코호트 분석과 리텐션 커브 — 사용자 유지 분석의 핵심

개요

코호트 분석(Cohort Analysis)은 같은 시기에 유입·가입·첫 구매한 사용자들의 그룹(코호트)을 추적하여, 시간이 지나며 그들이 서비스에 얼마나 오래 남는지(리텐션)를 측정하는 분석 기법입니다. 이를 통해 구독 서비스의 수익성, 신규 기능의 실제 효과, 온보딩의 성공 여부를 실제 데이터로 판단할 수 있습니다.

1. 코호트 분석의 정의 및 목적

코호트란?

코호트는 "공통적인 특성이나 경험을 공유하는 사용자들의 집단"을 의미합니다. 가장 일반적인 코호트는 같은 시기에 첫 방문한 사용자 그룹(예: 2026년 8월에 가입한 사용자들)이지만, 다음과 같이 다양하게 정의될 수 있습니다:

  • 첫 구매 시기별 고객 그룹
  • 특정 기능 최초 사용 시기별 사용자
  • 특정 마케팅 채널(광고, 추천, 오가닉)에서 유입된 사용자
  • 사용자 특성(지역, 디바이스, 나이)에 따른 그룹

코호트 분석의 목적

  1. 사용자 유지 패턴 파악 — 시간 경과에 따른 이탈 추이를 정량화
  2. 제품 개선의 영향 측정 — 새 기능이나 온보딩 변경이 리텐션을 개선했는지 확인
  3. 아하 모먼트 식별 — 특정 행동을 한 사용자 그룹과 그렇지 않은 그룹의 리텐션 비교
  4. 재무 지표 계산 — LTV(생애가치), CAC(획득 비용), 포기할 가치 등의 정확한 산출

2. 리텐션의 정의 및 중요성

리텐션이란?

리텐션(Retention)은 제품을 처음 사용한 후 특정 시점에 다시 접속·사용하는 사용자의 비율입니다.

예를 들어:

  • Day1 리텐션 50% = 가입 첫날 100명 중 다음날 50명이 돌아옴
  • Day7 리텐션 25% = 가입자 중 7일 후 25%만 남음
  • Day30 리텐션 10% = 가입자 중 30일 후 10%만 사용 중

리텐션이 중요한 이유

  1. 수익성의 지표 — 리텐션이 낮으면 아무리 고객을 많이 확보해도 수익이 나지 않습니다.
  2. 제품-시장 적합성(PMF) 검증 — "사람들이 우리 제품을 계속 쓰려 하는가"의 답
  3. 마케팅 효율 평가 — CAC 대비 LTV를 계산할 때 리텐션 데이터가 핵심 입력값

3. 리텐션 커브의 형태와 해석

일반적인 리텐션 커브 (우하향)

대부분의 제품은 다음 패턴을 보입니다:

Day0: 100% (설치/가입 당일 = 100%)
  ↓
Day1: 40% (다음날 복귀 40%)
  ↓
Day7: 20% (7일 후 복귀 20%)
  ↓
Day30: 8% (30일 후 복귀 8%)

이는 초기 이탈이 매우 큼을 의미합니다. 신규 사용자 중 60%는 다음날 돌아오지 않습니다. 하지만 생존자는 어느 정도 안정화되는 현상도 보입니다(Day730의 하락 속도가 Day17보다 완만).

스마일 커브 (긍정 신호)

일부 제품은 다음과 같은 패턴을 보입니다:

Day0: 100%
  ↓
Day1-2: 30% (초기 이탈)
  ↓
Day30: 40% (다시 상승!)

이를 스마일 커브 또는 파워 유저 커브라 합니다. 의미는 다음과 같습니다:

  • 초기에는 한 번만 시도하는 사용자가 이탈하고
  • 시간이 지남에 따라 서비스의 가치를 이해한 사용자만 남으면서
  • 최종적으로 비율이 오히려 높아지는 현상

스마일 커브가 좋은 신호인 이유:

  1. 제품의 가치가 점진적으로 증가함 (초기에는 이해 안 되지만 사용하다 보니 좋음)
  2. 초기 이탈은 정상이고, 핵심 사용자만 남는다는 증거
  3. 광고·마케팅 비용이 의미 있는 투자가 된다는 뜻

네트워크 효과가 강한 제품(SNS, 커뮤니티, 게임)이나 사용할수록 가치가 증가하는 제품(노트 앱, 협업 도구)에서 주로 나타납니다.

지속적 하락 커브 (위험 신호)

Day30에도 계속 하락하면서 안정화가 없는 그래프는 제품에 근본적인 문제가 있다는 신호입니다.

  • 온보딩이 너무 복잡하거나
  • 초기 기대와 실제 제품이 많이 다르거나
  • 핵심 기능이 부족하거나
  • UX가 불편한 경우

4. 온보딩과 아하 모먼트(Aha Moment)

아하 모먼트란?

아하 모먼트는 신규 사용자가 제품의 핵심 가치를 처음으로 느낀 순간입니다.

제품별 예시:

제품 아하 모먼트
노트 앱(에버노트) 첫 노트 생성 후 여러 기기에서 동기화 확인
SNS(트위터) 팔로우한 사용자들의 피드 확인
전자상거래 첫 구매 완료 + 배송 추적
협업 도구(노션) 팀원 초대 후 공동 작업 시작
피트니스 앱 운동 루틴 설정 후 첫 운동 기록

아하 모먼트와 리텐션의 관계

코호트 분석으로 이를 증명할 수 있습니다:

예시 — 쇼핑 앱의 구매 가설:

가입 후 7일 내 구매 완료자의 Day30 리텐션: 60%
가입 후 7일 내 미구매자의 Day30 리텐션: 20%

이 격차는 "첫 구매"가 아하 모먼트일 가능성을 강하게 시사합니다.

