유저 A,B,C의 데모그래픽 데이터와 행동 데이터를 분석하는 과정에서 AI를 활용해 LTV(고객생애가치)를 구하고, 신규 유저의 데이터와 비교합니다. 신규 유저의 행동 데이터를 분석하면서 기존 유저와의 유사성을 찾을 수 있고, 유저별로 이탈 가능성이 높은 지점과 다음 단계로 전환을 유도하는, 쉽게 말해 이탈 가능성을 낮추는 액션이 무엇인지 확인할 수 있습니다.
위 과정을 통해 확인한 핵심 행동을 수행할 때 리워드를 지급함으로써 유저 이탈을 방지하는 효과를 얻을 수 있어요. 그리고 앱 퍼널을 디테일하게 분석해 시나리오를 구성할 경우, 액션의 난이도에 따라 리워드를 상이하게 지급해보며 서비스별로 효과적인 아하모먼트를 찾아낼 수 있습니다.
[반복 액션 유도로 인앱 구매율을 높인 게임 A]
이번 콘텐츠에서 다룰 게임 A는 진성 게임 유저의 행동 데이터를 기반으로 이탈의 Key Point를 발견하고, 신규 유저들이 해당 지점을 넘어갈 수 있도록 유저 경험 프로세스를 설계했습니다. 그리고 이를 반복적으로 경험하도록 유도했을 때 리텐션 지표와 인앱 구매율이 어떻게 달라지는지에 대한 실험을 진행했습니다.
<리워드를 활용한 마케팅 시나리오 예시>
📌가설
- 리워드 광고로 고난이도 액션을 경험한 유저보다, 저난이도 액션을 경험한 유저들의 이탈이 적을 것이다.
- 게임을 이탈하지 않은 유저는 오랫동안 게임을 하기 위해 상점 등에서 아이템을 구매할 것이다.
📌진행 방법
- 기존 유저들의 행동 데이터를 분석하여, 게임 퍼널 중 이탈률이 높은 지점을 찾는다.
- 유저가 다음 퍼널로 전환될 확률이 높은 행동을 찾아 난이도별로 분류한다.
- A/B테스트를 통해 난이도별 행동을 반복적으로 경험하도록 유도했을 때 유저 잔존율과 인앱구매율을 확인한다.
- 리텐션과 인앱구매율에 기여도가 높은 최종 ‘아하모먼트’를 찾는다.
- 해당 행동을 ‘아하모먼트’로 정의한다.