brain

AARRR: 그로스의 지도

상황

• 광고로 가입자는 매달 늘어나는데 매출과 활성 사용자는 제자리다. 어디가 문제인지 감이 안 온다.
• 팀원 A는 “광고를 늘리자”, B는 “앱을 고치자”, C는 “가격을 바꾸자”고 한다. 어디부터 손대야 할지 기준이 없다.
• 디지털 마케팅 용어에서 배운 퍼널(1번 레슨)은 “광고 → 첫 구매”까지인데, 구매 이후는 어떻게 봐야 할지 모르겠다.

용어

• growth(그로스, 성장) — 마케팅만이 아니라 제품·데이터·실험을 함께 써서 사용자와 매출을 늘리는 활동. “광고로 데려오기”에서 끝나지 않고 데려온 사람이 남고, 돈을 내고, 다른 사람을 데려오게 만드는 것까지 본다.
• AARRR(해적 지표, Pirate Metrics) — 사용자 여정을 다섯 단계로 나눠, 어느 단계가 새는지 찾는 프레임워크. 첫 글자를 이어 읽으면 해적의 “아르르(Arrr)!” 소리 같아 붙은 별명. 투자자 데이브 매클루어(Dave McClure)가 제안했다.
  • A — Acquisition(획득): 사용자를 데려오기. 광고, 검색, SNS, 추천. 지표: 방문, 가입, CAC(Customer Acquisition Cost, 고객 획득 비용). 디지털 마케팅 용어 대부분이 이 단계.
  • A — Activation(활성화): 처음 와서 “아, 이거 좋네”를 경험하게 하기. 가입만 하고 아무것도 안 하면 활성화 실패. 지표: 가입 후 핵심 기능 첫 사용 비율.
  • R — Retention(유지): 다시 돌아와 계속 쓰게 하기. 진단 Q1에서 맞힌 리텐션. 그로스의 심장.
  • R — Revenue(수익): 돈을 내게 하기. 유료 전환, 구독, 재구매. 지표: 유료 전환율, ARPU(Average Revenue Per User, 사용자당 평균 매출), LTV(LifeTime Value, 고객 생애 가치).
  • R — Referral(추천): 쓰던 사람이 다른 사람을 데려오게 하기. 초대, 공유, 입소문. 다시 Acquisition으로 이어지는 고리.
  • 비유: 헬스장. 전단지로 상담 오게 하기(획득) → 첫 PT에서 “운동 재밌네” 느끼게 하기(활성화) → 꾸준히 나오게 하기(유지) → 연간 회원권 결제(수익) → 친구 데려오면 한 달 무료(추천).
• leaky bucket(새는 양동이) — 위(획득)로 아무리 부어도 아래(활성화·유지)가 새면 물이 안 찬다. 상황 1이 전형: 가입은 느는데 활성 사용자가 제자리 → 획득이 아니라 활성화·유지 단계가 새고 있다.
• 어디부터 손댈까(상황 2) — 단계별 전환율을 숫자로 나란히 놓고 가장 크게 새는 단계부터. 보통 리텐션이 낮은데 획득(광고)을 늘리면 돈만 더 샌다. 그래서 그로스에선 흔히 리텐션 → 활성화 → 획득 순서로 본다.
• 디지털 마케팅의 퍼널이 주로 획득·첫 전환을 본다면, AARRR은 그 이후의 삶(유지·수익·추천)까지 이어 본 확장판이다(상황 3).

지시 예문

• “우리 서비스 데이터를 AARRR 다섯 단계로 나눠서 단계별 지표와 전환율을 표로 보여줘. 가장 크게 새는 단계를 표시해줘.”
• “가입은 늘었는데 활성 사용자가 그대로야. leaky bucket인지 확인하게 가입 후 7일 안 핵심 기능 사용률과 30일 리텐션부터 계산해줘.”
• “AARRR 단계별로 지금 우리가 돈·시간을 얼마나 쓰고 있는지 정리하고, 리텐션이 낮은 상태에서 광고비를 늘리는 게 맞는지 판단해줘.”

---

Activation: aha moment · time to value · onboarding

상황

• 가입자의 60%가 가입한 날 이후 다시 안 온다. 가입은 했는데 제품을 제대로 써 보지도 않았다.
• 가입하자마자 프로필 사진, 관심사 10개, 알림 설정, 친구 찾기까지 설정 화면이 5장이다. 중간에 많이 나간다.
• 가입 직후 화면이 텅 비어 있어서(웹 용어 22번 empty state) 뭘 해야 할지 모르겠다는 피드백이 있다.

