구매 전환율은 알고 있지만 고객이 어느 단계에서 빠지는지 모른다면 퍼널 분석부터 시작해 보시기 바랍니다. 퍼널 차트 읽는 법과 이탈 구간을 찾아 개선하는 4단계, 그리고 핵클 MCP로 AI에게 퍼널 분석을 맡기는 방법까지 정리했습니다.
요즘은 AI에게 "우리 쇼핑몰 퍼널에서 어디부터 고쳐야 해?"라고 바로 물어볼 수 있습니다. 그런데 AI가 "전환율이 가장 낮은 구간부터 고치세요"라고 답한다면, 그 답을 그대로 따라도 되는지 판단할 기준은 여전히 퍼널을 읽는 사람에게 있습니다.
예를 들어 월간 리포트에 "구매 전환율 3.0%"라는 숫자가 있습니다. 팀에서는 상세페이지를 다시 만들자는 의견, 쿠폰을 늘리자는 의견, 결제 화면이 불편하다는 의견이 나옵니다. 3.0%라는 숫자만으로는 어느 의견이 맞는지 판단하기 어렵습니다. 고객이 상품 상세에서 장바구니로 넘어가지 않는 것인지, 주문서까지 와서 결제를 하지 않는 것인지에 따라 해야 할 일이 완전히 달라지기 때문입니다.
이번 글에서는 퍼널 분석의 개념과 퍼널 차트 읽는 법을 정리하고, 이탈 지점을 찾아 전환율을 높이는 과정을 4단계로 살펴보겠습니다. 마지막에는 핵클 MCP로 이 과정을 AI와 함께 하는 방법도 소개합니다.
퍼널(Funnel)은 깔때기라는 뜻입니다. 쇼핑몰에 들어온 고객이 결제까지 가는 동안 단계마다 일부가 빠져나가고, 아래로 갈수록 인원이 줄어드는 모양이 깔때기를 닮아서 붙은 이름입니다.
퍼널 분석은 이 단계를 정해 두고, 각 단계에 도달한 사용자 수와 다음 단계로 넘어간 비율을 보는 분석입니다. 이커머스라면 보통 아래처럼 단계를 잡습니다.
상품 상세 조회 → 장바구니 담기 → 주문서 진입 → 결제 완료
퍼널 차트(퍼널 그래프)는 이 숫자를 막대로 보여줍니다. 가상의 쇼핑몰에서 일주일 동안 상품 상세를 본 고객 10,000명을 기준으로 퍼널을 그렸다고 가정해 보겠습니다.
이 표에서 봐야 할 숫자는 세 가지입니다.
최종 전환율 3.0%만 보면 "전환율이 낮다"는 것만 알 수 있습니다. 퍼널로 나눠 보면 상품 상세에서 장바구니로 넘어가는 비율이 10%로 가장 낮고, 주문서까지 온 고객 중 절반이 결제하지 않는다는 것까지 보입니다. 이제 무엇을 이야기해야 할지가 조금 더 구체적이 됩니다.
이 숫자를 가지고 실제로 이탈 지점을 찾고 전환율을 높이는 과정을 4단계로 나눠 보겠습니다.
퍼널 분석에서 가장 먼저 할 일은 차트를 여는 것이 아니라 무엇을 전환으로 볼지 정하는 것입니다. 같은 쇼핑몰이라도 목표가 "첫 구매"인지, "회원가입"인지, "재구매"인지에 따라 퍼널의 시작과 끝이 달라집니다.
목표를 정했다면 그 사이 단계를 고객 행동, 즉 이벤트로 정의합니다. 이때 두 가지를 함께 확인하는 것이 좋습니다.
너무 잘게 나누지 않기
상세페이지 스크롤, 옵션 선택, 리뷰 탭 클릭까지 모두 단계로 넣으면 퍼널이 길어지고, 어느 구간이 중요한지 오히려 흐려집니다. 처음에는 3~5단계 정도로 핵심 경로만 잡고, 문제 구간이 보이면 그 사이를 더 쪼개는 편이 좋습니다.
단계마다 이벤트가 실제로 수집되고 있는지 확인하기
주문서 진입 이벤트가 앱에서만 수집되고 웹에서는 빠져 있다면, 웹 사용자는 주문서 단계에서 모두 이탈한 것처럼 보입니다. 퍼널 숫자가 유난히 낮은 구간이 있다면 고객 문제보다 이벤트 수집 문제를 먼저 의심해 봐야 합니다.
핵클의 퍼널 분석에서는 워크스페이스에 수집된 이벤트를 골라 단계를 만들고, 최대 10단계까지 설정할 수 있습니다. 단계마다 속성 필터를 걸 수 있어서 상품 상세 조회 중에서도 특정 카테고리 상품만 보는 식으로 범위를 좁힐 수 있습니다.
