코호트 분석이 정확히 무엇을 추적하는가

코호트 분석은 공통적인 특성이나 경험을 공유하는 사용자들의 집단(코호트)을 시간에 따라 추적하여, 그 그룹이 어떻게 성장·축소·변화하는지 파악하는 분석 기법입니다. 가장 흔한 기준은 '가입 시점'입니다 — 3월에 가입한 유저 전체를 하나의 코호트로 묶고, 이 그룹이 4월, 5월, 6월로 갈수록 몇 %가 남아 있는지를 추적합니다. 다만 코호트의 정의는 목적에 따라 달라질 수 있습니다. '첫 방문 시기별 사용자 그룹', '첫 구매 시기별 고객 그룹' 외에도 '특정 기능을 최초 사용한 시점', '특정 가입 채널' 등으로도 정의할 수 있습니다.

여기서 중요한 것은 코호트 안의 유저들이 '같은 시계(clock)'를 공유한다는 점입니다. 3월 가입자의 Day30과 6월 가입자의 Day30은 달력상 다른 날짜지만, 각자의 여정에서는 같은 시점(가입 30일 후)입니다. 이 정렬이 있어야 서로 다른 시기에 유입된 그룹의 성과를 공정하게 비교할 수 있습니다.

왜 전체 평균 지표만 보면 안 되는가

서비스 전체의 '이번 달 재방문율'이라는 단일 숫자는 이번 달 신규 가입자와 1년 전 가입자가 뒤섞인 결과입니다. 신규 유저는 원래 이탈률이 높고 오래된 유저는 이미 걸러진 충성 유저만 남아 있기 때문에, 이 둘을 합친 평균은 어느 쪽 실태도 정확히 반영하지 못합니다. 예를 들어 이번 달 마케팅으로 신규 가입이 급증했다면, 전체 평균 재방문율은 실제 제품 개선과 무관하게 일시적으로 떨어질 수 있습니다.

코호트로 쪼개면 이 착시가 사라집니다. 3월 코호트와 6월 코호트의 Day30 잔존율을 나란히 비교하면, 그 사이에 있었던 온보딩 개선이나 기능 출시가 실제로 잔존율을 바꿨는지 순수하게 판단할 수 있습니다. 즉 코호트 분석은 '지금 몇 명이 남았나'가 아니라 '무엇을 바꿨을 때 잔존이 어떻게 달라지는가'를 보는 도구입니다.

코호트를 나누는 기준은 무엇인가

가입 시점(Time-based Cohort)이 가장 널리 쓰이지만, 실무에서는 목적에 맞는 다른 기준도 함께 씁니다. 유입 채널별 코호트(네이버 검색광고 발 가입자 vs 인스타그램 인플루언서 발 가입자)는 채널의 장기 가치를 비교할 때 쓰고, 행동 기반 코호트(Behavioral Cohort — 특정 기능을 사용한 그룹 vs 사용하지 않은 그룹)는 어떤 기능이 리텐션에 실제로 기여하는지 검증할 때 씁니다. 같은 원본 데이터라도 어떤 기준으로 코호트를 나누느냐에 따라 완전히 다른 인사이트가 나오므로, 분석을 시작하기 전에 '이 분석으로 무엇을 판단하고 싶은가'를 먼저 정하는 것이 순서입니다.

리텐션 커브는 코호트 분석의 결과물이다

코호트별로 시간 경과에 따른 잔존율을 그래프로 그린 것이 리텐션 커브입니다. X축은 가입 후 경과일(Day 0, Day 1, Day 7, Day 30…), Y축은 그 시점에 남아 있는 유저 비율입니다. 일반적인 리텐션 커브는 우하향하는 곡선을 그립니다 — 초반에는 신규 유저 이탈이 크지만 시간이 지나며 하락폭이 완만해집니다. 이 커브가 완전히 평탄해지는 지점이 있는지, 있다면 몇 %대에서 평탄해지는지가 다음 레슨에서 다룰 PMF(제품-시장 적합성) 판정의 핵심 신호입니다.

실무에서 코호트 분석을 시작하는 가장 쉬운 방법

별도 개발 없이 코호트 분석을 시작하려면 GA4의 '탐색 > 동질 집단 탐색' 메뉴를 쓰는 것이 가장 빠릅니다. 초기 설정에서 포함 기준은 '첫 접속'으로, 재방문 기준은 '모든 접속'으로 설정되어 있어 별도 이벤트 태깅 없이도 기본적인 리텐션 커브를 바로 확인할 수 있습니다. 코호트 크기(세분화 단위)는 일일·주간·월간 중에서 서비스의 방문 주기에 맞게 고를 수 있습니다 — 매일 쓰는 서비스는 일일 단위, 월 1~2회 쓰는 서비스는 주간·월간 단위가 더 안정적인 패턴을 보여줍니다. 자사 DB를 직접 다룰 수 있다면 가입일과 접속 로그를 조인해 동일한 표를 만들 수도 있는데, 이 구조는 다음 레슨에서 다룹니다.

처음 시작할 때 흔히 저지르는 실수

코호트 분석을 처음 도입하는 조직에서 가장 자주 나오는 실수는 코호트 크기(모수)를 확인하지 않고 그래프 모양만 보는 것입니다. 신규 가입자가 하루 5명뿐인 초기 서비스에서는 한두 명의 이탈만으로도 리텐션 그래프가 크게 출렁이는데, 이를 실제 추세 변화로 착각하면 잘못된 의사결정으로 이어집니다. 최소한 코호트당 수십 명 이상, 가능하면 세 자릿수 이상의 모수가 쌓인 뒤부터 커브의 형태를 신뢰하는 것이 안전합니다.

또 하나 흔한 실수는 '재방문'의 정의를 서비스 성격과 무관하게 획일적으로 잡는 것입니다. 매일 열어보는 소셜 앱과 한 달에 한 번 결제하는 구독 서비스에 똑같은 '접속 = 재방문' 기준을 적용하면, 구독 서비스는 실제로는 건강한데도 리텐션이 낮게 나오는 착시가 생깁니다. 이 재방문 정의 문제는 다음 레슨(측정 모델 선택)에서 더 깊게 다룹니다.