개인 프로젝트 / 서비스 분석
GA4 이벤트 로그 퍼널·리텐션 분석
Google Merchandise Store의 GA4 이벤트 로그 430만 건을 BigQuery SQL로 분석했습니다. 지표를 해석하기 전에 숫자가 서로 맞는지부터 점검해 기록이 끊긴 기간 두 곳을 찾았고, 그다음 퍼널, 유입 매체별 AARRR, 코호트 리텐션으로 무엇을 먼저 바꿀지 정리했습니다.
온라인 쇼핑몰은 GA4에 쌓인 숫자를 보고 마케팅 예산을 나누기 때문에, 기록이 끊긴 기간을 모르고 분석하면 예산이 엉뚱한 곳으로 갑니다. 무엇을 고칠지 정하기 전에 숫자를 믿어도 되는지부터 점검했고, 장바구니 기록 25일과 매출 기록 6일의 공백을 찾았습니다.
이런 공백을 첫날과 이틀째에 잡아내는 알림 규칙을 먼저 만들었습니다. 퍼널을 보니 병목은 결제가 아니라 상품 탐색이었고, 상품 상세 도달률 1%p가 매출 2.3~4.7% 규모였습니다. 이를 개선하는 A/B 테스트를 구매율이 떨어지지 않는지와 함께 보도록 설계했고, 다른 사이트 링크(referral)로 들어온 신규 고객의 30일 가치가 검색 유입의 1.74배라는 점도 확인했습니다.
01문제 정의
이 스토어는 3개월 동안 사용자 27만 명이 36만 세션을 만들었지만, 구매가 있었던 세션은 1.35%입니다. 세 가지 질문에 답하려고 했습니다.
- 구매 퍼널의 어느 단계에서 가장 많이 떠나는가
- 어떤 유입 경로의 신규 사용자가 실제로 가치가 있는가
- 처음 온 사용자는 다시 오는가, 시기에 따라 다른가
이벤트 로그는 태깅이 바뀌거나 빠지면 숫자가 조용히 틀어집니다. 질문에 답하기 전에 이 숫자를 믿어도 되는지부터 확인했습니다.
02데이터와 정합성
- GA4 BigQuery 내보내기 형식이라 이벤트마다 파라미터가 배열로 들어 있습니다. 세션 ID(
ga_session_id)는UNNEST(event_params)로 꺼내 사용자 ID와 묶어 세션을 만들었습니다. - Google이 개인정보 보호를 위해 일부 값을 가린 샘플이라, 유입 매체 일부가
<Other>,(data deleted)로 바뀌어 있습니다. - 쿼리 5개는 모두 BigQuery 무료 샌드박스 한도 안에서 실행했습니다.
서로 다른 쿼리의 숫자가 맞는가
같은 지표를 정합성, 퍼널, 일별 KPI 쿼리에서 각각 따로 계산해 맞춰 봤습니다. 모두 일치했습니다.
| 지표 | 정합성 쿼리 | 퍼널 쿼리 | 일별 KPI 합계 |
|---|---|---|---|
| 세션 수 | 360,129 | 360,129 | 360,129 |
| 구매가 있었던 세션 | 4,848 | 4,848 | |
| 매출 합계 | $362,165 | $362,165 |
구매 이벤트와 주문은 다르다
| 점검 | 값 | 판단 |
|---|---|---|
| 구매 이벤트 | 5,692 | |
| 주문번호 없는 구매 이벤트 | 906 (15.9%) | 주문 수를 정확히 셀 수 없음 |
| 고유 주문번호 | 4,451 | |
| 같은 주문번호로 2번 이상 찍힌 이벤트 | 335 | 이벤트 수로 세면 주문이 과대 집계됨 |
| 주문 금액 합계와 상품별 금액 합계 | $362,165 / $362,110 | 0.02% 차이로 거의 일치 |
03기록 공백과 알림 규칙
일별 KPI를 그려 보니 앞뒤가 맞지 않는 기간이 두 곳 있었습니다.
장바구니 기록 공백: 장바구니에 담지 않고는 살 수 없으니, 구매 세션이 장바구니 세션보다 많은 날은 기록이 빠진 날로 봤습니다. 이 기간은 전체 세션의 25%이고, 이 기간을 빼면 100세션당 장바구니 세션은 4.2에서 5.4로 올라갑니다.
매출 기록 공백: 1/26 이후 구매 세션은 하루 18~55개로 평소와 같은데 구매 세션당 매출은 $64에서 $0~25로 떨어졌습니다. 1월 1~25일 평균으로 추정하면 약 $14,000, 전체 매출의 3.9%가 기록되지 않았습니다.
