데이터 분석가:Applied Data Analytics/데이터 시각화

Superset 클라우드 시각화 1st

데이터분석 2025. 4. 4. 18:07

5. Superset 대시보드 구성 예시 (이 데이터 기반)


차트 제목 차트 유형 필터
버전별 Retention 비교 Bar Chart Group by: version
유저당 평균 게임 횟수 KPI 또는 Box Plot 전체
활동 시간대별 평균 게임 횟수 Bar Chart Group by: activity_time
유료 사용자 전환율 KPI (Big Number) 필터 없음
ARPU (사용자당 수익) KPI 필터 없음

 

  • 특히 제가 준비한 CSV 데이터에는 referrer, channel, signup_date 같은 유입(Acquisition) 관련 정보가 없기 때문에 AARRR의 시작점인 "획득(Acquisition)"을 분석하기엔 정보가 부족함.
  • 반대로 사용자 유지와 활성화, 수익 기여도 분석에는 매우 적합한 구조라서 RARRA 분석이 자연스럽게 중심이 된 것.

향후 AARRR 분석을 하고 싶다면 필요한 데이터 예시

단계 필요한 추가 컬럼 예시
Acquisition signup_date, utm_source, utm_campaign, referrer, channel
Referral referrer_id, invited_friends_count, referral_code_used
Activation 완료한 튜토리얼 단계 수, 첫 구매 유무 등
이 데이터를 Superset에서 바로 사용할 수 있게 데이터셋 스키마 정의

Superset용 데이터셋 스키마 정의서(.md) 파일을 아래 경로에 생성했어. 이 파일에는 각 컬럼 설명과 추천 분석 지표가 포함

cookie_cats_superset_schema.md 다운로드

이제 다음으로는 **Superset 초기 대시보드 구성 템플릿(.json)**도 만들어줄게. 이 템플릿은 Superset에 import하여 기본 KPI 대시보드를 바로 만들 수 있도록 구성. ​​

Superset에서 사용할 수 있는 초기 KPI 대시보드 구성 템플릿(.json) 파일을 아래. Superset의 "Import Dashboard" 기능을 통해 바로 업로드할 수 있다.

cookie_cats_dashboard_template.json 다운로드

이 템플릿은 다음 KPI 차트들을 포함:

  1. Retention 1일 / 7일 비율
  2. 버전별 Retention 비교 (bar chart)
  3. ARPU (Big Number)
  4. 유료 사용자 비율 (pie chart)
  5. 시간대별 평균 플레이 라운드 (bar chart)

원한다면 더 많은 지표(예: Funnel, LTV, engagement score 등)도 추가해서 확장해줄 수 있어. 다음 단계로 어떤 걸 도와줄까

성공지표(North star)로써 D7 Retention, ARPU, 유료 전환율 시각화

1단계. Superset 데이터셋 준비

  1. 클라우드 Superset에 로그인
  2. cookie_cats_Data_final.csv 업로드
    • "Data" > "Upload a CSV" > 파일 업로드
  3. 데이터셋 이름: cookie_cats_data_final (공백 없이 설정)
  4. 데이터셋 등록 후 Preview로 정상 로드 확인

2단계. D7 Retention 시각화

2.1. 차트 생성

  • 메뉴: Charts > +Chart > Dataset 선택
  • 차트 유형: Bar Chart 또는 Big Number

2.2. 구성

  • Metric:
  • sql
     
    COUNT(CASE WHEN retention_7 = TRUE THEN userid END) * 1.0 / COUNT(userid)
  • 이름: D7 Retention Rate
  • Granularity: 없음 (전체 비율)
  • 옵션: 필요한 경우 version, device_type으로 Group by 추가

