[그로스 해킹] AARRR이란?

03. AARRR

1. AARRR 개요

1) 지표를 바라보는 관점: 과업 기반 vs. 프레임워크 기반

과업 기반(Task-based)의 지표 관리란 각 조직별로 담당하는 업무를 우선 정의한 후 해당 업무를 통해 발생하는 수치들을 지표화해서 관리하는 것을 의미한다.

하지만 이런 식으로 팀별 지표를 선정하고 관리하는 데는 몇 가지 문제점이 있다.

우선 전체적으로 서비스 관점에서 무엇이 중요한 지표인지 판단하기가 어렵다는 점이다.

또한 팀별로 진행 중인 업무가 언제든 추가되거나 변경될 수 있기 때문에 모니터링하는 지표가 수시로 달라질 수 있다는 문제점이 있다. (사실 모니터링 대상이 되는 지표가 달라지는 것 자체가 문제라기보다는 놓치고 있던 중요한 지표가 뒤늦게 여기저기서 발견된다는 문제점이 더 크다)

이런식으로 만들어진 보고서에는 지표가 ‘성장’을 위해 활용되기보다는 ‘놀지 않았다는 것을 증명하기 위해’ 사용된다.

 

2) 효율적인 지표 관리: AARRR

어떻게 하면 더 효율적으로 지표 관리를 할 수 있을까?

 

우선적으로 고려해야 하는 점은 회사 조직도에 따라 지표를 나눠서 제각각 관리하지 말고 사용자의 서비스 잉요 흐름(Use Flow)에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야 한다는 점이다.

이러한 맥락에서 사용자의 이용 흐름에 따른 핵심 지표를 정의하는데 매우 효율적으로 활용할 수 있는 프레임워크가 데이브 맥클루어의 AARRR이다.

AARRR은 고객 유치, 활성화, 리텐션, 수익화, 추천이라는 다섯 가지 카테고리를 정의하고, 각 카테고리에서 핵심이 되는 지표를 발굴하고 이를 측정/개선하는 지표 관리 방법론을 의미한다.

 

3) AARRR에 대한 오해

실제로 많은 조직에서 AARRR을 기반으로 지표를 정의하고 관리하지만 실제 서비스에서 어떤 식으로 활용하고 있는지 물어보면 쉽게 대답하지 못한다.

AARRR의 5단계 모델에서 ‘고객 유치’가 가장 먼저 나오지만 AARRR을 활용하려는 스타트업에게 개인적으로 추천하는 순서는 ‘활성화’와 ‘리텐션’에 우선 집중하는 것이다. 그 다음에는 ‘고객 유치’와 ‘추천’이고, 마지막으로는 ‘수익화’다.

 

4) AARRR을 활용하는 방법

• 각 단계별로 풀어야 하는 문제를 확인한다.
• 각 단계의 핵심이 되는 주요 지표를 선정하고, 해당 지표의 현재 수준을 측정한다.
• 측정된 지표가 가지는 의미를 이해한다.
• 개선해야 하는 목표 수준을 정하고, 실험을 통해 단계적으로 개선한다.

 

2. 고객 유치(Acquisition)

1) 고객 유치(Acquisition)의 기본 개념

고객 유치 과정의 핵심은 고객 유치에 기여(Attribute)한 채널의 성과를 판단할 수 있는 모델을 만드는 것이다.

고객의 분류는 자발적으로 유입된 고객(Organic)과 유료 마케팅 활동을 통해 우리 서비스를 찾아온 고객(Paid)으로 나눌 수 있다.

구글 애널리틱스나 앱스플라이어 같은 서비스에서는 유입에 대한 데이터를 분석해서 모니터링할 수 있게 해준다. 일반적으로 오가닉이라는 분류는 ‘자발적으로 유입된 사용자’라는 의미로 사용되지만 실제 트래킹 서비스에서 이 분류를 나눌 때의 기준은 ‘유입된 채널을 식별할 수 없는 사용자’에 가깝다.

이러한 점을 고려하면 고객 유치 채널을 구분할 때 오가닉(Organic)이라는 용어보다는 미식별(Unknown)이라는 용어를 사용하는 편이 더 적합하다.

결론적으로 고객 유치와 관련해서 풀어야 하는 문제는 다음과 같다.

