 가능	대시보드 초입에선 과하게 상세함

3회차 이상 LTV를 아래와 같이 지표로 활용할 수 있다

“3회차 이상 고객은 1인당 평균 65,000원을 소비하고 있습니다.

이들은 전체 고객의 18%지만, 매출의 42%를 차지합니다.”

고객 회차를 올리는 것이 매출 성장의 핵심입니다.

또한 재구매산업에서 놓칠 수 없는 건 "재구매 기간"인 데

왜냐하면 재구매 산업에서는 "얼마나 자주 돌아오는가?"가 "얼마나 많이 쓰는가?"(LTV, 객단가) 만큼 중요한 지표이기 때문!

✅ 재구매기간 지표를 추가해야 하는 이유

이유	설명
리텐션 전략 설계에 핵심	평균 재구매까지 걸리는 시간은 마케팅 타이밍(리마인드/리텐션 캠페인 등) 설정에 핵심 근거
충성도 간접 측정	짧은 재구매 주기는 브랜드 신뢰와 니즈가 높다는 간접 신호
LTV와 함께 해석하면 파워풀	예: "이 고객은 90일 안에 3번 사고, 8만 원 쓴다" → LTV가 높고 재구매 주기가 짧으면 이상적

✏️ 재구매기간 지표 유형

특히나 전체 흐름 파악에 좋은 지표인 전체 평균 재구매 주기를 주요 지표로 활용하면 좋다.

지표명	설명	장점
전체 평균 재구매 주기	모든 재구매 고객 기준, 첫→두 번째 구매 간 평균 기간	누구나 이해 쉬움, 전체 흐름 파악에 좋음
회차별 재구매 주기	1→2회, 2→3회 등 회차별 평균 간격	이탈 시점 파악에 좋음 (ex. 2→3이 길면 전환 방해 요인 존재)
충성 고객군 평균 재구매 주기	3회 이상 고객군만 추출한 평균	VIP 고객의 주기성 파악 가능, 타깃 전략 가능

✅ ‘재구매율’도 포함해야 한다

비교 항목	설명	이유
재구매율 ✅	일정 기간 내 2회 이상 구매자 비율	- 재구매 산업에서 가장 핵심 - 충성도, 제품 만족도, 브랜드 신뢰도를 종합적으로 반영 - “우리 고객이 돌아오는가?”를 보여주는 가장 직관적인 지표
구매 전환율	방문자 → 구매자 비율	유입→전환 측면은 중요하지만, 재구매 산업에선 1회 구매 이상이 더 중요
3회차 이상 고객 비중	충성고객 도달 지표	중요하지만 재구매율이 선행 지표 (→ 3회차 진입은 그 다음 단계)
ARPU (객단가)	고객당 평균 구매 금액	매출의 질은 알 수 있지만, 구조 변화 파악은 어려움

➡️ 여러가지 지표들이 중요하지만 "재구매산업"으로 매출 확장하려고 하고 있다면 재구매 관련 지표를 보는 게 중요하다.

그렇다면? 재구매 주기는 어떻게 넣으면 될까?

재구매주기(Repurchase Interval)를 정밀하게 보려면 반드시 n회차 vs n-1회차 간의 간격으로 계산해야 함

특히 재구매 산업에서는 단순 "전체 평균 간격"보다 회차 기준 주기가 훨씬 인사이트가 깊고 실무 적용 가능성이 높다.

왜 n회차 vs n-1회차 기준이 맞는가?

기준 방식	설명	장점	단점
n회차 - n-1회차 기준	회차 간의 실제 구매 간격을 평균냄	고객 여정의 진짜 흐름을 볼 수 있음(ex. 1→2, 2→3 구간별 분석 가능)	복잡도가 약간 높음
전체 구매 간 평균 주기	첫 구매 ~ 마지막 구매 간의 간격 ÷ (구매횟수 -1)	계산은 쉽고 전반 흐름 확인 가능	행동 흐름이 명확하지 않음 (편차 커짐)

✅ 회차 기준으로 봐야 하는 이유

전환률과 연결된다 ➡️ 1→2회차 주기가 너무 길면, 재구매율도 낮을 수 있음 → 이탈 방지 액션 시점 설계
고객 유형에 따라 주기 차이가 난다 ➡️ 예: 2회차까지는 60일 걸리는데 3→4회는 30일밖에 안 걸리는 경우 → 충성화된 고객의 행동패턴 식별
LTV와 연결해 가치 흐름 분석 가능 ➡️ 주기가 짧고, LTV가 높으면 이상적인 고객군 → 마케팅 집중 가치 있음

✅ 회차 기준의 우선순위 참고

단, 이것마저도 정답이라고 볼 수 없고 각 사업의 단계와 비즈니스 특성을 고려해야 한다.

