O2O 온라인 행동 → 오프라인 전환 데이터 분석

찜만 했는데 진짜 왔네?

누군가 우리 앱에서 어떤 매장을 계속 보고,
메뉴를 두세 번 눌러보고, 찜까지 해놨어요.

그런데 예약은 안 했고, 결제도 없었습니다.
“아… 결국 안 오겠네” 싶었는데…?

3일 뒤, 매장 로그에서 그 유저의 오프라인 체크인이 잡힙니다.
찜만 하고도 결국은 오프라인에서 결제한 거죠.

이런 일이 O2O 서비스에선 생각보다 자주 일어납니다.
그래서 ‘온라인 행동만 보고 판단하면 안 된다’는 말이 나오는 거예요.

---

🔍 온라인 행동이 오프라인 전환으로 이어지는 흐름

전환 흐름은 이렇게 구성됩니다:

1. 앱 실행
2. 매장 상세 조회
3. 리뷰 보기 / 메뉴 탐색
4. 찜하기 / 지도 보기
5. (예약 없음)
6. 매장 방문
7. 현장 결제 / 체크인 로그 기록

이 흐름을 보기 위해선
온·오프라인 데이터가 연결된 구조가 필요합니다.

---

🧱 어떻게 분석 구조를 짜야 할까?

1. 공통 식별자 확보

• user_id, device_id, phone_number 등을 기준으로
  온라인 행동 로그와 오프라인 결제/방문 로그를 연결합니다.

2. 시간 기준 정의

• 온라인 행동 후 며칠 이내의 방문은 전환으로 본다는 룰을 설정
  (예: D+3 이내 방문 = 해당 온라인 행동의 결과로 간주)

3. 행동 정의

• ‘찜만 한 유저’, ‘예약했다가 취소한 유저’, ‘메뉴만 본 유저’ 등
  행동 집단별로 오프라인 전환율 비교합니다.

---

📊 분석을 하면 이런 것들이 보입니다

• 찜만 한 유저가 실제로 오프라인 방문 전환율 7.2%
  (생각보다 높음)
• 예약했다가 취소한 유저가 3일 내 방문 재시도 비율 15%
• 지도 보기 클릭 후 24시간 내 방문율은 11%
• 3회 이상 같은 매장 조회 → 5일 내 방문 확률 18%까지 상승

온라인 행동 로그만 보고도 ‘방문 가능성’이 꽤 정확하게 예측되기 시작하죠.

---

💡 이 데이터를 어떻게 활용할까?

1. 방문 가능성 높은 유저에게 푸시 전송
   • 예: 찜 + 최근 3일 내 매장 조회 → 리마인드 알림 발송
2. 예약 없이 방문한 유저의 흐름 자동 태깅
   • “이 고객은 원래 찜만 하고 방문하는 패턴이 있다” → 자동 태그
3. 전환 가능성이 낮은 유저 → 딥링크 유도 강화
   • 예: “예약 없이 방문 시 대기 시간 안내” 같은 정보 제공
4. 방문 예측 기반 캠페인 자동화
   • 예약 없이 3일 이상 탐색 유저 → 쿠폰 발송 + 전환 추적

---

✋ 실무 팁: 이렇게 놓치기 쉬워요

• 오프라인 로그 수집 누락: 방문은 했는데 체크인 로그 누락된 경우
• 예약만 보고 방문 판단: 예약했지만 취소하거나 노쇼인 경우 반대로 착각
• 복수 매장 방문 시 연결 실패: 행동은 A매장에서 했는데 B매장에 간 경우 → 식별자 범위 설계 필요

---

🧘 마무리하며

O2O는 결국 이런 겁니다.
온라인에선 망설였지만, 결국 오프라인에서 결제하는 사람.
온라인에선 예약을 안 했지만, 매장에 도착해서는 그냥 들어가는 사람.

그 조용한 움직임을 발견하고, 이해하고, 연결해주는 게
오프라인 전환 분석의 진짜 목적입니다.