Retention 분석 사례 - 넷플릭스 데이터 분석하기

리텐션이란?

오늘은 AARRR 중 Retention, ‘사용자 유지’와 관련한 분석을 진행해보려 합니다.

 

AARRR 요소	기능	관련 지표
Retention (사용자 유지 )	사용자가 서비스나 제품을 계속 재방문하고 사용하도록 만든다	클래식 리텐션, 롤링 리텐션, Stickiness 등

 

리텐션이 중요한 이유는 막대한 비용의 마케팅, 광고 등을 집행하여 신규 사용자들을 유입 시킨다고 해도 그들이 서비스를 지속적으로 사용하지 않는다면, 결국 원점이 되버리고 마는 셈입니다. 리텐션은 비즈니스의 장기적인 성장과 지속 가능한 경쟁 우위를 확보하는 데 매우 중요한 부분입니다.

 

리텐션을 계산하는 방법엔 클래식 리텐션, 롤링 리텐션, Stickiness 등 여러가지가 있는데, 각 방식이 초점을 두는 방식이 다르기 때문에 다양한 계산 방법들을 알고 있으면 상황에 맞게, 서비스에 맞게 분석에 활용할 수 있습니다.

클래식 리텐션 - 특정 단위에 '사용자가 재구매/재방문 했는가?'에 초점을 맞춤
롤링 리텐션 - '사용자가 이탈하지 않고 남아있는가?'에 집중
Stickiness - '사용자의 고착도' (계속해서 사용하거나 되돌아오는 정도)에 집중

 

 

분석의 목적

저는 그 중에서도 Stickiness를 활용한 분석을 진행하고자 합니다.

🤔 Stickiness란?

Stickiness = DAU/MAU or DAU/WAU

✔️ DAU를 MAU(보편적) 혹은 WAU로 나누어 계산
✔️ 유저가 더 자주 방문할수록 Stickiness는 100%에 가까워 진다. 

 

Stickiness는 ‘활성 사용자’(=AU; Active User) 를 기준으로 사용자가 제품이나 서비스에 얼마나 많은 시간을 할애하고, 그들이 계속해서 사용하거나 되돌아오는 정도를 측정하기 때문에, 사용자들이 더 자주 접속하고, 더 많이 접속하는 것이 중요한 페이스북, 인스타그램 같은 SNS 또는 생필품을 판매하는 쇼핑몰 비즈니스에서 적절한 지표로 생각되기도 합니다.

 

역시나 사용자들이 지속적으로 이용하는 것이 중요한 ‘넷플릭스’ 데이터를 활용해 Stickiness 현황을 파악하고 사용자가 고착도를 형성하는데 영향을 주는 요인들이 무엇인지 탐색하는 목적으로 분석을 진행해보고자 합니다 😃

 

 

 

리텐션 기준의 정의 내리기 🧐

리텐션, 즉 ‘지속적 사용’의 기준을 무엇으로 잡을 것인가는 서비스마다, 상황마다 달라질 수 있겠습니다.

 

넷플릭스 서비스를 생각해보면, 일차적으로 ‘영화를 보았는가?’ 를 생각할 수 있겠죠.

하지만, 과연 영화를 꼭 본 사람만이 서비스를 사용 했다고 간주할 수 있을까?는 의문이 듭니다.

 

넷플릭스에 들어오긴 했는데 원하는 영화를 찾지 못해 관람하지 않은 사람이 있다고 가정해봅시다. (저도 자주 그런답니다ㅎㅎ) 이러한 사용자는 비록 영화를 관람하지는 않았지만, 수 많은 OTT 플랫폼 중에 영화를 보기 위해 ‘넷플릭스’ 서비스를 선택한 것이죠.

 

저는 리텐션의 기준을 넷플릭스를 ‘이용’ 하는 행동, 바로 ‘Click Activity’ 를 기준으로 잡고 분석을 진행 해 보겠습니다.

 

물론 계속해서 원하는 영화를 찾지 못한다면 이탈 고객이 될 가능성이 크겠죠.

그래서 Stickiness에 영향을 주는 요인들이 무엇인지 탐색하고 그것을 지속시키는 방안을 모색하고자 합니다 👍

 

 

 

결과

• 시간이 지날수록 사용자 고착도는 높아짐

→ 유저들이 점점 더 넷플릭스에 자주 접속하고 사용하고 있음

• 2023년을 기준으로 사용자들의 평균 고착도가 높아졌으며, 사용자 중 100%가 서비스를 사용한 날의 빈도수가 많아지고 있다.

