Shopify 리서치 허브 · 문서/위키형 둘러보기 분류 관리 자동 조사
데이터·분석 /코호트·리텐션 분석

코호트·리텐션 분석

근거 8건 · v6 · 2026-11-08 · claude-opus-4-8

코호트·리텐션 분석 (Cohort & Retention Analysis)

Shopify 자사몰 운영 관점에서 "고객을 집단으로 묶어 시간에 따른 잔존·매출 변화를 추적"하는 코호트 분석의 개념, 해석법, 실전 활용, 도구, 함정을 정리한 전체 개요다.


1. 코호트 분석이란

  • 코호트(Cohort): 동일한 기간 동안 공통의 경험·특성을 공유하는 사용자 집단. 어원은 라틴어 cohors(같은 부대)이며, 본래 역학(epidemiology)에서 같은 시기 노출 인구의 건강 변화를 추적하던 방법론이 1990년대 이후 디지털 비즈니스로 넘어왔다 [S8]. 전자상거래에서 "코호트"는 보통 같은 달에 첫 주문을 한 신규 고객 집단을 뜻한다 [S2][S4].
  • 코호트 분석: 전체 사용자를 하나로 뭉뚱그리지 않고, 가입일·첫 구매일·획득 채널·첫 구매 행동 등 명확한 기준으로 쪼갠 뒤, 시간이 흐름에 따라 각 집단의 행동(재방문·재구매·잔존율·매출)이 어떻게 변하는지 독립적으로 추적한다 [S4][S5][S8].
  • 표준 그룹화 기준: Shopify의 고객 코호트 분석 리포트는 기본값으로 고객의 첫 구매 월을 기준으로 묶고, 기본 지표는 **고객 유지율(retention rate)**이다 [S2][S4].

평균의 함정 — 왜 코호트인가

  • 전체 매장 "재구매율 30%" 같은 **혼합 평균(blended average)**은 충성 장기 고객과 이탈이 많은 신규 고객을 뒤섞어 오해를 부른다. 매장 전체가 안정적인 30%로 보여도, 2년 전 획득 고객은 70%, 지난달 신규는 90%로 유지율이 전혀 다를 수 있다 [S4].
  • DAU·MAU 같은 누적 지표는 "성장하고 있다"는 착시를 주지만, 코호트 분석은 그 이면의 실제 고객 활동 수명을 진단해 준다 [S5]. 신규 유입이 간신히 이탈을 메우고 있을 뿐인 경우를 드러낸다 [S8].
  • 즉 코호트 분석은 최근 캠페인·제품 변경이 고객을 떠나게 하는지 조기에 경고하는 조기 경보 시스템 역할을 한다 [S4][S8].
  • 리텐션 분석(고객이 돌아오는지 여부에 대한 광범위한 연구)과 달리, 코호트 리텐션 분석은 공통 특성으로 집단을 쪼개 같은 기간에 걸쳐 행동 차이를 비교하는 구체적 기법이다 [S4].

2. 왜 리텐션을 파악해야 하는가

  • 고객 획득 비용(CAC) 상승: 광고 경쟁 심화로 신규 고객 한 명 데려오는 비용이 매년 급증. 막대한 예산으로 신규를 유치해도 금방 이탈하면 ROI 회수가 불가능하다 [S5].
  • 리텐션이 높으면: 재구매·입소문(Referral)으로 자연 유입이 늘고 장기 LTV가 극대화되어 비즈니스 자생력이 강화된다 [S5].
  • 투자자 관점: 앤드류 첸(Andrew Chen) — "리텐션은 모든 그로스 지표의 어머니". 그로스 해킹 AARRR 프레임워크의 활성화(Activation)·리텐션(Retention) 단계는 코호트 분석 없이는 측정 자체가 어렵다 [S8].
  • 로열티 효과(사실형 수치): 리텐션 플랫폼 Growave 연구에 따르면 로열티 프로그램 참여 고객은 비참여 고객보다 1인당 115% 더 많은 매출을 창출한다 [S4].
  • 실증 사례: 한 B2C SaaS는 MAU가 두 분기 연속 두 자릿수 성장했으나 코호트별 30일 잔존율이 11%→7%로 하락하고 있었음이 드러났다. 신규 획득 예산을 줄이고 첫 2주 온보딩·7일 차 리텐션 개선에 집중한 뒤, 두 분기 만에 전 코호트 30일 잔존율 20% 초과, 신규 유입 증가 없이 MRR 약 70% 상승 [S8].

