Customer Journey Analytics에서 Google Analytics 데이터에 대한 보고

이제 Google Analytics 데이터를 Experience Platform 및 CJA(Customer Journey Analytics)에 수집했으니 이 데이터에 대한 보고를 수행하는 데 유용한 몇 가지 시나리오를 보여드리겠습니다.

웹 데이터와 앱 데이터를 통합된 데이터 세트로 시각화

이 Venn 다이어그램은 웹 사이트의 사용자(Google Analytics 데이터 기반), 모바일 앱 사용자(Firebase 데이터 기반), 콜센터의 사용자를 중첩하여 보여 줍니다. 또한 성과가 가장 좋은 제품들을 웹뿐 아니라 모바일 앱에서도 볼 수 있습니다. 심지어 계산된 지표를 사용하여 두 플랫폼 모두로부터 총 매출을 산출할 수 있습니다. 통합된 매출을 살펴보면, 최우수 제품에 대해 미처 파악하지 못했던 정보를 파악할 수 있습니다. 통합된 데이터 세트가 없었다면 "트윌 캡"이 우수한 성과를 보이는 제품이었다는 사실을 절대 몰랐을 것입니다.

문의 전화의 이유 파악 및 문의 전화량 감소

지금까지 수많은 문의 전화가 접수되었음을 검증하기 위해 지난 2개월 동안 콜센터에서 소요한 시간의 추세를 분석할 수 있습니다. 증가 추세를 발견하는 것은 쉽습니다. 하지만 이는 걱정스러운 일입니다. 콜센터 담당자들이 콜센터에 할애되는 매분 비용이 발생하기 때문입니다. 이는 비즈니스 수익에 분명한 영향을 미칠 수 있습니다.

이처럼 콜센터에 대한 문의 전화 증가를 유발하는 주요 원인에 대해 살펴보겠습니다. 보시는 것처럼 주요 원인은 "신용카드 거부", "신용카드 제거", "제품 손상"입니다. 이것으로 이미 온라인 경험을 개선해야 한다는 단서를 얻을 수 있습니다. 이러한 문의 전화 이유에 대한 추세를 분석하고 어떤 것이 전체적인 문의 전화량 급증에 기여하는지도 살펴볼 수 있습니다. 흥미롭게도 "제품 손상"으로 문의하는 고객들은 문의 전화 1통당 3분이 넘는 시간을 소요했습니다.

더 자세히 살펴보면서 콜센터에 접수되는 문의 전화 대부분의 원인이 되는 제품이 무엇인지 그리고 얼마나 많은 고객이 이러한 문의 전화를 했는지 알아봅시다. 이 버블 차트에 따르면 20,000명이 문의 전화를 했고 4시간 30분이 넘는 시간을 소모했으며 "남성용 반팔티" 제품 33개를 반품했습니다.

"문의 전화 이유" 차원에서 드래그하면 이 인사이트를 세부적으로 분석하여 왜 이 사람들이 제품을 반품했는지 알아볼 수 있습니다. 보시는 것처럼 이 제품에 대해 이렇게 많은 문의 전화가 접수된 이유는 "제품 손상"이었습니다. 다음 단계는 품질 관리 부서에 문의하여 고객들이 왜 손상된 티셔츠를 받게 되었는지 알아보는 것입니다.

이제 어떤 웹 사이트 페이지가 콜센터에 접수되는 문의 전화를 유도했는지 살펴봅시다. 이를 통해 웹 사이트 내에서 성과가 부진한 경험이 어디에 위치해 있는지 알 수 있으며 제품 관리자가 이러한 어려움을 해결하는 데 도움을 줄 수 있습니다.

방법은 다음과 같습니다.

  • 계산된 지표를 사용하여, 콜센터 문의 전화를 유도한 세션만 볼 수 있도록 세부 필터링합니다.
  • CJA의 Attribution IQ에서 "참여" 모델을 사용합니다.

어떤 페이지가 전화 문의를 유도하는 세션에 가장 빈번하게 참여하는지를 쉽게 살펴볼 수 있습니다. "쇼핑 카트"와 "결제 정보"페이지가 문의 전화의 대부분을 유도한 것을 알 수 있습니다. 파이어베이스 모바일 앱 데이터도 포함시켰기 때문에 문의 전화를 유발하는 페이지 오류와 앱 충돌 문제도 볼 수 있습니다. 훌륭한 웹 및 모바일 앱 경험을 제공하고 싶다면 이는 굉장히 중요한 데이터 포인트입니다.

마지막으로, Analysis Workspace에서 코호트 테이블을 사용하면 사용자들이 웹 사이트를 방문한 후 콜센터에 문의 전화를 하기까지 대체로 얼마나 걸렸는지를 쉽게 알아볼 수 있습니다. 여기에서는 평균 시간이 3주~4주인 것을 볼 수 있습니다.

고급 마케팅 속성 사용

CJA에서는 채널 간 데이터에 대해 정교한 속성 모델을 사용할 수 있습니다. 다음의 예에서는 Google Analytics 채널 그룹화 차원에 매출의 마지막 터치, 첫 번째 터치, U자형, 그리고 알고리즘 속성을 적용한 경우를 비교해 볼 수 있습니다.

계산된 지표를 사용하면 이러한 속성을 웹 매출과 모바일 앱 매출에 적용할 수 있으며 심지어 제품 반품을 제외할 수 있습니다. 그리고 결과적으로 각 마케팅 채널의 진정한 순 매출을 볼 수 있습니다.

이외에도 Attribution IQ를 이용해 데이터를 손쉽게 필터링할 수 있습니다. 예를 들어 두 개 이상의 디바이스를 사용하는 사용자 등 특정한 사용자 집합에 대해서만 속성을 볼 수 있습니다.

마지막으로, Google Ad 콘텐츠에도 웹 및 앱 매출을 귀속시킬 수 있습니다. 보시다시피 웹보다 모바일 앱에서 온라인 Google Ads를 통해 유도된 매출이 더 컸다는 것을 알 수 있습니다. 광고를 웹 매출과 앱 매출에 따라 정렬하면 어떤 Google 광고의 성과가 가장 좋았는지에 대해 예상하지 못했던 정보를 파악할 수 있게 됩니다.

CJA가 없었다면 온라인 광고가 모바일 앱에서 구매되는 제품에 영향을 미치고 있었다는 사실을 알지 못했을 것입니다. 이번에는 Google Ads로부터 발생한 모바일 앱 매출이 웹 자체에서만 발생한 매출에 비해 14,000~5,000달러 더 많다는 것을 볼 수 있습니다.

이 페이지에서는