앱 코호트 분석: 지표, SQL, 그리고 실제 워크플로

Only 1일 후에 25.3%의 모바일 앱 사용자가 돌아오고, 평균 유지율은 5.7%로 30일까지 떨어집니다. 31개 앱 카테고리에서 전 세계적으로 Business of Apps가 제공하는 모바일 앱 유지율 지표에 따르면 이 곡선은 문제가 खर제모, 혼란스러운 온보딩 플로우, 또는 약한 제품 가치인지 알려주지 않습니다. 앱 코호트 분석은 그렇습니다.평균치는 사용자가 다른 캠페인, 국가, 기기, 앱 버전, 및 수익화 모델을 통해 도착한 사용자를 합친다. 코호트 대시보드는 그룹을 분리하고, 각 그룹을 동일한 라이프 사이클을 통해 추적하고, 제품, 마케팅, 및 엔지니어링 팀이 결정할 수 있는 바탕으로 하는 디파운드 베이스를 제공한다. 목차

컨텍스트: Capgo 마케팅 웹사이트. 역할: 짧은 UI 레이블 또는 네비게이션 아이템. 위치: 페이지 blog/[slug].astro. 메시지 키 `table_of_contents` (목차).

앱 코호트 분석이 집계 지표가 숨기는 것을 드러내는 이유

• 코호트 행의 진단적 가치
  • context
• 코호트 종류와 사용 시기
  • 실용적인 선택 가이드
• 코호트 결정에 영향을 미치는 핵심 지표
  • 지표를 함께 읽기
• SQL 및 분석 도구를 사용한 코호트 계산
  • 계산 층을 선택하기
• 일반적인 오류와 팀이 코호트 데이터를 잘못 읽는 방법
  • 첫 번째 실패를 숨기는 생존률 편향
  • 혼합 채널이 평균을 왜곡하는 경우
• 코호트洞察를 릴리스 및 업데이트 전략과 연결하기
  • 롤아웃 비교를 위해 고정된 경계를 사용하기
• 설치 유지율과 이벤트 및 수익 코호트를 넘어서
  • 진행 상황과 반환 동작

어플리케이션 계층 분석은 집계 지표가 숨기는 것을 드러내는 이유

전체적인 유지율은 건강 체크로 유용하지만, 진단 도구로서는 매우 나쁘다. 유료 소셜, 유기적 검색, 추천, 파트너 캠페인 등이 하나의 블렌드 داش보드에 공급되면, 결과는 사용자들의 혼합물보다 제품을 설명하는 것이 더 많다. iOS와 Android 사용자, 새로운 고객과 반복 고객, 또는 다른 온보딩 경험을 공유하는 하나의 곡선에서 동일한 문제가 발생한다.

앱 계층 분석 2026 벤치마크 iOS의 경우 1일 평균 25.65%와 30일 평균 4.13%를 보이며, Android의 경우 1일 평균 23.01%와 30일 평균 2.59%를 보인다. 25.65%는 1일째 4.13%는 30일째전 세계 평균은 강한 카테고리를 약한 것으로 만들거나 약한 채널을 합리적으로 보이게 할 수 있다. category performance also varies sharplywith a 2026 benchmark set ranging from 11.3% 뉴스 앱에서 30일 유지율 2.1% 교육 앱에서A global average can therefore make a strong category look weak or a weak channel look acceptable.

계층 행의 진단적 가치

설치 계층은 사용자가 앱을 처음 열었을 때 그룹화하고, 일정한 연령(1일, 7일, 30일)에서 돌아오기 위한 행동을 측정합니다. 한 행을 읽으면 단일 그룹이 어떻게 나이를 먹는지 보여주고, 열을 읽으면 같은 시점에 다른 그룹을 비교할 수 있습니다.

