알라미에서 DAU를 분석하는 방법
여러분의 DAU 차트는 안녕하십니까?
많은 서비스들이 Active User를 서비스 주요 지표로 정의하고, 이를 높이기 위해 노력합니다. 총 인스톨이나 회원 수처럼 시간이 흐르면서 자연스럽게 축적되는 누적 지표들은 허무지표(Vanity metric)로 분류되는 경우가 많지만, DAU나 MAU 등의 유저 활동성 지표들은 서비스 성장을 잘 보여주는 지표로 인정받으며 IR이나 PR에서 중요하게 고려됩니다.
대부분의 서비스는 아래와 같은 차트로 Active User를 모니터링합니다. 가로축에 날짜를 넣고, 세로축에 활성사용자 수를 넣는 형태죠. DAU와 MAU 등을 표시하고, 회사에 따라서는 DAU/MAU를 통해 계산되는 engagement 지표를 추가하기도 합니다.
​
일별 활동 유저수를 모니터링 하는 건 좋지만, 이 차트를 본다고 해서 "Active User를 늘리기 위해 무엇을 해야 하지?" 혹은 "우리가 Active User를 늘리기 위한 활동들을 잘 하고 있나?" 라는 질문에 대한 답을 얻기는 어렵습니다. 이 차트를 보면서 할 수 있는 의사결정도 거의 없구요. Active User 수 자체는 전형적인 후행지표이기 때문입니다.
그러다보니 많은 서비스들이 Active User에 영향을 줄 것 같은 선행지표를 함께 챙깁니다. 대표적으로는 가입자 수 (혹은 인스톨 수)와 리텐션(혹은 재방문율) 정도가 될텐데요. 가입자가 많고 + 꾸준히 사용하는 유저 비율이 높아서 이탈하는 유저가 적다면 Active User는 많아질테니, 선행지표로 유입과 재방문 지표를 보는 것은 합리적으로 보입니다. 이것으로 충분할까요?
월간 재방문율 75%는 긍정적인 숫자일까요?
예전에 Repeat rate is a vanity metric 이라는 글을 본 적이 있습니다. 글의 내용에 모두 동의하는 건 아니지만, 평소에 생각하지 못했던 포인트를 짚어주는 부분이 있어서 굉장히 흥미롭게 읽었는데요. 제가 공감했던 포인트를 살려서 (+제 생각을 덧붙여서) 살짝 소개해 드릴께요.
​
*원 글에서는 repeat rate을 재구매율에 가까운 개념으로 사용했는데요. 이 글에서는 active user 이야기를 하고 있는 만큼, 재방문율에 해당하는 개념으로 설명하겠습니다.
*무엇보다, 제가 생각하는 결론은 원 글의 결론과 약간 다릅니다. ^^;;;
​
아래와 같은 서비스가 있다고 가정해 보겠습니다.
​
75%가 M+1에 재방문하는 서비스라니 엄청나지 않나요? (서비스 카테고리에 따라 다르지만, 보통 인스톨 후 D+7 리텐션이 30%만 되어도 나쁘지 않은 수준으로 평가받습니다.) 게다가 매달 새로운 유저가 꾸준히 유입된다니, 이정도면 훌륭한 서비스라고 봐도 될 것 같은데요. 이 서비스의 월별 활성 사용자 그래프를 그려보면 어떻게 될까요?
​
​
위 가정을 만족하는 서비스 A의 Active User 차트입니다. 위 그래프의 X축은 기간(월), Y축은 Active User 수를 의미합니다. 인스톨 시점이 동일한 코호트는 같은 색으로 표시되어 있는데요. 가령, 1월에 처음 인스톨한 유저는 하늘색으로 표시되어 있고, 이 유저의 75%는 2월에도 재방문을 한 것으로 나옵니다. 2월에 처음 들어온 주황색 유저도 마찬가지로 3월에 75%가 남아서 활동하고 있네요. 위에서 가정했던, 방문한 유저의 75%가 다음 달에도 들어오고 + 매달 새로운 유저도 꾸준히 유입되는 서비스라고 할 수 있습니다.
그래프를 보면 놀라운(!) 사실이 발견됩니다. 재방문율이 무려 75%에 해당하는 서비스인데, 약 1년이 지난 시점부터는 Active User 성장이 거의 멈춰버립니다. 신규 유저도 꾸준히 늘고 있고 재방문율이 75%가 되는데도 1년만에 성장이 멈춰버린다니, 그렇다면 도대체 재방문율이 얼마나 높아야 Active User가 지속 성장할 수 있을까요?
​
​
또다른 서비스 B를 살펴보겠습니다. 시작은 미미하지만, 굉장히 빠른 속도로 J커브를 그리며 Active User가 증가하는 것을 볼 수 있습니다. 위에서 봤던 서비스 A와는 전혀 다른 그래프처럼 보이네요. 성장이 정체된 서비스 A와는 대조적으로, 서비스 B는 앞으로 더 고속 성장할 것 같은 모습을 보여줍니다. 자 그렇다면 서비스 B의 월별 재방문율은 얼마일까요?
놀랍게도, 서비스 B의 월별 재방문율은 (서비스 A와 같은) 75%입니다. 마찬가지로 동일한 색상으로 구분된 월별 코호트를 살펴보면, 전월 활동 유저의 75%가 다음달에도 들어오는 것을 볼 수 있습니다. 서비스 A와 서비스 B 모두 재방문율이 75%로 동일하다면, 무엇 때문에 Active User 그래프가 이렇게 차이나는 걸까요? 그 차이는 매월 유입되는 신규 유저의 수 때문입니다. 서비스 A는 매월 유입되는 신규 유저의 수가 항상 일정합니다. 반면 서비스 B는 매월 유입되는 신규 유저가 20%씩 꾸준히 증가합니다. (원문에서는 CCGR = Cohort/Cohort Growth Rate 라는 용어로 표현함)
똑같은 재방문율을 가진 서비스라고 하더라도 신규 유저 수에 따라서 이렇게 극적인 차이가 난다면, 전사적으로 리텐션보다는 유입에 집중하는 것이 맞을까요? 그냥 다른 거 내려두고 마케팅팀이 열일해서 유입 마케팅을 열심히 하는 게 Active User를 늘리는 가장 좋은 방법일까요? (마케팅팀 일해라!)
​
원 글에서는 재방문율이라는 지표를 단독으로 사용하지 말고, CCGR과 Churn의 함수 형태로 사용해야 한다는 결론으로 글을 마무리했는데요. 저는 여기에 부분적으로 동의하긴 하지만, 또 다른 포인트를 주목해야 한다고 생각합니다.