온보딩 설계와의 연결

효과적인 온보딩은 아하 모먼트에 빠르게 도달하도록 설계됩니다:

  1. 짧은 온보딩 (1~3 단계, 5분 이내)
  2. 맞춤형 경험 (사용자 선호도/목표 파악 후 그에 맞춘 콘텐츠)
  3. 아하 모먼트 유도 (온보딩 직후 30분~1시간 내에 핵심 기능 경험 유도)

예: 피트니스 앱이라면

  • Step 1: 목표 선택 (체중 감량/근육 증가)
  • Step 2: 현재 상태 입력
  • Step 3: "첫 운동" 완료 유도 (아하 모먼트)

5. GA4에서 코호트 분석 실무

GA4 동질 집단 탐색 접근

GA4 > 탐색 > 동질 집단 탐색 분석

초기 설정:

  • 포함 기준: 첫 접속 (또는 특정 이벤트/조건)
  • 재방문 기준: 모든 접속 (또는 특정 이벤트만)
  • 세분화: 일일, 주간, 월간 중 선택

코호트 테이블 읽기

        Day0   Day1   Day7   Day14  Day30
2026-08-01  100   45    20    12    8
2026-08-02   100   48    22    14    9
2026-08-03   100   42    18    10    6
  • Y축(행): 코호트 (가입 시기)
  • X축(열): 경과 기간
  • 셀(숫자): 재방문 수 또는 재방문율(%)

해석: 8월 1일 가입자 중 8월 8일(Day7)에 다시 온 사람은 20명(20%)

세분화 선택 기준

  • 일일: 신기능 출시 직후 즉각적 영향 측정
  • 주간: 주중-주말 패턴 파악
  • 월간: 장기 추세 및 시즌 효과 분석

6. 구독 서비스의 실무 적용

LTV와 CAC의 관계

코호트 기반 분석은 LTV/CAC 비율 계산에 필수입니다.

LTV (생애가치) = 월 수익 × 평균 유지 개월 수
CAC (고객 획득 비용) = 마케팅 비용 / 신규 고객 수
LTV/CAC 비율 = LTV ÷ CAC

건강한 기준: LTV/CAC 비율 ≥ 3
(1에 들인 비용이 3 이상의 가치를 가져야 수익성 확보)

구독 서비스의 LTV 계산 (코호트별)

2026년 1월 가입자 코호트:
- 월 구독료: 5,000원
- 평균 유지 기간: 12개월 (코호트의 Day360 리텐션이 30%면 평균 약 10개월)
- 예상 LTV = 5,000 × 10 = 50,000원

동일 기간 CAC = 30,000원
LTV/CAC 비율 = 50,000 / 30,000 = 1.67 (미흡)

2026년 4월 신 온보딩 적용 후 가입자 코호트:
- 평균 유지 기간: 14개월로 개선
- 예상 LTV = 5,000 × 14 = 70,000원
- LTV/CAC 비율 = 70,000 / 30,000 = 2.33 (개선, 하지만 아직 3 미만)

이렇게 코호트별로 추적하면 온보딩 개선의 실제 영향을 재무 관점에서 검증할 수 있습니다.

CAC 귀속 기준 (중요)

어느 시점의 비용을 CAC로 계산하는가에 따라 결과가 크게 달라집니다:

  • 첫 터치 귀속: 첫 광고 클릭 시점의 비용만 (초기 인지 비용 중시)
  • 마지막 터치 귀속: 가입 직전 클릭의 비용만 (최종 전환 경로 중시)
  • 멀티터치 귀속: 여정 전체에 비용 분배 (가장 정확하지만 복잡)

7. 코호트 분석의 한계와 주의점

상관관계 ≠ 인과관계

"아하 모먼트"라고 가설한 행동(예: 친구 추가)과 높은 리텐션 간 상관성이 있어도, 실제 인과관계를 증명하지 못합니다.

선택 편향: 원래 적극적인 사용자가 친구도 많이 추가하고, 그래서 리텐션도 높을 수 있습니다.

해결: A/B 테스트와 결합 (친구 추가 유도 그룹 vs 미유도 그룹 비교)

외부 요인의 간섭

코호트 간 리텐션이 다른 이유가 반드시 제품 개선 때문은 아닙니다:

  • 경쟁사 출현
  • 광고 채널 변경 (채널별로 사용자 품질 다름)
  • 시즌 효과 (여름 방학 vs 업무 시즌)
  • 매체 알고리즘 변화

데이터 불충분

신기능 출시 직후는 데이터가 부족해 신뢰도가 낮습니다. 최소 2~4주 기간의 코호트가 필요합니다.

결론

코호트 분석은 "우리 제품을 사람들이 계속 쓸까?"라는 질문에 데이터로 답하는 도구입니다.

  • 리텐션 커브 형태로 제품의 건강도 판단
  • 스마일 커브 추구로 온보딩·아하 모먼트 최적화
  • 코호트별 LTV·CAC로 마케팅 효율 검증
  • GA4 동질 집단 탐색으로 실시간 모니터링

구독 서비스, SaaS, 모바일 앱 등 반복 사용이 중요한 모든 비즈니스에서 필수 분석 기법입니다.