회차 기준	설명	우선순위
1→2회차 주기	이탈 발생 가능성이 가장 높은 지점 → 반드시 추적 필요	⭐️ 최우선
2→3회차 주기	충성 고객 진입 전환 구간	✅ 중요
3회차 이후	이미 브랜드에 익숙한 고객 → 주기 단축 여부가 핵심	보조

실무 적용 예시

평균 1→2회차 주기: 42일,

평균 2→3회차 주기: 28일

전환된 고객은 더 자주 구매하고 있다 → LTV 증가 유도 가능

1→2 회차 전환 메시지는 30~40일 사이에 집중

전체 평균 재구매주기를 n회차 - n-1회차 기준으로 보는 방식이 바로 재구매 사이클을 실질적으로 측정하는 가장 좋은 방법!

➕ “회차 간 간격의 평균” 계산 예시

즉, 모든 고객의 회차 간 재구매 주기(n – n-1)를 평균낸 값이에요.

예시 고객 A의 구매 일자

구매 회차	구매 일자	주기(n - n-1)
1회차	1/1	-
2회차	1/30	29일
3회차	2/10	11일
4회차	3/15	34일

→ A의 재구매 주기 평균 = (29 + 11 + 34) / 3 = 24.6일

→ 전체 고객의 이런 회차 간 간격의 평균값을 집계하는 것이 정확한 “전체 평균 재구매 주기”

전체 평균 주기 지표 활용이 좋은 이유

장점	설명
고객 여정의 실제 흐름 반영	단순 "첫-마지막" 간격보다 고객의 행동 반복성을 정확히 추출
⏰ 마케팅 시점 판단 가능	특정 회차에서 주기가 길어지는 구간 = 이탈 위험 구간으로 해석 가능
회차별 평균도 쉽게 확장 가능	전체 평균뿐만 아니라 1→2, 2→3 구간 평균도 별도 산출 가능

✏️ 느꼈던 점 요약
- 지표에는 정답이 없다. 단 중요한 건 어떤 사업이고 사업의 어떤 단계에 있느냐를 내부적으로 정의 함에 따라 집중해야 하는 지표가 달라질 수 있다는 점이다.
- 지표는 모두 중요할 수 있다. 그렇지만 모든 지표가 긍정적일 수 있다는 보장은 없다.

시도할 점
- 산업을 보다 대내외적으로 깊게 이해하고 이를 지표화할 수 있는 방법 고민, 연관된 질문들을 던져 답해보기

[TIL 28] 기준을 어떻게 보느냐에 따라 재구매율 해석이 달라진다.

쭈경잉 — Sat, 19 Jul 2025 23:14:13 +0900

구매율은 목적에 따라 분모 기준이 달라질 수 있고 어떤 기준으로 보느냐에 따라 달라진다.

이번에 분석을 하고 관점을 달리 보면서 주문, 상품, 고객 기준으로 재구매율을 볼 수 있다는 걸 알게 되었다.

또한 동일 제품 재구매자, 브랜드 내의 2회차 이상 구매자에 따라 재구매율이 또 다르게 해석이 될 수 있다.

구매율은 분명 목적에 따라 분모 기준이 달라질 수 있고, 다음과 같이 정의할 수 있다.

✅ 1. 동일 상품 재구매율 (제품 기준)

정의: 동일한 상품을 두 번 이상 구매한 비율
기준: 주문 건 기준 혹은 고객 기준 모두 가능하나, 일반적으로는 고객 기준이 더 적절하다.
- 고객 기준으로 보면 "같은 상품을 한 번이라도 재구매한 고객 비율"이 되어, 충성도/선호도를 파악할 수 있어요.
- 건 기준은 재구매가 많은 일부 고객에 의해 왜곡될 수 있습니다.

공식 예시

동일 상품 첫 구매 고객 중, 동일 상품을 최소 1회 이상 재구매한 고객 수 ÷ 동일 상품 첫 구매 고객 수

✅ 2. 브랜드 재구매율 (브랜드 기준)

정의: 브랜드에서 두 번 이상 구매한 고객 비율
기준: 고객 기준
- 이는 브랜드에 대한 로열티나 전반적인 재방문율을 파악하기 위한 지표로,
- "한 번이라도 우리 브랜드에서 구매한 적 있는 고객 중, 두 번 이상 구매한 고객"을 보는 것이 핵심입니다.

