Growth & Retention Diagnosis

리텐션 분석을 돌리고 누수 지점 진단하기(Run a retention analysis and diagnose the leak)

당신은 {{product_name}}의 리텐션을 진단하는 리텐션 분석가입니다. 목표 리텐션 바: {{retention_target}}.

## Step 1 — 리텐션 지표 정의
- 단위: daily, weekly, monthly active?
- 이벤트: 로그인, 핵심 행동 수행, 결과 완료?
- 코호트 경계: 가입일, 첫 사용일, 구매일?

## Step 2 — 누수 세그멘테이션
세 가지 컷:
1. 코호트별 (가입 월 → 계절성 또는 온보딩 변경?)
2. 획득 채널별 (유료 vs. 오가닉 — 채널 품질?)
3. 첫 주 행동별 (활성화 vs. 미활성화 — 온보딩 흐름?)

## Step 3 — 깔때기 분석
day 1 → day 7 이탈에 대해:
- 이벤트 1: {{first_core_event}}
- 이벤트 2: {{second_core_event}}
- 단계별 이탈률

가장 큰 % 이탈이 누수 후보.

## Step 4 — 가설 생성
누수 후보에 대해:
- 사용자가 왜 여기서 이탈하는가? (가치 제안 불명확, 마찰, 어긋난 기대)
- 각 가설을 확인할 증거는?
- 어떤 개입이 지표를 움직일 수 있는가?

## Step 5 — 개입 우선순위
다음으로 개입 순위 매김:
- 기대 리프트 (대략)
- 출시 시간
- 검증에 필요한 증거
- 가역성

## 출력
1. 리텐션 지표 정의
2. 상위 2개 코호트 패턴
3. 가설이 있는 가장 큰 깔때기 이탈 지점
4. 기대 리프트가 있는 상위 3개 개입

행동 기반 코호트 진단 설계하기(Design a behavioral cohort diagnosis)

당신은 {{product_name}}의 리텐션을 진단하는 제품 분석가입니다. 전체 리텐션 곡선은 {{aggregate_curve}}입니다.

## Cohort dimensions
다음 기준으로 사용자 기반을 코호트로 나누세요:
1. Acquisition channel (organic, paid, referral 등)
2. 첫 주 행동 (핵심 기능을 활성화했는지 여부)
3. User segment (역할, 회사 규모, use case)
4. Signup month (계절성을 분리하기 위한 시간 코호트)

## For each cohort
- 7-day retention
- 28-day retention
- 90-day retention
- Feature usage distribution
- Cohort size

## Pattern surfacing
1. 유난히 높은 retention을 보이는 코호트는 무엇이며, 왜 그런가요?
2. 유난히 낮은 retention을 보이는 코호트는 무엇이며, 왜 그런가요?
3. 전체 retained user 중 상위 코호트가 차지하는 비중은 얼마인가요?
4. 상위 3개 코호트만 유지한다면 전체 aggregate는 어떻게 보일까요?

## Intervention options
- Acquisition targeting 변경(이기는 코호트를 더 많이 데려오기)
- Activation redesign(새는 코호트를 위한 onboarding 경로 수정)
- Product scoping(다른 segment를 명확하게 겨냥하기)

## Output
1. 코호트 retention 표
2. 근거와 함께 정리한 인사이트 2-3개
3. 성장 잠재력이 가장 높은 코호트 1개
4. 우리가 명시적으로 획득을 중단할 수도 있는 코호트 1개

기능 채택 퍼널 audit 설계하기(Design a feature adoption funnel audit)

당신은 {{feature_name}}의 adoption funnel을 점검하는 제품 분석가입니다. 출시일은 {{launch_date}}이고, 현재 aggregate adoption은 {{current_adoption}}입니다.

## Funnel stages
| Stage | Metric | Current | Target | Gap |
|-------|--------|---------|--------|-----|
| Aware | 기능 진입점을 본 비율 | | >80% | |
| Interested | 기능 CTA를 클릭한 비율 | | aware의 >30% | |
| Trial | 첫 행동을 완료한 비율 | | interested의 >50% | |
| Retained | 2주 차에 다시 돌아온 비율 | | trial의 >60% | |

## Leak identification
단계 간 비율이 가장 나쁜 구간이 핵심 누수 지점입니다.

## Hypotheses per stage
- **Low awareness**: 진입점 가시성, 배치, trigger 문제
- **Low click-through**: CTA 문구, 체감 가치, 타이밍 문제
- **Low trial completion**: 첫 사용 friction, 불명확한 다음 단계, 기대와 실제의 불일치
- **Low retention**: 일회성 유틸리티인지, 습관이 되는 가치인지

## Interventions per hypothesis
- Awareness: in-product nudge, email, changelog
- Click-through: copy A/B, visual hierarchy
- Trial: 단계 축소, empty state 개선, inline guidance
- Retention: follow-up cue, notification, habit anchor

## Output
1. 채워진 funnel 표
2. 가장 큰 누수 단계 1개와 그에 대한 가설 2-3개
3. 테스트할 상위 개입안 2개
4. 다음 측정 체크포인트와 성공 기준

이탈 분석과 방지 전략(Churn Analysis & Prevention Strategy)

당신은 리텐션과 그로스(growth) PM입니다. 이탈 분석과 방지 전략 구축을 도와주세요.

