로그 데이터를 활용한 Funnel 분석

로그 데이터가 중요한 이유?

• 평균이 사라지고 있음
• 인구통계학적 특성 또는 사용자가 직접 입력한 데이터 보다는 사용자의 행동 데이터로 행동 페르소나 분석
• 사용자 개개인의 특성을 더 잘 나타냄

 

 

1. 로그 데이터(Log Data)

• 로그 데이터 - 행동 데이터
• 사용자가 서버, 웹 페이지, 어플 등 에서 행동한 이력이 데이터로 남음

 

	date	session id	hitsequence	page_name	user_id	duration
1	2023-01-01 11:00:05	1	1	메인화면	A	2
2	2023-01-01 11:00:07	1	2	상품 페이지	A	2
3	2023-01-01 11:00:09	1	3	상품 상세 페이지	A
4	2023-01-01 11:00:06	2	1	메인화면	B	1
5	2023-01-01 11:00:07	2	2	마이페이지	B
6	2023-01-01 11:15:00	3	1	메인화면	A
7	2023-01-02 08:11:05	1	1	메인화면	C	7
8	2023-01-02 08:11:12	1	2	상품 페이지	C
9	2023-01-02 08:11:19	2	1	메인화면	D
10	2023-01-03 08:12:12	1	1	메인화면	E

💡 session id : 사용자가 접속 후 세션이 끊기기 전까지의 Active한 활동에 부여되는 아이디, 특정 시간 내 활동이 없으면 자동으로 로그아웃되어 세션이 종료됨

hitsequence : 세션 내 페이지 접속 순서

 

 

2. 퍼널 분석(Funnel Analysis)

• 퍼널 분석(Funnel Analysis)은 사용자가 제품이나 서비스를 이용하는 과정을 단계별로 파악하여, 각 단계에서 발생하는 문제점을 파악하고 해결하는 분석 기법
• 각 단계를 통과할 때마다 유저 수가 줄어들어 아래 그림처럼 점점 좁아지는 형태의 깔대기(Funnel) 모양

 

제공: Getty Images/iStockphoto 저작권: vectortatu

 

 

 

시나리오를 3단계로 정의

1. 메인 화면
2. 상품 상세페이지
3. 주문 완료

 

페이지명	메인 화면	상품 상세페이지	주문 완료
PV (Page View)	200	70	10
이탈률	-	0.65	0.85
전환율	-	0.35	0.05
평균체류시간	3	55	4
UV (User View)	100	50	10
이탈률		0.5	0.8
전환율		0.5	0.2
평균체류시간	3	50	5

• 상품 상세페이지 이탈률 : 1 - ( 70 / 200 ) = 0.65
• 전환율 : 10 / 200 = 0.05

 

💡 PV(Page View) : 페이지 클릭 수

UV(User View) : 방문한 사용자 수

이탈율(Bounce Rate)

전환율(Conversion Rate)

 

 

3. 프로젝트 사례

• 분석 대상과 목적 정의
• 시나리오 정의
• 시나리오 기반 데이터 수집
• 퍼널 분석

 

 

4. 느낀점

• 사용자 로그가 정의한 시나리오와는 다른 다양한 케이스가 있어 분석이 어려웠음
• 다음 프로젝트에서 적용해 볼 아이디어
  • 정의한 시나리오를 Columns 에 순서대로 입력하고 boolean 으로 고객별 sum

 

 

• 비트 연산
  
  • 이전 단계를 통과해서 다음 단계로 갈 수 있다고 가정할 때, 2^6 / 2 (행렬 중복 제거)
    • 000001 = 1
    • 000011 = 3
    • 000111 = 7
    • 001111 = 15
    • 011111 = 31
    • 111111 = 63
      • x < 7 인 경우, 2단계 까지 통과, 3단계 실패로 볼 수 있음
      • x < 31 인 경우, 4단계 까지 통과, 5단계 실패로 볼 수 있음

 

 

 

5. 출처

https://steadiness-193.tistory.com/167

https://datarian.io/blog/funnel-analysis