위 그래프들이 놓치고 있는 것이 하나 있는데요. 위 그래프에는 '한번 이탈한 유저는 절대 다시 돌아오지 않는다' 라는 가정이 숨어있습니다. 즉, 어떤 코호트를 보던지 Active User는 일정하게 선형적으로 줄어들고, 한번 이탈한 유저가 다시 돌아오진 않습니다. 하지만 현실적으로, 유저의 활동성은 이렇게 단순한 형태로 표현되지 않습니다.
다양하고 입체적인 유저의 활동 패턴
우리가 일반적으로 보는 DAU나 Retention 차트에서, 유저의 행동은 굉장히 평면적으로 표시됩니다.
접속했다 / 미접속했다
​
하지만 실제 서비스에서 마주하는 유저의 활동 패턴은 굉장히 다양하고 입체적입니다.
가입했다
가입하자마자 이탈했다
꾸준히 잘 쓴다
핵심 사용자라고 할 수 있다
이탈하기 직전이다
일정기간 잘 쓰다가 이탈했다
이탈했다가 다시 돌아왔다
...
​
언어 학습 서비스로 잘 알려진 듀오링고는 DAU라는 탑라인 지표를 서비스에 의미있는 여러 유저 세그먼트로 쪼개서 분석하는 Growth Model을 가지고 있다고 밝힌 적이 있습니다. 실제 이런 방식으로 활동성 지표를 쪼개서 살펴보면 단순히 Active User 숫자를 모니터링하는 것과는 전혀 다른 차원의 인사이트를 얻을 수 있습니다.
​
​
Alarmy 유저 분석 프레임워크
알라미도 이와 유사한 방식으로 Active User 지표를 다양한 Segment로 나누고, 각 Segment 사이의 전환 추이를 기간별로 쪼개서 Active User를 분석하고 있습니다. 짧은 주기로 빈번하게 사용하는 '알람'이라는 서비스 특성 상, 연속 사용이나 초기 이탈을 빠르게 캐치해서 적절한 대응을 하는 것이 중요한데요. 단순 DAU 지표에서는 드러나지 않는 유저의 활동성 수준을 Segment별로 쉽게 확인하고 Segment Change 경로를 분석할 수 있도록 아래와 같은 유저 분석 프레임워크를 만들어서 활용하고 있습니다.
​
​
​
알라미의 유저 분석 프레임워크는 Stock에 해당하는 User Segment와 Flow에 해당하는 User Segment Change로 구분됩니다. 대외비라 구체적인 기준이나 지표를 말씀드릴 순 없지만, 아래와 같은 형태로 세부적인 지표를 쉽게 찾아볼 수 있도록 데이터 파이프라인과 대시보드가 만들어져 있습니다.
​
User Segment(Stock) 과 User Segment Change(Flow)를 구분해서, 관련 지표들이 일별로 어떻게 움직이는지를 확인할 수 있음
1) 유입 2) 활동성 3) 유출 이라는 큰 카테고리로 구분해서 지표 흐름을 파악할 수 있음
N일 후의 User Segment 변화 지표를 추적해서, 기간에 따라 누적된 변화량을 파악할 수 있음
​
이렇게 활동성 지표를 다양한 형태로 쪼개서 볼 수 있게 되면서, Active User를 늘리기 위한 실험을 할 때 훨씬 해상도 높은 데이터를 확인할 수 있게 되었습니다. 단순히 앱 푸시를 보내고 DAU가 늘어나는 걸 보는 수준이 아니라, 유저들이 더 자주 들어오도록 서비스 기능을 고도화하면(eg. 기상 챌린지) 실제로 Light User가 Heavy User로 전이되는 효과가 있는지를 파악하는 식으로 말이죠. 또한 New User나 Heavy User의 N일 후 Segment 변화를 볼 수 있게 되면서 신규 유저의 온보딩 여정이 잘 구성되어 있는지, 핵심 사용자들의 이탈 방지 프로세스를 어떻게 설계해야 하는지에 대한 힌트도 얻을 수 있었습니다. 이처럼, 같은 지표라고 하더라도 어떤 관점으로 쪼개서 보느냐에 따라 훨씬 더 좋은 의사결정을 할 수 있습니다. 이런 데이터를 기반으로 더 촘촘하게 유저 커뮤니케이션이나 CRM 액션을 하려고 내부에서 준비중이고, 가까운 미래에는 가파르게 상승한 DAU 지표를 가지고 새로운 글을 쓸 수 있을거라고 기대!!! 하고 있는데, 잘 되었으면 좋겠네요ㅎㅎ
마케터 절찬 채용 중!
이상으로 Alarmy에서 User Activation 관련 지표들을 어떤 프레임으로 구조화해서 분석하고 있는지 간단히 소개해 드렸습니다. 이처럼 데이터에 기반해서 여러 가지 문제를 흥미롭게 풀어나갈 동료들을 열심히 찾고 있으니, 딜라이트룸 채용 페이지에도 많은 관심을 부탁드려요! (마케터 절찬 채용 중...)
알라미 팀 채용
Editor 선미’s comment
이 글의 원문은 양승화님의 블로그에 업로드 된 “알라미에서 DAU를 분석하는 방법”입니다.
어떤 서비스에서는 잦고 반복적으로 사용하는 사용자의 ‘습관’ 그 자체가 서비스의 자산입니다. 대표적으로 인스타그램과 같은 SNS 서비스가 이에 해당하는데, 이 글을 읽어보니 듀오링고와 알라미도 이 카테고리에 해당하는 것 같습니다. 이런 서비스들은 눈치가 빨라야 합니다. 초기 이탈을 빠르게 캐치해서 사용자가 조금이라도 마음이 떠나는 것 같아보이면 얼른 붙잡아야 하거든요. DAU 지표를 중요하게 분석하는 것도 이런 이유이지 않을까 합니다. (더 나아가 HAU(Hourly Active User), CCU(Concurrent User)까지 보기도 합니다.)
사용자 세분화 분석을 할 때, 저량(Stock)과 유량(Flow)를 함께 봐야 한다는 것도 간과하기 좋은 포인트입니다. 꼭 DAU 분석을 하는 것 뿐 아니라, RFM 분석 등 사용자를 세분화하는 분석을 하고 있다면 저량과 유량 차트를 나누어 각 세분화 그룹이 어떻게 변동하고 있는지 같이 살펴보기 바랍니다.


