Firebase Analytics 살펴보기(2)

이전에는 파이어베이스 애널리틱스의 장점과 구글 애널리틱스와의 차이점에 대해서 알아보았다. 이번에는 파이어베이스 애널리틱스에 의해서 분석되어 리포트로 제공되는 각종 지표와 이벤트들에 대해서 알아보도록 한다. 

 

대쉬 보드

파이어베이스 애널리틱스를 사용하게 되면 리포트는 대쉬보드를 통하여 출력되게 된다. 대쉬 보드는 대략 아래와 같이 생겼는데, 각 항목을 살펴보도록 하자. 

조대협의 블로그 https://bcho.tistory.com/1132

 

기준 시간

분석 지표에 대한 이해를 하기 위해서는 먼저 기준 시간에 대한 이해를 할 필요가 있다. 파이어베이스 애널리틱스 콘솔의 우측 상단을 보면 분석 기간을 선택할 수 있다. 분석 기간은 오늘, 어제, 이번주, 지난 7일, 지난 30일 등 미리 정해진 기간이나 Custom을 이용하여, 기간을 정의할 수 있다. 

 

1. Active User (활성 사용자 수)

가장 처음에 나오는 지표는 활성 사용자 수 이다. 가장 많이 보는 지표중의 하나인데 일, 월, 주별 방문자 수 를 나타낸다.

• Monthly Active User (MAU: 월별 활성 사용자 수)
  그래프의 X축의 날짜에서부터 전 30일까지의 앱을 사용한 총 일일 사용자 수.
• Weekly Active User (WAU: 주별 활성 사용자 수)
  그래프의 X축의 날짜에서부터 전 7일까지 앱을 사용한 총 일일 사용자의 수.
• Daily Active User (DAU: 주별 활성 사용자 수)
  그래프의 X축 날짜의 앱을 사용한 일일 사용자의 수.

위의 그래프를 보면 WAU와 DAU는 수평을 그리고 있는데 반하여 MAU가 올라가고 있음을 볼 수 있다. 이 그래프는 파이어베이스 애널리틱스를 설치한지 얼마 되지 않는 기간에 뽑은 리포트인데, DAU는 일정하기 때문에 MAU는 누적되서 그래프가 상승 곡선을 띄게 되는 것이다. 

이 지표를 통해 자주 방문하거나, *트랜젝션을 많이 일으키는 사용자들에 대한 정보를 확인한다. 예를 들면 여행 앱을 월 2회 등 정기적으로 사용하거나, 증권 앱을 주 4회 방문하거나, 커머스 앱을 주 2회 이상 정기적으로 방문하면서, 구매를 한달에 한번 이상 하는 방문자들에 대한 이용 패턴을 확인해 볼 수 있다. 또한 방문은 매일 하지만 거래(숙소 예약이나, 주식 거래나, 상품 구매 등)는 일어나지 않는 경우도 있을 수 있다. 다만 “액티브"의 정의를 예리하게 하는 것이 필요하다. 이를 통해 이 사람들을 액티브 유저로 만드는 요인이 무엇인지? 우리 서비스에서 이 요인을 강화시켜 더 많은 액티브 유저를 확보할 수 있을 것인지? 액티브 유저가 더 편리하게 쓸 수 있는 경험은 무엇인지 고민할 수 있는 포인트가 생기게 된다. 

*트랜젝션(Transaction): 트랜잭션은 데이터베이스 시스템에서 병행 제어 및 회복 작업 시 처리되는 작업의 논리적 단위이며 사용자가 시스템에 대한 서비스 요구 시 시스템이 응답하기 위한 상태 변환 과정의 작업단위이다.

 

2. Average Revenue (평균 수익)

다음 지표는 수익 지표이다. 크게 ARPU와 ARPPU로 표현되는데 그 내용은 다음과 같다. 

• ARPU (Average revenue per User)
  사용자별 수익률로, 전체 수익을 전체 사용자 수로 나눠서 계산한다. 
• ARPPU (Average revenue per purchased user)
  유료 사용자별 수익률로, 전체 수익을 비용을 지불한 사용자로 나눠서 계산한다. 

전체 서비스가 유료가 아닌 이상, 커머스의 경우 일부 사용자만 물건을 구매하거나, 게이나 서비스 앱인 경우에는 일부 사용자만 인앱 구매등을 통해서 비용을 지불하기 때문에 다른 두개의 지표가 나온다. 
ARPU는 서비스에서 증가하는 사용자당 수익률일 어떻게 올라가는지를 알 수 있고, 
ARPPU는 유료 사용자당 얼마의 금액을 사용하는지를 이해할 수 있다. 