공식 예시

전체 브랜드 첫 구매 고객 중, 이후에 브랜드 제품을 한 번 이상 더 구매한 고객 수 ÷ 브랜드 첫 구매 고객 수

재구매율을 "주문 건 기준"으로 보는 것도 가능한 데, '전체 거래 중 재구매 건이 차지하는 비중'을 파악하는 것으로,

"활성도"나 "재방문 성과의 흐름"을 보기에는 유용하지만 충성도/전환율 관점에서는 해석에 주의가 필요하다.

✅ 재구매율: 주문 건 기준으로 볼 때의 의미와 해석

1. 정의

전체 주문 건 중, 재구매(2회차 이상 고객이 발생시킨 주문)가 차지하는 비율

재구매 주문건 수 ÷ 전체 주문건 수

2. 실무 해석 포인트

관점	해석	주의할 점
재구매의 매출 기여도	우리 매출 중 몇 %가 기존 고객으로부터 발생하는가?	신제품/이벤트 영향 등 단기 요인에 따라 출렁일 수 있음
리텐션 트렌드	최근 고객들이 얼마나 다시 찾아오는지 흐름을 빠르게 볼 수 있음	주문량이 많은 일부 고객에 의해 왜곡 가능
CRM/리타게팅 성과 추적	푸시·이메일 발송 시, 주문 건 기준 재구매율 상승 여부 확인	실제 고객 수 기준 재구매 증가와는 다를 수 있음

✅ 3. 활용 예시

주문 건수 기준으로는 아래와 같이 활용해볼 수 있다.

지표 목적	계산 방식	의미
월별 재구매 건 비중	당월 재구매 주문건 수 ÷ 전체 주문건 수	재구매 매출의 비중 추세 확인
캠페인 전후 비교	(A 캠페인 후 재구매 건수) ÷ (전체 캠페인 후 주문 건수)	CRM 효율 측정 가능
채널별 재구매 건 비중	인스타 유입 재구매 건 ÷ 인스타 전체 주문건	퍼널별 리텐션 흐름 파악

⚠️ 주의점: 왜곡 가능성

*헤비 유저(많이 사는 고객)**가 전체 건수 중 다수를 차지하면, 전체 충성도보다 높게 보일 수 있음
따라서 고객 기준 재구매율과 함께 병렬로 보는 것이 가장 실무적

✅ 주문 건 기준 재구매율은 보조 지표로 유용

재방문 활성도나 매출 기여도 트렌드 확인에 좋지만,
고객의 충성도 파악에는 고객 기준 재구매율이 필수입니다.

고객 기준 재구매율과 주문 기준 재구매율의 차이점과 각각의 실무적 장단점, 그리고 언제 어떻게 활용해야 하는지를 비교해보기

이번에 지표를 보면서 "고객" 기준과 "주문" 기준으로 재구매율을 보는 건 다른 해석이 가능하다고 느꼈고 이번에 딱! 정리해보고자 했다.

✅ 고객 기준 vs 주문 기준 재구매율 비교 분석

- 주문 기준 ➡️ 매출 기여 확인

- 고객 기준 ➡️ 충성도 확인

구분	고객 기준 재구매율	주문 기준 재구매율
정의	전체 고객 중 2회 이상 구매한 고객 비율	전체 주문 중 재구매 고객의 주문 비율
공식	재구매 고객 수 ÷ 전체 구매 고객 수	재구매 주문 건 수 ÷ 전체 주문 건 수
분모 기준	사람(고객)	건수(주문)
포커스	충성도, 전환율	구매활동, 매출기여도
해석 포인트	우리 브랜드/제품을 다시 찾은 고객 비중	전체 거래 중 재구매 고객이 만든 비중
장점	충성 고객 비율 파악에 효과적 CRM 타겟팅/유입 채널 효율 평가에 적합	월별 변화 트렌드에 민감하게 반응 재구매 매출 기여도 파악에 유용
단점	다건 구매 고객의 영향 미반영 빈도는 파악 어려움	소수 다건 고객에 의해 왜곡될 수 있음
추천 활용처	① 고객 세그먼트 분석 ② 재구매 전환율 측정 ③ 퍼널 분석	① 월간 리텐션 추이 ② CRM/리타겟팅 효과 ③ 재구매 매출 기여도 분석
보조 지표	기간별 재구매율(30일/90일) 세그먼트별 재구매율	고객 기준 지표와 병렬 비교 LTV, 객단가와 함께 활용

✅ 예시 상황

유저에 따라 고객 & 주문 기준 재구매율을 활용해서 해석해볼 수 있다.