어떻게 하면 사용자의 유입 채널을 최대한 누락 없이 정확하게 추적하고
각 채널별 성과를 정확히 판단할 수 있을까?

 

2) 고객 획득 비용(Customer Acquisition Cost, CAC)

고객 유치 과정에서의 채널별 성과를 측정하는 기준으로 사용되는 개념이 고객 획득 비용이다. 고객 획득 비용은 한 명의 사용자를 데려오기 위해 지출하는 평균 비용을 의미한다.

고객 획득 비용에 대한 구체적인 논의를 하기 위해서는 우선적으로 각 채널별, 캠페인별, 광고별로 얼마의 예산을 집행했고 각 경로를 통한 유입이 정확히 어떻게 되는지 정확하게 추적할 필요가 있다. 웹에서는 UTM 파라미터, 앱에서는 어트리뷰션이 그 역할을 한다.

 

3) UTM 파라미터(UTM parameter)

웹 트래픽에서는 유입 효과를 판단하기 위한 장소 정보를 소스(Source)라는 용어로 표현한다.

장소 외의 요인을 보자면 전단지의 예를 들어서 전단지에서 강조하는 캠페인(Campaign) 내용을 다르게 할 수 있다. ‘30퍼 할인’이라던지 ‘3개월 등록 시 1개월 무료’라던지.

비슷한 방법으로 매체(Medium)의 효과를 측정할 수 있다. 일부는 전단지로 나눠주고 나머지는 부채로 나눠준다고 가정해 보자. 이 경우에 물어볼 수 있는 질문이 더 생긴다.

온라인 유입의 경우 새로운 회원이 가입할 때 어떤 파라미터가 달린 URL로 접속했는지 확인해서 정확하게 파악할 수 있다.

온라인에서 유입 경로를 확인하기 위해 가장 널리 사용되는 기능은 UTM 파라미터다. UTM 파라미터는 서비스로 인입된 트래픽이 어느 경로를 통해 들어왔는지 그 출처를 확인할 수 있도록 URL 뒤에 추가된 파라미터를 의미한다.

구글 애널리틱스는 UTM 파라미터가 반영된 링크를 통해 유입된 트래픽을 확인하는 기능을 제공한다. 구글 애널리틱스의 메뉴에서 [획득] ⇒ [전체 트래픽] ⇒ [소스/매체]를 클릭하면 소스, 매체 등 주요 UTM 파라미터별로 방문한 사용자 수나 세션 수, 이탈율, 평균 세션 시간 등의 정보를 확인할 수 있다.

 

4) 모바일 앱 어트리뷰션(Attribution)

어트리뷰션은 사용자가 앱을 설치하고 사용하는데 어떤 채널이 기여했는지를 식별함으로써 모바일 앱의 마케팅 성과를 판단하는 과정이다. 어트리뷰션은 UTM 파라미터 방식에 비해 훨씬 복잡한 과정을 통해 이뤄지며, 이를 위한 기술적 뒷받침이 필요하다.

어트리뷰션을 확인하기 위해서는 대부분 유료로 제공되는 별도의 서비스, 앱스플라이어, 애드저스트, 브랜치, 코차바 등의 글로벌 서비스와 에어브릿지, 애드브릭스 등의 국내 서비스를 들 수 있다.

 