그 distinction은 질문을 "유지율이 낮은 이유는 무엇인가?"에서 "유입 품질:"

• 유입 품질: 유저가 제품을 사용하지 않으려는 의도를 가지고 있는 사용자를 한 캠페인에 끌어들이었는가?
• 온보딩 저항: 유저가 설치했지만 첫 번째 의미 있는 단계를 완료하지 못했는가?
• 가치 제공: 활성화된 유저가 초기 경험 후에도 사라졌는가?
• 릴리즈 영향: 새로운 버전이 사용자에게 받은 유저의 곡선에 변화를 주었는가?

팀은 평평한 전체 유지율을 볼 수 있지만 최근 주간 계층이 개선되고 더 오래된 계층이 자연스럽게 나이를 먹으면서 개선된 계층이 평균화됩니다. 반대로, 강력한 집계 숫자는 유기적 트래픽이 충분히 보상할 수 있는 지급 채널이 악화되고 있음을 숨길 수 있습니다.

실용적인 규칙: 집계 대시보드만으로 유지율 관련 제품 변경을 승인하지 마세요. 결과를 구입 소스, 국가, 플랫폼, 온보딩 경로, 앱 버전으로 분리하세요.

The 유지율 진단을 더 광범위한 라이프 사이클 뷰로 변환하는 데 유용합니다. 운영 포인트는 간단합니다: 계층 분석은 곡선이 깨지는 지점을 알려주며, 세그멘테이션은 그 깨짐이 발생한 입력을 식별하는 데 도움이 됩니다. 계층 유형 및 사용하는 시기

애플리케이션 계층 분석의 유형과 사용 시기

설치 기반 계층

첫 번째 설치 또는 첫 번째 앱 열기 날짜에 따라 사용자를 그룹화합니다. 온보딩 및 구입 분석의 기본값으로 사용됩니다. 성장 팀은 캠페인 품질, 초기 유지율, 첫 번째 런 경험의 변경을 비교하기 위해 사용합니다. 이벤트 기반 계층

계층은 분석을 다른 순간에 고정하고, 다른 결정을 지원합니다. 기본적인 동작으로 시작하세요. 예를 들어, 온보딩을 완료하거나 프로젝트를 만들거나 운동을 마치거나 첫 번째 메시지를 보는 등. 설치와 활성화 사이의 잡음 일부를 제거합니다. 첫 번째 운동을 완료한 사용자가 설치한 사용자보다 더 오래 활성화되는 경우 온보딩 문제가 제품 전반적인 유지율 실패를 반영하는 것이 아니라 가치 발견을 방해하는 것일 가능성이 높습니다.

수익 기반 계층 사용자들을 첫 번째 거래, 구독 시작, 플랜 티어, 또는 다른 수익화 이벤트에 고정합니다. 이 계층은 LTV 분석, 리턴 결정을 지원하고 비즈니스 모델 간 비교를 지원합니다. 구독 사용자와 광고 지원 사용자는 동일한 유지율 기대치를 가지고 있지 않아야 합니다. 왜냐하면 그들의 경제적 가치와 참여 동기 부여가 다르기 때문입니다. 최근 모바일 유지율 보도 보고서에 14%의 30일 유지율이 구독 앱에 비해 약 5.4%가 광고 지원 앱에 해당한다는 점을비즈니스 모델 정규화가 필수적입니다.

실용적인 선택 지침

A 운동 앱은 사용자가 첫 번째 운동을 첫 번째 날에 완료하는 사용자들이 전체 설치 계층보다 훨씬 더 잘 유지한다는 것을 발견할 수 있습니다. 이 발견은 운동이 유지에 원인이 되는지 증명하지는 않지만 제품 팀에게 테스트 가능한 활성화 가설을 제공합니다. 다음 단계는 그 운동까지의 경로를 줄이고, 비교할 수 있는 제어된 계층을 비교하는 것입니다.

