어쩌다 읽게 되었나
롤링 리텐션 Rolling(Unbounded) Retention
범위 리텐션 Range(Bracket) Retention
DAU, WAU, MAU 그리고 Stickiness 알아보기
그리고
리텐션
우선 리텐션부터 확인하고 가자.
AARRR은 해적지표라고도 불리는 그로스 해킹의 대표적인 분석 프레임워크이며, 아래의 단계를 거치는 사용자의 서비스 이용 사이클을 체계화한다. 이때 리텐션Retention은 AARRR의 한 단계로, 사용자 유지를 의미한다.
AARRR의 다섯 단계 중 개선이 가장 중요한 단계를 정해본다면, 리텐션을 이야기할 수 있다. 동시에 가장 개선하기 어려운 지표 중 하나이기도 하고. 신규 사용자를 열심히 유치하는 것도 어렵지만, 그와 별개로 눈여겨 봐야 하는 것은 유입된 사용자가 서비스에 대해 높은 만족도를 가지고 그에 이어 지속적인 사용으로 이어지는지 그 여부이다. 일단 붙잡았다면 서비스를 지속적으로 사용하는지, 핵심가치를 꾸준히 경험하는지.
모든 비즈니스는 단골 손님을 찾고 싶어한다는 걸 기억하고 있어야 한다.
클래식 리텐션 Classic Retention
클래식 리텐션은 N-Day Retention이라고도 한다.
어떤 날에, 특정 사용자군의 몇% 만큼 활동이 발생했는지 계산한다. 이 '활동'은 다양한 로그 중 하나로 결정할 수 있다. 특정 페이지를 방문한다거나, 해당 페이지를 N번 방문했다거나 또는 특정 기능을 사용하는 등 '사용자가 서비스를 사용했다'고 판단할 수 있는 기록을 이용한다.
다시 말하면 '딱 N일차 시점에 재방문 했는가'를 계산한다. 기준일로부터 며칠 뒤 돌아왔는지 여부만 판별해 기준일의 사용자군을 기준으로 특정 날짜에 서비스를 사용한 사람을 찾는다.
사용자가 매일 접속하는 것을 목표로 하는 서비스라면 클래식 리텐션이 유효할 수 있다. SNS 서비스나 일기, 노트, 습관 앱 등. 다만, 특정일 하루의 로그를 기준으로 계산하다보니 특정일 노이즈에 민감하다. 이 단점을 보완하고 싶다면, 여러 개의 기준일을 설정해 해당 기준일 리텐션 계산값의 평균을 활용해볼 수도 있다.
롤링 리텐션 Rolling Retention, On or After, Unbounded
롤링 리텐션은 기준일을 포함해 그 이후 한 번이라도 재방문한 사용자의 비율을 나타낸다. 기준일에 방문했고 그 이후 방문 기록이 있다면, 기준일과 방문 기록일 사이는 모두 사용한 것으로 간주한다는 것. 잊지 않아줬을 것이라는 기대가 반영된 것 같기도 하고.
또는 이렇게도 계산할 수 있다. '완전 이탈한 사용자를 제외하고 언제든 돌아온 사람'이라면 인정.
여행이나 부동산, 차량 구매 등 사용 빈도가 높지 않은 서비스에서 유용하다. 특정 니즈를 가진 시점에 사용하길 바라는 서비스에서 롤링 리텐션 분석을 활용할 수 있다.
앞서 이야기했듯 언제든 돌아온다면 유저로 판단하기 때문에, 과다 계산되는 경향이 있다는 것도 염두에 두어야 한다. 롤링 리텐션에서는 기준일과 극단적으로 먼 Day N, 두 일자에만 활동 로그가 존재하는 사용자도 리텐션 유저로 보게 된다.