용어

• activation(활성화) — 새 사용자가 제품의 핵심 가치를 처음 경험하는 것(1번 레슨 AARRR의 두 번째 A). 가입은 활성화가 아니다 — 문 안에 들어온 것일 뿐.
• aha moment(아하 모먼트) — 사용자가 “아, 이래서 쓰는구나!” 하고 가치를 깨닫는 순간. 제품마다 다르다.
  • 예: 메모 앱이면 첫 메모를 다른 기기에서 다시 열어본 순간, 가계부 앱이면 첫 달 지출이 카테고리별 그래프로 정리돼 보이는 순간.
  • 비유: 처음 간 맛집에서 첫 숟가락을 뜨는 순간. 인테리어(가입 절차)가 아무리 좋아도 음식을 맛보기 전엔 단골이 될지 모른다.
• activation metric(활성화 지표) — aha moment를 측정 가능한 행동으로 정의한 것. “가입 후 7일 안에 메모 3개 작성”, “첫 주에 친구 5명 연결” 같은 식. 이 행동을 한 사람이 리텐션이 확연히 높다는 걸 데이터로 확인하고 정한다. 그로스 사례로 페이스북의 “10일 안에 친구 7명”이 자주 인용된다.
• time to value(TTV, 가치 도달 시간) — 가입부터 aha moment까지 걸리는 시간·단계 수. 짧을수록 활성화율이 오른다. 상황 2의 설정 화면 5장은 TTV를 늘리는 주범.
• onboarding(온보딩) — 새 사용자를 aha moment까지 안내하는 첫 경험 설계. 환영 화면, 튜토리얼, 체크리스트, 샘플 데이터 등.
  • 좋은 온보딩의 원칙: 설정은 나중으로 미루고(UI 용어 18번 progressive disclosure), 가장 먼저 핵심 가치를 맛보게. 빈 화면 대신 샘플 데이터·추천 콘텐츠로 채워 첫 화면부터 쓸모를 보여준다(상황 3).
• friction(마찰) — 목표까지 가는 길의 걸림돌. 입력 칸, 단계, 대기, 결정. 마찰 하나를 줄일 때마다 다음 단계 전환율(디지털 마케팅 1번 레슨 CVR, ConVersion Rate)이 오른다. 소셜 로그인, 입력 칸 줄이기, 기본값 미리 채우기가 대표적인 마찰 제거.
• setup → aha → habit moment — 활성화를 세 단계로 보기도 한다. 설정을 마침(setup) → 가치를 느낌(aha) → 반복해서 쓰는 습관(habit). habit은 다음 레슨 리텐션으로 이어진다.

지시 예문

• “가입 후 첫 주에 한 행동별로 30일 리텐션을 비교해서, 리텐션과 가장 강하게 연결된 행동(activation metric 후보)을 찾아줘.”
• “가입 직후 설정 화면 5장을 줄여줘. 필수만 남기고 나머지는 나중에 묻게 해서 time to value를 줄여줘.”
• “가입 직후 빈 화면에 샘플 데이터를 채우고, aha moment까지 3단계 체크리스트 온보딩을 만들어줘.”

---

Retention 심화: Day N · retention curve · churn · DAU/MAU

상황

• “우리 리텐션 20%예요”라고 했는데, 며칠째 기준인지·무엇을 해야 남은 걸로 치는지 물어보니 답을 못 했다.
• 리텐션 그래프가 가입 후 계속 내려가다 0% 근처까지 떨어진다. 다른 앱은 어느 지점에서 평평해진다는데.
• 월간 활성 사용자는 1만 명인데 매일 들어오는 사람은 얼마 안 된다. 이게 좋은 건지 모르겠다.

용어

• retention(리텐션, 유지율) — 특정 시점에 시작한 사용자 중 나중에도 여전히 쓰는 비율(1번 레슨 AARRR의 R). 진단 Q1: 1월 가입자 100명 중 30일 뒤 사용자 20명 → 30일 리텐션 20%.
• active(활성)의 정의 — “남았다”를 무슨 행동으로 판단할지 먼저 정한다. 앱을 열기만 해도인지, 핵심 기능(메모 작성·주문)을 써야 하는지. 정의마다 숫자가 크게 달라진다(상황 1). 디지털 마케팅 1번 레슨의 “전환 정의”와 같은 문제.
• Day N retention(N일 리텐션) — 가입(또는 첫 사용) N일째에 다시 활동한 비율. 흔히 D1 · D7 · D30(1일·7일·30일 차)을 본다. “리텐션 20%”는 반드시 D몇인지 함께 말한다(상황 1).
  • D1은 첫인상(2번 레슨 활성화), D7은 습관 형성 초기, D30은 정착 여부를 보여준다.
• retention curve(리텐션 곡선) — 가로축 경과일, 세로축 남은 비율인 그래프. 처음엔 크게 떨어지다가…
  • flattening(평평해짐, plateau) — 어느 시점부터 더 떨어지지 않고 평평해지는 구간. 이 수평선 높이가 “정착한 핵심 사용자” 비율이다. 곡선이 평평해지면 제품이 누군가에겐 확실히 필요하다는 신호(PMF, Product-Market Fit와 연결, 뒤 레슨).
  • 곡선이 0을 향해 계속 내려가면(상황 2) 아무도 정착하지 못한다는 뜻 — 획득(광고)을 늘려도 1번 레슨 leaky bucket이다.
  • 비유: 새로 연 헬스장. 1월 등록자가 2월·3월 점점 줄다가, 꾸준히 오는 사람 20%에서 멈추면 그게 진짜 단골층. 0%까지 줄면 헬스장 자체에 문제가 있다.
• churn(이탈) · churn rate(이탈률) — 리텐션의 반대편. 일정 기간에 떠난 사용자(구독이면 해지한 고객) 비율. 구독 서비스는 보통 월 이탈률로 본다. 디지털 마케팅 5번 레슨에서 평균 유지 기간 ≈ 1 ÷ 월 이탈률로 LTV(LifeTime Value, 고객 생애 가치)를 계산했던 그 숫자.
• DAU · WAU · MAU — 활성 사용자 수.
  • DAU(Daily Active Users) — 하루 활성 사용자
  • WAU(Weekly Active Users) — 주간 활성 사용자
  • MAU(Monthly Active Users) — 월간 활성 사용자
• stickiness(고착도) = DAU ÷ MAU — 한 달에 한 번이라도 온 사람 중 매일 오는 비율. MAU 1만, DAU 2,000이면 20% — 한 달 중 평균 6일쯤 온다는 뜻(상황 3). 메신저처럼 매일 쓰는 제품은 높고, 여행 앱처럼 가끔 쓰는 제품은 낮은 게 정상 — 제품의 사용 주기에 맞는 지표(DAU/MAU 또는 WAU/MAU)를 고른다.

