이커머스 마케팅을 진행하다 보면 자주 마주하게 되는 고민이 있습니다.

GA4에서는 고객이 어떤 콘텐츠를 보고 어떤 행동을 하는지는 확인할 수 있지만, 고객의 연령대나 성별과 같은 고객 특성을 알기는 어렵습니다.

반대로 자사몰 관리자 페이지에서는 어떤 특성의 고객이 구매했는지는 알지만, 그 고객이 구매에 이르기까지 어떤 여정을 거쳤는지는 파악하기 쉽지 않습니다.

저희는 이러한 데이터 단절 문제를 해결하고자, 회원 데이터(1st Party)와 행동 로그 데이터(3rd Party)를 결합하는 분석을 진행했습니다.

이를 통해 구매 이전의 행동 여정과 구매자들의 고객 특성이 하나의 흐름으로 연결되어, 단편적인 데이터로는 알 수 없었던 고객 특성별 구매 패턴을 보다 입체적으로 파악할 수 있었습니다.

이번 콘텐츠에서는 통합 분석이 어떤 방식으로 이루어졌는지, 그리고 그 과정에서 발견한 주요 인사이트를 함께 소개하고자 합니다.

1. 분석 배경: 고객 여정과 고객 특성을 하나의 흐름으로 보다

가장 먼저 수행한 작업은 서로 다른 두 데이터를 하나의 기준으로 연결하는 것이었습니다.

GA4의 행동 로그와 1st Party 데이터 중 구매, 회원 정보를 활용하여 '유입 → 탐색 → 구매 → 재방문' 으로 이어지는 고객 단위의 전체 여정을 볼 수 있도록 통합했습니다.

• 1st Party Data : 주문 번호, 결제 수단, 상품명, 회원 성별 및 연령대 등

• 3rd Party Data (GA4): 유입 소스/매체, 페이지 조회(PV), 체류 시간 등 행동 이력 데이터

이 두 데이터를 결합함으로써, 각 고객층이 어떤 방식으로 탐색하고 어떤 패턴으로 구매하는지까지 연속적으로 파악할 수 있는 기반을 마련했습니다.

예를 들어 GA4만 보았을 때는 단순히 ‘저단가 상품을 자주 구매하는 고객군’과 ‘고단가 상품을 신중하게 구매하는 고객군’ 정도로만 구분되었다면,

통합 분석 이후에는 이러한 패턴이 연령대·성별 등 고객 특성별로 어떻게 다르게 나타나는지까지 확인할 수 있어 마케팅 기획 시에 보다 세분화된 전략 수립이 가능해졌습니다.

2. Insight 1: 연령대별로 차별화 된 구매 패턴

이번 분석 대상이었던 A 고객사의 경우, 전체 구매자의 85%가 여성이라는 사실은 자사몰 관리자 페이지를 통해서 파악하고 있던 수치였습니다.

하지만 GA4 행동 로그를 결합하여 고객 특성 단위로 행동 패턴을 살펴보자,

같은 여성 고객층 안에서도 연령대별 구매 패턴과 행동 방식이 크게 다르다는 점이 뚜렷하게 드러났습니다.

※ 본 사례에 사용된 수치는 분석 방법과 인사이트 설명을 위한 가상 데이터입니다.

▶︎ 20대 여성 (탐색 중심형)

• 사이트 체류시간이 전체 평균 대비 15% 길게 나타났으며, 즉각 구매보다는 정보를 탐색하고 비교하는 성향이 강했습니다.

• 특히 유료 광고(Paid) 채널을 통한 유입 비중이 74%로 높아, 외부 채널에서 트렌드를 접한 후 쇼핑몰로 유입되는 경향이 돋보였습니다.

▶︎ 30대 여성 (구매 기여형)

• 전체 평균 대비 구매 금액이 14% 높았으며, 탐색 시간은 짧지만 총 구매금액이 높아 전환 효율이 좋은 핵심 고객층으로 나타났습니다.

▶︎ 40대 여성 (프리미엄 추구형)

• 구매 빈도는 많지 않지만, 구매 시 객단가가 전체 평균 대비 35% 높아 고가 상품 중심의 명확한 목적형 구매 패턴이 관찰되었습니다.

👉 마케팅 적용점

이러한 분석 결과는 타겟별 접근 방식이 달라져야 함을 시사합니다.

광고 유입이 많은 20대에게는 유입 후 즉시 이탈을 줄일 수 있는 UX 개선과, 유저를 오래 잡을 수 있는 트렌디한 콘텐츠 활용이 중요합니다.