시나리오	고객 기준 재구매율	주문 기준 재구매율	해석
100명 중 30명이 2회 이상 구매	30%	50건 / 150건 = 33.3%	고객 충성도 30% 수준, 매출 기여도는 33%
10명의 헤비유저가 10번씩 구매	10%	100건 / 120건 = 83.3%	충성 고객 적지만, 재구매 고객이 매출 대부분을 차지
80명이 한 번, 20명이 두 번씩 구매	20%	(20×2)/120 = 33.3%	재구매 고객 비중은 작지만 총 거래의 1/3 차지

정리 요약

목적	추천 지표
고객 충성도, CRM 성과 분석	고객 기준 재구매율
재구매 매출 기여도, 시계열 분석	주문 기준 재구매율
전반적 판단	두 지표 병렬 비교 필수

실무 팁

월별 재구매 트렌드 분석 → 충성도 증감 vs 매출 기여도 증감의 불일치 포착
→ 고객 기준 재구매율 + 주문 기준 재구매율을 나란히 시각화
채널별 재구매 성과 비교 → 헤비유저 소수에 의존한 구조일 수 있음 → 위험 요인
→ 인스타그램 유입: 고객 기준은 낮은데 주문 기준은 높다?
재구매 유도 캠페인 성과 측정 → 주문 기준만 오르면 일부 고객만 반응했을 가능성
→ 고객 기준 재구매율이 오르면 캠페인 자체 효과

특히 요즘 중점적으로 보고 있는 것은 월별 트렌드를 파악해서 우리 브랜드 고객을 이해하는 것인 데,

주문 기준 / 고객 기준의 재구매율을 달리해서 보는 게 필요하다 느꼈다.

그렇다면 실무에서는 재구매율 지표를 어떻게 활용할 수 있을까?

1. 카테고리 재구매율

특정 카테고리 내에서 재구매가 발생한 비율
목적: 카테고리 충성도/구성 전략 판단
예시: 하의를 한 번이라도 산 고객 중, 하의를 2회 이상 구매한 비율

2. 시리즈(라인업) 재구매율

특정 시리즈 내 동일 or 유사 제품군 간 교차 재구매율
목적: 시리즈 확장 전략 평가
예시: 라인을 처음 구매한 고객 중, 동일한 라인업 다른 제품도 구매한 고객 비율

3. 기간별 재구매율 (n일 기준)

첫 구매 후 30일 / 60일 / 90일 / 180일 내 재구매한 고객 비율
목적: LTV 및 CRM 타이밍 설계, 충성고객 정의 기준 마련
예시: 첫 구매 후 90일 내 브랜드 내 2회 구매한 고객 비율

4. 경로별 재구매율

유입 채널별 첫 구매 고객 중 재구매로 이어진 비율
목적: 효율적인 퍼포먼스 마케팅 투자 판단
예시: 유튜브 광고 유입 → 첫 구매 고객의 재구매율 vs 인스타그램 유입 비교

5. 고객군별 재구매율

성별, 연령, 지역, 구매력 등 세그먼트별 재구매율
목적: 타겟 전략 최적화, 고가제품 or 리텐션 유도 전략 설계
예시: 20대 여성 vs 30대 여성의 재구매율 차이

6. 제품군 간 교차 재구매율

A 제품군 구매자 중 B 제품군도 구매한 고객 비율
목적: 연관구매 유도, 번들 or 크로스셀 전략 설계
예시: 브라 구매자 중 레깅스를 구매한 비율

실무에서 추천하는 지표

분석 목적	활용 추천 지표
충성고객 타겟팅/CRM 타이밍	기간별 재구매율
제품력 vs 브랜드력 파악	동일상품 / 시리즈 / 브랜드 재구매율
마케팅 채널 효율 분석	유입경로별 재구매율
연관 제품 제안	교차 재구매율
고객 세그먼트별 인사이트	고객군별 재구매율

결국 고객 기준의 재구매율을 보는 경우가 많은 데,

실무적으로는 어떻게 쪼개서 볼 것인 지 "재구매"를 상세하게 정의하는 과정이 필요한 것 같다.