지시 예문

• “우리 ‘활성’의 정의를 ‘핵심 기능 1회 이상 사용’으로 정하고, 그 기준으로 D1·D7·D30 리텐션을 계산해줘.”
• “리텐션 곡선을 그려서 flattening이 생기는지, 생긴다면 며칠째에 몇 % 수준인지 알려줘.”
• “월 구독 해지율(churn rate)을 계산하고, 이 값으로 평균 유지 기간과 LTV를 다시 계산해줘.”
• “우리 서비스 사용 주기에 DAU/MAU와 WAU/MAU 중 어떤 stickiness 지표가 맞는지 판단하고 추이를 보여줘.”

---

Cohort 분석: cohort · cohort table · 획득 코호트 vs 행동 코호트

상황

• 지난달 앱을 개편했는데 전체 리텐션 숫자는 그대로라 개편 효과가 있는지 모르겠다.
• 광고를 크게 돌린 달 이후 전체 리텐션이 뚝 떨어졌다. 제품이 나빠진 건지, 새로 온 사람들이 원래 덜 남는 건지 구분이 안 된다.
• 인스타 광고로 온 사람과 검색으로 온 사람 중 어느 쪽이 오래 남는지 궁금하다.

용어

• cohort(코호트) — 같은 시기에 같은 경험을 한 사용자 묶음. 진단 Q2의 답. 보통 “가입한 달“로 묶는다 — 1월 코호트, 2월 코호트.
  • 비유: 대학교 학번. 23학번, 24학번처럼 같은 해 입학한 사람끼리 묶어 “24학번은 2학년까지 몇 %가 남았나”를 보는 것. 전교생을 한데 섞으면 신입생이 많은 해엔 평균이 이상하게 흔들린다.
• cohort analysis(코호트 분석) — 사용자 전체를 섞지 않고 코호트별로 나눠 시간에 따른 변화를 비교하는 분석.
  • 왜 섞으면 안 되나(상황 2): 광고로 신규 가입이 한꺼번에 몰리면, 아직 정착 전인 사람들이 많아져 전체 평균 리텐션이 내려간다. 제품이 나빠지지 않아도 그렇다. 코호트로 나누면 “기존 코호트는 그대로, 새 코호트만 낮다”처럼 진짜 원인이 보인다.

• cohort table(코호트 표) — 행은 코호트(가입 월), 열은 가입 후 경과 기간(Month 0, 1, 2…), 칸은 남은 비율.

  가입 월	M0	M1	M2	M3
  1월	100%	30%	22%	20%
  2월	100%	32%	24%	—
  3월(개편 후)	100%	41%	—	—

  • 가로(행)로 읽기 — 한 코호트가 시간이 지나며 어떻게 줄어드는지(3번 레슨 retention curve).
  • 세로(열)로 읽기 — 같은 경과 시점(M1)에서 코호트끼리 비교. 위 표에서 개편 후 3월 코호트의 M1이 41%로 확 올랐다 → 개편 효과(상황 1 해결). 전체 평균만 봤으면 묻혔을 신호.
• acquisition cohort(획득 코호트) — 언제·어디서 왔는지로 묶음. 가입 월, 유입 채널(디지털 마케팅 6번 레슨), 캠페인. 상황 3은 채널별 코호트로 비교한다 — 채널별 CAC(Customer Acquisition Cost, 고객 획득 비용)가 같아도 오래 남는 채널의 LTV(LifeTime Value, 고객 생애 가치)가 더 크다.
• behavioral cohort(행동 코호트) — 무엇을 했는지로 묶음. “첫 주에 메모 3개 쓴 사람” vs “안 쓴 사람”. 2번 레슨 activation metric을 찾을 때 쓰는 방법.

지시 예문

• “가입 월별 cohort table을 만들어줘. 열은 M0~M6, 칸은 ‘핵심 기능 사용’ 기준 리텐션. 색으로 높낮이 표시.”
• “3월 앱 개편 전후 코호트의 M1 리텐션을 비교해서 개편 효과가 있었는지 판단해줘.”
• “유입 채널별 코호트로 D30 리텐션과 LTV를 비교해서, CAC 대비 가장 좋은 채널을 찾아줘.”
• “첫 주에 핵심 기능을 3번 이상 쓴 behavioral cohort와 아닌 그룹의 리텐션 곡선을 비교해줘.”