→ 2023년부터 어떠한 전략을 새로 도입 혹은 고도화 했을 수 있으며, 이는 긍정적인 결과를 초래함

 

 

 

• 사용자별 사용량을 확인해보니, 마치 서비스가 가파르게 성장한 것으로 보였던 2022년도 11월 ~ 2023년도 2월 사이의 데이터는 성장 추세가 아니라 데이터가 빈 것으로 확인. (2023년도 상반기 사용자 그룹이 2022년도 하반기 그룹에 비해 평균 사용량이 더 많기 때문에, 이러한 추세선이 그려진 것)

→ 2022년도 하반기에 유입 및 활성 사용자였던 이들은 이탈했으며, 2023년도 상반기에 새로 유입된 그룹이 사용량이 활발할 뿐 아니라 높은 리텐션율을 기록함.

 

 

 

• Click Activity 를 기능별로 나누어, 사용량을 시간 흐름에 따라 확인 한 결과, 높은 리텐션율을 기록한 2023년도 상반기 그룹이 특별히 사용했던 기능은 ‘추천 시스템 기능’

→ 사용자들이 서비스에 더욱 머무를 수 있도록 하게 하는 ‘추천 시스템’ 기능이 중요한 요소가 된 것으로 보인다.

 

👥 2022 하반기 그룹		👥 2023 상반기 그룹
cached video	이미 다운로드 했던 비디오나, 이미 시청했던 비디오 즉 캐시가 남아있는 비디오	post play	시청 중인 비디오가 끝나면, 자동으로 다음 에피소드를 재생하거나 비슷한 콘텐츠를 추천해주는 기능

 

 

 

• 2023년도 상반기 그룹의 사용량이 우세하게 많아 보여 치우친 결과를 나타낸 것이 아닐까 하는 추측이 들었음.
• 이를 확인하고자, 전체 데이터셋의 기능별 클릭 분포를 확인한 결과, ‘재생’과 관련한 기능이 60%를 차지함. 그에 반해 리텐션율이 좋았던 2023년도 상반기 그룹의 주요 기능이었던 ‘추천 시스템’ 기능은 전체 중 단 3.9%만을 차지.

→ 적은 비율임에도 리텐션율에 직접적인 영향을 끼친 것은 ‘추천 시스템’ 인 것으로 해석 할 수 있다.

 

 

제안

🤔 Stickiness에 영향을 주는 요인은 사용자들이 서비스에 더 머무르게 할 수 있는 ‘추천 시스템’ 과 같은 기능. 이와 관련한 기능을 새로 만들거나 고도화 시킨다면 어떤 것들이 있을까?

• 다양한 데이터 소스 통합을 통한 추천 시스템 고도화: 넷플릭스가 점점 규모가 커지면서 비단 현재의 OTT 플랫폼 뿐만 아니라, 여러 종류의 서비스를 확장시킬 수 있다는 생각이 듭니다. 이를 활용한다면, 예를 들어 소셜 미디어 활동, 오프라인 구매 기록, 음악 스트리밍 서비스 사용 기록 등을 통합하여 사용자의 취향을 보다 정확하게 이해하여, 추천 시스템을 고도화 시키는 것에 활용할 수 있겠습니다.
• 미디어 트렌드 분석: 비단 서비스 내의 데이터를 활용하는 것 뿐만 아니라, YouTube, Instagram 과 같은 미디어 트렌드 데이터를 분석 및 반영하여 트렌드에 민감한 추천을 제공하고 사용자들이 핫한 콘텐츠를 더 쉽게 발견할 수 있도록 도울 수 있겠습니다. 사용자가 자신의 직접적인 취향이 아니더라도 궁금증을 불러 일으킬 수 있는 콘텐츠를 제공한다면 지속적인 사용에 긍정적인 영향을 미칠 것으로 예상됩니다.

