01. AARRR 프레임워크
👉 AARRR 프레임워크는 스타트업과 프로덕트 성장을 측정하는 대표적인 모델
👉 사용자의 전환 과정을 다섯 가지 핵심 단계로 나눠서 분석하는 방법
- 단순한 매출 분석이 아니라 사용자의 여정을 추적하여 문제를 파악할 수 있음.
- 어느 단계에서 전환율이 떨어지는지 분석하여, 개선 방향을 찾을 수 있음.
| 단계 | 설명 | 주요 지표 |
| Acquisition (획득) | 사용자가 제품을 처음 접하는 단계 | 방문자 수, 유입 경로, 가입률 |
| Activation (활성화) | 첫 경험에서 가치를 느끼는 단계 | 가입 후 첫 사용률, Onboarding 완료율 |
| Retention (유지) | 지속적으로 재방문하는 단계 | 주간/월간 활성 사용자(WAU, MAU), 리텐션율 |
| Revenue (수익) | 실제로 결제를 발생시키는 단계 | ARPU, 결제 전환율, LTV |
| Referral (추천) | 기존 사용자가 신규 사용자를 초대하는 단계 | 초대율, 바이럴 지수(K-factor) |
1) Acquisition (획득) – 사용자는 어디에서 유입될까?
👉 사용자가 처음 제품을 접하는 과정을 측정하는 단계
👉 마케팅 채널별 유입 효과를 분석하는 것이 핵심
📌 주요 지표
| 지표 | 설명 | 계산 방법 |
| 방문자 수 (Visitors) | 웹사이트/앱을 방문한 총 사용자 수 | COUNTD(user_id) |
| 신규 방문자 수 (New Users) | 첫 방문한 사용자 수 | COUNTD(user_id) WHERE first_visit = TRUE |
| 유입 채널별 방문자 수 | 검색, 광고, SNS 등 각 채널별 방문자 수 | COUNTD(user_id) GROUP BY channel |
| 클릭률 (CTR, Click-Through Rate) | 광고 클릭 비율 | clicks / impressions |
| 전환율 (Conversion Rate) | 방문자가 가입 또는 구매로 전환된 비율 | conversions / total visitors |
| 일간 활성 사용자 (DAU, Daily Active Users) | 하루 동안 서비스를 이용한 사용자 수 | COUNTD(user_id) WHERE date = today |
| 주간 활성 사용자 (WAU, Weekly Active Users) | 일주일 동안 서비스를 이용한 사용자 수 | COUNTD(user_id) WHERE date >= today - 7 |
| 월간 활성 사용자 (MAU, Monthly Active Users) | 한 달 동안 서비스를 이용한 사용자 수 | COUNTD(user_id) WHERE date >= today - 30 |
💡 예시
- 유입 채널 분석을 통해 어떤 채널에서 사용자가 많이 유입되는지 파악 가능
- 전환율이 낮다면 랜딩 페이지 개선 또는 광고 타겟팅 최적화 필요
- DAU / MAU 비율 (Stickiness Ratio) 가 높을수록 충성도 높은 사용자 많음
2) Activation (활성화) – 사용자는 서비스를 제대로 경험했을까?
👉 제품을 사용하며 가치를 느낀 사용자를 측정하는 단계
👉 가입 후 첫 경험(Onboarding)의 성공 여부가 중요
📌 주요 지표
| 지표 | 설명 | 계산 방법 |
| 첫 사용 후 7일 내 재방문율 | 가입 후 7일 이내 재방문한 비율 | COUNT(users_revisited) / COUNT(users_signed_up) |
| Onboarding 완료율 | 회원가입 후 주요 기능을 사용한 비율 | COUNT(users_completed_onboarding) / COUNT(users_signed_up) |
| 첫 세션 평균 시간 (Avg. Session Time) | 첫 방문 시 평균 사용 시간 | SUM(session_time) / COUNT(user_id) |
| 핵심 기능 사용률 | 서비스 내 주요 기능을 사용한 비율 | COUNT(users_used_feature) / COUNT(active_users) |
💡 예시
- 첫 방문 후 7일 내 재방문율이 낮다면, 사용자 Onboarding을 개선해야 함
- 앱의 핵심 기능 사용률이 낮다면, UX/UI 문제를 검토해야 함
3) Retention (유지) – 사용자는 지속적으로 서비스를 사용할까?
