지금까지 AARRR 프레임워크에 따라 사용자 여정을
Acquisition → Activation → Retention → Referral → Revenue
의 5단계로 나누고 각 단계에서 어떤 데이터를 수집하고, 어떤 지표를 활용해 분석하며, 무엇을 파악할 수 있는지 구체적으로 실험하고 해석하는 과정을 수행해 보았다. 이를 통해 사용자 행동을 구조적으로 이해하는 기반을 다질 수 있었다.
🖇 Acquisition
Acquisition 단계에서는 유입 채널별 사용자 수와 전환율을 분석함으로써, 어떤 채널이 마케팅 효율이 높은지를 파악할 수 있었다. 실제 전환율을 기준으로 리소스를 재분배할 근거가 된다.
🖇 Activation
Activation 단계에서는 회원가입 직후 며칠 이내에 사용자가 핵심 기능을 경험하는지를 확인했다. Activation 기준을 명확히 설정함으로써 초반 이탈을 줄이기 위한 개선 방향을 도출할 수 있다.
🖇 Retention
Retention 단계를 통해서는 사용자들의 지속적인 사용 여부를 코호트 기반으로 추적했다. 이를 통해 장기 유저가 어떤 경로에서 유입되었는지, 그리고 어떤 시점에 이탈이 급격히 증가하는지를 시각적으로 파악할 수 있다.
🖇 Referral
Referral 단계에서는 추천을 통해 유입된 사용자의 비율과 추천 코드의 실제 사용률을 분석했다. 추천 사용자와 일반 사용자의 구매 패턴을 비교함으로써, 추천 보상 정책의 효율성을 검토할 수 있다.
🖇 Revenue
Revenue 단계에서는 고객 생애 가치(CLV)를 계산하여, 고객 1명이 가져오는 평균 수익을 정량적으로 측정했다. CLV 분포를 통해 상위 고객군을 식별하고, 이들을 중심으로 한 전략이 필요하다는 인사이트를 얻었다.
🖇 단계별 핵심 지표 정리
| 단계 | 지표 |
|---|---|
| Acquisition | DAU, MAU, CAC |
| Activation | 체류시간, 전환율(CVR) |
| Retention | Retention, Churn Rate |
| Referral | NPS, Viral coefficient, 평점, 리뷰 |
| Revenue | LTV, ARPU, ARPPU |
실질적인 성장 전략을 설계하기 위해서는 각 단계별로 적합한 지표를 선정하고 해석하는 것이 중요하다는 것을 알 수 있었다.
회고 및 인사이트
AARRR 프레임워크는 지표를 확인함으로써 사용자의 여정을 전체적으로 이해하고 설계하는 구조적인 사고 방식인 것이라는 점을 이해했다. 각 지표는 그 자체로도 의미가 있지만, 상호 간의 연결관계를 함께 고려할 때 더 유의미한 가치를 볼 수 있다.
이번 실험을 진행하면서 AARRR 프레임워크가 어떤 흐름으로 사용자 여정 전체를 구조적으로 이해하고 설계할 수 있게 돕는지를 이해할 수 있었다.
특히 다음과 같은 중요한 인사이트를 얻을 수 있었다.
-
지표는 각각 단독으로 해석하는 것이 아니라, 상호 연결관계를 고려해야 한다.
예를 들어 Activation이 낮으면 Retention에도 부정적 영향을 미칠 수 있고, Retention이 낮으면 결국 Revenue로 연결되지 않는다. -
Retention과 Revenue 단계가 장기적 성장을 좌우한다.
이탈률을 낮추고, 핵심 유저군을 관리하는 것이 장기적인 수익성과 브랜드 신뢰도를 결정짓는다는 점을 데이터로 확인할 수 있었다.
앞으로의 방향
지금까지 AARRR 지표를 이해하기 위해 기본적인 실험을 통해 해석하는 과정을 수행해 보았다. 진짜 중요한 건 이 데이터를 바탕으로 어떤 실험을 설계하고, 어떤 방식으로 개선을 반복할 것인가라는 것을 이번 실습을 통해 생각해 보게 되었다.
실제 프로덕트에 어떻게 적용할 수 있을지 고민해보는 것이 나의 다음 과제이다 :)
출시된 날씨앱 서비스의 신규 기능을 개발 중인데, 기능 개발이 마무리되면 우리 앱을 성장시키 수 있는 방법으로 Referral 단계를 고려할 수 있겠다는 생각이 들었다.
제공 중인 카카오톡 공유 기능에 자연스러운 추천 구조를 설계하는 관점으로 접목해 볼 수도 있겠다. 또, 알림을 클릭한 사용자가 실제로 글을 작성했는지, 출석 체크 기능이 사용자에게 얼마나 동기부여가 되는지, 어떤 OS에서 아니면 어느 시간대에 사용자가 활발하게 접속하는지 등을 스스로 분석할 수 있는 기반을 다져야겠다. 신뢰할 수 있는 결론을 도출하기 위해, 기초통계를 충분히 공부하고 넘어가야겠다는 의지가 생긴다. 이러한 시도들이 사용자 경험을 적극적으로 반영함으로써 앱의 성장시키는 바탕이 될 수 있을 것이라고 생각한다.
또한, 데이터 수집에 있어서 지녀야할 윤리 의식에 관해 더 공부해야 할 필요를 느꼈다. 사용자의 행동 데이터를 수집하고 분석하는 입장에서, 투명성과 신뢰를 기반으로 데이터 설계와 분석을 해나가야 한다는 사실을 잊지 말자.