---

A/B 테스트 심화: 가설 · 통계적 유의성 · 표본 크기 · peeking

상황

• 각 버전 200명씩 돌렸더니 A 전환율 3.0%, B 3.3%. 팀원이 “B가 이겼다”며 바로 바꾸자고 한다(진단 Q4).
• 테스트 시작 이틀째 B가 앞서 보여서 바로 종료하고 B를 적용했는데, 전체 적용 후엔 차이가 없었다.
• 버튼 색, 문구, 이미지, 가격을 한꺼번에 바꿔 테스트했더니 B가 이겼는데 무엇 때문인지 모른다.
• B 버전 전환율은 올랐는데 환불·고객 문의가 같이 늘었다.

용어

• A/B test(A/B 테스트) — 사용자를 무작위로 나눠 서로 다른 버전을 보여주고 결과를 비교하는 실험. 진단 Q3에서 맞힌 이름. 디지털 마케팅 8번 레슨 incrementality, 9번 LPO(Landing Page Optimization)를 확인하는 도구.
  • control(대조군, A) — 기존 버전. variant / treatment(실험군, B) — 바꾼 버전.
  • randomization(무작위 배정) — 사람을 무작위로 나눠야 두 그룹이 비슷해진다. 요일·유입 채널 등으로 나누면 다른 차이가 섞인다.
• hypothesis(가설) — 시작 전에 적는 “무엇을 바꾸면, 무엇이, 왜 좋아질 것”. “결제 버튼 문구를 할인 강조로 바꾸면, 장바구니 → 결제 전환율이 오른다. 가격 혜택이 안 보이는 게 이탈 원인이므로.”
  • 한 번에 하나만 바꿔야 원인을 안다(상황 3). 여러 개를 동시에 시험하려면 조합별로 나누는 multivariate test(다변량 테스트)가 따로 있지만 훨씬 많은 사람이 필요하다.
• primary metric(주 지표) — 승패를 가를 딱 하나의 지표. 미리 정한다. 끝나고 나서 “이 지표는 올랐네” 하고 고르면 우연을 성과로 착각한다.
  • guardrail metric(가드레일 지표) — 주 지표가 올라도 나빠지면 안 되는 지표. 환불률, 문의 수, 페이지 속도, 이탈률. 상황 4는 가드레일이 깨진 것.
• statistical significance(통계적 유의성) — 관찰된 차이가 우연으로 생겼다고 보기 어려운 정도. 동전을 10번 던져 앞면 6번이 나와도 “이 동전은 앞면이 잘 나온다”고 못 하는 것과 같다.
  • p-value(p값) — “실제로 차이가 없는데도 이 정도 차이가 우연히 나올 확률”. 작을수록 우연이 아닐 가능성이 크다. 흔히 0.05 미만(95% 신뢰 수준)이면 유의하다고 본다.
  • 진단 Q4(200명씩, 3.0% vs 3.3%)를 계산하면 p ≈ 0.86 — 우연으로도 충분히 나오는 차이다. “B가 이겼다”고 할 근거가 없다(상황 1).
• sample size(표본 크기) — 차이를 믿을 만하게 확인하는 데 필요한 사람 수. 차이가 작을수록, 전환율이 낮을수록 훨씬 많이 필요하다.
  • 3.0% → 3.3%(10% 개선)를 흔한 기준(유의 수준 5%, 검정력 80%)으로 잡아내려면 그룹당 약 5만 3천 명이 필요하다. 200명은 턱없이 부족하다.
  • MDE(Minimum Detectable Effect, 최소 검출 효과) — 이 실험으로 잡아낼 수 있는 가장 작은 차이. 트래픽이 적으면 MDE가 커져서 작은 개선은 확인할 수 없다 — 그럴 땐 큰 변화를 시험한다.
• peeking(중간에 엿보기) — 정해진 표본에 도달하기 전에 결과를 보다가 좋아 보일 때 멈추는 것. 초반엔 숫자가 크게 출렁여서 가짜 승리를 잡기 쉽다(상황 2). 표본 크기와 기간(요일 효과 때문에 보통 최소 1~2주, 주 단위)을 미리 정하고 끝까지 간다.
  • 비유: 축구 경기 전반 10분에 1:0으로 앞섰다고 경기를 끝내버리는 것.

지시 예문

• “결제 버튼 문구 A/B 테스트 설계해줘. 가설, 주 지표(장바구니→결제 전환율), 가드레일(환불률·페이지 속도), 필요한 표본 크기와 예상 기간까지.”
• “A 200명 3.0%, B 200명 3.3% 결과야. 통계적으로 유의한지 p값을 계산하고, 결론을 내리려면 몇 명이 더 필요한지 알려줘.”
• “우리 일 방문자 수로 2주 안에 잡아낼 수 있는 MDE가 얼마인지 계산해줘. 그보다 작은 개선은 테스트하지 않게.”

---

Referral과 바이럴: K-factor · viral loop · cycle time · referral program

상황

• 친구 초대 기능을 만들었는데 아무도 초대를 안 보낸다.
• 초대 링크는 많이 나가는데, 받은 사람이 가입까지 안 이어진다.
• 광고로 1,000명을 데려왔는데, 그 사람들이 데려온 사람은 얼마나 되는지 계산할 방법이 없다.