이 지표는 파이어베이스 애널리틱스에서 ecommece_purchase (쇼핑몰 *이벤트 중, 구매 이벤트)와 in_app_purchase (일반 이벤트중 인앱 구매) 이벤트에 의해서 추적되기 때문에, ARPU와 ARPPU를 구하고 싶으면, 상품구매나 인앱 구매가 발생하였을 때, 위의 이벤트를 통해서 파이어베이스 애널리틱스에 이벤트를 로깅해줘야 한다. 

*이벤트: 이벤트는 사용자 행동, 시스템 이벤트, 오류 등 앱에서 발생하는 상황을 파악하는 수단이다. 애널리틱스는 몇 가지 이벤트를 자동으로 로깅하며 별도의 코드 없이 이벤트를 수신할 수 있다. 앱에서 데이터를 추가로 수집해야 하는 경우 서로 다른 애널리틱스 이벤트 유형을 최대 500개까지 로깅할 수 있다. 

 

3. first_open attribution (앱실행 빈도)

다음 지표는 첫 앱 실행을 추적하는 지표이다. 기준 시간, 기간 동안 설치 또는 재설치가 된 후, 처음으로 앱이 실행된 횟수를 추적하는 지표이다. 
이 지표는 다양한 의미를 가지고 있는데, 앱 다운로드가 캠페인등을 통해서 많이 일어났다고 하더라도, 앱을 한번도 실행해 보지 않고 삭제하는 경우도 많기 때문에, 앱 다운로드 대비, 얼마나 많은 사용자가 실제로 앱을 실행했는가를 추적할 수 있다. 

또한 "NEWORK SETTING"에서 광고 서비스 네트워크를 연동할 수 있는데, 광고 네트워크를 연동하게 되면 앱의 설치가 사용자가 앱스토어에서 그냥 자발적으로 설치를 한 것인지 아니면 광고 네트워크의 특정 광고 캠페인을 통해서 인입된 사용자인지를 판다할 수 있다. 

광고 네트워크를 연동하는 화면

이를 통해서 광고 마케팅의 효율과 성과를 측정하여 효율적인 광고 집행이 가능하다. 앱 첫 실행을 기록하는 first_open 이벤트는 개발자가 별도로 코드 상에 정의하지 않더라도 자동으로 로깅된다. 

아래 예시를 보자. 광고 네트워크를 통하지 않고 앱을 처음 사용한 것이 150k 정도 되고, 다음은 구글을 통해서 들어온 비중이 38k 정도가 된다.

예시 이미지

우측 상단쪽에 LTV라는 수치가 있는데 LTV는 Life Time Value의 약자로 사용자가 앱을 설치한 후, 초기 120일 동안에 일으킨 매출의 총ecommece_purchase (쇼핑몰 *이벤트 중, 구매 이벤트)와 in_app_purchase (일반 이벤트중 인앱 구매) 이벤트에 의해서 추적된다. 
이를 통해서 광고 네트워크별로 얼마만틈의 사용자가 들어오고 유입된 사용자가 발생시킨 매출을 추적하여 광고의 효율을 측정할 수 있다. 

 

4. Retention cohort (사용자 잔존율 코호트 분석)

다음 지표는 사용자 잔존율을 코호트 분석을 통해서 분석해낸 결과로, 사용자가 처음 앱을 사용한 후 얼마나 많은 사용자가 지속적으로 남아 있느냐를 나타내는 중요한 지표이다. 주 단위 잔존율을 기준으로 통계를 잡아주는데 잔존 사용자가 많을 수록 그래프가 더 진하게 표시 된다. 다음 예제를 보면 7월 17일 ~ 7월23일에 가입한 사용자는 총 19481명으로 첫주에는 100% 사용자가 잔존하였으나 1주 후에는 23.5%만 남았고 2주후에는 12.2%만 남았다가 5주후에는 6.4%만 남았다. 7월 31일 ~ 8월6일에 가입한 사용자의 경우 1주차에 23.7%가 남아있어서 다른 주 대비 잔존율이 높아서 조금 더 진한 색깔이 그래프로 표현되었다.