3. 코호트의 종류

출처 간 분류 체계가 조금씩 다르므로 병렬 제시한다.

Shopify 블로그(S4) / 다수 출처의 3분류:

  • 획득 코호트(Acquisition): 첫 구매의 월·채널·캠페인 기준. 예) "2025년 7월 TikTok 광고" vs "2025년 7월 오가닉 검색" 코호트 비교 → 소셜 유입이 장기 팬이 되는지 일회성인지 판별 [S4]. 가장 일반적이며 광고 캠페인·신규 기능·가격 변경 영향 분석에 쓰인다 [S5][S8].
  • 행동 코호트(Behavioral): 로열티 가입·특정 훅 사용·친구 추천 등 특정 행동 수행 시점 기준. 예) "로열티 가입" 코호트가 "게스트 체크아웃" 코호트보다 3개월 후 유지율 40% 높음 [S4]. 아하 모먼트(Aha Moment) 발굴 도구이며, 페이스북의 "10일 안에 친구 7명 만든 사용자가 장기 잔존율 4배" 발견이 대표 사례 [S8].
  • 제품 코호트(Product): 처음 산 제품 기준. 스킨케어 브랜드가 "클렌저 첫구매" vs "선크림 첫구매" 코호트 비교 등 [S4].
  • 시간 코호트(Time): 분기·시즌·블랙프라이데이·팬데믹 등 외부 이벤트 시점 기준으로 외부 환경 영향을 분리 [S8].

| 유형 | 묶는 기준 | 대표 활용 | |---|---|---| | 획득 코호트 | 가입·첫 방문·첫 구매 시점 | 제품 개선 효과 측정 [S8] | | 행동 코호트 | 핵심 이벤트 수행 시점 | 아하 모먼트 발굴 [S8] | | 시간 코호트 | 외부 이벤트·계절 | 환경 영향 분리 분석 [S8] |


4. Shopify 네이티브 코호트 리포트 읽는 법

  • 접근 경로: Shopify 관리자 → Analytics → Reports → "customer cohort" 검색. 기본 지표는 고객 유지율 [S2]. 또는 Analytics 대시보드의 Reports 섹션에서 접근하며 첫 주문일로 자동 그룹화 [S4][S6].
  • 표(삼각형/히트맵) 구조: 세로축=코호트(월), 가로축=경과 기간(월 0·1·2…), 셀=해당 시점 값. 셀 색이 진할수록 값이 높은 히트맵 [S4][S8].
  • Recharge·Loop·Key 등 구독 플랫폼의 코호트 표도 Shopify 네이티브와 동일한 설정 구조다 [S2].

3가지 읽는 방향 (여러 출처가 일관되게 강조)

여러 소스가 동일하게 가로·세로·대각선 세 방향을 제시한다 [S2][S6][S8].

① 가로(Horizontal) — 한 코호트의 시간 흐름

  • 특정 코호트가 시간에 따라 얼마나 잘 유지되는지, 이탈 곡선이 어디서 가팔라지고 어디서 평탄해지는지를 본다 [S2][S6][S8].
  • 구독 예시(S2): 11월 신규 구독자 8,000명 → 월 0에 84% 잔존(16% 즉시 해지) → 월 1에 52% → 36% → 31%… 로 감소. "얼마나 잘 유지하는가"를 직관적으로 보여준다 [S2].
  • 매출 예시(S6): 11월 첫구매 고객이 이후 월별로 얼마를 더 썼는지 추적 → 월 3(약 90일) 이후 복귀 매출이 급락. 해당 클라이언트는 제품이 90일짜리 다이어트라 90일 후 복귀가 끊긴 것이 원인. LTV를 다이어트 기간 너머로 연장하는 전략(유지 프로토콜·후속 제품)이 과제 [S6].