용어

• referral(추천) — 기존 사용자가 새 사용자를 데려오는 것. 1번 레슨 AARRR의 마지막 R, 다시 획득(Acquisition)으로 이어지는 고리. 지인 추천으로 온 사용자는 보통 CAC(Customer Acquisition Cost, 고객 획득 비용)가 낮고 리텐션이 높다(이미 믿는 사람이 권했으니까).
• viral coefficient(바이럴 계수, K-factor) — 사용자 한 명이 평균 몇 명을 새로 데려오는지.
  • K = 1인당 보내는 초대 수 × 초대받은 사람의 가입 전환율
  • 예: 1인당 초대 5건, 그중 10%가 가입 → K = 0.5.
  • K < 1 — 추천만으론 언젠가 멈춘다. 그래도 공짜 증폭기: K = 0.5면 광고로 1,000명을 데려왔을 때 추천의 추천까지 합쳐 결국 약 2,000명이 된다. 광고 효율이 사실상 두 배.
  • K > 1 — 한 명이 한 명 넘게 데려와서 스스로 불어나는 상태(진짜 “바이럴”). K = 1.2면 같은 1,000명이 추천 10바퀴 만에 약 2만 6천 명. 아주 드물고 오래 유지되기 어렵다.
  • 비유: 감기 전파. 한 사람이 평균 몇 명에게 옮기느냐(감염병의 재생산지수)와 같은 개념. 1보다 크면 퍼지고, 작으면 잦아든다.
• viral loop(바이럴 루프) — 사용자가 쓰는 과정 자체가 새 사용자를 부르는 구조. 설문 도구로 만든 설문을 받은 사람이 “나도 만들어 볼까” → 가입. 협업 도구에 동료를 초대해야 같이 쓸 수 있음. 일부러 “초대하세요”라고 조르는 것보다 제품을 쓰다 보면 자연스럽게 퍼지는 게 강하다(상황 1의 근본 해결).
• viral cycle time(바이럴 주기) — 가입 → 초대 → 초대받은 사람 가입까지 한 바퀴에 걸리는 시간. K가 같아도 주기가 짧을수록 훨씬 빨리 불어난다. 초대를 가입 직후·aha moment(2번 레슨) 직후처럼 기분 좋은 순간에 권하면 주기가 짧아진다.
• referral program(추천 프로그램) — 추천에 보상을 주는 장치. “친구 초대하면 둘 다 5,000원”.
  • two-sided incentive(양방향 보상) — 초대한 사람과 받은 사람 둘 다 받는 보상. 받는 쪽에도 이유가 생겨 가입 전환이 오른다(상황 2).
  • 보상만 노린 가짜 계정·자기 초대(어뷰징)를 막는 장치(첫 결제 후 지급, 기기·결제수단 중복 확인)가 필요하다.
  • 초대 링크에는 디지털 마케팅 8번 레슨 UTM(Urchin Tracking Module)이나 초대 코드를 달아, 누가 누구를 데려왔는지 추적한다(상황 3).
• word of mouth(입소문) — 보상 없이 자발적으로 퍼지는 추천. 디지털 마케팅 6번 레슨 earned media. 측정이 어렵다 — 가입 때 “어떻게 알게 됐나요?” 질문, 브랜드명 직접 검색 증가로 간접 추정한다.

지시 예문

• “지난달 1인당 초대 발송 수와 초대 → 가입 전환율로 K-factor를 계산하고, 바이럴 주기(가입~피초대자 가입까지 평균 일수)도 알려줘.”
• “친구 초대를 aha moment 직후에 권하도록 흐름을 바꾸고, 초대한 사람·받은 사람 모두 5,000원 받는 양방향 보상으로 설계해줘. 첫 결제 후 지급, 같은 기기 중복은 막고.”
• “우리 제품을 쓰는 과정에서 자연스럽게 다른 사람이 노출되는 viral loop 아이디어를 5개 내줘.”

---

Revenue: freemium · 유료 전환 · ARPU/ARPPU · MRR/ARR · NRR

상황

• 무료 사용자는 1만 명인데 돈 내는 사람이 거의 없다. 무료로 다 되니 결제할 이유가 없다.
• “사용자당 매출이 300원”이라는 보고와 “1만 원”이라는 보고가 동시에 올라와 어느 게 맞는지 헷갈린다.
• 구독 해지가 꽤 있는데도 월 매출은 유지된다. 왜 그런지 설명을 못 하겠다.

