정의가 셋이라는 사실부터 고정한다

리텐션은 세 가지 방식으로 측정할 수 있고 값이 서로 다르게 나옵니다. 클래식(N-Day) 리텐션은 기준일로부터 정확히 N일째에 재방문·재구매했는지를 봅니다. 범위(Unbounded) 리텐션은 N일째 또는 그 이후 아무 날에나 다시 오면 카운트합니다. 롤링 리텐션은 특정 기간 구간 중 한 번이라도 있으면 그 구간 전체를 잔존으로 처리합니다.

이커머스 재구매율에서 N-Day를 그대로 쓰면 값이 비현실적으로 낮게 나옵니다. 정확히 30일째에 사는 고객은 드물기 때문입니다. 실무에서는 30일 이내 또는 30일 이후 아무 때나 재구매했는지를 보는 범위형이 더 자주 맞습니다. 중요한 것은 어느 쪽이 옳으냐가 아니라 팀마다 다른 정의를 쓰지 않는 것입니다. 정의를 문서로 고정한 뒤 대시보드를 만들어야 마케팅과 데이터 쪽 숫자가 어긋나지 않습니다.

코호트의 기준일을 무엇으로 잡나

코호트는 같은 시기에 같은 사건을 겪은 집단입니다. 재구매율에서 그 사건은 가입일일 수도 있고 첫 구매일일 수도 있는데, 두 값은 다릅니다. 가입하고 석 달 뒤에 처음 산 고객을 가입월 코호트에 넣으면 그 코호트의 초기 구간 재구매율이 낮게 깔립니다.

재구매를 보는 목적이라면 기준일은 첫 구매일입니다. 첫 구매일 기준으로 코호트를 묶어야 재구매까지의 경과 시간이 모든 구성원에게 같은 의미를 갖습니다. 세분화 단위는 일간·주간·월간 중에서 고릅니다. 일간은 세밀하지만 코호트 수가 많아 데이터가 분산되고, 월간은 전체 추세 파악에 유리합니다. 재구매 주기가 한 달을 넘는 카테고리라면 주간 이하 세분화는 표본이 얇아 읽기 어렵습니다.

분자에 무엇을 넣을지가 가장 자주 틀린다

분자 정의에서 갈리는 항목이 네 가지 있습니다.

첫째는 구독·정기배송의 자동결제입니다. 고객이 한 번 신청하고 매달 자동으로 결제되는 건을 재구매로 세면 재구매율이 크게 부풀고, 그 고객이 실제로 다시 선택했는지는 보이지 않게 됩니다. 구독 매출은 분리해 따로 보는 편이 안전하고, 합쳐 볼 때는 구독 비중이 바뀌면 재구매율이 함께 움직인다는 점을 대시보드에 적어 둡니다.

둘째는 취소·반품 주문입니다. 결제 시점 기준으로 세면 곧바로 취소된 주문까지 재구매로 잡힙니다. 확정 주문 기준으로 정하고 그 기준을 문서에 남깁니다. 셋째는 같은 날 여러 건 결제입니다. 배송지가 달라 주문을 나눈 경우까지 두 번의 구매로 세면 재구매율과 구매 빈도가 함께 부풉니다. 넷째는 사은품·0원 주문입니다. 금액이 0인 주문을 구매로 세면 객단가는 내려가고 재구매율은 올라 두 지표가 반대 방향으로 왜곡됩니다.

분모에서 놓치는 것은 무엇인가

분모 쪽 대표 오류는 관측 절단입니다. 이번 달에 첫 구매한 코호트는 아직 재구매할 시간이 없었으므로 재구매율이 낮게 나옵니다. 이 값을 6개월 전 코호트와 나란히 놓으면 최근 코호트가 늘 나빠 보이고, 최근에 한 일이 잘못된 것처럼 읽힙니다.

해결은 관찰 창을 맞추는 것입니다. 모든 코호트를 첫 구매 후 30일이면 30일, 90일이면 90일로 같은 길이만큼만 잘라서 비교합니다. 그 길이를 채우지 못한 코호트는 표에 표시는 하되 비교 대상에서 뺍니다.

재구매율과 이탈률의 관계도 여기서 어긋납니다. 두 값의 합이 100%가 되는 것은 같은 기간·같은 모수를 기준으로 계산했을 때만 성립합니다. 재구매율은 첫 구매 코호트 기준으로 세고 이탈률은 전체 활성 고객 기준으로 세면 두 값이 맞지 않는데, 원인을 찾느라 시간을 쓰게 됩니다.

도구 기본값 때문에 생기는 오류는

GA4에서 코호트 분석은 탐색 메뉴의 동질 집단 탐색에서 수행합니다. 초기 설정에서 포함 기준은 첫 접속, 재방문 기준은 모든 접속으로 지정돼 있습니다. 여기서 그대로 보고서를 만들면 재구매율이 아니라 재방문율을 보게 됩니다. 재구매를 보려면 재방문 기준을 구매 이벤트로 바꿔야 합니다.

동질 집단 세분화는 일일·주간·월간 중에서 고르고, 앞서 말한 표본 분산 문제가 여기서 그대로 나타납니다. 그리고 구매 이벤트가 정확히 한 번만 발화하는지도 확인해야 합니다. 중복 발화가 있으면 재구매율과 객단가가 함께 왜곡돼 어느 쪽 숫자도 믿을 수 없게 됩니다.

남의 재구매율과 비교해도 되나

비교 대상이 되기 어렵습니다. 국내 업종별 평균 재구매율·재구매 주기를 공표하는 정부 공식 통계는 확인되지 않고, 유통되는 값은 민간 사업자의 자체 집계입니다.

값이 얼마나 갈리는지는 두 집계를 나란히 놓으면 드러납니다. NHN데이터는 2022년 10월 보고서에서 국내 쇼핑몰의 재구매 고객 비중이 22%, 평균 재구매 주기가 32.4일이며 매출액 상위 10% 고객의 59.4%는 5개월 내 추가 구매가 없었다고 밝혔습니다. 에이스카운터가 2020년 5월 25일부터 6월 21일까지 40여 개 사이트를 분석한 집계에서는 재구매가 전체 구매의 약 53%를 차지했습니다. 앞의 22%는 전체 고객 중 재구매자 비중이고 뒤의 53%는 전체 구매 건 중 재구매 건 비중이라, 분모가 다른 서로 다른 지표입니다. 둘 다 표본과 방법론이 공개되지 않은 민간 집계이고 국내 공식 표준이 아니므로, 자사 목표치나 판정 기준선으로 쓰면 안 됩니다.

코호트 표를 근거로 어디까지 말할 수 있나

코호트 분석은 상관관계를 보여 줄 뿐 인과관계를 증명하지 못합니다. 신규 기능이나 정책 도입 직후에는 데이터가 불충분해 신뢰성이 낮고, 시간이 지나면 마케팅 캠페인이나 경쟁사 출현 같은 외부 요인이 섞여 순수한 코호트 효과를 분리하기 어렵습니다.

그래서 코호트 표에서 읽을 수 있는 것은 어느 구간에서 무슨 일이 일어나고 있는지까지입니다. 특정 정책이 그 차이를 만들었다고 말하려면 같은 조건의 고객 일부를 무작위로 떼어 개입하지 않는 홀드아웃을 두고 같은 기간 비교한 결과가 있어야 합니다. LTV와 CAC도 전체 평균이 아니라 코호트 기반으로 계산해야 세그먼트·획득 채널·가입 시기에 따른 차이를 놓치지 않습니다.