conversion_type

시리즈 내 순서

conversion_text

멤버 전용

대표 이미지

공개 가능

작성일

예상 읽기 시간

전환 텍스트

글쓴이

시리즈

상단 노출

전환 유형

요약

제목

여러분의 DAU 차트는 안녕하십니까?

월간 재방문율 75%는 긍정적인 숫자일까요?

다양하고 입체적인 유저의 활동 패턴

알라미에서 DAU를 분석하는 방법

알라미에서 DAU를 분석하는 방법

Contents

함께 읽어보면 좋은 글

신뢰할 수 있는 지표 만들기 2 : KarrotMetrics 기술편

옥외 광고로 강남역을 뒤덮은 이야기 - 내부 설득

공학적 관점으로 데이터 분석 프로세스 만들기

데이터 분석 소식을
한 달에 한 번 받아보세요

알라미에서 DAU를 분석하는 방법

Contents

함께 읽어보면 좋은 글

신뢰할 수 있는 지표 만들기 2 : KarrotMetrics 기술편

옥외 광고로 강남역을 뒤덮은 이야기 - 내부 설득

공학적 관점으로 데이터 분석 프로세스 만들기

데이터 분석 소식을 한 달에 한 번 받아보세요

데이터 분석 소식을
한 달에 한 번 받아보세요