코호트 분석(Cohort Analysis)

코호트 분석

• 특정 기간 동안 특정 경험을 공유한 집단 간의 행동 패턴을 비교 및 분석하는 방법
• 코호트
  • 특징이 비슷한 사용자들을 그룹화하는 것

 

코호트 분석 사용

1. 고객의 행동 파악
   • 그룹의 특정 기간 동안의 행동 변화를 정량적으로 측정하고 서로 비교
   • 이벤트 후에 고객의 행동 패턴이 어떻게 변했는지를 파악하고 빠르게 변화하는 시장 수요에 더 민감하게 반응 가능
2. 고객의 유지율 개선 & 이탈률 감소
   • 고객 유지율 개선에 기여하는 원인을 찾아내고 그 요소를 강화 가능
   • 이탈을 초래하는 원인을 파악한 뒤 이에 맞추어 대응 가능
   • LTV(고객 생애 가치)를 높이는데 도움이 됨
3. 고객 맞춤형 마케팅 전략 수립
   • 고객 그룹의 행동 패턴을 파악하여 더 효과적인 타겟 마케팅 전략을 진행 가능

 

코호트 분석 결과 활용 예시

• 유지율 분석
  • 충성도 평가
  • 유지율이 시간이 지남에 따라 높에 유지되거나 증거한다면, 고객 만족도가 높고 장기적인 고객 관계를 구축하고 있다고 해석할 수 있음
• 이탈률 분석
  • 특정 시점에 이탈률이 급증한다면 그 시점의 서비스나 제품에 문제가 있을 수 잇으므로 개선 필요
• 시간 흐름에 따른 행동 변화
  • 새로운 기능 출시가 고객 행동에 어떤 영향을 미쳤는지 분석 가능
• 세그먼트별 비교 분석
  • 다른 코호트 간의 비교를 통해 특정 코호트가 다른 코호트보다 더 나은 성과를 보이는지 분석
  • 재구매율이 급격히 떨어지는 코호트가 있다면, 왜 고객들이 이탈하는지 원인 분석이 필요
• 매출 및 수익 분석
  • LTV를 계산하여 각 코호트의 장기적인 가치를 평가

 

코호트 분석의 6가지 단계

1. 목표 설정
2. 데이터 수집 및 정제
3. 코호트 그룹 정의
4. 코호트 그룹 별 분석
5. 결과 해석 및 전략 수립
6. 전략 실행 및 반응 피드백

 

코호트 그룹을 정의하는 방법

1. 시간 기반 코호트
2. 행동 기반 코호트
3. 인구 통계학적 코호트

 

코호트 분석의 한계점

• 코호트 간 비교 객관성 X
  • 코호트 분석은 각 코호트의 특성을 추적하고 분석하는 것을 목표함
  • 하지만 서로 다른 코호트들을 비교하기 위해서는 여러 가지 변수들을 고려해야함
  • 이는 분석의 불확실성을 증가시킬 수 있음
• 코호트 간 크기 차이
  • 서로 다른 코호트들의 크기 차이는 코호트 간의 비교를 때로는 무의미하게 만들고, 분석에 편향된 해석을 가져올 수 있음
• 외부 요인의 영향
  • 코호트 분석에서는 주로 내부 요인들을 분석하고 비교
  • 외부 요인들을 고려하지 않으면 코호트 분석의 결과가 왜곡될 수 있음

---

간단한 코호트 분석

• 데이터
  • 24년도 각 고객의 구매날짜와 구매금액
  • 1000행

• 데이터 준비

# 날짜 형식 변환
df['purchase_date'] = pd.to_datetime(df['purchase_date'])

# 고객별 첫 구매 월 추가
df['cohort_month'] = df.groupby('customer_id')['purchase_date'].transform('min').dt.to_period('M')

# 첫 구매 후 몇 달이 지났는가
df['purchase_month'] = df['purchase_date'].dt.to_period('M')
df['m_since_first'] = (df['purchase_month'] - df['cohort_month']).apply(lambda x: x.n)

df

• 코호트

# 코호트와 구매 월 기준으로 데이터 집계
cohort_data = df.groupby(['cohort_month', 'm_since_first']).agg({'customer_id': 'nunique'})
cohort_data = cohort_data.rename(columns={'customer_id': 'num_customers'}).reset_index()
cohort_data

# 코호트별 피벗 테이블 생성
cohort_pivot = cohort_data.pivot_table(index='cohort_month', columns='m_since_first', values='num_customers')
# 코호트 사이즈 산출
cohort_size = cohort_pivot.iloc[:, 0]
# 유지율 계산
retention_matrix = np.round(cohort_pivot.divide(cohort_size, axis=0), 4)

retention_matrix

• 시각화

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 8))
sns.heatmap(retention_matrix, annot=True, fmt='.0%', cmap='YlGnBu')
plt.title('2024년도 고객 코호트 분석 - 고객 유지율')
plt.xlabel('첫 구매 후 경과 월')
plt.ylabel('코호트 월')
plt.show()

• 인사이트 도출
  • 초기 구매 이후 대부분의 코호트에서 시간이 지남에 따라 고객 유지율이 점차 감소하는 경향을 보입니다.
    • 첫 1개월 후의 유지율이 매우 낮습니다.
      • 이는 첫 구매 후 고객들이 충분한 만족을 느끼지 못했거나, 후속 마케팅 활동이 부족했음을 의미할 수 있습니다.
• 대응 전략
  • 웰컴 캠페인: 신규 고객을 대상으로 첫 구매 후 1개월 내에 특별한 혜택이나 할인 쿠폰을 제공하는 웰컴 캠페인을 강화합니다.
  • 고객 만족도 조사: 첫 구매 후 고객 만족도를 조사하고, 피드백을 바탕으로 제품 및 서비스를 개선합니다.
  • 맞춤형 추천: 첫 구매 후 고객의 관심사에 맞는 제품 추천을 통해 추가 구매를 유도합니다.