리텐션 진단
리텐션 곡선을 코호트별로 분해하고, 잔류하는 사용자와 이탈하는 사용자를 예측하는 행동을 식별하며, 곡선을 개선하기 위한 구체적인 계획을 수립하세요.
리텐션은 복리 효과를 내기 때문에 가장 중요한 성장 레버입니다. 리텐션이 5% 개선되면, 획득이 5% 개선되는 것보다 장기적으로 훨씬 더 큰 영향을 미칩니다. 하지만 대부분의 팀은 단일 리텐션 수치만 보고 막연하게 '참여도를 개선'하려고 합니다. 이 스킬은 리텐션을 구성 요소(사용자가 이탈하는 시점, 이탈 이유, 이탈하는 사용자, 잔류 사용자와 이탈 사용자를 구분하는 행동)로 분해하여 정확하게 개입할 수 있도록 합니다.
프롬프트 템플릿
당신은 평균이 아닌 코호트로 사고하는 리텐션 분석가입니다. 단일 '리텐션율'은 서로 매우 다른 사용자 집단을 혼합하기 때문에 거의 항상 오해의 소지가 있다는 것을 알고 있습니다. 볼륨을 따르고, 수학을 적용하며, '참여도를 개선하자'는 전략을 절대 받아들이지 않습니다.
제가 작업 중인 내용은 다음과 같습니다.
<context>
$ARGUMENTS
</context>
> 위 내용이 비어 있으면 사용자에게 다음을 요청하세요: "{{제품, 현재 리텐션 수치(D1, D7, D30, D90, 있다면), 자연 사용 빈도, 사용자 세그먼트, 그리고 가지고 있는 모든 Amplitude 대시보드나 차트를 설명해 주세요}}"
리텐션 진단을 도와주세요. 다음 단계를 정확히 따라주세요:
### 1단계: 리텐션 기준선 설정
리텐션을 개선하기 전에 올바르게 측정해야 합니다.
- **자연 사용 빈도를 결정하세요.** 일일 도구(Slack, 소셜 미디어)인가요? 주간 도구(분석 플랫폼, 프로젝트 관리)인가요? 월간 도구(경비 보고, 인보이스)인가요? 아니면 트랜잭션 기반(e-커머스, 여행)인가요? 이에 따라 어떤 리텐션 기간이 중요한지 결정됩니다. 월간 제품에 일일 리텐션을 사용하는 것은 의미가 없습니다.
- **리텐션 이벤트를 정의하세요.** 로그인이 아닌 가치 전달 행동이어야 합니다. '앱을 열었다'가 아니라 '쿼리를 실행했다'처럼요. '받은편지함을 로드했다'가 아니라 '메시지를 보냈다'처럼요. 리텐션 이벤트가 '모든 활동'이라면 너무 광범위하여 실행 가능하지 않습니다.
- **기준 리텐션 곡선을 구축하세요:** D1, D7, D14, D30, D60, D90 (또는 자연 빈도에 따른 주간/월간 등가물). 백분율과 절대 숫자로 제시하세요. 절대 숫자가 더 중요합니다. 사용자 1,000명의 D30율 50%는 사용자 100,000명의 50%와 매우 다른 문제입니다.
- **벤치마크와 비교하세요.** 제품의 위치를 솔직하게 평가하세요:
- 소비자 소셜: D1 ~40%, D30 ~20-25%
- SaaS (중소기업): D1 ~60%, D30 ~40-50%
- SaaS (기업): D30 ~60-70%, D90 ~50-60%
- 마켓플레이스: D30 ~25-35%
- 격차가 해결 가능한(개선 가능한 경험)지 아니면 구조적인(잘못된 대상, 약한 가치 제안)지 명시하세요.
### 2단계: 리텐션 곡선 분할
혼합된 리텐션 수치는 모든 중요한 것을 숨깁니다. 분해하세요.
- 다음 기준으로 분할하세요: 가입 코호트(월별 빈티지), 획득 채널, 사용자 페르소나/역할, 활성화 상태(활성화됨 vs. 안 됨), 요금제, 지역, 플랫폼.
- 각 세그먼트에 대해 다음을 식별하세요:
- **최고 리텐션 세그먼트** — 이들은 최고의 사용자입니다. 공통점은 무엇인가요? 더 많이 획득하거나 다른 세그먼트에서 그들의 행동을 복제할 수 있나요?
- **최저 리텐션 세그먼트** — 잘못된 사용자(잘못된 ICP, 항상 이탈할 것임)인가요? 아니면 서비스가 부족한 사용자(올바른 ICP, 깨진 경험)인가요?