👉 사용자가 한 번만 사용하고 이탈하는지, 계속해서 재방문하는지 분석하는 단계
👉 리텐션율 (Retention Rate) 이 가장 중요한 지표
📌 주요 지표
| 지표 | 설명 | 계산 방법 |
| 리텐션율 (Retention Rate) | 가입 후 특정 기간 동안 유지된 사용자 비율 | users_retained / users_signed_up |
| 이탈률 (Churn Rate) | 일정 기간 동안 서비스를 떠난 사용자 비율 | users_churned / total_users |
| 세션 당 평균 사용 시간 | 한 번 방문 시 평균 이용 시간 | SUM(session_time) / COUNT(sessions) |
💡 예시
- 이탈률이 높다면 Push 알림, 이메일 리마인더 등의 리텐션 전략 필요
4) Revenue (수익) – 사용자는 실제로 결제를 했을까?
👉 사용자가 제품을 구매하거나 결제하는 과정을 분석하는 단계
📌 주요 지표
| 지표 | 설명 | 계산 방법 |
| 유저당 평균 매출 (ARPU, Average Revenue Per User) | 사용자 1인당 평균 매출 | Total Revenue / Total Users |
| 구매 전환율 (Purchase Conversion Rate) | 방문자 중 결제한 비율 | COUNT(paid_users) / COUNT(visited_users) |
| 평균 주문 금액 (AOV, Average Order Value) | 한 번 결제 시 평균 구매 금액 | Total Revenue / Total Orders |
| 고객 생애 가치 (LTV, Customer Lifetime Value) | 한 사용자가 서비스에서 발생시키는 총 매출 | ARPU * 평균 유지 기간 |
| 구독 유지율 (Subscription Retention Rate) | 정기 구독 서비스를 유지하는 비율 | active_subscribers / total_subscribers |
☑️ ARPU(Average Revenue Per User)
- 활성 유저당 평균 매출
- ARPU = 특정 기간 동안 발생한 총 수익 / 특정 기간의 총 활성 사용자(Active User)
☑️ ARPPU(Average Revenue Per Paying User)
- 유료 유저 1인당 결제 금액
- ARPPU = 특정 기간 동안 발생한 총 수익 / 특정 기간의 총 결제 유저(Paid User)
- 💡 예시
- ARPU가 낮다면 업셀링(추가 결제 유도) 전략 필요
- 고객 LTV를 높이려면 충성 고객 혜택, 멤버십 프로그램 운영 고려
5) Referral (추천) – 사용자는 친구를 초대할까?
👉 사용자들이 자발적으로 제품을 공유하는지 측정하는 단계
👉 바이럴 효과를 통한 성장 가능성 평가
📌 주요 지표
| 지표 | 설명 | 계산 방법 |
| 추천 전환율 (Referral Conversion Rate) | 초대받은 유저 중 가입한 비율 | COUNT(referred_users_signed_up) / COUNT(referred_users) |
| 초대당 평균 유입 사용자 수 | 한 명이 초대한 친구 수 평균 | COUNT(referred_users) / COUNT(referring_users) |
| 바이럴 지수 (K-factor) | 추천을 통한 사용자 증가 효과 | invite_conversion_rate * avg_invites_per_user |
💡 예시
- 추천 전환율이 낮다면, 추천 리워드 프로그램(쿠폰, 포인트 지급) 도입 고려
- K-factor가 1 이상이면, 바이럴 효과가 발생하고 있는 상태
02. 프로덕트 분석 방법론
1) 퍼널 분석
- 각 퍼널 단계별로 사용자가 얼마나 유입이 되었는지, 어떤 구간에서 이탈을 했는지를 알아보는 분석
2) 코호트 분석
- 특정 기간 동안 공통된 특성을 경험한 사용자 행동을 그룹으로 나눠 지표별로 수치화해서 분석하는 기법
3) 세그먼트 분석
- 고객을 공통된 특성을 가진 다양한 그룹으로 나누는 분석 기법
- 고객 세그먼테이션 분석 기법은 대표적으로 간단한 방법과 통계 모델 활용 기법으로 크게 2가지로 나눌 수 있음
- 위치적 세분화(지역별로 구분), 인구통계학적 세분화(연령, 성별 등으로 구분), 행동적 세분화(구매 행동, 사용 패턴, 충성도 등으로 구분), 심리학적 세분화(가치, 라이프스타일 등으로 구분)
- 통계 모델을 활용한 예측 모델 및 추천시스템으로 예측 고객 세그먼테이션, 추천기반 세그먼테이션