[toss PO session] 토스 리더가 말하는 유저를 끌어당기는 서비스 개선

토스 리더가 말하는 유저를 떠나지 않게 만드는 단 하나의 개념

지난 글은 PMF를 찾은 뒤에 해야 할 것들에 대한 이야기였다.

 

PMF를 찾았다는 것은 적절한 제품의 형태와 그에 맞는 고객을 찾았다는 의미.

따라서 유지 그룹과 이탈 그룹에 대한 의미 있는 데이터를 모을 수 있는 상태이며 '아하 모먼트'가 필요한 시점이기도 하다. 

아하 모먼트란, '이 행동을 한 유저의 95% 이상이 다시 서비스로 돌아오는' 행동이다. 따라서 회사의 모든 구성원이 이를 바라보고 달릴 수 있다는 의의를 갖는다.

 

오늘의 세션은 아하 모먼트를 구하는 방법에 대한 내용이었다.

---

아하 모먼트 찾기

아하 모먼트는 보통 < XX라는 행위를 YY일 안에 ZZ번 한다 > 의 형태를 갖는다.

유지 그룹의 대부분이 유지되는 특정 행동을 데이터로도 확인할 수 있어야 하고, 상식적으로도 이해가 되어야 하는 문장이어야 한다. 

 

1. 액션 XX 후보군 찾기

사용자는 어떤 행동을 했을 때 유지그룹이 되는가! 

 

이를 찾는 방식으로 소개된 건은 크게 2가지였다.

  - 직관으로 선정해서 찾기 : 스토리라인을 따라서 이해가 되는 아하 모먼트를 찾아내는 방식

  - Shap Value 등의 데이터 분석을 활용해서 찾기

 

 XX 후보군을 찾을 때 유의할 점은,

  - 액션을 한 사람의 대부분이 retain 되어야 한다는 것과,

  - 이 행동을 했음에도 불구하고 retain 되지 않는 사용자의 비율이 최대한 적어야 한다는 것이다.

---

2. 액션의 횟수에 따른 RPV와 교차값 만들기

RPV(Retain Proability Value) = 리테인 된 유저가 이 액션을 할 확률
교차 = 액션을 했거나, 리테인 된 유저 중 액션&리테인 유저의 비율

 

세션에서 사용한 RPV라는 용어는, 리테인 된 유저가 이 액션을 할 확률을 의미한다.

이 값이 95% 이상이어야 적절한 아하 모먼트를 찾았다고 말할 수 있다.

 

교차란, 

우리가 정의한 XX라는 액션을 한 유저 + 리테인 된 유저의 합집합 중에서, 둘이 겹치는, 교차하는 비율을 의미한다.

 

적절한 아하 모먼트 XX 행위의 조건을 종합해보면,

RPV가 95% 이상이고 + 교차값이 최대인 액션이 되어야 한다.

이를 찾을 때까지 과정을 반복한다.

---

3. RPV와 교차값 구하기

ZZ 행위를 기준으로 모든 유저를 A, B, C, D 그룹으로 MECE 하게 나눌 수 있다.

 

A = 액션X를 했고 retain 된 유저

B = 액션X를 안했고 retain 된 유저

C = 액션X를 했고 retain 안 된 유저

D = 액션X를 안했고 retain 안 된 유저

 

 

 

 

즉, 

앞서 말했던 RPV는 = A, B의 합집합(retain) 중에서 A의 비율을 말하며 이 비율이 95% 이상이어야 하고,

교차는 = A, B, C의 합집합(Retain or Took action) 중에서 A의 비율이 최대여야 하는 것이다.

---

4. RPV 95% 이상, 교차값은 최대인 ZZ 값 찾기

RPV 95% 이상 & 교차값이 최대인 ZZ 값.

 

위의 두 조건 중 하나라도 맞지 않으면 다른 액션 XX를 찾아서 1번부터 과정을 반복한다.

두 조건을 모두 만족하더라도 샘플 크기가 충분하지 않다면 1번부터 다시 과정을 반복한다.