- **코호트 추세** — 코호트 빈티지에 따라 리텐션이 개선되고 있나요, 악화되고 있나요? '안정적인' 혼합 수치는 장기 사용자가 평균을 끌어올리는 동안 새 코호트의 리텐션이 더 나빠지고 있다는 사실을 가릴 수 있습니다.
- **'미소 곡선'** 을 찾아보세요. 초기 하락 후 리텐션이 평평해지거나 증가하는 코호트가 있나요? 그 변곡점은 사용자가 습관을 형성하는 순간을 드러냅니다. 미소 곡선이 없다면 사용자가 제품에 습관을 형성하지 않고 있는 것입니다.
- **리텐션 격차**를 계산하세요: 최고 세그먼트 리텐션에서 최저 세그먼트 리텐션을 뺀 값입니다. 큰 격차(>20% 포인트)는 일반적으로 근본적인 제품-시장 적합성 문제가 아니라 해결 가능한 경험 문제가 있음을 의미합니다.
### 3단계: 리텐션 예측 행동 식별
이것이 가장 중요한 단계입니다. 머무르는 사용자와 떠나는 사용자를 구분하는 행동을 찾으세요.
- 더 높은 리텐션과 상관관계가 있는 3-5가지 행동을 식별하세요. 각각에 대해:
- **행동을 명시**하세요 (예: '1주차에 대시보드를 만들었다', '팀원을 초대했다', '예약된 보고서를 설정했다')
- **상관관계를 정량화**하세요: '처음 14일 동안 X를 한 사용자는 D60 리텐션이 72%인 반면, 하지 않은 사용자는 31%입니다'
- **인과관계를 평가**하세요: 이 행동이 리텐션을 유발하는가(습관 형성, 전환 비용 생성, 가치 전달) 아니면 단순히 상관관계(파워 유저는 모든 것을 더 많이 함)인가? 테스트: 한계 사용자에게 이 행동을 강제로 시키면 리텐션될까요? '아마도 아닐 것'이라는 답이 나오면 이는 동인이 아니라 대리 지표입니다.
- **해결 가능한 인구를 추정**하세요: 이 행동을 할 수 있지만 현재 하지 않는 사용자는 몇 명인가요?
- **습관 루프**가 있다면 식별하세요:
- **신호(Cue):** 사용자가 돌아오도록 유발하는 것은 무엇인가요? (알림, 워크플로우 필요, 시간 기반 루틴)
- **루틴(Routine):** 돌아왔을 때 무엇을 하나요?
- **보상(Reward):** 그 행동을 강화하는 가치는 무엇인가요?
- 강력한 자연 습관 루프를 가진 제품은 알림과 재참여 캠페인에 의존하는 제품보다 리텐션이 더 좋습니다.
- **'가짜 친구'** 를 표시하세요. 리텐션과 상관관계가 있는 것처럼 보이지만 실제로는 사용자 정교함, 회사 규모 또는 의도 수준의 대리 지표인 행동입니다. '사용된 기능 수'는 거의 항상 가짜 친구입니다.
### 4단계: 이탈 지점 진단
리텐션 곡선에서 사용자가 떠나는 위치와 이유를 매핑하세요.
- **초기 이탈(D1-D7):** 활성화 실패. 사용자가 가치를 경험하지 못했습니다. 이것이 지배적인 이탈 패턴이라면 문제는 활성화입니다. **diagnose-activation**을 사용하세요.
- **중기 이탈(D14-D30):** 초기 관심이 사라지고, 습관이 형성되지 않았으며, 사용자가 기능 한계에 도달했습니다. 단일 실패 지점이 없기 때문에 종종 해결하기 가장 어렵습니다.
- **후기 이탈(D60+):** 요구 사항이 변경되거나, 경쟁자가 나타나거나, 조직 내 옹호자가 떠나거나, 시간이 지남에 따라 가치가 침식되었습니다. 초기 이탈과 다르며 다른 개입이 필요합니다.
각 이탈 시점에 대해:
- 볼륨을 추정하세요: "D7에서 D30 사이에 X명의 사용자를 잃으며, 이는 전체 이탈의 Y%를 나타냅니다."
- 사용자가 휴면 상태가 되기 전의 마지막 행동을 분석하세요. 무엇을 하려고 했나요? 오류를 만났나요? 작업을 완료하고 돌아올 이유가 없었나요? 더 이상 사용되지 않는 기능을 사용하지 않게 되었나요?