용어

• monetization(수익화) — 사용자로부터 돈을 버는 방식 설계(1번 레슨 AARRR의 Revenue).
  • freemium(프리미엄) — free + premium. 기본은 무료, 더 좋은 기능은 유료. 무료로 많이 데려오고 일부를 유료로 전환한다. 무료가 너무 좋으면 결제할 이유가 없고(상황 1), 너무 빈약하면 aha moment(2번 레슨)에 못 닿는다 — 무료로 가치를 맛보게 하되, 더 쓰고 싶어지는 지점에서 유료로.
  • free trial(무료 체험) — 유료 기능 전체를 기간 한정으로 무료. 체험 종료 시점에 결제 여부가 갈린다.
  • paywall(페이월) — 유료 기능 앞에서 결제를 요구하는 지점. 언제·어디서 보여주느냐가 유료 전환율을 크게 좌우한다.
• 유료 전환율(paid conversion rate) — 무료 사용자 중 돈을 낸 비율. MAU(Monthly Active Users, 월간 활성 사용자) 1만 명 중 300명 결제 → 3%.
• ARPU vs ARPPU — 분모가 다르다(상황 2).
  • ARPU(Average Revenue Per User, 사용자당 평균 매출) — 매출 ÷ 전체 사용자. 월 매출 300만 원 ÷ 1만 명 = 300원.
  • ARPPU(Average Revenue Per Paying User, 결제 사용자당 평균 매출) — 매출 ÷ 결제한 사용자. 300만 원 ÷ 300명 = 1만 원.
  • 비유: 반 전체 30명의 평균 용돈(ARPU)과, 용돈을 받는 학생만의 평균 용돈(ARPPU). 둘 다 맞는 숫자지만 질문이 다르다. ARPU = 유료 전환율 × ARPPU.
• MRR · ARR — 구독 사업의 기본 매출 지표.
  • MRR(Monthly Recurring Revenue, 월간 반복 매출) — 매달 반복해서 들어오는 구독 매출. 일회성 결제는 빼서, 사업이 매달 얼마짜리인지 보여준다.
  • ARR(Annual Recurring Revenue, 연간 반복 매출) — 보통 MRR × 12.
• MRR의 움직임 — 한 달 사이 MRR 변화를 쪼개 본다.
  • new(신규) — 새 구독자
  • expansion(확장) — 기존 고객이 더 비싼 요금제로 올리거나 좌석을 늘림(업셀, upsell)
  • contraction(축소) — 기존 고객이 싼 요금제로 내림
  • churn(이탈) — 해지(3번 레슨)
• NRR(Net Revenue Retention, 순매출 유지율) — 기존 고객만 놓고, 1년(또는 한 달) 뒤 매출이 처음의 몇 %인지. 신규는 빼고 확장·축소·이탈을 반영한다.
  • 예: 기존 고객 MRR 1,000만 원 → 확장 +150만, 축소 −50만, 이탈 −100만 → NRR 100%. 해지가 있어도 남은 고객이 더 많이 써서 매출이 유지된 것(상황 3).
  • NRR > 100%면 신규 고객이 0명이어도 매출이 스스로 늘어난다 — 구독 사업에서 아주 좋은 신호. 3번 레슨 리텐션이 “사람이 남는가”라면, NRR은 “돈이 남는가(그리고 불어나는가)”.

지시 예문

• “무료·유료 기능 경계를 다시 설계해줘. 무료로 aha moment까지는 가고, 더 쓰고 싶어지는 지점에 paywall이 오게.”
• “이번 달 ARPU·ARPPU·유료 전환율을 계산하고, ARPU 변화가 전환율 때문인지 ARPPU 때문인지 나눠줘.”
• “지난달 MRR 변화를 new·expansion·contraction·churn으로 나눈 워터폴 차트를 만들고, NRR을 계산해줘.”

---

PMF와 North Star Metric

상황

• 아직 쓰는 사람이 적은데 광고·바이럴·A/B 테스트부터 열심히 하고 있다. 성과가 안 난다.
• 리텐션 곡선이 0을 향해 계속 내려간다(3번 레슨). 기능을 계속 추가하는데도 그대로다.
• 팀원마다 쫓는 숫자가 다르다. 디자이너는 체류 시간, 마케터는 가입 수, 개발자는 DAU(Daily Active Users, 일간 활성 사용자). 서로 다른 방향으로 노 젓는 느낌이다.

용어

• PMF(Product-Market Fit, 제품-시장 적합성) — 제품이 특정 시장(사람들)의 진짜 필요를 충족해서, 그 사람들이 스스로 찾아 쓰고 계속 남는 상태. 그로스의 출발선이다.
  • PMF 전에 획득(광고)·바이럴을 키우면 1번 레슨 leaky bucket — 데려온 사람이 다 빠져나간다(상황 1). 그래서 PMF 전엔 제품을 고치고, PMF 후에 성장을 키운다가 흔한 원칙.
  • 비유: 맛집. 음식이 맛있어야(PMF) 홍보(그로스)가 의미 있다. 맛이 없는데 전단지를 뿌리면 한 번 오고 다시 안 온다.
• PMF 신호
  • 리텐션 곡선이 평평해진다(3번 레슨 flattening) — 일부 사용자라도 확실히 정착한다. 계속 0으로 떨어지면 아직 PMF가 아니다(상황 2).
  • Sean Ellis 테스트(40% 규칙) — 사용자에게 “이 제품을 더 이상 못 쓰게 되면 어떤 기분일까요?“라고 묻고, “매우 실망할 것“이라는 답이 40% 이상이면 PMF에 가깝다고 보는 경험칙. 그로스 마케터 숀 엘리스가 제안했다.
  • 마케팅을 안 해도 입소문(6번 레슨 word of mouth)으로 사용자가 늘고, “이거 없으면 안 된다”는 피드백이 나온다.
• North Star Metric(NSM, 북극성 지표) — 회사 전체가 딱 하나 함께 바라보는 지표. 사용자가 얻는 핵심 가치를 가장 잘 나타내면서, 늘어나면 장기 매출도 따라 느는 숫자. 밤하늘에서 길잡이가 되는 북극성에서 온 이름(상황 3 해결).
  • 좋은 NSM은 가치 전달을 잰다(가입 수·다운로드 같은 디지털 마케팅 11번 레슨 vanity metric이 아니라).
  • 예(흔히 인용되는 사례): 숙박 공유 서비스 → 예약된 숙박 일수, 음악 스트리밍 → 청취 시간, 협업 메신저 → 주고받은 메시지 수, 가계부 앱 → 매주 지출을 기록한 사용자 수.
• input metrics(입력 지표) — NSM을 움직이는 하위 지표들. 팀별로 하나씩 맡는다. 예: NSM “매주 지출을 기록한 사용자 수” ← 신규 활성화율(2번 레슨) · 주간 리텐션(3번) · 기록당 소요 시간(friction, 2번) · 초대 수(6번).
  • 이렇게 NSM → input metrics 나무(metric tree)를 그리면 각 팀이 다른 숫자를 쫓아도 같은 방향이 된다. 디지털 마케팅 11번 레슨 KPI(Key Performance Indicator, 핵심 성과 지표)를 회사 전체 차원에서 하나로 묶은 것.