이런 문제를 매일 잡아내는 규칙
| 규칙 | 방식 | 이번 데이터에서 |
|---|---|---|
| 논리 규칙 | 장바구니 세션 < 구매 세션이면 알림 | 장바구니 공백을 첫날부터 잡음 |
| 통계 규칙 (매출) | 구매 세션당 매출이 직전 14일 중앙값 대비 robust z < −3.5 | 매출 공백을 이틀째(1/27) 잡음 |
| 통계 규칙 (전환율) | 전환율 robust z 절댓값 > 3.5 | 1월 중순 4일 알림. 연말 비수기 뒤 회복이라 오탐 |
두 규칙은 SQL 한 파일(06_dashboard_daily.sql)로 옮겨 Looker Studio 대시보드에 BigQuery로 실시간 연결했습니다. 데이터가 바뀌면 계산 필드 없이 알림 표가 그대로 갱신되고, 이번 데이터에서는 장바구니 기록 공백 23일(11/1~25 중 기록이 잠깐 돌아온 이틀 제외)과 매출 기록 공백 의심 2일(1/27·28)이 표시됩니다.
논리 규칙은 빠르고 정확하지만 미리 생각해 둔 오류만 잡습니다. 통계 규칙은 예상 못 한 오류도 잡지만 시즌 변화에도 반응합니다. 실제로 쓰려면 전년 같은 요일과 비교하거나 하락 방향에만 알림을 거는 식으로 보완해야 합니다.
04퍼널
세션 단위로 상품 상세 → 장바구니 → 결제 시작 → 배송 정보 → 결제 정보 → 구매를 순서대로 셌습니다. 각 단계는 앞 단계에 도달한 뒤에 그 이벤트가 있어야 도달로 인정합니다.
- 세션의 79%는 상품 상세 페이지를 한 번도 보지 않고 끝납니다. 결제 단계(58~78%)보다 상품 탐색과 장바구니 담기가 더 큰 병목입니다.
- 상품 상세 → 장바구니 20%는 장바구니 기록이 끊긴 기간이 섞인 값입니다. 정상 기간만 보면 약 25%로 추정합니다.
- 성장 기회의 크기: 상품 상세 도달률을 21.4%에서 1%p만 올려도 상세를 보는 세션이 약 3,600개 늘어납니다. 상세를 본 세션의 구매 비율(6.3%)과 구매 세션당 매출($74.7)을 그대로 적용하면 약 $16,900, 매출의 4.7%입니다. 새로 유입된 세션은 구매 의향이 낮을 수 있어 절반만 산다고 보면 2.3%입니다.
| 기기 | 세션 | 상품 상세 도달 | 상세 → 장바구니 | 구매 세션 비율 |
|---|---|---|---|---|
| 데스크톱 | 208,942 | 21.5% | 19.6% | 1.32% |
| 모바일 | 143,185 | 21.3% | 19.9% | 1.39% |
| 태블릿 | 8,002 | 21.2% | 18.9% | 1.30% |
기기별 차이는 없습니다. 모바일 화면 개편을 우선순위에 둘 근거는 없습니다.
05유입 매체별 AARRR
데이터 기간 안에 처음 온 신규 사용자를 첫 방문 후 30일 동안 따라갔습니다. 30일을 모두 관찰할 수 있도록 1월 1일까지 처음 온 사용자만 넣었습니다.
| 매체 | 신규 사용자 | 활성화 | 30일 재방문 | 30일 구매 | 1인당 30일 매출 |
|---|---|---|---|---|---|
| organic (검색) | 63,074 | 20.8% | 8.5% | 1.28% | $1.02 |
| (none) (직접 방문) | 40,117 | 21.1% | 10.1% | 1.54% | $1.29 |
| <Other> | 28,867 | 19.9% | 6.3% | 1.17% | $0.87 |
| referral (다른 사이트 링크) | 26,267 | 22.5% | 14.8% | 1.97% | $1.78 |
| cpc (유료 광고) | 8,755 | 19.6% | 6.6% | 0.99% | $1.02 |
활성화는 첫 방문 당일 상품 상세를 본 비율입니다.
- referral 유입은 검색 유입보다 구매율 1.54배, 재방문율 1.74배, 1인당 매출 1.74배입니다. 카이제곱 검정에서 모두 p < 0.001입니다.
- GA4의 referral은 다른 웹사이트의 링크를 타고 온 유입을 말합니다. 지인 추천과는 다릅니다. 자사의 다른 도메인에서 넘어온 방문이 섞였을 수 있어, 어느 사이트에서 왔는지 출처별로 나눠 보기 전에는 채널 자체의 가치로 단정하지 않았습니다.