 

 

데이터 설명 

• Netflix Watch Log
• 넷플릭스 서비스에서 사용자 선호도, 플랫폼 접속 장치, 검색 기록 및 비디오 소비 패턴에 대한 정보를 제공
• 출처 : Kaggle (링크)

 

Table (ENG)	Table (KOR)	설명
All_Profiles	사용자 프로필	사용자의 인구 통계 정보, 구독 유형 및 참여 수준
All_Devices	장치 정보	스마트폰, 태블릿, 스마트 TV 등 서비스에 액세스하는 데 사용된 장치
All_SearchHistory	검색 결과	검색 키워드, 검색 결과, 검색한 후 사용자의 액션 등 사용자가 검색 결과와 상호 작용하는 방식
All_ViewingActivity	비디오 시청	시청한 세션의 시간 및 시각, 시청한 비디오 제목 등 사용자의 비디오 시청 정보
All_Clickstream	클릭 결과	클릭한 기능, 클릭한 시각 등의 사용자 클릭 정보

 

 

 

분석 과정 (+SQL Query)

 

1. 한 유저 당 여러 프로필을 사용 할 수 있는 가능성이 있기 때문에, 데이터를 묶어놓을 필요가 있음

• [All_Profiles] Profile Name
• [All_Profiles] Profile Transferred
• [All_Profiles] Profile Transferred From Account
• [All_Profiles] Profile Transferred To Account

→ Profile Transferred 여부 모두 ‘False'

→ 이에 따라 Transfered From/To Account 컬럼 데이터 모두 Null

 

 

2. ‘기간’을 기준으로. ‘기간’의 정의

 

DATE FROM

• [All_Profiles] Profile Creation Time (=처음 가입 한 시점)
  • 기간 확인 : '2021-10-29 05:19' ~ '2021-10-29 05:42'
  • User0~User4 에 대한 정보

 

DATE TO

• [All_Clickstream] Click Utc Ts (=user interaction timestamp)
  • 기간 확인 : '2022-07-28 16:15:39' ~ '2023-06-19 16:07:39'
  • User0~User8 에 대한 정보

• [All_Viewing Activity] Start Time (=content 보기 시작한 actual time)
  • 기간 확인 : '2021-12-22 14:09:16' ~ '2022-04-28 16:08:56'
  • User1 에 대한 정보 밖에 없음

 

→ click activity 와 view activity 가 같이 데이터가 쌓이는 줄 알았는데, 기간이 다르다. (데이터가 서로 겹치는 기간이 없음)

→ 가장 다양한 유저 정보와 약 1년의 기간의 데이터를 담고 있는 All_Clickstream 의 기간을 기준으로 함

→ 세 개의 테이블이 모두 다른 갯수의 유저 데이터를 저장 하고 있다.

 

     

3.  Stickiness 구하기

• dt - 기준 날짜
• dau - 기준 날짜에 클릭한 고객 수
• mau - 기준 날짜 한 달 전부터 해당 날짜까지 클릭한 고객 수
• stickiness - 기준 날짜의 고객 고착도

WITH daily_users AS (
    SELECT DATE(c.Click_Utc_Ts) AS dt
         , COUNT(DISTINCT c.Profile_Name) AS dau
    FROM all_clickstream c
    GROUP BY dt
),
monthly_users AS (
    SELECT DATE(c1.Click_Utc_Ts) AS dt
         , COUNT(DISTINCT c2.Profile_Name) AS mau
    FROM all_clickstream c1
      JOIN all_clickstream c2 ON DATE(c2.Click_Utc_Ts) BETWEEN DATE_SUB(DATE(c1.Click_Utc_Ts), INTERVAL 1 MONTH) AND DATE(c1.Click_Utc_Ts)
    GROUP BY dt
)

SELECT d.dt
     , d.dau
     , m.mau
     , ROUND((d.dau / m.mau), 2) AS stickiness
FROM daily_users d
 LEFT JOIN monthly_users m ON d.dt = m.dt
ORDER BY d.dt;

 

 

4. 여러 요소 추가로 분석해서 인사이트 더하기

SELECT Profile_Name AS users
     , DATE(Click_Utc_Ts) AS dt
	   , COUNT(Profile_Name) AS dau
FROM all_clickstream
GROUP BY users, dt
ORDER BY users, dt

SELECT Navigation_Level AS click_activities
     , COUNT(DISTINCT Click_Utc_Ts) AS counts
FROM all_clickstream
GROUP BY Navigation_Level
ORDER BY counts DESC

WITH click_stats AS (
    SELECT Navigation_Level AS click_activities,
           COUNT(DISTINCT Click_Utc_Ts) AS counts,
           DATE_FORMAT(Click_Utc_Ts, '%Y-%m') AS dates
    FROM all_clickstream
    GROUP BY Navigation_Level, dates
)

SELECT cs.click_activities,
       cs.max_counts,
       c.dates
FROM (
    SELECT click_activities,
           MAX(counts) AS max_counts
    FROM click_stats
    GROUP BY click_activities
) AS cs
JOIN click_stats c ON cs.click_activities = c.click_activities AND cs.max_counts = c.counts;