GA4 BigQuery로 퍼널 분석

퍼널 분석은 사용자의 행동 흐름을 이해하고, 각 단계에서 이탈률을 분석하여 개선점을 찾는 강력한 도구입니다. GA4 BigQuery 데이터를 활용하면 이런 퍼널 분석을 더 유연하게 수행할 수 있습니다. 이번 포스팅에서는 세션 시작 → 회원가입 → 상세페이지 조회 → 구매 단계로 퍼널 분석을 수행하는 방법을 다룹니다.

Table of Contents

1. 퍼널 분석의 목적

사용자 흐름 파악: 주요 전환 과정에서 사용자가 어떤 단계에서 이탈하는지 확인.
전환율 개선: 가장 큰 이탈률을 보이는 단계에 집중하여 전환율 최적화.
전략적 의사결정 지원: 마케팅 및 UX 전략 수립에 데이터 기반의 인사이트 제공.

2. 준비해야 할 데이터

GA4 데이터를 BigQuery로 연동하여 아래 데이터를 추출해야 합니다.

사용자 ID (user_pseudo_id): 사용자 고유 식별자.
이벤트 이름 (event_name): 각 이벤트를 구분하기 위한 값.
이벤트 발생 시간 (event_timestamp): 이벤트가 발생한 시간.
이벤트 속성: 회원가입, 상세페이지 조회, 구매 등을 식별하기 위한 속성(event_params.key, event_params.value).

주요 이벤트 정의

이벤트 이름	설명
`session_start`	세션이 시작되었음을 나타냄.
`sign_up`	회원가입 이벤트.
`view_detail`	상세 페이지 조회 이벤트.
`purchase`	구매 이벤트.

3. BigQuery 쿼리 작성

아래는 GA4 데이터를 활용하여 퍼널 단계를 분석하는 샘플 쿼리입니다.

WITH funnel_data AS (
  SELECT
    user_pseudo_id,
    event_name,
    event_timestamp,
    event_date
  FROM
    `project.dataset.events_*`
  WHERE
    event_name IN ('session_start', 'sign_up', 'view_detail', 'purchase')
),

funnel_steps AS (
  SELECT
    user_pseudo_id,
    MAX(CASE WHEN event_name = 'session_start' THEN event_timestamp END) AS session_start_time,
    MAX(CASE WHEN event_name = 'sign_up' THEN event_timestamp END) AS sign_up_time,
    MAX(CASE WHEN event_name = 'view_detail' THEN event_timestamp END) AS view_detail_time,
    MAX(CASE WHEN event_name = 'purchase' THEN event_timestamp END) AS purchase_time
  FROM
    funnel_data
  GROUP BY
    user_pseudo_id
)

SELECT
  COUNT(DISTINCT user_pseudo_id) AS total_users,
  COUNT(DISTINCT CASE WHEN sign_up_time IS NOT NULL THEN user_pseudo_id END) AS signed_up_users,
  COUNT(DISTINCT CASE WHEN view_detail_time IS NOT NULL THEN user_pseudo_id END) AS viewed_detail_users,
  COUNT(DISTINCT CASE WHEN purchase_time IS NOT NULL THEN user_pseudo_id END) AS purchased_users
FROM
  funnel_steps;

4. 결과 예시 데이터

단계	사용자 수	전환율
세션 시작	1,000	100%
회원가입	600	60%
상세페이지 조회	450	45%
구매	300	30%

5. 퍼널 분석 결과 해석

60% 전환율: 세션 시작 → 회원가입 단계에서의 이탈률이 낮아 사용자 유입이 효과적임을 의미합니다.
45% 전환율: 회원가입 → 상세페이지 조회 단계에서 다소 이탈률이 있음. 상세페이지로의 자연스러운 유도를 위한 개선 필요.
30% 전환율: 구매 단계에서 높은 이탈률이 나타남. 구매 프로세스를 간소화하거나 추가 혜택 제공 등의 개선점 모색.

6. 결론

GA4 BigQuery 데이터를 활용한 퍼널 분석은 단계별 전환율을 명확히 파악하여 사용자 경험 개선과 비즈니스 목표 달성에 크게 기여할 수 있습니다. 위 쿼리를 통해 쉽게 퍼널 데이터를 추출하고, 여러분의 플랫폼에 맞는 분석을 시작해보세요.