## 제품 컨텍스트
- **제품:** {{product_name}}
- **현재 이탈률:** {{monthly_churn_%}}
- **산업 벤치마크:** {{industry_avg_%}}
- **빌링 모델:** {{monthly | annual | usage-based}}
- **상위 이탈 사유 (알려진 경우):** {{reasons}}

## 이탈 분석 프레임워크

### 1. 이탈 세그멘테이션
| 세그먼트 | 이탈률 | 이탈자 % | 행동 패턴 |
|---------|-----------|---------------|-----------------|
| 신규 사용자 (0~30일) | | | |
| 정착 사용자 (30~90일) | | | |
| 파워 유저 (90일+) | | | |
| 다운그레이더 | | | |

### 2. 근본 원인 분석
| 원인 카테고리 | 이탈 % | 핵심 신호 | 방지 가능? |
|---------------|-----------|-----------|-------------|
| 활성화 안 됨 | | | Yes / Partially |
| 대안 발견 | | | |
| 제품을 넘어섬 | | | |
| 가격 민감도 | | | |
| 나쁜 경험 / 버그 | | | |
| 인게이지먼트 부족 | | | |

### 3. 선행 지표 (이탈 예측)
| 지표 | 임계값 | 이탈 X일 전 | 신뢰도 |
|-----------|-----------|------------------|-------------|
| 로그인 빈도 하락 |

리텐션 중심의 온보딩 최적화 계획 수립하기(Build a retention-focused onboarding optimization plan)

{{product_name}}에서 신규 사용자가 activation milestone에 도달하는 비율을 최대화할 수 있도록 온보딩 최적화 계획을 만들어주세요.

## 컨텍스트(Context)
- Product: {{product_name}}
- Activation milestone: {{activation_milestone}} (예: "user completes first project," "user invites a teammate," "user generates first report")
- 현재 signup-to-activation rate: {{activation_rate}}
- 현재 온보딩 단계: {{onboarding_steps}}
- activation까지 걸리는 시간(중앙값): {{time_to_activation}}
- 30일 retention rate: {{retention_rate}}
- 주요 사용자 페르소나: {{user_persona}}

## Step 1: 퍼널 맵핑(Funnel Mapping)
1. signup부터 activation milestone까지의 모든 단계를 나열하세요.
2. 각 단계별로 완료율을 추정하거나 제공하세요.
3. 가장 큰 drop-off point를 식별하세요. (사용자를 가장 많이 잃는 지점은 어디인가요?)
4. "time to value"를 계산하세요. 사용자가 첫 번째 "aha moment"를 느끼기까지 얼마나 걸리나요?

## Step 2: 이탈 진단(Drop-off Diagnosis)
각 주요 drop-off point마다:
1. 사용자는 이 단계에서 무엇을 하려 하나요?
2. 어떤 friction이 존재하나요? (입력 필드가 너무 많음, CTA가 불명확함, 외부 데이터 필요, 로딩 시간 등)
3. 이 단계를 완료한 사용자와 완료하지 못한 사용자는 어떤 공통점의 차이가 있나요?
4. 이것은 motivation 문제인가요? (왜 해야 하는지 모름) 아니면 ability 문제인가요? (어떻게 해야 하는지 모름)

## Step 3: 최적화 아이디어(Optimization Ideas)
각 drop-off point마다 3-5개의 최적화 아이디어를 생성하세요.
- friction 줄이기: 이 단계를 제거하거나 뒤로 미룰 수 있나요?
- motivation 더하기: 이 단계를 완료했을 때의 가치를 보여줄 수 있나요?
- 가이드 개선: contextual help, tooltip, wizard를 추가할 수 있나요?
- social proof: 이 단계 이후 다른 사용자가 어떤 성과를 냈는지 보여줄 수 있나요?
- personalization: 사용자의 역할이나 목표에 따라 경험을 맞춤화할 수 있나요?

## Step 4: 우선순위와 실행 계획(Prioritize and Plan)
1. 각 최적화를 activation rate에 대한 예상 영향, 구현 effort, confidence level로 점수화하세요.
2. 다음 sprint cycle에서 실행할 상위 5개 최적화를 선택하세요.
3. 각 항목마다 다음을 정의하세요.
   - 성공 지표와 목표치
   - A/B test 또는 staged rollout 계획
   - rollback 기준
4. activation과 30일 retention에 대한 총합 영향을 측정할 review date를 설정하세요.