사용 사용자 세그멘테이션(Plan 및 채널별) 계층 결정에 영향을 미치는 핵심 지표

코어 메트릭스: 코호트 결정을 이끄는 핵심 지표

유지율

원래 계층에서 정의된 반환 행동을 수행한 원래 계층의 비율을 측정합니다. 설치 계층에 대한 반환 행동은 앱 열기를, 이벤트 계층에 대한 반환 행동은 완료된 운동 또는 생성된 문서를 의미할 수 있습니다. 결과를 살펴보기 전에 반환 이벤트를 정의하세요. 반환 이벤트가 보고서 간에 변경된다면 곡선이 더 이상 신뢰할 수 있는 비교를 제공하지 않습니다. 탈퇴율

Retention Rate = Active Users in Cohort in Period / Total Users in Cohort × 100

같은 기간 동안 잃어버린 사용자를 설명합니다.

탈출률 사용자들이 동일한 기간 동안 잃어버린 사용자를 설명합니다.

Churn Rate = 1 - Retention Rate

이 역전은 특히 구독 제품에 유용합니다. 잃어버린 고객이 반복적인 수입에 영향을 미치기 때문입니다. 1일 결과가 높아지고 30일 후에 급격히 하락하는 것은 첫 경험의 효과가 장기적인 가치 제안보다 더 좋다는 것을 나타냅니다. 곡선이 안정화되면 핵심 그룹이 반복적으로 돌아올 수 있는 이유를 찾은 것으로 간주됩니다.

영구 가치 영구 가치는 계층에 의해 생성된 누적 수입을 계층 크기로 나눕니다.

LTV = Total Cohort Revenue / Cohort Size

모델 형태를 사용하는 팀도 있습니다. 예를 들어 평균 사용자당 수입을 평균 수명으로 곱한 것과 같은 것, 그러나 계층 수준의 계산은 감사하기가 더 쉽습니다. 또한 이 오류를 방지합니다. 초기 변환자로부터 수입을 받으면 전체적으로 수입이 증가한다는 것을 증명한다는 오류입니다.

지표를 함께 읽어보세요

작은 규모의 고가치 계층은 우수한 성과를 보이면서도 확장하기 어렵습니다. 계층을 각자의 시작 인구로 정규화한 후 수입과 유지율을 함께 비교하고, 획득 비용, 채널, 국가, 플랫폼, 비즈니스 모델과 같은 요소를 함께 비교하세요. LTV나 초기 유지율이 가장 높은 계층만으로 계층을_ranking_하세요.

기준 범위는 통과 또는 실패의 등급이 아닌 맥락을 제공합니다. 강력한 앱은 일반적으로 30-40%의 1일 유지율, 10-15%의 7일 유지율, 5-8%의 30일 유지율을 보고합니다. 30-40%의 1일 유지율, 10-15%의 7일 유지율, 5-8%의 30일 유지율을 보고하는 강력한 앱은25%, 8%, 4%를 보고하는 중간 앱은 그것에 따르면 at that milestone, according to 모바일 사용자 유지율 기준점 요약 올바른 카테고리와 비즈니스 모델과 비교하여 UX에 대한 격차를 atributing하기 전에 앱을 비교하십시오.

The 사용자 이탈 분석 가이드 코호트 테이블의 유용한 보완입니다. 코호트는 이탈이 발생하는 시기를 보여줍니다. 이탈 분석은 사용자 행동, 수집 소스, 또는 제품 조건이 이탈을 선행했는지 식별해야 합니다.

SQL 및 분석 도구를 사용한 코호트 계산

신뢰할 수 있는 SQL 워크플로우는 사용자당 한 행으로 시작하는 코호트 anchor로 시작해야 합니다. 모든 활동 행에서 anchor를 계산하지 마십시오. 나중에 발생하는 이벤트는 사용자를 잘못된 시작 기간으로 옮길 수 있습니다.