반면 구매력이 검증된 30~40대 고객에게는 고가 상품 중심의 크로스셀링 전략을 통해 객단가 상승을 기대할 수 있습니다.

3. Insight 2: 행동 기반의 새로운 고객 세그먼트 정의

GA4에서 다양한 조건으로 세그먼트를 만드는 궁극적인 목적은 결국 “그래서 어떤 고객이 구매할 가능성이 높을까?”를 파악하는 데 있습니다.

하지만 이를 위해 체류시간, PV 수, 유입 매체 등의 조건을 하나씩 조합하고,

서로 겹치지 않는 독립적인 세그먼트를 구성하는 과정에는 적지 않은 시간과 노력이 필요합니다.

만약 전체 유저를 하나의 공통 지표로 정렬해 각 그룹의 특성을 한 번에 비교할 수 있다면 어떨까요?

저희는 이 비교방식을 구현하기 위해 GA4 원시 데이터를 직접 활용했습니다.

그 과정에서 GA4 세그먼트 구조에 얽매이지 않고, 보다 유연하게 전체 고객을 하나의 지표로 정렬해 비교할 수 있는 구조를 설계할 수 있었습니다.

구체적으로는 '전체 페이지 조회(PV) 중 상품 상세 페이지를 얼마나 비중 있게 봤는가'라는 기준을 세워 전체 방문자를 5개 그룹으로 나누고,

평균 체류시간, 방문 수, PV 수, 구매 수 등의 지표들을 함께 비교해 방문 목적에 대한 5가지 고객 페르소나를 도출했습니다.

① 목적형 구매자 (상품 조회 비중 0~20%)

• 행동 특징: 구매 니즈가 명확해 방문 후 빠르게 구매로 이어지는 패턴

• 마케팅 제언: 검색 의도에 맞춘 키워드 광고 최적화

② 핵심 전환층 (상품 조회 비중 20~40%)

• 행동 특징: 체류시간과 재방문 지표가 전반적으로 우수한 충성 고객군

• 마케팅 제언: 구매 주기를 앞당기는 리텐션 캠페인

③ 보류형 고객 (상품 조회 비중 40~60%)

• 행동 특징: 충분히 탐색했으나 구매 직전 단계에서 이탈

• 마케팅 제언: 혜택을 상기시키는 장바구니 리마인드 메시지

④ 심층 탐색층 (상품 조회 비중 60~80%)

• 행동 특징: 구매보다는 정보 탐색과 상품 비교가 주된 목적

• 마케팅 제언: 상품 리뷰·비교 중심의 콘텐츠 노출

⑤ 유령 방문자 (상품 조회 비중 80~100%)

• 행동 특징: 관심도가 낮아 유입 직후 빠르게 이탈

• 마케팅 제언: 초기 랜딩 페이지 최적화

개별 조건을 반복적으로 설계하는 대신,

전체 고객을 동일한 기준에서 한 번에 비교함으로써 구조적이고 직관적인 인사이트를 도출했습니다.

이를 바탕으로 구매력과 연결되는 고객군을 명확히 파악하고, 각 고객군의 행동 특성에 맞춘 타겟팅 전략을 설계할 수 있었습니다.

4. 결론: 데이터 결합, 과정와 결과 사이의 연결 고리 찾기

데이터 통합의 핵심은 흩어진 데이터를 단순히 하나로 모으는 데 있지 않습니다.

고객의 행동과 구매 결과를 연결함으로써, 구매 전환으로 이어지는 흐름과 구조를 보다 정교하게 이해할 수 있다는 점에 그 가치가 있습니다.

결과와 과정을 함께 바라보면서 우리는 구매와 연관된 고객의 행동 의도를 보다 명확히 파악하게 되고,

이러한 이해는 메세지, 채널, 상품 전략을 고객군별로 차별화하는 전략적 기준으로 활용될 수 있습니다.

DXE 데이터컨설팅팀은 이종 데이터 소스를 결합해 고객 행동과 전환 사이의 구조를 분석하고,

분석 결과를 실제 운영에 적용 가능한 CRM 전략으로 구체화하는 데 집중하고 있습니다.

고객 행동의 의도와 전환 구조를 더 깊이 이해하고 싶다면,

DXE와 함께 데이터 통합을 기반으로 한 분석과 전략 설계를 고민해보는 건 어떨까요?