리텐션을 측정하기 위해서는 재방문의 기준이 될 특정 행동을 정의해야한다. 방문시점은 첫 방문 시점과 재방문 시점을 지정해 비교하고 사용자의 특정 행동을 지정해 비교한다. 
또한 이 차트를 보는 방향에 따라서 다양하게 해석될 수 있다. 세로 방향을 본다면, 같은 기간이 지난 후 코호트 간 리텐션을 비교할 수 있고 대각선 방향으로 본다면, 같은 시간대 코호트 간 비교를 할 수 있다. 

 

5. User engagement (사용자 활동 지표)

사용자 활동 지표란, 사용자들이 특정 기간동안 얼마나 앱을 사용했느냐에 대한 시간과 횟수등을 표현하는 지표들이다.

• Daily engagement (총 사용시간)
  통계 기간 (기준 시간 기간) 동안 모든 사용자들이 앱을 사용한 총 시간의 합이다. 위의 예에서는 1년 34일 14시간을 사용한것으로 집게 되었다.
• Daily engagement per user (사용자당 평균 사용 시간)
  통계 기간중, 사용자 1인당 평균 사용시간이다. Daily engagement를 그 기간 동안 총 활성 사용자 수로 나눈 값이다.
• Session per user (사용자당 평균 세션 수)
  사용자당 평균 세션 수 인데, 세션은 사용자가 기간동안 앱을 사용한 횟수로 보면 되다. 위의 예제에서는 사용자당 평균 3.7 회 정도 사용하였다.
• Avg. session duration (사용자당 평균 세션 길이)
  사용자당 세션의 길이로, 한번 사용할때 평균 얼마 정도의 시간을 사용하느냐인데, 여기서는 사용자당 한번 사용에 7분 8초 정도를 사용한것으로 집게 되었다.

이런 통계 분석에서 주의할점은 이는 어디까지나 평균 값일 뿐이다. 특정 사용자는 기간동안 평균값이 3.7회가 넘는 10회 20회를 사용할 수 도 있고, 어떤 사용자 층은 한번 밖에 사용하지 않을 수 도 있다. 일반적으로 모바일 서비스 앱은 그 사용횟수나 사용 시간에 대한 분포가 특정 사용자군(헤비유저)에게 몰리는 경향이 있기 때문에 이러한 평균 지표보다는 정규 분포형의 지표를 따라서 분석하는 것이 조금 더 정확하다. 이를 위해서는 파이어베이스 애널러틱스의 지표만으로는 불가능하고, 원본 데이터를 기반으로 분석을 할 필요가 있다. 이를 위해서 원본 데이터를 빅쿼리에 저장한 후 분석하는 것이 좋다.

 

6. In-App purchase (인앱 구매)

이 지표는 인앱 구매에 대한 지표로, in_app_purchase 이벤트에 의해서 수집된 정보를 기반으로 통계를 계산한다. 총 얼마 만큼의 사용자가, 인앱 구매를 했는지를 출력하고, 이를 통해서 발생된 매출을 출력한다. 아울러 아래 그림과 같이 최고 매출을 일으킨 인앱 구매 상품들을 구매 횟수와 총 매출액을 통계로 표시해준다.

아래의 “VIEW IN-APP PURCHASE DETAILS” 탭을 클릭하면, 모든 인앱 상품의 매출 정보와 판매 추이,  사용자 연령대별 매출 발생 비중등 자세한 정보를 볼 수 있다.

 

7. App version (앱 버전)

통계 기간 동안 모든 사용자가 사용한 앱 버전에 대한 통계를 보여준다. 상위 3개의 버전을 보여주고, 나머지는 Others로 묶어서 통계로 보여준다.

앱 버전 역시 모바일 서비스에서 매우 중요한 지표중의 하나인데 신기능이나 신규 컨텐츠가 올라가더라도 버전이 옛날 버전이 많이 깔려 있을 경우 신규 기능이나 컨텐츠가 동작하지 않을 수 도 있기 때문에, 얼마나 사용자들이 새 버전으로 업데이트했는지 추적하는 것이 중요한 지표가 된다. 아울러 경우에 따라서 예전 버전이 많을 경우에는 강제 업데이트를 해야 하는 경우도 있기 때문에, 앱 버전에 대한 추적 역시 매우 중요한 지표로 작용한다.