✏️ 느꼈던 점 요약
- 재구매율, 어떤 기준에서 볼 것인 지에 따라 해석이 달라질 수 있다. 데이터 분석을 할 때 비즈니스에 대한 이해는 필수란 사실을 또 다시 느꼈다.

시도할 점
- 데이터 및 지표를 정의할 때에 있어서 "비즈니스" 관점과 "산업"에 대한 이해는 필수적! 해당 관점에서 지표를 정의해보도록 하기

[TIL 27] 분석 프로세스 고민, 안건 > 지표 > 가설 단계별 구체화와 그 외 다른 방법들

쭈경잉 — Sun, 13 Jul 2025 01:04:25 +0900

늘 기획을 하며 고민이 되는 부분은 분석은 파고 팔 수록 더 봐야 하는 것들이 많은 데,

어디까지 볼 것이고 내가 볼 것이 무엇일 지를 정확하게 알고 가는 게 중요하다는 걸 매번 깨닫는다.

그러면서 이번에는 좀 다르게 가설을 먼저 잡기 보다는 안건을 굵직하게 잡아놓고

거기에서 어떤 지표로 해석할 수 있을 지? 그러면 그 지표에 따라 어떤 가설을 확인할 수 있을 지 잡아봤다.

이전의 방식은 가설을 세우고 > 지표를 보고 > 안건을 만들어서 봤다면

이번에는 역순으로 진행해보고자 했다. 방법은 없는 것 같지만, 분석 건을 어떻게 보느냐에 따라

이 두가지 프로세스는 엄연히 다를 수 있다는 생각이 들었다.

이러한 것들은 계속 기록으로 남기고 미래의 나를 위해 체킹 차원에서 아카이빙해보고자 한다.

분석을 하는 데는 정답이 없다. 그렇기 때문에 계속해서 고민하고 또 시도해보고 부딪혀보며 나아가야 하는 것 같다.

✅ 두 가지 분석 접근 방식 비교

구분	안건 → 지표 → 가설 방식	가설 → 지표 → 안건 방식
설명	분석 범위를 안건별로 잡고, 지표를 설계한 뒤, 각 지표에 대한 가설을 세움	풀고 싶은 문제(가설)부터 출발해서 필요한 지표를 정의하고, 관련된 안건으로 묶음
장점	- 실무/현업 맥락 반영에 유리 - 분석 범위가 자연스럽게 좁혀짐 - 다양한 지표를 포괄하며 비교적 빠른 시작 가능	- 메시지가 명확하고 전달력 높음 - 인사이트 도출 후 액션으로 자연스럽게 연결됨 - 리더십 설득, 인사이트 중심 회고에 적합
단점	- 메시지가 분산되기 쉬움 - 지표가 많아지면 핵심 포인트 흐림 - 보고서 재정리 시 재구성 필요	- 분석 범위 협의가 어렵거나 명확하지 않은 경우, 시작 지점이 막막할 수 있음 - 데이터가 부족하면 가설 검증 자체가 어려움
적합한 상황	- 캠페인 효과나 리포트 정리가 중심일 때 - 다양한 관점에서 현황을 점검하고 싶을 때	- 명확한 문제 해결 또는 기획 방향성 검증이 필요할 때 - 전략적 인사이트를 도출하고자 할 때
정리 구조 예시	안건 1: 광고 채널별 효율성 → 지표: 전환율, CAC, LTV → 가설: SNS 채널은 이탈률 높다	가설 1: 신규 고객은 특정 제품군 선호 → 지표: 제품별 첫 구매율 → 안건: 제품별 구매 행동 분석

공통점

결국은 “지표 설계”가 핵심 축이다.
최종 보고서는 보통 “안건 단위 + 핵심 인사이트 중심”으로 전달됨
데이터/지표/정의가 정교해야 의미 있는 분석 가능

차이점

항목	시작점	인사이트 방향	액션 설계	메시지 설득력
안건 중심	현업 이슈	상황 점검/설명	전체 리뷰 중심	낮을 수 있음
가설 중심	문제 정의	명확한 판단	방향 설정	높음

️ 실무적으로 유용한 다른 분석 구조

1. 시나리오 기반 분석 (Scenario-first)

가설 대신 “나올 수 있는 시나리오”를 먼저 상정하고 → 그걸 구분할 수 있는 지표로 분석
장점: 예측력, 리스크 관리에 유리
예시: "매출 하락 이유는 ①유입감소 ②전환율 하락 ③재구매 감소 중 무엇인가?"