지시 예문

• “활성 사용자 대상 Sean Ellis 설문을 만들어줘. ‘더 이상 못 쓰면?’ 질문과, ‘매우 실망’이라고 답한 사람의 특징을 분석할 추가 질문까지.”
• “리텐션 곡선과 설문 결과를 근거로 우리가 PMF에 가까운지 판단하고, 아니라면 광고비 대신 어디에 집중해야 할지 제안해줘.”
• “우리 서비스의 North Star Metric 후보 3개를 제안하고, 각각 장기 매출과 연결되는 이유와 vanity metric이 아닌 이유를 설명해줘.”
• “정한 NSM을 움직이는 input metric 나무를 그려주고, 팀별로 맡을 지표를 나눠줘.”

---

이벤트 트래킹: event · property · tracking plan · identity

상황

• 지금까지 배운 리텐션·코호트·activation metric을 계산하려는데 데이터가 없다. 페이지뷰만 쌓이고 “누가 무엇을 했는지”가 안 남는다.
• 같은 행동이 signup, sign_up, 회원가입완료, SignUp으로 이름이 제각각 기록돼 있다.
• 로그인 전 둘러본 기록과 로그인 후 기록이 다른 사람처럼 잡혀서, 가입 전 행동을 분석할 수 없다.

용어

• product analytics(프로덕트 분석) — 페이지 방문 수보다 사용자가 제품 안에서 한 행동을 분석하는 것. Amplitude, Mixpanel, PostHog, GA4(Google Analytics 4) 같은 도구가 있다. 1~8번 레슨의 지표는 거의 다 여기서 나온다.
• event(이벤트) — 사용자가 한 의미 있는 행동 하나의 기록. “회원가입 완료”, “메모 작성”, “결제 완료”. 인프라 용어 8번 log의 비즈니스 버전.
  • 모든 클릭을 다 남기기보다 결정에 쓸 행동을 골라 남긴다. 2번 레슨 aha moment 행동, 퍼널 단계, 결제는 꼭.
• property(속성) — 이벤트·사용자에 붙는 부가 정보.
  • event property(이벤트 속성) — 그 행동의 세부. “결제 완료”에 amount: 12000, plan: "pro", coupon: true.
  • user property(사용자 속성) — 사람의 특징. signup_channel, plan, country. 4번 레슨 코호트를 나누는 기준이 된다.
• naming convention(이름 규칙) — 이벤트 이름을 한 가지 형식으로 통일(상황 2). 흔한 방식은 대상 + 과거형 동사: Order Completed, Memo Created, Invite Sent. 디지털 마케팅 8번 레슨 UTM 이름 통일, UI 용어 17번 용어 통일과 같은 문제.
• tracking plan(트래킹 플랜) — 어떤 이벤트를, 어떤 이름과 속성으로, 언제 남길지 정리한 설계 문서(표). 코드에 이벤트를 심기 전에 만든다. 이게 있어야 AI·개발자가 일관되게 심고, 나중에 숫자를 믿을 수 있다.
  • 비유: 가계부를 쓰기 전에 항목(식비·교통비·…)을 먼저 정하는 것. 정하지 않고 쓰면 “밥”, “식사”, “점심”이 따로 집계된다.
• identity resolution(사용자 식별 통합) — 로그인 전 익명 ID(anonymous ID, 브라우저·기기 단위)와 로그인 후 사용자 ID(user ID)를 같은 사람으로 이어 붙이는 것(상황 3). 가입 순간 “이 익명 사용자 = 이 회원”을 도구에 알려줘야(보통 identify 호출) 가입 전 행동부터 하나의 여정으로 보인다.
• funnel / retention 리포트 — 이벤트가 잘 쌓이면 도구 안에서 “A 이벤트 → B 이벤트 → C 이벤트 전환율”(디지털 마케팅 1번 퍼널), “A 이벤트를 한 사람이 N일 뒤 B 이벤트를 했나“(3번 리텐션)를 클릭 몇 번으로 그린다.
• 개인정보 — 이벤트·속성에 이름·전화번호·이메일 같은 개인 식별 정보(PII, Personally Identifiable Information)를 그대로 넣지 않는다. 내부 ID로 대신한다(디지털 마케팅 7번 레슨 동의, 인프라 용어 8번 로그 마스킹과 같은 원칙).