Assume an events table with user_id, event_name, and event_at fields. The following pattern creates weekly install cohorts and measures whether each user generated an activity event at the selected lifecycle ages:

WITH first_open AS (
  SELECT
    user_id,
    MIN(event_at) AS cohort_at
  FROM events
  WHERE event_name = 'app_open'
  GROUP BY user_id
),
activity AS (
  SELECT DISTINCT
    f.user_id,
    DATE_TRUNC('week', f.cohort_at) AS cohort_week,
    DATE_DIFF('day', CAST(f.cohort_at AS DATE), CAST(e.event_at AS DATE)) AS age_day
  FROM first_open f
  JOIN events e
    ON e.user_id = f.user_id
   AND e.event_name = 'app_open'
   AND e.event_at >= f.cohort_at
)
SELECT
  cohort_week,
  COUNT(DISTINCT CASE WHEN age_day = 1 THEN user_id END) * 1.0
    / COUNT(DISTINCT user_id) AS day_1_retention,
  COUNT(DISTINCT CASE WHEN age_day = 7 THEN user_id END) * 1.0
    / COUNT(DISTINCT user_id) AS day_7_retention,
  COUNT(DISTINCT CASE WHEN age_day = 30 THEN user_id END) * 1.0
    / COUNT(DISTINCT user_id) AS day_30_retention
FROM activity
GROUP BY cohort_week
ORDER BY cohort_week;

SQL syntax varies by warehouse, especially for date-difference functions. The important structure stays the same: establish the first event, join later activity to that anchor, calculate age, and divide distinct returning users by the original cohort population.

활성화 계층에 대해, anchor 이벤트를 대체하는 것이 아니라 표면적인 필터를 추가하는 것보다:

WITH onboarding_complete AS (
  SELECT
    user_id,
    MIN(event_at) AS cohort_at
  FROM events
  WHERE event_name = 'onboarding_complete'
  GROUP BY user_id
)
SELECT
  DATE_TRUNC('week', cohort_at) AS cohort_week,
  COUNT(DISTINCT CASE
    WHEN e.event_name = 'app_open'
     AND DATE_DIFF('day', CAST(o.cohort_at AS DATE), CAST(e.event_at AS DATE)) = 7
    THEN o.user_id END) * 1.0 / COUNT(DISTINCT o.user_id) AS day_7_retention
FROM onboarding_complete o
LEFT JOIN events e
  ON e.user_id = o.user_id
 AND e.event_at >= o.cohort_at
GROUP BY cohort_week;

계산 층을 선택하는 것

제품에 대한 질문과 빠른 탐색

이 팀은 이 기반을 구축하는 팀도야. 이 기초를 구축하는 팀은 또한데이터 주도 문화를 구축해야 합니다. Capgo의 이벤트 추적 플러그인 __CAPGO_KEEP_0__의 이벤트 추적 플러그인이 앱 내에 이미 존재하는 분석 도구와 함께 고려될 수 있습니다.

일반적인 실수와 팀이 계층 데이터를 잘못 해석하는 방법

팀은 기술적으로 올바른 계층 표를 만들 수 있지만 여전히 잘못된 결론에 도달할 수 있습니다. 가장 유해한 실수는 해석 이전에 발생하며, 분석가가 비교할 수 없는 집단을 결합하거나 동시 변경에 인과적 신뢰를 부여하는 경우입니다.

생존자 편향은 첫 번째 실패를 숨깁니다.

__CAPGO_KEEP_0__의 특정 기능에 도달한 사용자만이 늦은 단계의 유지율이 향상된다고 가정해 보십시오. 팀은 축하하지만, 초기 유지율은 감소했습니다. 이는 새로운 온보딩 스크린이 기능에 도달하는 사용자에게 장벽을 세우기 때문에 발생합니다. 생존자만 고려하면 제품이 보다 건강해 보이지만 상위 펀들이 악화됩니다.

전체 시퀀스를 추적하십시오, 단지 남아 있는 사용자만 추적하십시오:

1. 설치 또는 첫 번째 열람.
2. 계정 생성 또는 권한 완료.
3. 핵심 활성화 이벤트.
4. 반복적 가치 이벤트.
5. 수익 또는 구독 행동.

A 중기 계층은 조건적입니다. 그것은 활성화된 사용자가 어떻게 행동하는지에 대한 답을 찾습니다. 그것은 제품이 활성화된 사용자를 효율적으로 생성하는지에 대한 답을 찾지 않습니다.

혼합 채널은 오류를 일으키는 평균을 만듭니다.

