✅ 리텐션 분석이란?

**리텐션 분석(Retention Analysis)**은 앱을 설치하거나 회원가입한 사용자가 일정 시간 이후에도 여전히 활동하고 있는지를 확인하는 분석입니다.

---

❓ 왜 리텐션 분석을 해야 하나요?

1. 마케팅 효율 측정
   유저가 앱을 설치한 후 이탈하지 않고 남아있는 비율을 보면, 광고 캠페인이 효과적이었는지 평가할 수 있어요.
2. 서비스 초기 경험 평가
   설치 후 1~2일 내 이탈율이 높다면, 온보딩 UX 개선이 필요하다는 신호일 수 있어요.
3. 기능 업데이트나 이벤트 효과 측정
   특정 기간 이후 리텐션이 개선되었는지 확인하면, 기획이 성공적이었는지 판단할 수 있어요.

---

🔍 어떤 인사이트를 얻을 수 있을까?

• 설치일 기준으로 다음날(N+1) 유저가 얼마나 활동했는지
• 1일, 3일, 7일, 14일, 30일 기준 리텐션 비교
• 광고 유입 채널별 리텐션 분석 → 유료 광고 효율 개선
• 기기/OS/성별/연령대 등 세그먼트별 리텐션 차이

---

💡 GA4 BigQuery로 리텐션 분석하는 방법

🔧 준비 사항

• event_name = 'first_open' → 설치일 기준
• event_name = 'session_start' or user_engagement → 활동 확인용

---

📌 SQL 예제: 1일, 7일, 30일 리텐션 계산

WITH first_open_users AS (
  SELECT
    user_pseudo_id,
    MIN(DATE(event_timestamp, "Asia/Seoul")) AS install_date
  FROM `your_project.analytics_XXXX.events_*`
  WHERE event_name = 'first_open'
    AND _TABLE_SUFFIX BETWEEN '20240501' AND '20240531'
  GROUP BY user_pseudo_id
),

user_activity AS (
  SELECT
    user_pseudo_id,
    DATE(event_timestamp, "Asia/Seoul") AS activity_date
  FROM `your_project.analytics_XXXX.events_*`
  WHERE event_name = 'user_engagement'
    AND _TABLE_SUFFIX BETWEEN '20240501' AND '20240630'
),

retention AS (
  SELECT
    f.install_date,
    DATE_DIFF(a.activity_date, f.install_date, DAY) AS day_diff,
    COUNT(DISTINCT a.user_pseudo_id) AS retained_users
  FROM first_open_users f
  JOIN user_activity a
    ON f.user_pseudo_id = a.user_pseudo_id
  WHERE DATE_DIFF(a.activity_date, f.install_date, DAY) IN (0, 1, 7, 30)
  GROUP BY f.install_date, day_diff
)

SELECT
  install_date,
  MAX(CASE WHEN day_diff = 0 THEN retained_users END) AS day_0,
  MAX(CASE WHEN day_diff = 1 THEN retained_users END) AS day_1,
  MAX(CASE WHEN day_diff = 7 THEN retained_users END) AS day_7,
  MAX(CASE WHEN day_diff = 30 THEN retained_users END) AS day_30,
  ROUND(MAX(CASE WHEN day_diff = 1 THEN retained_users END) * 100.0 /
        MAX(CASE WHEN day_diff = 0 THEN retained_users END), 1) AS day1_retention,
  ROUND(MAX(CASE WHEN day_diff = 7 THEN retained_users END) * 100.0 /
        MAX(CASE WHEN day_diff = 0 THEN retained_users END), 1) AS day7_retention,
  ROUND(MAX(CASE WHEN day_diff = 30 THEN retained_users END) * 100.0 /
        MAX(CASE WHEN day_diff = 0 THEN retained_users END), 1) AS day30_retention
FROM retention
GROUP BY install_date
ORDER BY install_date;

---

📈 결과 예시

install_date	day_0	day_1	day_7	day_30	day1_retention	day7_retention	day30_retention
2024-05-01	1000	600	400	150	60.0%	40.0%	15.0%

---

🔄 실무에서의 활용 팁

• 일자별 리텐션 트렌드로 온보딩 개선 시기 파악
• 유입 경로(traffic_source.source)별 리텐션 비교 → 광고 효율 최적화
• 유저 세그먼트별 분석 (예: OS, 성별, 나이대) → 타겟 맞춤 전략 수립
• 캠페인 전/후 비교 분석으로 A/B 테스트 효과 측정

---

🏁 마무리

리텐션 분석은 단순한 퍼널 분석 그 이상입니다.
사용자 유지율을 높이는 전략의 핵심이며,
GA4 BigQuery를 활용하면 정밀하고 자동화된 리텐션 트래킹이 가능합니다.

다음 단계로는 세그먼트별 리텐션이나 LTV 분석으로 확장해보는 것도 추천드려요!