menu
Is this helpful?

# 사례

TE는 다양한 분석 모델 및 리포트를 결합하여 다각도로 분석할 수 있습니다. 과거의 사례 및 데이터를 바탕으로 ThinkingData에서 추천하는 분석 방법 및 시나리오를 몇 가지 선정했습니다. 아래 사례들을 참고하셔서 많은 도움을 받으시길 바랍니다.

# 다음 날 이탈 분석

다음날 리텐션은 대부분의 프로젝트가 주목하는 핵심 KPI 지표입니다. 유저가 이탈하는 진짜 이유를 찾음으로써, 다음날의 잔존율을 개선하기 위한 조정을 할 수 있습니다.

리텐션 분석 모델에서 다음날의 리텐션을 계산하기 위해 시작 이벤트를 '가입'으로 설정한 후, '로그인'을 복귀 이벤트로 설정합니다. 예상 이상으로 데이터가 감소한 날을 찾은 후, 당일 가입한 유저와 당일 가입하고 다음 날 로그인하지 않은 유저를 별도의 결과 코호트로 저장하세요.

다음으로, 퍼널 분석 모델을 엽니다. 이 유저들의 가입 당일의 퀘스트 클리어 상황을 계산한 후, 유저가 이탈 유저에 속하는지 여부를 그룹 조건 설정에 이탈 유저와 리텐션 유저를 지정하여 데이터를 비교할 수 있습니다.

또한, 경로 분석 모델을 엽니다. 이탈 유저의 가입 이후의 행동 경로를 확인합니다. 이탈 유저가 마지막으로 수행한 행동 이벤트(코어 게임플레이)를 발견함으로써, 이것이 유저에게 불만을 느끼게 하는지 또는 아레나 배틀에 실패하거나 카드 가챠(Gotcha) 결과가 실망스러웠는지 등, 이탈의 원인을 분석할 수도 있습니다.

# 결제 행동 분석

가장 기본적인 이벤트 분석에서, 결제 행동의 총 횟수, 인원, 금액 합계를 분석 지표로 설정하고, 일정 기간의 데이터 변화 및 경향을 볼 수 있습니다.

또한, 분포 분석에서 시간 구간의 범위를 선택한 후, 이 기간 내에 유저가 결제한 총 금액에 따라 다른 기간으로 나누고, 각 기간의 인원과 비율을 표시합니다.

별도로, 간격 분석을 사용하면 유저가 가입 후 첫 결제까지 걸린 평균 시간도 분석 가능합니다. 아래와 같은 박스플롯을 통해 중앙값과 상위 및 하위 사분위수를 시각화합니다. 첫 결제 포인트의 조정에 도움이 됩니다.

# 유저 속성 분석

속성 분석에서 여러 차원을 넘나들며 각각의 유저 수를 확인하고, 두 차원이 상관관계가 있는지 분석할 수 있는 모델입니다.

예를 들어, 채널과 누적 결제 금액을 그룹으로 지정하면, 특정 채널에서의 고액 결제 플레이어의 비율이 다른 채널보다 유의미하게 높은지 조사할 수 있습니다.

특히, 특정 차원 조합의 유저 수에 이상값이 나타난 경우는, 위 이미지 하단에 있는 해당하는 숫자를 클릭하여 유저 목록으로 이동해 상세를 확인할 수 있습니다. 또한 유저 행동 순서에서 한 명의 유저의 모든 특성도 확인할 수 있습니다. 또한, 프로젝트 내의 유저를 유저 속성에 따라 다른 그룹으로 분류하고, 그 데이터를 비교할 수도 있습니다.

유저 속성이 현재 요구사항을 충족시키지 못하는 경우, 유저 태그를 사용하여 유저를 계층화할 수도 있습니다. 유저 태그는 유저 속성과 동일한 방식으로 필터 처리 및 그룹화하는 데 사용할 수 있는 기능입니다.

프로젝트에 풍부한 유저 특성이 있는 경우, 여러 속성 분석 리포트를 하나의 대시보드에 표시하고, 유저의 페르소나도 생성할 수 있습니다.