심슨의 역설은 유료와 유기적 사용자가 하나의 행을 공유할 때 발생하는 실제 위험입니다. 혼합 채널의 변화가 강한 채널 쪽으로 이동할 때, 블렌드 커브가 상승할 수 있습니다. 하지만, 채널 내의 유지율이 하락하는 동안도, 유지율이 하락합니다. 대시보드는 구성 변화, 아닌 제품 개선입니다.

릴리즈 또는 온보딩 변경을 평가하기 전에 채널 소스에 대한 제어가 필요합니다. 캠페인, 국가, 플랫폼, 앱 버전, 및 수익화 모델을 차원으로 유지하세요. 비즈니스 모델도 중요합니다. 구독과 광고 지원 앱 간의 유지율 격차가 보고된 이전 벤치마크 소스 이는 제품의 수익화 혼합이 변경될 때 제품을 처벌하는 블렌드 커브가 될 수 있습니다.

계층은 유사한 입장 조건이 있는 경우에만 비교할 수 있습니다.

타임스탬프 오류는 quieter한 형태의 부패를 일으킵니다. 이벤트 타임스탬프를 일관되게 저장하고, Day 0을 명확히 정의하고, 분석이 사용자의 로컬 날짜를 사용하거나 canonical 보고 시간대 사용하는지 결정하세요. 글로벌 앱은 밤늦은 시간에 설치하고, 다음날 아침에 열람을 하는 사용자를 같은 행동으로 간주할 수 있습니다.

설치 기반 유지율은 한 가지 제한이 더 있습니다. 설치 또는 첫 번째 열람 인구에서 시작하지만, 사용자가 앱의 핵심 경험에 도달하지 못한 경우에 사용자를 획득한 기대치가 왜곡된 것인지 설명하지 않습니다. 캠페인이 앱이 즉시 제공하지 않는 특성을 약속한다면, 채널 수준의 계층 데이터는 엔지니어링이 제품을 다시 작성하기 전에 조사에 앞서야 합니다.

계층 데이터와 릴리즈 및 업데이트 전략을 연결하는 방법

릴리즈 관리는 자연스러운 계층을 만듭니다. 사용자가 버전 A, 버전 B, 스테이징 롤아웃 또는 핫픽스를 받는 경우, 앱이 노출 시점에 버전과 관련된 릴리즈 채널을 기록하면, 별도로 추적할 수 있습니다.

계층 데이터를 앱 릴리즈 및 업데이트 전략과 연결하는 3 단계 프로세스를 보여주는 다이어그램입니다.

유용한 롤아웃 워크플로는 다음과 같습니다.

노출 정의:

• 앱 버전, 롤아웃 채널, 기기 플랫폼, 국가, 노출 시간을 기록하십시오. 매치된 계층을 생성하십시오
• 일치하는 그룹 만들기 새 버전으로 노출된 사용자와 이전 기준선에 있는 사용자를 동일한 캘린더와 수집 조건 하에서 비교하십시오.
• 곡선 살펴보기: 1일, 7일, 30일 유지율, 실패한 이벤트, 핵심 활성화, 그리고 충돌을 검토하십시오.
• 작업 선택: 증진, 일시 중단, 반복, 또는 되돌리기 위해 조합된 증거에 따라.

새로운 온보딩 플로우를 작은 청중에게 출시했을 때, 초기 유지율이 더 좋게 보일 수 있습니다. 하지만, 그 결과는 확대 론칭에 충분하지 않습니다. 수집 소스와 계층을 일정하게 유지하거나 랜덤 ASSIGNMENT을 사용하여 버전 효과가 마케팅 효과를 상속하지 않도록 하십시오.

Hotfix 분석도 같은 discipline가 필요합니다. 버그를 처음 만난 사용자, 버그를 수정받은 사용자, 이전 버전을 유지한 사용자를 태그하십시오. 수정 후 계층이 활성화 경로를 회복하면서, 수정 전 계층이 계속 떨어지는 경우, 수정 후 계층은 버그가 원인이라는 증거를 제공합니다. 하지만, 두 계층이 동일한 행동을 보인다면, 버그는 원래의 감소에 대한 설명이 아닐 수 있습니다.