단계를 정했으면 차트를 보면서 어느 구간에서 많이 빠지는지 확인합니다. 이때 숫자를 읽기 전에 두 가지 기준을 먼저 맞춰야 합니다. 기준이 다르면 같은 데이터로도 전환율이 다르게 나오기 때문입니다.
전환 완료 기간: 언제까지 전환한 것으로 볼 것인가
상품 상세를 본 고객이 사흘 뒤에 결제했다면, 이 고객을 전환으로 볼지는 기준에 따라 달라집니다. 전환 완료 기간을 1일로 잡으면 이탈, 7일로 잡으면 전환으로 집계됩니다.
생필품처럼 바로 사는 상품이라면 짧게, 가구나 가전처럼 며칠씩 비교하고 사는 상품이라면 길게 잡는 것이 실제 구매 패턴에 가깝습니다. 핵클에서는 전환 완료 기간이 기본 1일이고, 1초부터 366일까지 직접 설정할 수 있습니다.
퍼널 유형: 순서를 얼마나 엄격하게 볼 것인가
고객은 늘 정해진 순서대로 움직이지 않습니다. 장바구니에 담았다가 다른 상품을 보고 다시 돌아오기도 합니다. 그래서 핵클은 질문에 따라 세 가지 퍼널 유형을 고를 수 있게 해 두었습니다.
자세한 집계 기준은 [핵클 퍼널 분석 문서]에서 확인할 수 있습니다.
어디부터 고칠까: 전환율이 가장 낮은 구간이 정답은 아닙니다
기준을 맞췄다면 이제 구간별 이탈률을 비교합니다. 보통은 전환율이 가장 낮은 구간부터 고치라고 하지만, 한 번 더 계산해 볼 필요가 있습니다.
앞의 가상 예시에서 두 가지 개선안을 비교해 보겠습니다. A안은 상품 상세 → 장바구니 전환율을 10%에서 12%로(+2%p), B안은 주문서 → 결제 완료 전환율을 50%에서 60%로(+10%p) 올리는 안입니다.
+2%p와 +10%p는 차이가 커 보이지만, 최종 결제 증가는 둘 다 60명입니다. 두 안 모두 해당 구간의 전환율을 원래보다 20% 끌어올린 것이기 때문입니다. 최종 전환율은 단계별 전환율을 곱해서 나오므로, 어느 구간이든 같은 비율만큼 개선하면 최종 결과도 같은 만큼 늘어납니다.
결국 결과를 가르는 것은 구간의 위치가 아니라 그 구간을 실제로 얼마나 끌어올릴 수 있는지입니다. 그래서 우선순위를 정할 때는 아래 세 가지를 함께 보는 것이 좋습니다.
인트로의 질문도 같은 기준으로 볼 수 있습니다. AI가 "전환율이 가장 낮은 구간부터"라고 답했다면, 그대로 따르기보다 "각 구간을 20%씩 올렸을 때 결제가 몇 명 늘어나는지"를 다시 물어보는 것이 좋습니다. 계산은 AI에게 맡기고, 실제로 끌어올릴 수 있는 구간인지는 팀이 판단하면 됩니다.
이탈이 큰 구간을 찾았다면, 이제 "왜 여기서 빠지는가"를 좁혀야 합니다. 이때 전체 평균만 보고 있으면 원인이 잘 보이지 않습니다. 같은 구간이라도 어떤 고객 그룹에서는 문제가 없고, 특정 그룹에서만 크게 빠지는 경우가 많기 때문입니다.
앞의 예시에서 주문서 → 결제 완료 전환율은 50%였습니다. 이를 기기별로 나눠 보면 다음과 같이 나올 수 있습니다.
전체 50%만 봤을 때는 "결제 단계가 전반적으로 아쉽다" 정도로 끝나지만, 나눠 보면 모바일 주문서에서 유독 많이 빠진다는 것이 보입니다. 이제 개선 대상이 "결제 단계 전체"에서 "모바일 주문서 화면"으로 좁혀졌습니다. 입력 항목이 모바일 화면에서 너무 길지는 않은지, 간편결제 버튼이 첫 화면에 보이는지 같은 구체적인 가설을 세울 수 있습니다.
핵클 퍼널 분석에서는 사용자 그룹을 최대 3개까지 설정해서 한 차트에서 비교할 수 있습니다. 기기나 유입 채널 같은 속성, 특정 이벤트를 한 사용자, 이미 만들어 둔 코호트, A/B 테스트 그룹 등을 기준으로 나눌 수 있습니다.
원인을 좁힐 때 함께 보면 좋은 방법도 있습니다.
원인 가설이 생겼다면 개선을 시도하고, 그 결과를 같은 퍼널로 확인합니다. 이 단계는 두 가지 방향으로 나눠 볼 수 있습니다.