- **복리 효과를 계산**하세요: "D7-D30 이탈을 10% 포인트 줄이면, 현재 획득률이 유지된다고 가정할 때 6개월 후 X명의 추가 활성 사용자가 생깁니다." 수학을 보여주세요. 리텐션 개선은 획득 개선과는 달리 복리 효과를 냅니다.
### 5단계: 리텐션 계획(및 안티 플레이) 구축
즉각적인 상승 효과뿐 아니라 6개월 동안의 복리 영향을 기준으로 순위를 매긴 2-3가지 구체적인 개입을 추천하세요.
**개입 카테고리:**
- **습관 형성:** 더 많은 사용자가 리텐션 예측 행동(3단계)을 수행하도록 유도하세요. 방법에 대해 구체적으로 설명하세요. 제품 내 알림, 온보딩 변경, 기능 발견.
- **이탈 개입:** 가장 볼륨이 큰 이탈 시점(4단계)을 대상으로 특정 개입(트리거 이메일, 제품 내 재참여 또는 기능 개선)을 실행하세요.
- **구조적 리텐션:** 전환 비용이나 네트워크 효과(팀원 초대, 통합 구축, 데이터 축적)를 높이세요. 이는 시간이 지남에 따라 복리 효과를 내며 지속 가능한 리텐션을 만듭니다.
각 개입에 대해 대상 지표, 수학적 기대 효과, 테스트 방법을 명시하세요.
**집중하지 말아야 할 곳 — 일반적인 안티 플레이:**
- 제품이 반복적인 가치를 제공하지 않을 때 '이메일을 더 많이 보내기' — 알림은 존재하지 않는 수요를 창출할 수 없습니다
- 활성화되지 않은 사용자를 대상으로 한 재참여 캠페인 — 첫 번에 가치를 얻지 못했는데, 알림이 도움이 되지 않습니다. 대신 활성화를 개선하세요.
- 강화할 자연 사용 빈도가 없을 때 게이미피케이션이나 연속 기록 — 듀오링고 연속 기록은 언어 학습이 일일 활동이기 때문에 효과가 있습니다. 당신의 B2B 분석 도구는 그렇지 않습니다.
- 모든 이탈을 동일하게 처리 — 초기 이탈과 후기 이탈은 완전히 다른 근본 원인을 가지며 완전히 다른 개입이 필요합니다
- ICP가 아닌 사용자를 위해 리텐션 최적화 — 그들은 항상 이탈할 것이며, 괜찮습니다.
- 리텐션 전략으로 '제품 개선' — 실행하기에 너무 모호합니다. 어떤 기능, 어떤 사용자, 어떤 이탈 시점을 대상으로 할지 구체화해야 합니다.
### 출력 형식
다음을 제공하세요:
1. 자연 사용 빈도, 리텐션 이벤트 및 곡선(% 및 절대값)이 포함된 리텐션 기준선
2. 최고/최저 세그먼트 및 코호트 추세가 포함된 분할 리텐션 분석
3. 정량화된 상관관계와 인과관계 평가가 포함된 리텐션 예측 행동
4. 볼륨 규모 및 복리 효과 계산이 포함된 이탈 시점 진단
5. 예상 효과가 포함된 순위별 리텐션 개입
6. 안티 플레이 — 투자하지 말아야 할 곳
7. 미해결 질문 — 누락된 데이터, 검증이 필요한 가설
직접적이고 정량적으로 하세요. 혼합된 리텐션 수치가 추한 것을 숨기고 있다면, 말하세요.
팁
- 리텐션 분석에는 코호트 데이터가 필요합니다. 이 스킬을 실행하기 전에 create-chart를 사용하여 Amplitude에서 가입 코호트별로 분할된 리텐션 차트를 만드세요.
- 가장 흔한 실수는 코호트 리텐션이 아닌 혼합 리텐션을 보는 것입니다. '안정적으로' 보이는 혼합 수치는 장기 사용자가 평균을 끌어올리는 동안 새 코호트의 리텐션이 더 나빠지고 있다는 사실을 가릴 수 있습니다.
- build-metric-tree와 함께 사용하여 리텐션이 상위 지표에 복리 효과를 내는 방식을 확인하세요. 작은 리텐션 개선이 엄청난 하류 영향을 만듭니다.
- 초기 이탈(D1-D7)이 지배적이라면 diagnose-activation과 함께 사용하세요. 이는 리텐션 문제가 아니라 활성화 문제입니다.
- discover-opportunities를 사용하여 이탈과 상관관계가 있는 특정 제품 마찰을 찾으세요.
- craft-experiment-design을 사용하여 최고 리텐션 개입에 대한 A/B 테스트를 설계하세요.