모바일 앱 업데이트 전략을 사용하여 모바일 앱 릴리스 관리 팀은 배포 선택과 측정에 연결할 수 있습니다. 버전 기반 계층은 릴리스 채널, 수용 이벤트, 실패 상태가 동일한 이벤트 모델에 포함될 때 더 유용합니다.

설치 후 유지율, 이벤트 계층, 수익 계층

설치 유지율은 좁은 질문에 답한다: 사용자가 설치 후 돌아오는지 여부다. 그것은 사용자가 가치 창조하는 동작을 완료했는지, 사용량을 확장했는지, 수익을 발생했는지 알려주지 않는다. 제품은 사용자가 제품의 핵심 워크플로를 통해 이동하지 않으면서도 installs 커브를 유지할 수 있다.

이벤트 코호트는 진행도를 드러낸다. 가치 있는 실제 이벤트를 정의하라. 예를 들어 화면을 열리는 것과 같은 가치가 없는 대리자와는 다르다. 피트니스 앱의 경우 첫 번째 운동을 완료하는 것이 될 수 있고, 금융 앱의 경우 첫 번째 허용된 코어 거래를 완료하는 것이 될 수 있고, 협업 앱의 경우 프로젝트를 만들고 공유하는 것이 될 수 있다.

수익 코호트는 경제적 층을 추가한다. 사용자를 첫 구매, 구독 시작, 플랜 티어, 또는 청구 이벤트로 그룹화하고, 이후 수익과 사용량을 추적한다. 구독 티어와 인앱 구매 패키지를 비교할 때 normalize 하여, 높은 수익 코호트가 universally 더 좋은 제품 경험으로 오인되지 않도록 한다.

반환 행동과 함께 진행도를 보고하라

유용한 스프린트 리뷰 테이블은 코호트 정의를 표시해야 한다:

셀에는 측정된 값이 포함되어야 하며, 일반적인 목표는 포함하지 않아야 합니다. 카테고리 및 모델에 따라 벤치마크가 다르며, UXCam의 유지율 벤치마크 토론 일일, 일주일, 30일 창구를 요약하는 데 중점을 둔 일일, 일주일, 30일 창구를 요약하는 데 중점을 둔 일상 분석에서 첫 번째 달과 세 번째 달의 유출이 생명 주기 분석에서 중요한 역할을 하는지 강조합니다.

개인 정보 보호 제한으로 인해 이보다 광범위한 정의가 점점 더 중요해지고 있습니다. attribution이 불완전할 때, 팀은 첫 번째 파티 이벤트, 생명 주기 마일스톤, 수입 기록에 더 많이 의존해야 하며, 설치 소스를 행동의 완전한 설명으로 다루지 않아야 합니다. 가장 유용한 계층 정의는 제품 가치 향상을 위해 개선하려는 제품 가치와 가장 가까운 것입니다.

설치 유지율, 활성화 유지율, 수입 유지율을 함께 보고합니다. 설치 유지율이 평평하지만 활성화된 사용자가 개선되면 온보딩이 주된 조절 장치일 수 있습니다. 활성화가 강하지만 수입 유지율이 약화되면 가격, 결제墙 타이밍, 플랜 적합성, 청구 경험에 주목해야 합니다. 그 분리는 인수, 제품, 수익화 팀이 생명 주기에서 영향을 미칠 수 있는 부분에 책임을 지게 합니다.

Capgo는 CapacitorJS 및 Electron 앱에 대한 실시간 업데이트를 제공하여 팀이 목표를 달성하는 JavaScript, CSS, 구성, 자산 변경을 추적하고 실패, 롤백 신호 및 버전 확산을 추적할 수 있습니다. 사용자들이 롤아웃 신호를 사용하여 더 깨끗한 버전 및 채널 계층을 만들고, 그 다음에 방문하여 Capgo 배포 워크플로우가 릴리스 측정 프로세스에 맞는지 평가하기 위해 사용합니다.