② 세로(Vertical) — 코호트 간, 같은 라이프사이클 월 비교

  • 서로 다른 코호트가 **동일한 라이프사이클 월(월 0, 월 1…)**에서 어떻게 다른지를 비교해, 당신의 개선 노력이 리텐션에 영향을 주는지 본다 [S2][S6][S8].
  • 예(S2): 한 클라이언트가 과거 월 0 유지율 84% → 현재 88%, 월 1은 52% → 65%로 개선됨을 확인 [S2].
  • 주의(S6): 세로로 내려오며 순매출이 "절벽처럼 떨어지는" 것처럼 보이는 것은 매출 하락이 아니라, 최근 코호트는 아직 재구매할 시간이 없어 첫 주문 매출만 보이기 때문이다(총매출 = 신규고객 매출 + 기존고객 매출) [S6]. 달러 값은 월별 매출 변동에 왜곡되므로 가급적 **복귀 고객 비율(%)**로 보는 것이 모범 사례 [S6].

③ 대각선(Diagonal) — 같은 달력 월, 외부 영향

  • 대각선은 특정 달력 월에 여러 코호트가 동시에 어떻게 움직였는지를 보여줘, 프로모션·명절·경제·정치 등 외부 이벤트의 동시 영향을 확인한다 [S2][S6][S8].
  • 활용(S2): 11월 대형 프로모션으로 유입된 코호트가 "할인만 챙기는 bargain hunter"라 장기 LTV가 나쁘다면, 다음 프로모션 접근을 바꾼다. 획득 시점엔 좋아 보여도 시간이 지나면 성과가 나쁜 코호트를 식별 [S2].
  • 총매출 관계(S6): 대각선 영역 합 + 첫 주문 매출 ≈ 총매출. 다만 지난 12개월만 보이므로 완전히 일치하지 않으며, 차이는 1년 이전에 첫 구매한 기존 고객 매출에서 온다 [S6].

5. LTV(고객 생애 가치) 계산과 활용

  • 기본 공식(리텐션율): 유지율 = (해당 기간 활성 사용자 / 최초 코호트 규모) × 100 [S4]. 예: 1월 1,000명 → 월 1 800명(80%) → 월 2 600명(60%) [S4].
  • LTV 계산(S6): 지표를 "고객 수"로 바꾼 뒤 LTV = 순매출 ÷ 코호트 규모. 예) 11월 코호트 순매출 283,000 ÷ 1,031명 = 약 $274 [S6]. 순매출 ÷ 첫주문 매출 = LTV 비율로도 산출 [S6].
  • 구독 vs 일회성(S6, 사실형 수치): 11월 코호트 기준 일반 고객 LTV $274 vs 구독 고객 LTV $436(약 59% 높음). 지난 12개월 전체로 보면 구독 고객이 약 52% 높음. → "구독으로 유도/강제하라"는 함의 [S6].
  • AOV 체크(S6, 노하우): 평균 주문금액은 시간이 지날수록 증가해야 정상(재구매 고객은 브랜드 신뢰가 높아 더 쓴다). 증가하지 않으면 더 쓸 수 있는 번들·신제품·업셀이 없다는 적신호 [S6].
  • 제품별 분석(S6): 코호트 포함(cohort inclusion)으로 제품/컬렉션별 분리. 예) 두 제품이 같은 $100·같은 ROAS여도 LTV가 제품 B $250 vs 제품 A $120이면, 제품 B에 획득 예산을 더 써야 한다 [S6].
  • 데이터 표를 완전히 채워라(S6, 중요): 최근 2~4개월 코호트는 아직 재구매 시간이 없어 LTV가 0처럼 나오므로, LTV 분석 시엔 전체 기간(지난해 데이터)을 채워 왜곡을 피해야 한다 [S6].

6. 실전 활용 사례·인사이트

※ 아래는 노하우·관점형 정보이므로 최신이 옛것을 대체하지 않고 병렬 제시한다.