사용자들의 이후 접속에 따라 기존의 리텐션 값이 얼마든 달라질 수 있다는 것도 기억하자. SQL문에서 행 간의 값을 참조하는 함수 LAG(), FIRST_VALUE() 처럼 현재를 기준으로 리텐션을 계산한다. 오늘까진 분명 로그가 없어 계산에 반영하지 않았는데, 다음 날 방문했다면 이 날은 해당 사용자를 고려해야 한다는 것. 그래서 절대적인 수치보다는 지표의 트렌드를 확인하는 차원에서 활용하길 권한다. 리텐션이 아니더라도 추출 시점에 따라 분석 값이 달라지는 경우가 있다더라. 수많은 예외 케이스에 대비해야 하는 그런 계산들...
범위 리텐션 Range Retention, Bracket
범위 리텐션은 클래식 리텐션을 확장한 개념이다. 특정일 말고 특정 기간 단위 내에 다시 방문했는가를 계산한다. 범위 리텐션에서는 단위 기간 자체를 하나의 값으로 간주하기 때문에, 단위 기간 내 여러 번 접속했더라도 통틀어 1회로 간주한다.
단위 기간을 직접 설정해야 하므로, 사용자의 예상 사용 패턴, 간격을 주기로 얼마나 많은 사용자가 유지되는가를 확인할 때 유용하다. 청소, 식료품 배달처럼 일정 간격의 주기로 하는 사용자 활동을 기대하는 서비스에서 활용할 수 있다.
다만, 단위 기간인 범위 Range를 길게 설정할수록 롤링 리텐션처럼 과다계산이 될 수 있다는 걸 고려해야 한다. 기간 단위로 지표를 확인하기 때문에 유의미한 결과 확인까지 오랜 시간이 걸릴 수도 있고.
활성 사용자 그리고 Stickness
특정 기간 활성 사용자 수를 의미하는 지표로 DAU, WAU, MAU를 꼽을 수 있다. 각각 일간, 주간, 월간 활성 사용자 수를 의미한다.
DAU(Daily Active User)는 일간 활성 사용자 수를 말한다. 즉, 하루 24시간 동안 활동한 사용자 수. DAU의 경우, 동일한 대시보드에서 WAU 또는 MAU와 함께 확인한다면 DAU의 변동성이 축소 표현될 수 있다. WAU, MAU가 DAU에 비해 상대적으로 y축 스케일이 크기 때문에 별도의 대시보드를 만들어 모니터링하는 것도 하나의 방법이다.
WAU(Weekly Active User)는 주간 활성 사용자 수이다. WAU는 DAU의 합산이 아니라는 것을 기억하자. WAU는 일종의 범위 리텐션 계산 방식이다. 7일이란 한 주 기간 중에 한 번이라도 활성화됐다면 활성 사용자 수로 계산한다. 10명의 활성 사용자가 매일 같이 방문해 일주일 간의 DAU 합산이 70이 되었어도, WAU는 10명의 사용자라는 것만 고려해 10으로 계산한다.
MAU(Monthly Active User)는 월간 활성 사용자 수를 말한다. 한 달 간 한 번이라도 활성화된 적 있는 사용자의 수. MAU는 사용자 그룹별로 계산해 비교하기도 하고, 전년도 동기간 대비 성장률을 확인하는 지표로 사용하기도 한다.
세 가지 활성 사용자 지표를 각각 확인하는 게 아니라 함께 본다면 그동안 몰랐던 고객의 활동 패턴을 발견할 수도 있다. 고착도 Stickness 는 그걸 목표로 한다. Stickness는 Engagement 지표라 하기도 하고, WAU(또는 MAU) 대비 DAU의 비율로 풀어 말하기도 한다. DAU와 MAU의 비율로 계산하는 것이 더 보편적이라고 한다. 특정 일자의 사용자를 해당 날짜가 속한 달의 순수 사용자로 나눈 것. e.g. 8월 15일의 Stickness를 구해야 한다면, 8월 15일 DAU 35명과 8월달의 MAU 100명을 고려해 Stickness를 35%로 계산한다.
사용자가 더 자주 방문할수록 Stickness는 100%에 가까워진다.