지시 예문

• “우리 서비스 tracking plan을 표로 만들어줘. 열은 이벤트명(대상+과거형 동사), 언제 발생, 이벤트 속성, 관련 지표. 퍼널 단계와 activation 행동은 꼭 포함.”
• “기존 이벤트 이름이 제각각이야. 같은 행동끼리 묶어서 새 이름 규칙으로 매핑표를 만들고, 코드에서 이름을 통일해줘.”
• “PostHog를 붙이고, 가입 순간 identify를 호출해서 로그인 전 익명 행동과 회원 행동이 이어지게 해줘. 이메일 같은 PII는 속성에 넣지 말고.”

---

Growth loop와 실험 우선순위: loop vs funnel · ICE · RICE

상황

• 해볼 만한 그로스 아이디어가 50개나 쌓였는데 무엇부터 해야 할지 회의마다 목소리 큰 사람 의견으로 정해진다.
• 광고비를 쓰는 동안만 가입자가 늘고, 끄면 바로 멈춘다(디지털 마케팅 6번 레슨). 성장이 스스로 굴러가지 않는다.
• 한 달에 실험을 1개밖에 못 돌린다. 하나 준비하는 데 너무 오래 걸린다.

용어

• growth hacking(그로스 해킹) — 큰 예산 대신 빠른 실험과 데이터로 성장 방법을 찾는 접근. “해킹”은 불법이 아니라 기발한 지름길을 찾는다는 뜻. 지금은 보통 그로스(growth)라고만 부른다.
• funnel vs growth loop(퍼널 vs 성장 루프)
  • funnel(퍼널) — 위에서 넣으면 아래로 빠져나가며 끝나는 일직선(1번 레슨 AARRR, 디지털 마케팅 1번). 계속 위에서 새로 부어야 한다(광고 의존, 상황 2).
  • growth loop(성장 루프) — 한 사용자의 행동이 다음 사용자를 데려오는 입력이 되어 고리처럼 다시 도는 구조. 돌수록 커진다.
    • 바이럴 루프 — 사용 → 초대 → 새 사용자 → 사용(6번 레슨).
    • 콘텐츠 루프 — 사용자가 만든 글·리뷰 → 검색에 노출(웹 용어 35번 SEO) → 새 사용자 유입 → 또 글 작성. 커뮤니티·리뷰 서비스의 엔진.
    • 유료 루프 — 매출 → 광고 재투자 → 새 고객 → 매출. 디지털 마케팅 5번 LTV(LifeTime Value, 고객 생애 가치) > CAC(Customer Acquisition Cost, 고객 획득 비용)일 때만 돈다.
  • 비유: 퍼널은 물을 부어야만 차는 양동이, 루프는 물레방아 — 한 번 돌기 시작하면 그 힘으로 다음 바퀴가 돈다.
• experiment backlog(실험 백로그) — 해볼 실험 아이디어 목록. 각 아이디어에 5번 레슨처럼 가설을 붙여 적는다.
• ICE score(아이스 점수) — 아이디어마다 세 항목을 1~10점으로 매겨 우선순위를 정하는 간단한 틀(상황 1 해결).
  • I — Impact(영향): 성공하면 지표가 얼마나 움직일까
  • C — Confidence(확신): 성공할 거라고 얼마나 확신하나(데이터·사례 근거)
  • E — Ease(쉬움): 얼마나 쉽게·빨리 할 수 있나
  • 세 점수의 평균(또는 곱)이 높은 순서로 한다. 완벽한 숫자가 아니라 팀이 같은 기준으로 비교하게 해주는 도구.
• RICE score(라이스 점수) — ICE에 도달 범위를 더한 버전. (Reach × Impact × Confidence) ÷ Effort.
  • Reach(도달): 일정 기간에 몇 명이 영향을 받나 — 결제 페이지 개선과 설정 화면 개선은 닿는 사람 수가 다르다.
  • Effort(노력): 드는 사람·시간. 분모라 클수록 점수가 내려간다.
• experiment velocity(실험 속도) — 일정 기간에 몇 개의 실험을 돌리고 배우는가. 실험 대부분은 실패하므로, 하나를 완벽하게 준비하기보다 작게·빨리·자주 돌리는 팀이 결국 더 많이 찾는다(상황 3). 기능 플래그(feature flag)로 코드 배포와 실험 시작을 분리하면 속도가 오른다.

지시 예문

• “백로그의 그로스 아이디어 50개에 ICE 점수를 매겨 표로 정렬해줘. 각 점수의 근거를 한 줄씩.”
• “결제 페이지 개선 vs 온보딩 개선 vs 초대 보상 강화를 RICE로 비교해줘. Reach는 지난달 실제 사용자 수 기준으로.”
• “우리 서비스에서 가능한 growth loop(바이럴·콘텐츠·유료)를 그림으로 그리고, 지금 끊겨 있는 고리가 어디인지 짚어줘.”
• “실험 하나 준비에 3주가 걸려. feature flag로 실험을 켜고 끌 수 있게 구조를 바꿔서 실험 속도를 올려줘.”