어트리뷰션을 이해하기 위한 몇 가지 관련 개념

• 어트리뷰션 윈도우(Attribution window) : 기여 이벤트가 발생한 이후 얼마만큼의 기간 동안 발생한 전환에 대해 어트리뷰션을 인정할 것인가를 의미하는 용어로서 룩백 윈도우(lookback window)라고도 한다.
  • 기여 이벤트 : 앱을 설치하게 하는 데 영향을 미친 이벤트
  기여 채널의 성과를 판단하기 위해서는 기여 이벤트가 발생한 후 어느 정도의 기간 내에 발생한 어트리뷰션을 해당 채널의 성과로 인정할 것인가에 대한 기준이 필요하다.
• 어트리뷰션 유형: 클릭-스루와 뷰-스루
  • 클릭-스루 : 클릭을 통해 발생하는 기여
  • 뷰-스루 : 조회를 통해 발생하는 기여
• 어트리뷰션 모델(Attribution Model) : 여러 개의 어트리뷰션 접점이 발생하는 경우에 기여도에 대한 판단을 내릴 수 있게 하는 일종의 기준
  • 기여 이벤트가 2개 이상일 경우 각 채널의 기여도를 어떻게 판단할지 결정하는 것을 어려움
  • 퍼스트 클릭, 라스트 클릭은 대표적인 싱글 터치 어트리뷰션(Single-touch attribution) 모델
  • 퍼스트 클릭(First click) : 퍼스트 클릭 모델은 여러 건의 기여 이벤트가 발생했을 때 그중 첫 번째 매체의 성과를 100% 인정하는 방식의 어트리뷰션을 의미
  • 라스트 클릭(Last click) : 맨 마지막 상호작용에 기여한 매체의 성과를 100% 인정하는 방식
  • 선형, 타임 디케이, U자형은 멀티 터치 어트리뷰션 모델
  • 선형(Linear) : 선형 어트리뷰션 모델은 어트리뷰션 접점이 발생한 모든 매체에 동일한 가중치를 부여하는 방식
  • 타임 디케이(Time Decay) : 타임 디케이 어트리뷰션 모델은 기여한 모든 채널의 어트리뷰션 기여도를 인정하지만 이 과정에서 각 채널의 기여도를 판단할 때 시간 흐름에 따라 가중치를 주는 방식이다. 최근에 발생한 기여 이벤트일수록 높은 가중치를 준다.
  • U자형(U-Shape) : U자형 어트리뷰션 모델은 시간 흐름에 따른 기여도 가중치를 인정한다는 측면에서 타임 디케이 모델과 유사하지만 가장 먼저 발생한 기여 이벤트와 최근에 발생한 기여 이벤트에 동일하게 가중치를 부여하는 방식
• 어트리뷰션 기준을 어떻게 정의해야 할까?
  • 이 단계에서 필요한 것은 ‘정답’을 찾는 것이 아니라 ‘원칙’을 세우는 일
  • 채널 특성을 고려하지 않고 모든 채널에 일관된 기준을 적용하는 것은 좋은 판단이 아님
  • 어트리뷰션을 잘 활용하기 위해서는 정량적으로 나타나는 수치 외에도 각 마케팅 채널이 어떤 지면을 가지고 있는지, 어떤 사용자층을 보유하고 있으며, 어떤 식으로 사용자를 타겟팅하는지, 광고와 사용자의 인터랙션이 어떤 식으로 이뤄지는지 등 채널의 특성을 잘 이해하고 있어야 함
• 딥 링크(Deep Link)와 디퍼드 딥 링크(Deferred Deep Link)
  • 딥 링크 : 모바일 앱 안의 특정 화면(Activity)으로 이동하는 링크를 의미, 다만 딥 링크는 링크를 클릭하는 사람의 휴대폰에 해당 앱이 설치돼있을 때만 정상 동작한다는 한계 존재
  • 디퍼드 딥 링크 : 딥 링크의 이러한 단점을 보완한 기술이며 모바일 앱 설치 유무와 상관없이 사용할 수 있는 딥 링크를 의미한다. 앱이 설치되지 않은 사용자에게는 앱 설치 이후로 딥 링크의 실행을 지연시킴, 디퍼드 딥 링크를 생성할 때 적절한 파라미터를 추가하면 어떤 채널에서 활용된 딥 링크를 통해 앱을 설치하고 사용했는지 측정할 수 있음
• 어트리뷰션 관련해서 고려해야 할 이슈들
  • 어트리뷰션 자체는 정해진 정답이 없는 영역이기 때문에 나름의 주관과 철학을 바탕으로 서비스에서 활용할 어트리뷰션 기준을 세우는 과정이 꼭 필요하다.
  • 필요하다면 어트리뷰션 데이터를 로 데이터(raw data) 레벨로 받아서 확인하고 분석할 수도 있어야 한다.

 

5) 고객 유치(Acquisition) 정리

많은 마케팅팀에서 빠지기 쉬운 함정 중 하나가, 고객 유치 성과가 정체된 것처럼 느껴질 때 기존 채널에 대한 최적화를 고민하기보다는 새로운 채널을 찾고 테스트하는 데 지나치게 많은 리소스를 쓰는 것이다.