2.3. 인사이트 도출 포인트

  • gate_30 vs gate_40 그룹 간 차이
  • 특정 디바이스 또는 시간대가 Retention에 영향 주는지 확인

D7 Retention Rate: 주요 차트 유형 비교

차트 유형 추천 상황 장점 단점
Big Number 전체 리텐션율 하나만 강조할 때 한눈에 핵심 수치 전달 가능 비교 분석 어려움
Bar Chart (Group by) 버전별, 디바이스별 비교할 때 비교 분석에 최적화 절대값이 아닌 비율일 경우 Y축 범위 조정 필요
Pie Chart 비율형 데이터를 카테고리로 나눌 때 직관적인 비율 시각화 카테고리가 많을 경우 해석 어려움
Line Chart 시간 흐름에 따른 추이를 볼 때 기간별 리텐션율 분석 가능 지금은 기간 정보 없음

Bar Chart + Group by (version, device_type 등)

추천 이유:

  1. gate_30 vs gate_40 A/B 테스트 비교가 목적이기 때문에,
  2. 각 그룹별 리텐션율을 직관적으로 비교 분석할 수 있는 막대 차트가 가장 적합함
  3. 추가적으로 device_type, activity_time으로 세부 인사이트 확장 가능

Superset 설정 예시 (Bar Chart 기준)

  1. 차트 유형: Bar Chart
  2. Metrics:
  3. sql
    COUNT(CASE WHEN retention_7 = TRUE THEN userid END) * 1.0 / COUNT(userid)
  4. Group by:
    • version (→ gate_30 vs gate_40)
    • 추가: device_type, activity_time (필요 시)
  5. Y-axis format: Percentage (.0%)
  6. Chart title: D7 Retention Rate by Version

클라우드 슈퍼셋에서 구체적인 방법 정리

차트 목표

  • 차트 이름: D7 Retention Rate by Version
  • 지표(Metric): retention_7이 TRUE인 비율
  • 그룹 구분(Group by): version (gate_30 vs gate_40)
  • 차트 유형: Bar Chart
  • Y축 표시 형식: 퍼센트(.0%)

1단계. Superset에서 차트 생성

  1. Superset 상단 메뉴에서 Charts > + Chart 클릭
  2. Dataset: cookie_cats_data_final 선택
  3. Chart Type: Bar Chart (legacy 말고 최신) 선택
  4. Create Chart 버튼 클릭

2단계. 차트 설정

A. Metrics 설정

  1. Metrics 영역을 클릭
  2. Custom SQL Metric 선택
  3. 아래와 같이 입력
  • Label: D7 Retention Rate
  • SQL Expression:
여기는 userid 입력(마우스 드레그)
  1. 저장하여 Metrics 영역에 추가

B. Dimensions 설정

  • Dimensions 영역에 version 컬럼 추가
  • 그룹 간 비교를 위한 기준 (gate_30, gate_40)

※ 나중에 필요 시 device_type, activity_time도 추가 가능

C. X-Axis Sort By 설정

  • 기본 정렬 기준은 version
  • 원할 경우 Metric인 D7 Retention Rate 기준으로 정렬 가능

D. Y Axis Format 설정

  1. 우측 Customize 탭 클릭
  2. Y Axis Format 항목에서 .0% 선택 (퍼센트 표시)

E. Chart Title 설정

  • 상단 Chart Title 입력란에 D7 Retention Rate by Version 입력

3단계. 차트 실행 및 저장

  1. 우측 상단 Run 버튼 클릭
  2. 차트 시각화 결과 확인
  3. Save 클릭하여 새 대시보드 또는 기존 대시보드에 저장

4단계. 인사이트 도출 예시

  • gate_30 대비 gate_40의 retention_7 비율이 높다면
    → gate_40 구조가 장기 사용자 유지에 더 효과적일 가능성
  • 나중에 device_type, activity_time과 함께 분석 시
    → 특정 디바이스나 시간대에 따라 유지율이 달라지는 패턴 발견 가능

왼쪽 그래프에 대한 인사이트 내용입니다.