  • Q4 직전 고객이 더 값지다 (EcommBloom, 2025-03): 실제 매장 분석에서 Q4(11~12월)에 획득한 고객보다 그 직전 8·9·10월에 획득한 고객의 LTV가 더 높았다. Q4에 리스트를 강하게 공략(이메일·SMS)하므로, 그 대상이 될 고객을 미리 확보하는 8월부터가 실질적 Q4 시작. 따라서 9·10월 획득에 더 투자(60~90일 LTV 활용). 셔츠 제품이 LTV가 가장 좋아 셔츠 중심으로 예산 집중 [S3].
  • 월 0 해지 문제 (YOCTO, 2025-10, 노하우): 구독 할인만 받고 즉시 해지하는 "take the discount and run" 행동. 월 0 유지율 79%(1/5가 할인만 챙김). 결정은 구매 전에 일어나므로 리텐션 시스템이 아니라 구독 오퍼 자체를 바꿔야 함 — 단순 할인이 아니라 시간에 걸쳐 풀리는 가치(첫 갱신 시 무료 선물, 구독자 전용 디지털 상품 등). 보조로 라이프사이클 플로우(일관성의 가치 설득)를 병행 [S2].
  • 초반 리텐션이 좋은 경우 (YOCTO, 2025-10, 노하우): 월 0 유지율 90%로 매우 좋고 초기 이탈이 적다면, 통념대로 포스트퍼처스 플로우/온보딩을 손대는 것은 시간 낭비. 대신 코호트에서 **가장 큰 이탈 구간(예: 월 2→3)**을 %와 절대수치 양쪽으로 찾고, Recharge 리포트로 "구독 시작일·종료일" 두 데이터를 뽑아 AI 프롬프트로 "첫 60일 중 며칠에 해지가 몰리는지" 분석. 한 사례에선 해지의 약 40%가 청구 알림이 발송되는 시점에 몰려 그 시점 리워크가 과제 [S2].
  • EDM 발송량과 복귀 매출 (Blue Sense, 2024-01): 특정 달 복귀 매출이 높았던 이유를 추적하니 그 달에 EDM을 4회가 아닌 5회 보냈던 것이 원인. 복귀 매출이 저조한 달은 역으로 원인을 troubleshoot [S6].
  • Shopify 블로그 사례 (S4): Odd Bunch(농산물 배송)는 추천(referral)을 한 번 이상 한 고객의 6개월 유지율이 극적으로 높음을 코호트로 검증. 또 "미스터리 박스" 모델 전환 후 리텐션 곡선 개선(매주 품목 선택이라는 수고 제거). Ridge의 Sean Frank — "링 고객이 전 코호트 중 LTV가 가장 높다" → 금속 지갑(10년에 한 번 사는 제품) 대신 링으로 획득 후 지갑을 크로스셀하는 전략으로 전환 [S4].
  • 그로스 사례 (S8): Slack — "메시지 2,000개 주고받은 팀은 90%+ 유료 전환" → 2,000 메시지를 온보딩 KPI 기준으로 삼음. Toss — 광고 채널별 코호트로 LTV 계산해 채널마다 CAC 상한 별도 설정. 당근마켓 — 동네별 코호트로 임계 밀도(critical mass) 전까지 잔존율 급락 발견. Netflix — 신작 공개 시점 코호트를 추적해 "평생 가치를 만드는 작품 vs 단기 트래픽만 만드는 작품" 구분 [S8]. 콘텐츠 커머스 회사 — 채널별 코호트로 인스타 유입이 페북보다 6개월 LTV 2.4배 높음을 발견(평균만 보면 안 보임) [S8].

7. 핵심 지표와 벤치마크 (LinkedIn, Ravi Sharma — S7)

트래픽·전환율·총매출만 보는 대부분의 매장이 "왜인지 모른 채" 연 200만~500만 달러에서 정체된다. 계속 성장하는 브랜드가 보는 4가지 숫자 [S7]:

  1. LTV : CAC 비율 — 표준은 3:1(획득 1달러당 최소 3달러 가치). 단 이는 12~18개월 회수를 전제하므로, 성장 브랜드는 4:1~5:1을 목표로 60~90일 내 회수를 지향. 메타·구글·이메일 등 채널별로 확인(전체 평균은 적자 채널을 숨긴다) [S7].
  2. 주문당 기여 마진(Contribution Margin) — 총마진은 제품원가만 빼지만, 기여마진은 배송비·결제수수료·광고비·반품까지 빼서 주문당 실제 남는 금액을 본다 [S7].
  3. 월별 코호트 복귀 고객 수 — "재구매율" 단일 숫자 대신 "1월 획득 고객 중 30·60·90일 후 몇 명 복귀?"로 추적. 많은 고객이 60일 내 복귀하지 않으면 광고비로 해결 안 되는 제품/경험 문제 [S7].
  4. 재구매자 매출 비중(매주 확인) — 이 비율이 줄며 전체 매출이 오르면 신제품 의존(비쌈)이라는 경고. 건강한 매장은 첫 해 내 매출의 약 25~40%를 재방문 고객에서 확보 [S7].

에이전시가 보는 대표 경고 신호: 기록적 매출의 달을 축하하면서 주문당 이익은 3개월 연속 조용히 감소하는 브랜드 [S7].