많은 마케터들이 ‘예산 규모가 늘어나면’ 새로운 채널을 찾는다. 하지만 채널 확장은 예산이 아니라 채널의 포화도(Saturation)을 바탕으로 결정해야 한다.

우리가 데이터를 통해 확인하려고 하는 것은 눈 앞에 있는 지표 몇 개가 아니라 ‘고객’에 대한 폭넓은 이해라는 점을 기억하자.

 

3. 활성화(Activation)

1) 활성화(Activation)의 기본 개념

활성화 단계의 핵심은 퍼널(Funnel)에 대한 분석이다.

 

2) 퍼널의 세부 단계 정의하기

퍼널 분석을 위해 우선적으로 해야 할 일은 우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것이다.

핵심 가치를 지칭할 때 아하 모먼트(Aha moment), 또는 **머스트 해브(Must have)**라는 용어를 사용하기도 한다. 말 그대로 사용자가 우리 서비스를 이용하면서 목적했던 바를 달성하거나 기대를 충족하는 순간이라는 의미다.

서비스에 진입하는 순간부터 핵심 가치를 경험하기까지의 경로를 크리티컬 패스(Critical Path)라고 한다.

 

3) 전환율 측정하기

퍼널 분석의 핵심은 각 단계별 전환율을 측정하는 것이다. 실제 전환율 측정은 이론처럼 간단하지 않다.

트래픽을 기준으로 전환율을 살펴보는 관점과 사용자를 기준으로 전환율을 살펴보는 관점의 차이가 있다.

트래픽을 기준으로 한 전환율을 살펴보는 것은 UX/UI 측면에서의 개선점을 찾는 데 도움이 된다. 이에 반해 사용자를 기준으로 한 전환율은 UX/UI를 포함한 다양한 요소(상품의 매력도나 가격 등)의 영향력이 종합적으로 반영되는 지표라고 할 수 있다.

개인적으로는 종합적인 성과 판단을 위한 지표라면 사용자 기준의 전환율을 살펴보는 것을 추천하는 편이다.

 

4) 코호트(Cohort)별 전환율 쪼개보기

전환율 지표는 전체 사용자를 대상으로 확인할 때보다 여러 그룹을 쪼개서 볼 때 훨씬 더 강력한 의미를 지닌다.

공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트(Cohort)라고 한다.

퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는 데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는 데 있다.

코호트와 전환율에 대해 깊이 있게 데이터를 살펴보다 보면 결국

전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가?

 

라는 질문과 마주한다. 이 질문이야말로 활성화 단계에서 가장 핵심이 되는 질문이다.

 

5) 퍼널의 전환율을 높이는 방법

일반적으로 전환율을 높이는 데 사용되는 효율적인 방법 몇 가지를 소개하면 다음과 같다.

• 개인화
  • 굉장히 사소하게는 사용자들의 이름을 명시하는 것부터 사용자 개개인의 서비스 사용 내역을 참고한 데이터를 보여주는 것 등을 예로 들 수 있다.
  • 특히 추천 영역은 개인화의 효과를 크게 볼 수 있는 부분으로 최근에는 머신러닝을 활용한 모델링 기법이 발달함에 따라 다양한 영역에서 이러한 개인화 추천이 활용되고 있다.
• UI/UX(User Interface/User Experience) 개선
  • 그러나, 새로운 화면이 항상 더 좋다는 근거 없는 낙관을 가져서는 안된다.
• 적절한 개입
  • 흔히 CRM(Customer Relationship Management) 채널이라고 알려진 이메일, 푸시, 인앱 메시지 등을 적절히 활용하면 주요 단계의 전환율을 높일 수 있다.
  • 개인적인 경험에 따르면 타겟팅이 잘 된 푸시나 이메일의 경우 논 타겟팅으로 보낸 메시지 대비 5배 이상의 성과 차이가 있었다. 논타겟팅 메시지를 보냈을 때 회원 탈퇴나 앱 삭제 등의 부작용이 크다는 점을 고려하면 10배 이상의 성과를 만든다 해도 과언이 아니다.

 

6) 활성화(Activation) 정리

실제 퍼널 개선을 하다 보면 전환율을 높이는 것보다 퍼널에 속한 각 단계의 수를 줄이는 것이 더 효과적인 경우가 많다.