1. 시각화 요약

  • X축: retention_7 (True / False)
  • Y축: 유료 사용자 중 각 그룹의 비율 (퍼센트로 표시)
  • 분류 기준(Dimensions): version (gate_30, gate_40)
  • 필터: paid_user IN (TRUE) → 유료 전환자만 분석

2. 주요 수치

retention_7 gate_30 비율 gate_40 비율
False (미접속) 69.1% 86.9%
True (재접속) 30.9% 13.1%

 

3. 인사이트 해석

A. 핵심 인사이트

  • gate_30 유료 사용자의 D7 Retention Rate: 약 30.9%
  • gate_40 유료 사용자의 D7 Retention Rate: 약 13.1%
  • 즉, gate_30 실험 그룹이 gate_40에 비해 유료 전환자 중 D7 리텐션율이 2배 이상 높음

B. 반대 지표 해석 (미접속 비율)

  • gate_40에서는 유료 사용자임에도 86.9%가 7일 내 재접속하지 않음
  • gate_30에 비해 사용자 장기 유지율이 현저히 낮음

4. 전략적 해석

관점 해석
실험 효과 gate_40 구성은 유료 사용자 리텐션 유지에 부정적 영향을 줄 가능성이 있음
유료 고객 관리 단기 매출 유도는 되었을 수 있으나, 장기 사용자 가치(LTV)가 낮을 수 있음
제품 개선 제안 gate_40 조건이 지나치게 진입 장벽이 높거나, 핵심 기능 체험을 제한했을 가능성
마케팅 관점 리텐션이 낮은 그룹에 추가 리마인드, 리워드 알림 필요

5. 추천 후속 분석

  • 비유료 사용자 전체 기준으로 같은 차트 재분석
    → 전체 트렌드도 gate_40에서 더 낮은지 확인
  • retention_1도 비교
    → 초기 반응이 차이 나는지도 확인
  • ARPU와 비교하여 매출-유지율 균형 평가
NO. 컬럼명 설명
1 userid O 각 사용자를 구분하는 고유 식별자
2 version O 실험 그룹 (예: "gate_30", "gate_40")
3 sum_gamerounds O 사용자가 플레이한 총 게임 라운드 수
4 retention_1 O 초기 사용 후 1일 내 재접속 여부 (True/False)
5 retention_7 O 초기 사용 후 7일 내 재접속 여부 (True/False)
7 days_active O 사용자가 활동한 총 일수
8 max_level O 사용자가 도달한 최고 레벨
9 paid_user O 유료 구매 여부 (True/False)
10 total_revenue O 해당 사용자가 발생시킨 총 매출액
11 activity_time ▲ 사용자의 활동 시간대 (예: 플레이 시간 등)
12 device_type O 사용자가 이용한 기기 유형 (예: 모바일, 태블릿 등)
13 past_behavior_score 과거 행동 패턴을 기반으로 산출된 점수
14 log_sum_gamerounds 총 게임 라운드 수의 자연로그 값 (정규화 목적)
15 engagement_score ▲ 여러 요소를 종합해 산출한 사용자 참여도 점수
16 user_survey_score ▲ 사용자가 설문에 남긴 점수
17 version_bin ▲ gate_30인경우 0️⃣version을 이진 값(0 또는 1)으로 변환한 값
18 is_gate_40 ▲ "gate_40" 그룹 여부 (1: 해당, 0: 미해당)
19 retention_total X 1일 및 7일 재접속 여부를 합산한 총 재접속 횟수

2.2. Dimensions

  • 여기에 version 드래그 or 클릭 추가
    (→ gate_30, gate_40 비교용)
    필요 시 device_type, activity_time 도 추가 가능

2.3. X-Axis Sort By

  • 기본은 version 기준 정렬됨 (자동 설정)
  • 혹시 변경하려면 Metrics 중 D7 Retention Rate 선택

2.4. Y-axis format: 퍼센트 설정

  • 오른쪽 탭 메뉴 중 Customize 클릭
  • Y Axis Format → .0% 선택

2.5. Chart Title

  • Chart Title → D7 Retention Rate by Version 입력

3단계: Filters (선택)

원하는 경우 아래 항목을 필터로 넣을 수 있어:

  • device_type = mobile
  • activity_time IN (‘night’, ‘morning’)
  • paid_user = TRUE

→ 필터 영역에서 필드 선택 후 조건 지정

4단계: 결과 확인 및 저장

  1. Run 쿼리 → 차트 시각화 확인
  2. Save → 새 Dashboard 또는 기존 대시보드에 저장

5단계: 추가 인사이트 팁

  • D7 Retention이 높은 그룹이 누구인지(예: gate_30 or gate_40)
  • 특정 디바이스가 retention에 영향을 주는지
  • 향후 version별 실험 전략 수립에 기반

3단계. ARPU 시각화

3.1. 차트 생성

  • 차트 유형: Big Number 또는 Line Chart (기간별 트렌드)

3.2. 구성

  • Metric:
  •  
    복사편집
    SUM(total_revenue) / COUNT(userid)
  • sql
  • 이름: ARPU (Average Revenue per User)

3.3. 인사이트 도출 포인트

  • gate_40 그룹이 유료 전환을 더 잘 유도하는지
  • 시간대별 ARPU 차이

ARPU (Average Revenue Per User)를 전체 사용자 기준으로, 클라우드 Superset에서 정확하고 구체적으로 시각화하는 방법을 정리했습니다.

ARPU 정의 다시 확인

  • ARPU는 다음 수식으로 계산:
  • sql
     
    SUM(total_revenue) / COUNT(userid)
  • 즉, 전체 유저가 발생시킨 총 매출(total_revenue)을 전체 유저 수(userid)로 나눈 값

1단계. Superset에서 차트 생성

  1. Superset 접속 후, 상단 메뉴에서 Charts 클릭
  2. 우측 상단에서 + Chart 버튼 클릭
  3. 다음 항목 선택
    • Dataset: cookie_cats_data_final
    • Chart Type: Big Number 입력하여 선택
  4. 하단의 파란 버튼 Create new chart 클릭

2단계. Metrics 설정 (ARPU 수식 입력)

  1. 왼쪽 Query 패널 내 Metrics 항목 클릭
  2. 드롭다운 상단의 Custom SQL Metric 클릭
  3. 팝업 창이 열리면 아래와 같이 작성
    • Label: ARPU
    • SQL Expression:
    • sql
       
      SUM(total_revenue) / COUNT(userid)
    • Format: .2f 또는 $0.00 (소수점 2자리 또는 달러 단위)  > Original value로 선
  4. Save 클릭 → ARPU Metric이 추가됨

3단계. Customize 탭 설정

  1. Superset 화면 오른쪽 상단에서 Customize 탭 클릭
  2. Subheader 입력: Average Revenue Per User
  3. Number format: .2f 또는 $0.00 선택
    • .2f → 소수점 두 자리 (예: 1.23)
    • $0.00 → 통화 형식 (예: $1.23)

4단계. Chart Title 설정 및 실행

  1. 상단 Chart Title 입력란에 다음과 같이 작성:
    • ARPU (Average Revenue per User)
  2. 우측 상단의 Run 버튼 클릭 → 결과 확인
  3. 문제가 없다면 Save 클릭
    • 기존 대시보드에 저장하거나
    • 새 대시보드 생성 (예: North Star Metrics Dashboard)

5단계. 추가 필터 설정 (선택 사항)

ARPU는 기본적으로 전체 유저를 기준으로 하지만, 필요하면 필터 설정 가능:

  • 왼쪽 Query 패널에서 Filters 항목 클릭
  • 예시 필터 조건:
    • paid_user = TRUE → 유료 사용자 기준 ARPU 확인
    • version = 'gate_30' → 특정 실험 그룹의 ARPU만 분석
    • activity_time = 'night' → 특정 시간대 사용자 기준 ARPU 확인

6단계. 분석 팁 및 인사이트 도출

분석 관점 확인 내용
전체 기준 ARPU 실험 전반의 사용자당 수익 구조 파악 가능
버전별 비교 gate_30 vs gate_40 실험이 수익에 어떤 영향을 미쳤는지 파악
유료 사용자 기준 ARPU 매출 기여도가 높은 유저군의 평균 수익 분석
시간대, 디바이스 기준 특정 조건에서 수익 효율이 더 높은 유저층 식별 가능