8. 분석 도구

  • Shopify 내장:
    • 고객 코호트 분석 리포트 — 첫 주문일 자동 그룹화, 지표를 유지율/총매출/고객당 지출액 간 토글, 히트맵 내장 [S4].
    • 고객 세분화(Segmentation) — 고성과 코호트를 세그먼트로 만들어 전용 오퍼·유사 타깃 생성 [S4].
    • RFM 분석 — 고객을 "챔피언", "이탈 위험" 등 11개 그룹으로 분류, 코호트와 결합해 특정 코호트 내 상태 추적 [S4].
  • GA4 (S5): 탐색(Explorations) → "코호트 탐색" 템플릿. 포함 기준(첫 터치/첫 페이지뷰)과 재방문 기준(모든 이벤트 또는 특정 구매 이벤트) 정의 → 세분화 단위(일·주·월) 선택(뉴스레터=일간, 의류몰=주간 적합) → 삼각형 히트맵. 색이 급격히 옅어지는 구간이 대거 이탈 시점 → 리타겟팅 캠페인 연동 [S5]. 무료·웹/앱 통합, 초기 스타트업에 추천 [S8].
  • 외부 플랫폼 (S4): Reveal by Omniconvert(행동 매핑·매출 예측), Google Analytics(코호트 탐색), Mixpanel(온사이트 행동 코호트) [S4].
  • 도구 비교 (S8): Amplitude(UI 클릭 몇 번, 프로덕트 팀), Mixpanel(행동 코호트·퍼널, 그로스 팀), GA4(무료, 초기 스타트업), Tableau·Looker(SQL 커스텀, 데이터팀 보유 기업) [S8].
  • SQL / dbt (S8): 가입 월별 코호트 생성 후 N주 후 잔존율 계산. 실무에선 dbt로 모델화해 매주 자동 갱신 [S8].
WITH cohort AS (
  SELECT user_id, DATE_TRUNC('month', signup_at) AS cohort_month
  FROM users
),
activity AS (
  SELECT user_id, DATE_TRUNC('week', event_at) AS active_week
  FROM events GROUP BY 1, 2
)
SELECT c.cohort_month,
       DATEDIFF('week', c.cohort_month, a.active_week) AS week_offset,
       COUNT(DISTINCT a.user_id) AS active_users
FROM cohort c JOIN activity a USING (user_id)
GROUP BY 1, 2 ORDER BY 1, 2;

[S8]

  • 고급 자동화 (S1): 스토어가 성장하면 ELT 도구를 도입해 데이터 흐름을 자동화하고 더 정교한 리포트 생성 [S1]. 2025년 영상답게 "복사·붙여넣기 AI 프롬프트"로 해지 시점 분석을 수행하는 방법도 제시된다 [S2].

5단계 수행 절차 (Shopify 블로그 — S4)

  1. 활성 사용자·시간 단위 정의 — 전자상거래에선 보통 재구매가 활성 기준. 월간 코호트가 표준이나 고빈도 브랜드(Odd Bunch)는 주간 사용 [S4].
  2. 획득 코호트로 묶고 재구매 추적 — 각 고객을 "birth month"로 묶어 월 1·2·… 복귀 수 기록 [S4].
  3. 유지율 계산 — 위 공식 적용 [S4].
  4. 곡선 비교 — 리텐션 곡선을 그려 온보딩·제품믹스·경험 변경이 곡선을 평탄화했는지 확인 [S4].
  5. 데이터 기반 의사결정 — 이탈 지점 파악 후 마찰 지점 수정. 예) 월 3에 급락하면 2.5개월 시점에 윈백 캠페인 트리거 [S4].

관련 노하우: 유입 직후 이탈 시점(예: 가입 3일 차)에 튜토리얼 이메일·재방문 쿠폰 같은 CRM 개입 [S5]. 코호트가 "어디에 집중할지"를 보여주면, 더 깊이 들어가 정확한 시간대를 찾아 조치해야 한다 [S2].


9. 차트 해석의 추가 개념 (S8)

  • 스마일 커브(Smile Curve): 3주 차 이후 잔존율이 평탄해지다 다시 올라가는 모양 → 이탈 사용자가 돌아온다는 뜻으로 강력한 PMF(제품-시장 적합성) 신호. 반대로 끝없이 내려가는 곡선은 가치 전달 실패 [S8].
  • 안정화(Stabilization): 가로 방향에서 곡선이 어느 시점에 평탄해지는지가 핵심 [S8].