때로는 존재하는 퍼널을 개선하는 것이 아니라 아예 퍼널 자체를 재설계하는 것도 새로운 대안이 될 수 있다.

높은 활성화 지표는 이후 설명할 리텐션(Retention)의 든든한 바탕이 된다.

 

4. 리텐션(Retention)

1) 리텐션(Retention)의 기본 개념

유지율이라고 부르기도 하는 리텐션은 대표적으로 잘 하고 있을 때일수록 더 세심하게 측정하고 관리해야 하는 지표에 속한다.

리텐션은 일반적으로 접속을 기준으로 측정한다. 하지만 리텐션의 기준이 되는 행동을 꼭 접속으로 한정할 필요는 없다. 일반적으로 접속이나 로그인을 기준으로 리텐션을 측정하는 이유는 사용자가 서비스에 진입하는 것이 유의미한 행동이며, 이러한 행동이 반복되는지 살펴보는 것이 중요하기 때문이다.

리텐션은 AARRR 중에서도 특히나 개선이 어려운 영역으로 꼽힌다. 단편적인 기능이나 단계를 개선하는 것으로는 리텐션을 변화시키기 어렵기 때문이다.

 

2) 리텐션을 측정하는 세 가지 방법

• 클래식 리텐션 : 클래식 리텐션은 가장 일반적인 유지율 계산 방법이다. 특정일에 이벤트를 발생시킨 유저의 비율을 계산하는 방식이기 때문에 ‘Day N 리텐션’이라고도 한다.
  • 측정하고자 하는 이벤트가 처음 발생한 날짜를 기준으로, 하루하루 시간이 지남에 따라 몇 명이 해당 이벤트를 반복했는지를 집계하는 방식으로 리텐션을 계산한다.
• 범위 리텐션(Range Retention) : 범위 리텐션은 특정 기간에 이벤트를 발생시킨 유저의 비율을 계산하는 방식으로 리텐션을 측정한다.
  • 클래식 리텐션과 다르게 개별 날짜가 아닌 특정 기간을 기준으로 한다는 차이가 있다.
• 롤링 리텐션(Rolling Retention) : ‘더 이상 해당 이벤트가 발생하지 않는 비율은 얼마인가?’를 살펴봄으로써 리텐션을 계산하는 방식
  • 하지만 단 한번이라도 로그인하는 경우 그 이전까지의 기간을 모두 활동한 기간으로 인정한다는 특성 때무에 이상치의 영향을 매우 크게 받는 특성이 있음
• 약식으로 보는 리텐션 지표, 인게이지먼트(Engagement) : DAU(Daily Active user)를 MAU(Monthly Active User)로 나눠서 인게이지먼트 지표를 구하는 것
  • Engagement = DAU/MAU

 

3) 리텐션 분석하기

• 코호트에 따른 차이 살펴보기
• 일반적으로 리텐션을 분석할 때 활용하는 코호트의 기본은 날짜다. 혹은 유입 채널별 리텐션을 비교해볼 수 있다.
• 리텐션 차트(Retention Chart)
  • 코호트: 각 행의 첫 번째 열에 작성한다. 보통 리텐션 차트에서의 코호트는 ‘동일 기간 가입’ 또는 ‘동일 기간 결제’로 잡는 경우가 많다. 예를 들면, 2020년 1월 가입자, 2020년 2월 가입자… 같은 형태로 코호트를 나눈다고 생각하면 된다.
  • 볼륨: 각 코호트의 크기를 기록한다. 가령 코호트가 2020년 1월 가입자였다면 해당 코호트에 속한 유저 수를 기록하면 된다.
  • 기간: 유지율을 구분해서 보기 위한 날짜 기준을 기록한다. 일별, 주별, 월별 중 적합한 것을 선택한다. 사용자들의 평균 서비스 방문 주기를 고려해서 정하면 된다.
  • 리텐션: 각 코호트별로 집계된 기간별 리텐션을 기록한다.

 

4) 리텐션 개선하기

리텐션을 개선하는 방법은 시점에 따라 크게 2가지로 나뉜다.