2. AARRR 퍼널 중심 분석 (Funnel-first)

퍼널 구조 기반으로 단계별 문제를 파악하고 → 각 단계의 KPI 설정 → 가설 설정
장점: 전환 개선, 고객 행동 흐름 분석에 최적
예시: Activation 단계에서 이탈 많은 이유는 탐색 부족 or 정보 과잉?

3. 데이터 패턴 탐색형 (Exploratory-first)

사전 가설 없이 현상을 탐색하며 → 유의미한 이상점이나 경향 발견 후 가설 수립
장점: 숨어있는 인사이트 발견
단점: 방향성 없이 분석할 경우 비효율적

팁: 실무에서는 혼합 방식이 가장 효과적

분석은 “정답”보다 “명확한 메시지와 실행 가능성”이 중요

1. 목적 / 방향 설정
2. 주요 시나리오 or 가설 수립
3. 안건별로 필요한 지표 분해
4. 분석하면서 메시지 중심 정리
5. 핵심 가설 중심으로 재정렬 (보고서 구조화)

✅ 순서와 방법론에 대해서도 중요하지만 무엇보다 "지표 설계"가 중요하며

목적에 따라 분석 혹은 집계 방법이 달라지기 때문에 분석 과정에서의 "왜"에 대한 기록은 필수이다.

그렇다면 분석 프로세스를 보다 효율적으로 진행하기 위해서는 어떤 것들이 필요할까?

✅ 분석 프로세스의 핵심 요소 5가지 (효율적 진행을 위한 체크리스트)

1. 분석 목적의 명확성

"이걸 왜 분석하는가?"를 한 문장으로 정리
정리가 안 되면 분석 방향도, 지표도 계속 바뀌어 비효율 발생

✅ 예: "특정 제품의 재구매 가능성을 확인해 신규 푸쉬군으로 삼을 수 있는지 판단"

2. 분석 단위(가설 or 안건 or 시나리오)의 조기 고정

분석을 어디에서부터 풀어갈지 단위를 초기에 잡아야 함
중간에 바꾸면 지표 설계와 인사이트 정리가 꼬일 수 있음

✅ 지금처럼 “이번에는 안건 → 지표 → 가설 순”이라고 미리 정한 게 매우 좋은 접근

3. 지표의 정의 및 우선순위

지표를 늘리지 말고 “핵심 지표 2~3개”만 먼저 설정
부가 지표는 탐색용으로만 보고 핵심 메시지에는 반영하지 않기

✅ 핵심지표 예: 재구매율, 평균 구매 횟수
❌ 부가지표까지 억지로 다 넣기 → 메시지 흐려짐

4. 데이터 컬럼 설계

지표를 만들기 위해 필요한 컬럼을 사전에 정리해두면 추출 요청, 전처리, 집계 시간이 줄어듦
컬럼 수는 5개 내외로 제한 → 가독성↑

✅ user_id / purchase_date / item_name / series / purchase_nth

5. 최종 인사이트 방향성

분석 중간부터 “이 결과가 어떤 판단으로 연결될까?”를 계속 의식
이걸 잊으면 데이터를 계속 보다 끝나는 '아웃풋 없음' 상황 발생

✅ 예: “상의는 시리즈 전환 전략보다 단독 푸쉬가 적절하다”

내가 경험한 바로는 처음에 프로세스를 신경 쓰다가 어려운 부분들이 있었다.

앞으로는 위 5가지만 놓치지 않고 반복하며 케이스를 쌓는 것이 훨씬 중요할 것 같다.

케이스가 5~10건 정도 쌓이면 나만의 루틴과 프로세스가 만들어질 거고 분석 흐름도 유연하게 전환되는 '감'이 생기지 않을까싶다.

✏️ 느꼈던 점 요약
- 분석은 어떤 흐름으로 시작하느냐에 따라 “해석 관점”과 “전달 방식”이 달라지기 때문에, 두 방식 모두 유효하며 상황에 따라 적절하게 선택할 수 있어야 한다.
- 프로세스보다는 과정 기록과 그 안에서의 흐름들을 놓치지 말고 아쉬운 부분들을 회고하는 게 중요하다.

시도할 점
- 필수 5가지를 기억하고 분석을 함에 있어서 "이 결과가 어떤 판단으로 연결될까?"를 의식해보도록 하자
- 지표, 컬럼 수를 간소화해서 분석 내용이 크게 깊어지지 않도록 경계해보기