MAU가 성장하더라도 Stickness가 낮은 수준에 그칠 수 있다. 특히 사용자가 자주 방문하는 것이 중요한 SNS, 생필품 거래 플랫폼은 사용자 규모가 늘고 있는 것 이외에도 Stickness를 향상시키는 것이 중요하다. 사용자의 방문 빈도가 높아야 광고 노출도, 광고 클릭도, 서비스 홍보도 유효한 매출로 이어질 수 있기 때문에, Stickness 지표를 중요하게 본다.
리텐션 분석
리텐션 커브
리텐션 커브는 산업과 프로덕트 케이스에 따라 세 가지로 구분한다.
Declining Curves
프로덕트가 PMF(Product Market Fit, 제품 시장 적합성)를 찾지 못했다면, 리텐션 커브는 결국 0에 수렴한다. 리텐션 커브를 단기적으로 확실하게 바꾸겠다는 전략보다는 시장에서 요구하는 형태로 서비스를 맞추는 전략과 액션이 필요하다.
Flattening Curves
리텐션이 20%로 유지된다면 PMF를 찾았을 확률이 높다. 이제는 리텐션을 향상시키기 위한 전략에 집중해야 한다.
Smiling Curves
프로덕트가 좋은 방향으로 개선되고 이탈했던 고객이 돌아온다면 스마일 형태의 커브를 기대할 수 있다. 아주 이상적이고 그렇기 때문에 무척이나 예외적인 케이스. Evernote의 경우 3년 간의 MAU에서 Smiling Curve를 구현했다.
리텐션 분석 시의 유의사항
다른 종류의 리텐션을 비교하는 건 무의미하다.
클래식 리텐션과 다른 서비스의 롤링 리텐션을 비교하는 건 그 의미를 찾기 어렵다.
현재 제공하는 서비스의 특성에 적합한 계산 방법을 사용해야 한다.
앞서 정리했듯, 사용 주기가 긴 서비스에 클래식 리텐션을 사용하고 그에 따른 마케팅을 펼친다면 유효한 결과를 얻지 못할 수 있다. 역으로 짧은 사용 주기를 가진 서비스에 광범위한 리텐션을 사용하면 사용자의 이탈시기를 놓칠 수도 있고.
형식에 얽매일 필요 없다.
클래식, 롤링, 범위. 세 가지 리텐션을 기초로 서비스와 상황, 목표에 맞게 응용할 수 있다.
하나만 볼 필요 없고, 너무 많이 볼 필요도 없다.
리텐션 값만을 구하는 데 너무 많은 시간을 쏟는 것보다 구한 값으로 현상을 파악하는 게 중요하다.
리텐션을 높이고 싶다면
초기에 이탈하는 사용자를 줄여야 한다.
사용자의 가입 동선, 처음으로 수신하는 이메일, 처음 보는 화면, 처음 경험하는 서비스 등 핵심 가치 전달에 신경 쓰면서 초기 이탈을 막아야 한다.
사용자와 장기적인 관계를 유지해야 한다.
가파르게 떨어지는 리텐션 구간을 지나 안정화 단계에 이르러서는 사용자와 서비스 간의 관계 유지가 중요하다. 재방문 빈도가 높아지고 재방문 시마다 체류 시간이 증가한다면 그것만큼 좋은 게 없다.
읽고 나니
0에서 1을 만드는 Acquisition, Activation도 어렵지만,
어떻게든 데려다놓은 사용자가 계속 머물게 하는 Retention도 쉽지 않다. 사용자가 계속 필요로 하는 서비스, 시장이 요구하는 서비스의 기능을 갖춰야 하고 그 과정에서 너무 과해서도 안된다.
리텐션율을 체크하고 자꾸만 찾게 만드는 프로덕트를 기획하며 잘 노출시켜 붙들어야 한다.
'Review > Article' 카테고리의 다른 글
| RFM 분석, Recency Frequency Monetary _ 데이터리안 (0) | 2025.10.16 |
|---|