• 초기에 리텐션이 떨어지는 속도를 늦추기
• 리텐션이 안정화된 이후에는 기울기를 평평하게 유지해서 오래 유지되게 하기

초기에 떨어지는 속도를 늦추는 것은 활성화(Activation) 프로세스의 영향을 많이 받는다. 가입할 때 발송되는 이메일이나 SNS 등의 메시지가 잘 설정돼있는지 검토해보는 것이 필요하다. 흔히 NUX(New User Experience, 신규 사용자 경험)라고 부르는 영역이다.

리텐션이 가파르게 떨어지는 구간을 지난 후 안정화되는 단계에서는 사용자와의 관계를 잘 유지하는 것이 중요하다. 특히 휴면 고객이 되는 사용자들을 대상으로 적절한 복귀 명분을 만들어주는 리마케팅(Re-Marketing) 등을 꾸준히 진행할 필요가 있다.

 

5) 리텐션(Retention) 정리

주의해야 할 점은 단순히 리텐션 지표만 보지 말고 사용자 경험을 고려해야 한다는 점이다.

리텐션은 단기적인 이벤트보다는 장기적으로 꾸준히 진행하는 활동을 통해 점진적으로 개선되는 지표다.

마지막으로 기억해야 할 점은 리텐션이 늘 일관되게 유지되지 않는다는 점이다. 같은 서비스라도 유입되는 사용자 특성에 따라 리텐션 추이가 얼마든지 달라질 수 있고 때로는 경쟁사의 출현 등 외부적인 요인이 리텐션에 영향을 미치기도 한다. 리텐션을 한 번 측정하고 끝내는 게 아니라 기간에 따른 코호트 분석을 꾸준히 해야 하는 것도 바로 이러한 이유 때문이다.

 

5. 수익화

1) 수익화(Revenue)의 기본 개념

AARRR의 요소는 하나하나 중요하지만 그 중 사업의 성패를 가르는 것은 수익화라고 할 수 있다. 매출을 책임지는 것이 특정 부서의 역할이 아니라 서비스를 만들고 운영하는 모든 사람들의 역할이라는 점을 명심해야 한다.

 

2) 수익화 관련 주요 지표

• ARPU(Average Revenue Per User) : 인당 평균 매출사용자 한 명이 평균적으로 발생시키는 매출을 의미하며 ARPU를 특정 시점의 스냅숏이라고 오해하는 경우가 간혹 있는데, APRU는 시작과 끝이 있는 특정 기간에 대한 지표다. 기준을 명확하게 세우지 않으면 굉장히 모호한 지표가 될 수 있으므로 따로 정의되지 않았다면 월 기준으로 집계하는 것이 일반적이다.
  • ARPDAU(Average Revenue Per Daily Active User) = 일 매출/DAU
  • ARPWAU(Average Revenue Per Weekly Active User) = 주간 매출/WAU
• 경우에 따라서는 오해를 막기 위해 기간을 더 명확하게 정의한 형태로 다음과 같은 지표를 사용하기도 한다.
• $$ \text{ARPU(인당 평균 매출)} = \frac{\text{Revenue}}{\text{User}} $$
• ARPPU(Average Revenue Per Paying User) : 결제자 인당 평균 매출전체 사용자가 아닌 ‘결제자’만을 대상으로 한다. 마찬가지로 기간에 대한 정의가 필요하다. 따로 정의되지 않았다면 월간 매출과 월간 결제자 수를 바탕으로 계산하는 것이 일반적이다.
• $$ \text{ARPPU(결제자 인당 평균 매출)} = \frac{\text{Revenue}}{\text{Paying User}} $$
• 고객 생애 가치(Lifetime Value, LTV)$$ \text{고객 생애 가치(LTV)} = \frac{(M-c)}{1-r+i}-AC $$
  • M : 1인당 평균 매출
  • c : 1인당 평균 비용
  • r : 고객 유지 비율
  • i : 할인율
  • AC : 고객 획득 비용(acquisition cost)
  논리적으로는 빈틈없이 완벽한 수식이지만 결정적인 단점이 있다. 현실에서 이런 식의 계산은 사실상 불가능하다는 점이다.
• 일반적으로 LTV 또는 CLV(Customer Lifetime Value)라는 용어로 표현한다. 고객 생애 가치는 한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익으로 정의할 수 있다.
• 고객 생애 매출(Lifetime Revenue, LTR)
• 고객 생애 가치가 고객 한 명에 대한 기대 수익이라면 고객 생애 매출은 고객 한 명에 대한 기대 매출이다. 고객 생애 매출은 유지 비용이나 획득 비용을 고려하지 않기 때문에 계산이 비교적 간편하다.

