전편 [고객 이탈 예측하기: 분류 모델의 힘]에서는
“누가 이탈할 것인가?”를 예측하는 머신러닝 기법을 소개했습니다.
이번에는 실제 기업 데이터로
“많이 본다고 꼭 사는 것은 아니다”라는 사실이
어떤 행동 패턴에서 나타나는지 분석해봤습니다.
1. 높은 조회수가 무조건 ‘관심’이 아니다?
많은 사람들은 “조회수(PageView)가 높으면 구매 가능성이 높다”고 생각합니다.
하지만 이번 분석에서는 정반대의 패턴이 나타났습니다.
높은 조회수 = 관심이 아니라 ‘길을 잃은 상태‘
- 상품 간 차이가 명확히 보이지 않다 보니
- 고객은 상세페이지(PDP)와 리스트페이지(PLP)를 계속 오가며
비교 기준을 찾지 못한 채 반복 탐색에 지쳐 떠난다.
즉, 관심이 없어서가 아니라
결정할 수 없어서 계속 보는 상태였던 것이죠.
아래 실 사례를 통해 이를 확인해보겠습니다.
2. 실제 기업 데이터의 분석 결과 – ML(Machine Learning)
이번 분석에서는 GA4 기반 행동 데이터를 활용해
구매를 촉진하거나 방해하는 요인을 머신러닝으로 검출하고,
고객을 행동 유형별로 나누어 전환 특징을 파악했습니다.
- 사용한 행동 데이터 :
- 페이지 종류별 조회 수(PV), 세션
- 장바구니/결제 조회 수 및 이벤트
- “상품 비교” 페이지 조회수 및 이벤트
- 활용한 ML(Machine Learning)
- Logistic Regression -> 기본 방향성 및 성능 검증
- XGBoost + SHAP -> 반복 탐색, 과도한 탐색, 임계값 등 비선형 행동 패턴을 찾기 위함
해석 결과
적당한 탐색은 구매에 도움이 됩니다.
하지만 과도한 방문과 반복 조회는 오히려 구매를 방해한다는 것이 SHAP 해석에서 명확히 드러났습니다.
3. 구매하지 않는 사람들에서 나타나는 특징
주력 상품을 구매한 고객과 구매하지 않은 고객을 행동 패턴(Behavior Pattern) 기준으로 군집화(Clustering)해 보았습니다.
구매자 – 2개 유형
| 상위 그룹 | 핵심 행동 특징 |
|---|---|
| [0] 빠른 구매 그룹 | 탐색 거의 없음, 빠른 구매 |
| [1] 넓은 탐색 그룹 | PLP/PDP 여러번 비교 (plp, pdp 고루고루) unique Pv ↑ |
미구매자 – 3종류
| 상위 그룹 | 핵심 행동 특징 | 구매가 이루어지지 않은 이유 |
|---|---|---|
| [0]관심 없음 그룹 | 방문 적음, 탐색 거의 없음 | 애초에 관심이 낮아 금방 이탈함 |
| [1] 길을 잃은 고객 그룹(핵심) | 반복 탐색, 페이지 간 왕복, 정보 과부하 | 비교 기준 부족 → 결정 못 하고 지침 |
| [2] 구매 직전 임박 그룹 | 상세 정보 깊게 탐색, 장바구니·결제 시도 있음 | 마지막 단계에서 이탈, UX 개선 시 높은 전환 가능성 |
이 중 이번 분석에서 가장 중요한 그룹은 ‘길을 잃은 고객’ 그룹이었습니다.
그림 4. 미구매자, 구매자 유형별 상세 페이지 및 리스트 페이지 조회수 비교 그래프 — 출처: Bizspring
해당 그래프를 보면 “길을 잃은 고객”이 가장 높은 조회수를 보여주고 있습니다. 평균 조회수는 구매자의 조회수와 비교해도 약 1.5배 정도 더 높은 조회수 였습니다.
그림 5. 미구매자, 구매자 유형 반복 탐색 비율 비교 그래프 — 출처: Bizspring
해당 “반복 탐색 비율” 또한 “길을 잃은 고객”이 가장 높은 반복 탐색 비율이며 구매자와 비교했을때도 약 1.2배 정도 더 높은 반복 비율을 나타내고 있습니다.
결론
해당 기업에 대해선 상품 비교 페이지의 현저히 낮은 조회수, 상세페이지의 가독성, “주력 상품별 차이 구분 어려움” 등을 추가적으로 확인 할 수 있었습니다.
이번 분석은 하나의 사실을 명확하게 보여줍니다.
“조회수가 많다고 해서 구매로 이어지는 것은 아니다.“
때로는 높은 조회수가 ‘관심’이 아니라,
비교 기준을 찾지 못해 반복 탐색에 빠진 신호일 수 있습니다.
기업 입장에서 조회수 자체만 늘리는 것 보다,
고객이 길을 잃지 않고 선택할 수 있는 구조를 만드는 게 더 도움이 될 수 있습니다.
상품 비교 기준을 명확히 보여주고,
상세페이지에서 고객이 찾는 정보가 한 눈에 들어오게 하고,
탐색 흐름이 자연스럽게 이어지도록 UX를 설계하는 것.
이런 개선이 이루어질 때,
많이 보고 떠나는 고객이 아니라
보고 이해하고 선택하는 고객으로 바뀌게 됩니다.
데이터는 단순한 숫자가 아니라,
고객이 “왜 고민하고, 왜 멈추고, 왜 떠나는지”를 알려주는 신호입니다.
이번 사례가 여러분의 서비스에서도
숨은 전환 저해 요인을 찾는 계기가 되길 바랍니다.
최신 마케팅/고객 데이터 활용 사례를 받아보실 수 있습니다.