이 그래프에 대한 인사이트

  • 지표: ARPU = SUM(total_revenue) / COUNT(userid)
  • 분석 대상: paid_user = TRUE (유료 전환자만 포함)
  • 분석 기준:
    • version: gate_30 vs gate_40 실험 그룹 비교
    • activity_time: night, morning, afternoon 포함됨 (시간대 필터 적용)
  • 표시 방식: Bar Chart, ARPU 수치를 막대 길이와 숫자로 동시에 표현

수치 요약 (이미지 기반)

version ARPU
gate_30 약 10.33
gate_40 약 9.94

 

인사이트 내용

  • 지표: ARPU (Average Revenue per User)
  • 대상 필터: paid_user = TRUE (유료 전환 사용자만 분석)
  • 활동 시간대: night, morning, afternoon 필터 포함
  • 버전 그룹: gate_30 vs gate_40
  • ARPU 값:
    • gate_30: $9.94
    • gate_40: $10.33

인사이트 해석 (정확한 수치 기반)

1. gate_40 그룹이 ARPU가 더 높음

  • gate_40 유료 사용자 1인당 평균 매출이 더 높음
  • 차이: $10.33 - $9.94 = $0.39 (약 3.9%) 상승
  • 즉, gate_40 실험 조건에서 전환한 유료 사용자가 더 많은 금액을 결제하고 있음

해석: gate_40 실험은 유료 사용자 개개인의 수익 기여도를 향상시키는 데 긍정적인 영향을 미쳤을 가능성

2. gate_40은 유료 유저의 ‘질’이 더 높을 수 있음

  • ARPU는 단순히 유료 전환율이 아니라 전환한 유저당 평균 지출을 보여주는 지표임
  • gate_40의 유저는 전환 이후에 더 높은 금액을 소비하는 경향을 보임
  • 이로 인해 gate_40 전략이 프리미엄 유저 확보 전략에 적합할 수 있음

3. 다만 앞선 리텐션 결과와 함께 해석해야 함

  • 앞서 확인한 D7 Retention 결과에 따르면:
    • gate_40은 유료 전환자의 재방문률이 낮았음
  • 종합하면,
    • gate_40 유저는 적게 남지만, 남은 유저는 지출이 크다
    • gate_30 유저는 오래 남지만, 지출은 상대적으로 작다

이 말은 gate_40은 고ARPU 단기 유저, gate_30은 저ARPU 장기 유저에 가까울 수 있음

전략적 시사점

항목 인사이트
제품 전략 gate_40 조건은 프리미엄 유저에게 적합하나, 리텐션을 희생함
유저 세그먼트 gate_40 유저 프로필 분석 → 고가 결제 유저 타겟팅 가능
LTV 관점 gate_40 유저가 LTV는 높을 수 있으나, 유지기간이 짧을 수 있으므로 세심한 관리 필요
리마케팅 gate_40 유저에 대해 리텐션을 끌어올릴 수 있는 마케팅이 병행되면 매우 효과적일 수 있음

 

  • gate_40 그룹은 ARPU가 높다 → 프리미엄 지출 유저 확보 가능
  • 그러나 Retention이 낮다 → 충성도 유지 과제가 남아 있음
  • gate_30은 평균 수익은 낮지만 더 오래 사용하는 유저 확보에 유리함

원한다면 이 ARPU와 Retention을 통합한 LTV 분석도 진행 필요

4단계. 유료 전환율(Paid User Rate) 시각화

4.1. 차트 생성

  • 차트 유형: Pie Chart 또는 Bar Chart

4.2. 구성

  • Metric: COUNT(userid)
  • Group by: paid_user
  • 계산: TRUE / 전체 비율로 전환율 확인 가능
sql
복사편집
COUNT(CASE WHEN paid_user = TRUE THEN userid END) * 1.0 / COUNT(userid)

4.3. 인사이트 도출 포인트

  • gate_40 실험이 유료 전환율에 긍정적 영향?
  • 고engagement/high level 유저가 유료 전환에 기여?