 

3) 수익화 분석하기

고객 생애 매출(Lifetime Revenue, LTR) 활용하기

고객 생애 매출을 활용할 때의 중요한 포인트는 우리 서비스의 전체적인 고객 생애 매출을 딱 떨어지는 숫자로 요약하는 것에 집착할 필요가 없다는 점이다.

고객 생애 매출은 코호트를 잘 나누고 코호트별 고객 생애 매출의 추이가 어떻게 변화하는지 살펴보는 편이 훨씬 더 유용하다.

기간별로 고객 생애 매출이 증가하는 추이를 구한 후 고객 획득 비용(Customer Acquisition Cost, CAC)과 비교하면 서비스의 수익 모델이 잘 동작하고 있는지, 마케팅 비용을 적절하게 사용하고 있는지 등을 확인할 수 있다.

건강하게 성장하고 있는 서비스라면 LTR이 CAC를 빠르게 따라잡고 장기적으로 CAC의 몇 배수까지 높아져야 한다.

일반적으로는 고객 생애 매출이 고객 획득 비용의 5~10배 정도는 돼야 어느 정도 안정적인 서비스 운영을 기대할 수 있다. 물론 절대적인 수치 비교와 함께 고객 생애 매출이 고객 획득 비용을 넘어서기까지의 기간(Payback Period)이 얼마나 걸리는지도 고려해야 한다.

현실에서는 이 두 지표를 다음과 같은 형태로 많이 사용한다.

1. 고객 생애 매출을 먼저 구한다. 앞서 설명한대로 가입 코호트를 활용해 코호트별 비교를 하거나 고객 생애 매출의 기간별 변화 추이를 살펴보면 좋다.
2. 고객 생애 매출을 고려해서 목표로 하는 고객 획득 비용 수준을 정한다. 수익 구조나 마진을 고려해서 고객 생애 매출의 1/5~ 1/10 정도를 목표로 잡으면 좋다. 이 수치가 마케팅을 진행할 때의 의사결정 기준이 된다.

수익화 쪼개서 보기

[1] 아이템별 매출의 합계 : 판매하는 아이템별 매출의 합계를 통해 전체 매출을 계산할 수 있다.

[2] 사용자별 매출의 합계 : 사용자 세그먼트를 분류한 후 각 세그먼트별 매출의 합계를 통해 전체 매출을 계산할 수 있다.

[3] 결제자 수 × ARPPU : ARPPU(인당 결제액)에 결제자 수를 곱하면 전체 매출이 된다.

월별 반복 매출(Monthly Recurring Revenue, MRR)

독립적인 결제 이벤트가 발생하는 서비스가 아닌 구독형 서비스에서는 매출을 분석할 때 위 개념을 사용한다. 이 경우 다음과 같이 매출을 구성하는 여러 가지 요소를 나눠서 분석할 수 있다.

• 기준(Base) MRR: 전월 기준 매출
• 신규(New) MRR: 신규 고객으로 인해 증가한 매출
• 이탈(Churn) MRR: 기존 고객 이탈로 인해 감소한 매출
• 업그레이드(Upgrade) MRR: 기존 고객 대상 크로스셀(cross-sell), 업셀(up-sell)로 인해 증가한 매출
• 다운그레이드(Downgrade) MRR: 기존 고객의 요금제 하향조정(plan downgrade) 등으로 인해 감소한 매출

 

4) 수익화(Revenue) 정리

흔히 파레토 법칙으로 알려진 20:80 비율처럼 전체 사용자의 20%가 전체 매출의 80%를 결제하는 패턴을 흔히 볼 수 있다. 더 극단적인 경우에는 게임과 같이 결제까지 전환되는 유저가 소수인 카테고리에서는 상위 1% 사용자의 결제액이 전체 매출의 절반 이상을 차지하는 경우도 있다. 이러한 맥락에선 매출의 평균값을 굉장히 주의해서 사용해야 한다.

