SQL 없이 하는 코호트·퍼널·RFM 분석: 대화형 분석 가이드

코호트 분석, 퍼널 분석, RFM. 이커머스 분석 글마다 등장하는 단어들이지만, 정작 해보려고 하면 첫 관문에서 막힙니다. 데이터를 어디서 뽑고, 어떤 쿼리를 짜고, 어느 도구에 넣어야 하는지. 분석 방법론을 몰라서가 아니라 분석까지 가는 길이 멀어서 못 하는 경우가 실무에서는 훨씬 많습니다.

그 길이 최근에 크게 짧아졌습니다. 분석을 도구 조작이 아니라 대화로 하는 방식 — 질문하면 에이전트가 데이터를 조회하고, 분석하고, 차트로 답하는 구조가 실제 운영에 들어와 있습니다. 이커머스에서 가장 자주 필요한 분석들이 대화로는 어떻게 돌아가는지, 실제 질문 문장을 그대로 따라가며 보겠습니다.

코호트 리텐션 분석

"1월에 첫 구매한 고객들, 지금까지 몇 %나 남아 있나?"

가입·첫 구매 시점별로 고객을 묶어 잔존율을 추적하는 분석입니다. 원래대로라면 월별 코호트 테이블을 SQL로 만들어야 하지만, 대화형에서는 "월별 첫 구매 코호트의 90일 재구매율 보여줘" 한 문장이면 됩니다. 어느 시기 고객의 질이 좋았는지, 최근 코호트가 나빠지고 있지는 않은지가 바로 보입니다. 나빠진 코호트를 찾았다면 그 고객들만 오디언스로 묶어 윈백 캠페인으로 이어가는 것까지 같은 대화에서 끝납니다.

퍼널 이탈 분석

상품 조회 → 장바구니 → 주문서 → 결제. 어느 단계에서 고객이 새는지 찾는 분석입니다. "최근 한 달 구매 퍼널 단계별 전환율 보여줘"로 시작해, 이탈이 큰 단계가 보이면 "장바구니 이탈 고객의 특징 분석해줘"로 파고듭니다. 분석의 끝은 자연스럽게 실행입니다 — 장바구니 이탈 고객 대상 리마인드 시나리오를 그 자리에서 만들 수 있으니, 발견에서 대응까지의 간격이 하루가 아니라 몇 분이 됩니다.

RFM 고객 등급 분석

최근성·빈도·금액으로 고객을 나누는 RFM은 개념은 쉽지만 유지가 번거로운 분석입니다. 등급 기준을 정하고, 주기적으로 다시 계산하고, 등급별 시나리오에 연결하는 일이 전부 수작업이기 때문입니다. 블럭스에서는 AI가 구매·방문 충성도를 학습해 고객을 충성·우수·일반·잠재 네 등급으로 자동 분류하고, 등급은 계속 갱신됩니다. 마케터가 할 일은 계산이 아니라 "충성 등급으로 올라온 고객에게 뭘 보내면 좋을까"라는 다음 질문입니다.

재구매 주기 분석

카테고리마다 고객이 돌아오는 리듬이 다르고, 그 리듬이 리마인드 발송 시점의 근거가 됩니다. "카테고리별 평균 재구매 주기 계산해줘"라고 물으면 주문 데이터에서 구매 간격을 집계해 카테고리별로 답하고, 그 주기에 맞춘 발송 시나리오 초안까지 이어집니다. 이 분석이 실제로 어떻게 발송 타이밍으로 연결되는지는 재구매 주기 글에서 실측 데이터와 함께 다뤘습니다.

캠페인 기여 분석

"지난주 캠페인, 실제로 매출에 도움이 됐나?"는 가장 자주 하는 질문이면서 가장 답하기 어려운 질문입니다. 발송 도구 따로 매출 데이터 따로면 둘을 잇는 것부터가 일이기 때문입니다. 발송과 구매가 같은 데이터 위에 있으면 "지난주 캠페인별 기여 매출 비교해줘"가 바로 답이 되고, 성과가 좋았던 캠페인의 공통점 — 시간대, 세그먼트, 소재 — 을 묻는 후속 질문으로 이어집니다. 자주 보는 분석은 대시보드 카드로 고정해 두면 매주 자동으로 갱신됩니다. 팀들이 실제로 고정해 두고 보는 대시보드는 활용 사례 글에 모아 두었습니다.

대화형 분석이 바꾸는 것

눈치채셨겠지만, 다섯 가지 모두 분석 방법론 자체는 교과서 그대로입니다. 달라진 것은 분석의 비용입니다. 쿼리를 짜고 도구를 오가던 반나절이 질문 한 문장으로 줄면, 분석의 빈도가 달라지고, 빈도가 달라지면 의사결정의 질이 달라집니다. 그리고 분석이 실행과 같은 곳에 있으면, "알아냈지만 아무것도 하지 않은 분석"이 사라집니다.

자주 묻는 질문

에이전트의 분석 결과를 믿어도 되나요?

검증 가능한 구조인지가 핵심입니다. 블럭스 에이전트는 어떤 데이터를 어떻게 집계했는지 근거를 함께 제시합니다. 실제로 한 고객사 담당자는 도입 초기에 에이전트 분석 결과를 SQL로 직접 재검증했고, 결과가 일치하는 것을 확인한 뒤로는 SQL을 따로 돌리지 않는다고 인터뷰에서 밝히기도 했습니다.

정해진 분석 메뉴만 되는 건가요?

아니요, 반대입니다. 미리 만들어진 대시보드에 없는 질문을 던지는 것이 이 방식의 핵심입니다. 우리 몰만의 지표 — 예를 들어 "정기배송 회차별 유지율" 같은 — 도 질문으로 만들고 대시보드로 고정할 수 있습니다.

고객 데이터를 외부 AI에 올리는 건 아닌가요?

데이터는 솔루션 안에 있고 분석도 그 안에서 이뤄집니다. 고객 데이터를 ChatGPT 같은 외부 서비스에 업로드해서 분석하는 방식과는 구조가 다르고, 실제로 이 점이 도입 결정 사유였던 고객사도 있습니다.

가장 오래 미룬 분석부터

거창하게 시작할 필요 없습니다. 위 다섯 가지 중 우리 팀이 가장 오래 미뤄온 분석 하나를 골라 보세요. 아마 방법을 몰라서가 아니라 손이 많이 가서 미뤄왔을 것입니다. 그 질문 하나를 데모에서 그대로 던져 보세요. 반나절 걸리던 답이 몇 문장의 대화로 돌아오는 것을 직접 확인할 수 있습니다.