5단계. 대시보드 구성

  1. Charts > 각 차트를 "Save to Dashboard" > 새 대시보드로 저장
  2. 이름: North Star Metrics Dashboard
  3. 섹션 나누기:
    • Retention
    • ARPU
    • 유료 전환율
  4. 필터 추가 (버전, 디바이스, 시간대 등)

유료 전환율(Paid User Rate) 정의

  • 전체 사용자 중 유료 전환한 사용자의 비율
  • 계산식:
sql
복사편집
COUNT(CASE WHEN paid_user = TRUE THEN userid END) * 1.0 / COUNT(userid)

1단계. 차트 생성

  1. Superset 상단 메뉴에서 Charts 클릭
  2. 우측 상단 + Chart 클릭
  3. Dataset: cookie_cats_data_final 선택
  4. Chart Type: Bar Chart 또는 Pie Chart 선택
    • Pie Chart: 유료 vs 비유료 비율을 원형으로 시각화
    • Bar Chart: 필터/그룹별로 비교 분석하기에 더 유리함
  5. Create New Chart 클릭

2단계. Query 설정

A. Metrics

  1. Query 패널의 Metrics 영역 클릭
  2. Custom SQL Metric 클릭
  3. 아래와 같이 입력
  • Label: Paid User Rate
  • SQL Expression:
sql
 
COUNT(CASE WHEN paid_user = TRUE THEN userid END) * 1.0 / COUNT(userid)
  1. Save 클릭하여 Metric 추가

B. Dimensions (선택)

  • 단순 전체 비율만 보고 싶다면 Dimensions 없이 구성
  • 그룹별 전환율을 보고 싶다면 version, device_type, activity_time 등을 Group by에 추가

3단계. Pie Chart 구성 (전체 비율)

  • Chart Type: Pie Chart
  • Group by: paid_user (True/False 구분)
  • Metric: COUNT(userid) 또는 위에서 만든 Paid User Rate 직접 사용
  • Customize 탭에서:
    • Label Format: percent로 변경 가능
    • Show labels, sort options 등 설정 가능

4단계. Bar Chart 구성 (그룹별 비교)

  • Chart Type: Bar Chart
  • Metric: Paid User Rate
  • Group by: version 또는 engagement_score, max_level 등
  • Y-Axis Format: .0% (Customize 탭에서 설정)

5단계. 필터 적용 (선택)

왼쪽 Filters 영역에서 다음과 같은 필터를 적용할 수 있음:

필터 항목 설명
version gate_30, gate_40 비교 가능
engagement_score > 5 참여도 높은 유저만 분석 가능
max_level > 20 고레벨 유저 기준 전환율 분석

6단계. 차트 제목 설정 및 실행

  • 상단 Chart Title 입력: Paid User Rate by Version 또는 Overall Paid User Ratio
  • 우측 상단 Run 클릭
  • Save → 원하는 Dashboard에 저장 (예: North Star Metrics Dashboard)

7단계. 인사이트 도출 포인트

관점 해석 가능 인사이트
전체 Paid User 비율 전체 사용자 중 유료 전환한 비율 파악 가능
version 기준 분석 gate_40 실험이 유료 전환에 긍정적 영향을 미쳤는지 비교
engagement_score 기준 분석 참여도 높은 유저일수록 전환율이 높은지 확인
max_level 기준 분석 고레벨 유저가 전환율을 더 높이는지 검증 가능
activity_time 기준 분석 어느 시간대 유저가 더 잘 결제하는지 확인 가능

예시 차트 구성 추천

차트 이름 차트 유형 Group by
전체 Paid User 비율 Pie Chart paid_user
버전별 Paid User Rate Bar Chart version
참여도별 Paid User Rate Bar Chart engagement_score
레벨별 Paid User Rate Bar Chart max_level (bin 처리 가능)