요약된 수익화 지표 하나만 보고 의사결정을 내리기보다는 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다.

서비스를 출시하는 시점에는 수익 모델이 포함되지 않을 수 있지만 그런 경우라고 해도 어느 시기에 어떤 방식으로 수익화할 것인가에 대한 로드맵은 명확하게 존재해야 한다.

 

6. 추천(Referral)

1) 추천(Referral)의 기본 개념

추천은 오가닉(Organic) 유입의 하나로, 말 그대로 기존 사용자의 추천이나 입소문을 통해 새로운 사용자를 데려오는 것을 의미한다.

추천을 위한 기능으로 가장 흔히 볼 수 있는 것은 친구 초대이며 일반적으로 친구 초대에 대한 보상은 고객 획득 비용(CAC)의 50%~70% 수준에서 결정되는 경우가 많다. (이 점을 고려하면 경쟁 서비스의 친구 초대 보상을 조사해서 고객 획득 비용을 어느 정도 추론할 수도 있다.)

 

2) 친구 초대 플로 설계

친구 초대는 세세한 프로세스와 화면 단위의 사용자 경험이 얼마나 잘 설계됐느냐에 따라 그 효과가 크게 달라진다.

초대 맥락

친구 초대의 효과를 극대화하려면 초대하는 맥락을 자연스럽게 잘 구성하거나 혹은 친구 초대 자체에 게임화(gamification) 요소를 추가하는 것을 고려할 수 있다.

메시지/보상

친구 초대에

온보딩 프로세스

 

3) 바이럴 계수(Viral Coefficient)

추천에서 가장 핵심이 되는 지표는 바이럴 계수이다. 각 서비스는 바이럴 계수를 통해 추천 엔진이 얼마나 효과적으로 동작하는지 확인할 수 있다.

$$ \text{바이럴 계수} = \frac{\text{사용자수}\times\text{초대 비율}\times\text{인당 초대한 친구 수}\times\text{전환율}}{\text{사용자 수}} $$

추천 시스템에 대한 효과를 분석할 때는 바이럴 계수를 구하는 것과 함께 ‘초대의 주기가 얼마나 빠른가?’를 꼭 고려해야 한다.

다음으로, 목표 시장에서의 포화도(Saturate) 수준을 고려할 필요가 있다. 실제 현실에서는 초대받을 수 있는 사람은 무한하지 않기 때문에 계산된 바이럴 수치를 다룰 때 시장의 크기나 서비스가 이미 확보한 사용자 규모 등을 종합적으로 고려해야 한다.

마지막으로 추천 단계를 통해 유입된 사용자의 장기적인 경험 수준은 바이럴 계수에 잘 드러나지 않는다는 점도 유의해야 한다. 초대받은 사람이 가입 후 충성 사용자로 전환되는지 등은 바이럴 계수만으로는 체크할 수 없다. 추천을 통해 유입된 사용자의 전체 활동 주기에 대한 장기적인 관점이 필요하다는 점을 기억하자.

 

4) 추천(Referral) 정리

서비스에 만족하는 것과 서비스를 추천하는 것 사이에는 큰 간극이 있다.

추천이나 초대 기능에 큰 보상을 걸고 사용 동선 여기저기에서 친구 초대를 유도하면 단기적인 효과가 있을 수는 있지만 장기적으로는 사용자의 반발을 부를 수 있다.

특히 카테고리에 따라서는 추천이 거의 동작하지 않는 경우도 있으니 이 경우 너무 지나치게 초대 기능에 집착하지 않는 것이 좋다. (예를 들어, 남들에게 알리고 싶지 않은 데이팅 앱)

그로스 해킹은 앞서 언급한 AARRR에 해당하는 모든 활동들을 통합적으로 지칭하는 용어이고 단순한 바이럴 마케팅 활동을 지칭하는 용어가 아니다.

마지막으로, 추천과 관련된 사용 플로는 필수적으로 신규 사용자 경험(NUX, New User Experience)과 연계된다는 점을 고려해야 한다. 그런 의미에서 활성화 단계가 잘 구축돼 있어야 초대받은 새 사용자의 이탈을 방지함으로써 추천의 효과를 극대화할 수 있다.