앞으로 들어올 고객을 위해: 화면과 경험을 A/B 테스트로 검증하기
모바일 주문서의 입력 항목을 줄이거나 간편결제 버튼 위치를 바꾸는 것은 효과가 있을 수도, 없을 수도 있습니다. 전체 고객에게 바로 적용하기보다 A/B 테스트로 일부 고객에게만 먼저 보여주고 비교하는 것이 안전합니다.
핵클 A/B 테스트에서는 퍼널을 지표로 설정할 수 있습니다. 테스트에 노출된 시점부터 주문서 진입, 결제 완료까지 단계별 전환율을 그룹별로 비교할 수 있어서, 결제 완료율뿐 아니라 어느 단계에서 차이가 났는지까지 확인할 수 있습니다.
함께 읽어보면 좋은 글: [쇼핑몰 상세페이지 전환율 높이는 방법: A/B 테스트와 CRM 마케팅 자동화 실전 가이드]
이미 빠져나간 고객을 위해: 이탈 사용자에게 메시지 보내기
화면을 고치는 동안에도 주문서까지 왔다가 결제하지 않은 고객은 계속 생깁니다. 이 고객들은 상품과 수량까지 고른 상태라서, 적절한 시점에 다시 안내하면 돌아올 가능성이 있습니다.
핵클에서는 퍼널 차트의 단계별 전환 사용자와 이탈 사용자를 코호트로 추출할 수 있습니다(클로즈드, 연속 순서 퍼널에서 지원). 예를 들어 주문서 진입은 했지만 결제 완료는 없는 사용자를 코호트로 만들고, 이 코호트를 대상으로 장바구니 상품을 다시 안내하는 메시지를 보내는 방식입니다.
주문서 진입 후 결제 미완료 코호트 → 24시간 뒤 리마인드 메시지 → 결제 완료 여부 확인
개선 전후를 같은 퍼널로 비교하기
마지막으로, 개선에 쓴 퍼널은 저장해 두는 것이 좋습니다. 핵클에서는 퍼널 차트에 제목과 설명을 달아 저장하면 데이터 리포트에서 다시 열어볼 수 있습니다. 개선을 배포한 날을 기준으로 기간 비교를 걸면, 모바일 주문서 → 결제 완료 전환율이 실제로 달라졌는지 확인할 수 있습니다.
여기서 숫자가 기대만큼 움직이지 않았다면 Step 3으로 돌아가 다른 가설을 세우면 됩니다. 퍼널 분석은 한 번 보고 끝나는 리포트가 아니라, 개선할 때마다 다시 꺼내 보는 기준표에 가깝습니다.
핵클 MCP(Model Context Protocol)를 연결하면 Claude, Cursor 같은 AI 도구에서 자연어로 핵클 데이터를 조회하고 분석할 수 있습니다. 핵클 MCP 서버는 핵클 인프라에서 운영되므로 별도로 설치할 필요가 없고, 대시보드의 MCP 연동 메뉴에서 API 키를 발급받아 연결합니다.
퍼널 분석에 바로 써 볼 수 있는 프롬프트는 아래와 같습니다. 매주 보는 퍼널이라면 같은 질문을 정기적으로 실행해 두는 것도 방법입니다.
바로 써 볼 수 있는 프롬프트 예시
핵클 워크스페이스에서 최근 7일 기준으로
상품 상세 조회 → 장바구니 담기 → 주문서 진입 → 결제 완료 퍼널을 클로즈드 퍼널로 조회해줘.
1. 단계별 사용자 수, 이전 단계 대비 전환율, 이탈 사용자 수를 표로 정리해줘.
2. 직전 7일과 비교해 전환율이 5%p 이상 달라진 구간이 있으면 알려줘.
3. 각 구간의 전환율을 지금보다 20% 올렸을 때 최종 결제가 몇 명 늘어나는지 계산하고,
이탈 사용자 수와 함께 개선 우선순위를 제안해줘.
연결 방법과 지원하는 AI 도구는 [핵클 MCP 연동 문서]에서 확인할 수 있습니다.
전환율을 높이고 싶을 때 바로 해결책부터 찾으면, 팀 안에서 의견이 갈리기 쉽습니다. 퍼널 분석은 그 전에 고객이 어느 단계에서 빠지는지, 그 구간을 고치면 결과가 얼마나 달라지는지를 숫자로 보여줍니다.
정리하면 다음 과정을 반복하면 됩니다.
처음에는 결제 완료까지의 퍼널 하나만 만들어 봐도 충분합니다. 우리 쇼핑몰의 이탈 지점이 어디인지, 핵클 대시보드에서 직접 확인할 수 있습니다.
.png)