10. 흔한 함정·주의사항

  • 표본 크기 무시: 월 가입자 100명 미만이면 통계적으로 불안정. 한두 명 이탈이 %를 크게 흔든다. 코호트당 500명 이상 권장 [S8]. (S6도 38명 데이터는 왜곡 가능하다며 전체 12개월로 재검증 [S6].)
  • 정의 변경의 무자비함: "활성 사용자" 정의를 중간에 바꾸면 이전 코호트와 비교 불가. 바꿀 땐 옛/새 정의를 한동안 병행 추적해 변환 비율을 기록 [S8].
  • 평균만 보고 끝내기: 전체 잔존율이 좋아 보여도 최신 코호트가 더 빨리 이탈 중일 수 있으니, 항상 최신 코호트 곡선을 별도 추적 [S8][S4].
  • 데이터 거버넌스 선합의: ①active 기준(로그인 vs 핵심 액션) ②가입일 타임존(UTC vs KST) ③환불·중복가입·테스트 계정 처리 — 미정이면 같은 데이터로 두 팀이 다른 숫자를 들고 온다 [S8].
  • 미완성 데이터로 LTV 계산 금지: 최근 몇 달 코호트는 재구매 시간이 없어 LTV가 과소 추정됨. 전체 데이터 표를 채워라 [S6].
  • 달러 vs 비율: 복귀 매출을 달러로 보면 월별 매출 변동에 왜곡되므로 복귀 고객 비율(%)로 보는 것이 모범 [S6].
  • 채널·세그먼트 세분화 부재: 단일 평균 "고객당 비용"만 보면 적자 채널이 숨는다 [S7].

11. 관련 분석 기법 (연계)

코호트 분석과 함께 언급되는 보조 기법 [S1]:

  • 퍼널 분석(Funnel): 장바구니·체크아웃 등 어느 단계에서 고객이 이탈하는지 식별 [S1].
  • A/B 테스트: 사이트 디자인·마케팅 전략 의사결정 [S1].
  • Shopify 분석 대시보드 핵심 지표: 총매출(채널·제품별), 세션/트래픽, 전환율, 평균 주문금액(AOV), 재구매 고객 비율 [S1].

출처

| 번호 | 소스명 | URL | 게시일 | 수집일 | |---|---|---|---|---| | S1 | HowTo Fix Now (YouTube) | https://youtu.be/F-u-CRyWAao | 2025-08-02 | 2026-09-09 | | S2 | George Kapernaros | YOCTO Agency (YouTube) | https://youtu.be/gk-ekuQG3mk | 2025-10-09 | 2026-09-10 | | S3 | EcommBloom (YouTube) | https://youtu.be/ZIpAsptR2TM | 2025-03-07 | 2026-09-12 | | S4 | Shopify Blog — Cohort retention analysis | https://www.shopify.com/blog/cohort-retention-analysis | 미상 | 2026-09-12 | | S5 | theoceanarchive.com — 코호트 분석 가이드 | https://theoceanarchive.com/entry/코호트-분석-가이드-개념-리텐션-실무 | 미상 | 2026-09-12 | | S6 | Blue Sense Digital (YouTube) | https://youtu.be/DnpYApVNu-Y | 2024-01-11 | 2026-11-05 | | S7 | LinkedIn — Ravi Sharma, Shopify Analytics 4 Metrics | https://www.linkedin.com/pulse/shopify-analytics-4-metrics-actually-predict-growth-ravi-sharma-pvwff | 미상 | 2026-11-06 | | S8 | hrc.re.kr — 코호트 분석 리텐션 그로스 가이드 | https://hrc.re.kr/cohort-analysis-retention-growth-data-method-guide | 미상 | 2026-11-08 |

정보 시점 참고: 수집·게시 기준 2024~2025년 자료이며, 수집은 2026-09~11에 이루어졌다. S6(2024-01)은 매출 기반 코호트 해석의 가장 이른 자료, S2·S3(2025년)는 구독·LTV 관점을 추가, S4·S7·S8은 날짜 미상이나 2026년 하반기 수집분이다. 노하우·관점형 정보(월 0 해지 대응, Q4 직전 획득 전략 등)는 어느 하나가 최신이라 하여 다른 것을 대체하지 않는다.