---

Activation 고려하기

유지 그룹과 이탈 그룹에 대한 분석을 하고,

유지 그룹으로의 전환 포인트인 아하 모먼트를 발견하는 것은 리텐션을 개선하기 위한 작업의 일환이다.

 

리텐션이 괜찮아졌다면, 이후에는 Activation을 고려해야 한다. 

AARRR Pirate Metrics Framework

AARRR 중 Activation이란, 몇 % 의 사용자가 '행복한' 초기 경험을 하는가 를 의미하는 지표다. 즉, 서비스가 제공하는 '핵심 가치'를 첫 번째로 경험하는 과정까지의 경험을 의미한다.

 

Activation 개선의 진짜 의미

Activation을 개선하는 것, 즉 더 많은 유저가 행복한 초기 경험을 하도록 하기 위해서는 그 '행복한 초기 경험'에 대한 정의가 필요하다. 즉, 아하 모먼트에서 이야기하는 액션 X의 정의가 필요하다는 뜻이다.

 

Activation 분석 시 주의할 점은

✔️ 전환율을 볼 때는 '기간'도 함께

이용자 행동을 분석할 때는 전환율뿐 아니라 기간도 함께 봐야 한다. 즉, 단기간 안에 의미 있는 전환이 가장 많이 일어나는 형태가 좋다.

 

✔️ Activation 퍼널은 모든 성장 요소(Growth Dynamics)에 영향

Activation 퍼널은 비단 첫 방문하는 유저에게만 해당되는 것이 아니다. Activation의 경우 유저에 따라 2번 이상 겪게 될 수도 있다. 만약 Carrying Capacity에서 Inflow가 늘어났을 경우, 이는 거쳐 나갔던 유저가 다시 돌아온 것일 수도 있기 때문이다. 세션에서는 이처럼 Churn 되었던 유저가 다시 돌아온 것을 부활(Resurrection) 유저라고 불렀다. 이 부활 유저는 초기 진입 시 가입 과정부터 다시 한번 겪게 되고, Activation의 통과율에 영향을 받을 수밖에 없기 때문에 중요해진다.

 

Viral growth에서 유저를 데려오는 과정에서도 Activation 퍼널은 매 유저마다 한 번씩은 꼭 지나게 된다. Activation 전환율이 10% 정도밖에 안된다면 의미 있는 바이럴 효과를 내는 것이 거의 불가능하다고 볼 수 있다고 설명되었다.

 

✔️ 각 단계의 퍼널 차이가 크지 않도록

서비스 퍼널을 단계별로 나누어두고 분석을 할 때, 각 단계의 진입률 차이가 크지 않도록 나누어야 한다. 계단식으로 진입률이 나뉘도록 퍼널을 상세히 나눈 뒤에 개선에 집중해야 필요한 단계에서 필요한 개선을 할 수 있다.

 

✔️ 유저 분석하기

고객 퍼소나에 대한 이야기도 나왔다. 누가 전환이 되고 전환이 안되는지를 연관 분석하는 것도 필요하다.

---

💬

- 특히 아하 모먼트의 필요성에 큰 공감이 가는 세션이었다. 아하 모먼트를 공유하는 것은 구성원 모두가 각자의 역할을 활용해 자율적으로 기여할 수 있는 분위기를 조성하는 데 큰 도움이 될 것 같다.

 

- 서비스에 따라 '기획자가 원하는 서비스의 핵심 행동'이 사용자에게는 쉽지 않은 행동이 될 수도 있을 것 같다. 그럴수록 핵심 행동을 설정할 때는 '기획자'의 입장에서 생각하는 것보다 '고객'을 생각하는 것이 중요한 것 같다. 고객 별로 서비스를 사용하는 방식도, 사용하는 목적도 다를 것이기 때문에 퍼소나를 잘 정의하고 그들이 느끼는 '행복한' 초기 경험을 데이터를 통해 파악해야 하지 않을까.