나는 이번에 앱 리뉴얼을 진행하며 리뉴얼 업데이트 이전 버전과 업데이트 버전의 지표를 비교하고 있다. 리뉴얼처럼 앱의 큰 변화가 있는 경우에 이 지표를 더 잘 살펴보아야한다. 업데이트 일자를 기준으로 앱 사용자 중 몇 퍼센트의 사용자가 업데이트를 했는지, 그리고 이 업데이트를 한 유저들의 피드백이 긍정적인지 부정적인지 살펴볼 필요성이 있다. 

 

8. Devices (디바이스)

통계 기간동안에 사용자가 앱을 사용하는데 사용한 주요 디바이스명과, OS 버전에 대한 통계이다. 디바이스명은 테스트 환경을 만들때 사용자들이 주로 어떤 디바이스를 사용하는지를 알면 테스트 디바이스를 준비하기가 편리하기 때문이다. OS version의 경우, 낮은 버전의 OS에서는 특정 SDK나 기능이 작동하지 않을 수 있기 때문에 앱 개발시 어느 OS 버전 부터 지원을 해야 할지, 그리고 사용 빈도가 낮은 OS는 언제 지원을 중단할 수 있을지등을 결정할 수 있는 지표로 활용이 가능하다.

 

9. Location(위치)

이해는 쉽지만 가장 중요한 지표중의 하나이다. 해당 기간동안 주로 어느 국가에서 앱이 많이 사용되었는 가를 리포팅 해주는 지표이다.

국내나 특정 국가 한정 서비스인 경우가 아닌 글로벌 서비스인 경우 서비스가 어느 나라에서 인기가 있는 가에 따라서, 그 나라에 맞도록 앱을 현지화 하거나, 앱에 대한 마케팅 자원등을 선택과 집중할 수 있다.

10. Demographics (데모그래픽 정보)

데모 그래픽 정보는 사용자의 연령과 성별등을 나타내는 정보이다. 이를 통하여 앱 사용자가 누구인지를 파악할 수 있고, 이를 기반으로 앱 서비스를 타케팅할 수 있는 대상을 식별하여, 제공할 컨텐츠, 마케팅 캠페인 대상등을 정할 수 있다.

 

11. Interest (사용자 흥미)

마지막으로 이 앱 서비스를 사용하는 사용자가 어떤 흥미를 가지고 있는지를 분석 해주는 기능이다. 이러한 모바일 분석 플랫폼을 무료로 제공하는 서비스 제공자는 구글뿐아니라 야후, 트위터와 같이 광고를 통해서 수익을 창출하는 경우가 많다. 이러한 사업자등은 자사의 서비스에서 사용자들이 어떤 서비스나 어떤 컨텐츠를 선호 하는지를 분석한 후에, 이를 기반으로 모바일 데이타 분석 플랫폼을 사용하는 앱 개발사들의 사용자들이 어떤 컨텐츠나 서비스를 선호하는지를 추적 분석해주는데, 이것이 Interest 분석이다.

 

사실 대쉬 보드를 보면서 정리를 하면서도 정확한 사용법에 대해서 이해하기가 어려웠다. 그러다 같은 팀 개발자분에게 현재 개발중인 프로덕트의 파이어베이스 애널리틱스에서 데이터 확인하는 법에 대해 문의했는데 단번에 이해할 수 있었다. 각각의 대쉬 보드를 이해하고 나서 내가 데이터를 통해 알고 싶은 정보가 무엇인지에 대해 정리해서 데이터 분석을 알고 있는 주변인에게 명확하게 질문을 해보는 게 제일 좋고 빠른 방법 같다. 

 

---

 

출처: https://bcho.tistory.com/1132

파이어베이스 애널러틱스를 이용한 모바일 데이타 분석 #2-분석 지표 이해하기

 

참고자료

https://velog.io/@tyhlife/%EB%A6%AC%ED%85%90%EC%85%98Retion%EA%B3%BC-%EC%BD%94%ED%98%B8%ED%8A%B8-%EB%B6%84%EC%84%9D-Cohort-Analysis

리텐션(Retion)과 코호트 분석 (Cohort Analysis)

https://story.pxd.co.kr/1591

UX리서치 #2: 데이터로 현상을 파악하기

https://hyerim.medium.com/%EB%94%94%EC%9E%90%EC%9D%B4%EB%84%88%EB%8A%94-%EC%96%B4%EB%96%A4-%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%A5%BC-%EB%B4%90%EC%95%BC-%ED%95%98%EB%82%98%EC%9A%94-11e25637f01

디자이너는 어떤 데이터를 봐야 하나요?