- 유료 광고는 1인당 매출이 검색과 같은 $1.02입니다. 광고비 데이터가 없어 ROAS는 계산할 수 없습니다. 광고 성과를 판단하려면 광고 플랫폼의 비용 데이터를 합쳐야 합니다.
- AARRR의 Referral(추천)은 이 데이터에 추천·공유 이벤트가 없어 측정하지 못했습니다.
(data deleted)매체(3,332명)는 재방문율 71%, 구매율 8%로 다른 매체와 차원이 달라 실제 유입 경로가 아닌 데이터 삭제 처리의 흔적으로 보고 뺐습니다.
06코호트 리텐션
- 1주 뒤 재방문율이 11월 코호트는 5.0%, 12월 코호트는 2.8%입니다 (p < 0.001). 1월에 들어서며 3.2% → 4.0%로 회복합니다.
- 12월 신규 사용자는 선물 구매처럼 한 번 사고 끝나는 수요가 많았던 것으로 보입니다. 그렇다면 연말 캠페인을 첫 구매 전환만으로 평가하면 과대평가됩니다.
- 데이터 시작(11/1) 전에 처음 온 사용자는 첫 방문 주를 알 수 없어 뺐습니다. 기존 고객이 첫 코호트에 섞여 리텐션이 부풀려지는 것을 막기 위해서입니다.
07의사결정
| 결정 | 근거 |
|---|---|
| 측정부터 고친다 | 주문 수는 고유 주문번호로 세고, 주문번호 누락과 중복은 태깅 담당과 원인을 찾는다. 일별 대시보드에 두 알림 규칙을 붙인다. 장바구니·매출 기록 공백이 각각 25일, 6일 동안 이어졌기 때문 |
| 상품 탐색과 장바구니 담기를 먼저 개선한다 | 세션의 79%가 상품 상세에 도달하지 못함. 기기별 차이가 없어 모바일 개편은 후순위 |
| referral 유입은 출처부터 나눠 본다 | referral 신규 사용자의 1인당 매출과 재방문율이 1.74배. 다만 자사 도메인 유입이 섞였을 수 있어, 출처별로 확인한 뒤에 제휴를 판단. 유료 광고는 비용 데이터를 합친 뒤 판단 |
| 연말 캠페인은 30일 가치로 평가한다 | 12월 코호트의 1주 재방문율이 11월의 절반 |
실행 태스크
| 태스크 | 함께할 직군 | 1차 지표 | 성공 기준 | 기간 |
|---|---|---|---|---|
| purchase 이벤트에 주문번호 필수화, 같은 주문의 중복 이벤트 제거 | 개발(태깅) | 주문번호 누락률 (현재 15.9%) | 0%, 중복 0건 | 1주 |
| 일별 KPI 대시보드에 두 알림 규칙 연결 | 데이터 | 기록 공백을 발견하기까지 걸린 일수 | 2일 이내 (이번 데이터에서는 25일, 6일 지속) | 1주 |
| 홈·목록 화면의 상품 상세 진입 유도 A/B 테스트 | 기획, 디자인 | 세션의 상품 상세 도달률 (현재 21.4%) / 가드레일: 세션 구매율 | +1%p 이상. 군당 약 2.7만 세션 | 2주 |
| 12월 신규 사용자 재방문 유도 메시지 실험 | CRM | 메시지 후 1주 재방문율 (현재 2.8%) | +1%p 이상. 군당 약 4,900명 | 2주 |
재방문 유도 실험 설계
12월 신규 사용자를 무작위로 나눠 한쪽에만 1월 재방문 유도 메시지를 보냅니다. 1차 지표는 메시지 후 1주 내 재방문율입니다. 현재 2.8%를 3.8%로 1%p 올리는 효과를 유의수준 5%, 검정력 80%로 보려면 군당 약 4,900명이 필요합니다. 12월 신규 사용자가 약 8만 5천 명이라 충분한 규모입니다.
08한계
- Google이 일부 값을 가린 샘플 데이터라 실제 운영 데이터와 다른 부분이 있습니다.
- 3개월치라 12월 코호트의 낮은 리텐션이 매년 반복되는지는 확인하지 못했습니다.
- 유입 매체는 사용자의 첫 유입 기준입니다. 재방문 때의 유입 경로는 반영하지 않았습니다.
- referral 유입을 출처(source)별로 나눠 보지 않았습니다. 다음 과제입니다.
- 기록되지 않은 매출액과 장바구니 전환율 보정값(약 25%)은 정상 기간의 평균이 공백 기간에도 같다고 가정한 추정입니다.