인사이트 내용 정

1. 분석 조건 요약

항목 값
차트 유형 Pie Chart
Dimensions version (gate_30, gate_40)
Metric Paid User Rate = COUNT(CASE WHEN paid_user = TRUE THEN userid END) * 1.0 / COUNT(userid)
Filters  
- activity_time night, morning, afternoon
- device_type tablet

 

2. 수치 정리

version Paid User Rate (PUR)
gate_30 약 7.45%
gate_40 약 5.08%

 

  • 전체 평균 PUR: 약 12.5% (표시된 Total 기준은 Pie Chart의 분포 기준일 가능성 있음)
  • 상대 비율: gate_30 > gate_40
  • Pie Chart에서 시각적으로도 gate_30이 더 큰 비중을 차지함

3. 인상적인 인사이트

1) gate_30이 gate_40보다 유료 전환율이 더 높음

  • gate_30 PUR: 약 7.45%
  • gate_40 PUR: 약 5.08%
  • gate_30의 전환율이 gate_40보다 약 47% 더 높음

해석: 실험 그룹이 gate_40으로 바뀌면서 유료 전환 유도 효과가 약화되었을 가능성

2) Tablet 사용자 중 전환율 차이가 확연

  • 필터에서 device_type = tablet, activity_time = night, morning, afternoon으로 설정됨
  • 이 조건을 기준으로 보면 tablet 사용자는 gate_30 실험 환경에서 유료 전환을 더 많이 했음
  • 따라서 디바이스 특성과 실험 버전의 상호작용 가능성 존재

3) gate_40이 전체 사용자에게 동일하게 유효하지 않을 수 있음

  • 특정 세그먼트(예: tablet 사용자)에서는 gate_40이 오히려 전환율을 떨어뜨림
  • 실험은 평균이 아니라 세그먼트 단위로 다르게 반응할 수 있음
  • gate_40은 다른 디바이스에서는 긍정적 효과를 줄 수도 있으므로 별도 비교 필요

4. 전략적 시사점

항목 시사점
실험 그룹 성과 gate_40은 일부 유저 그룹에서 유료 전환율을 낮출 수 있음
타겟팅 전략 gate_30 구조가 tablet 사용자에게는 더 잘 맞는 구조일 수 있음
A/B 테스트 고도화 디바이스 또는 사용자 유형별로 실험 조건을 분리해 설계할 필요 있음
전환율 향상 전략 gate_40 유지 시, tablet 유저에 대해 별도의 onboarding이나 할인 전략이 필요함

 5. 후속 분석 추천

  • device_type 별 PUR 추가 분석 → mobile, desktop과도 비교
  • activity_time 별 PUR 분석 → 시간대별로 실험 효과가 다르게 나타나는지 확인
  • engagement_score 또는 max_level 기준 분석 → 전환율에 영향을 주는 주요 사용자 속성 파악

필요하면 이 내용을 기반으로 Notion 보고서용 템플릿이나 프레젠테이션 문장도

6단계. 인사이트 도출 및 문서화

  • 각 차트 옆 또는 Notion, 보고서에 다음 질문을 기반으로 인사이트 작성
    1. 어떤 그룹에서 지표가 높거나 낮은가?
    2. 시간대/디바이스/레벨에 따른 차이가 있는가?
    3. 실험 그룹(gate_30/40)에 따른 정책 변경 제안 가능성?

 

'데이터 분석가:Applied Data Analytics > 데이터 시각화' 카테고리의 다른 글

Sankey 차트를 LTV 시각화에 사용하는 이유  (0) 2025.04.09
Superset 클라우드 시각화 2nd  (0) 2025.04.04
클라우드 Superset 시각화  (0) 2025.04.03
클라우드 Superset  (0) 2025.04.03
Superset 설치  (0) 2025.04.02

'데이터 분석가:Applied Data Analytics/데이터 시각화'의 다른글

  • 현재글Superset 클라우드 시각화 1st

관련글

티스토리툴바