모르면 난리 나는 인스톨 이후 지표들

우리가 마케팅 임원이라고 생각해 보도록 하죠. 팀원들이 이번 캠페인의 성과를 보고하러 왔습니다. 팀원들에게 단 하나의 질문만 할 수 있다면 무엇을 물어 보시겠습니까? 저라면 이 글에서 소개할 다섯 가지 데이터 중 하나를 선택해 질문할 것입니다.

앱 인스톨 이후(Post-Install)에 인게이지먼트로 인해 얼마나 긍적적인 성과가 나타나는지를 확인할 수 있는 다섯 가지 주요 지표를 소개합니다. 이 중에는 앱 서비스의 OMTM(One Metric That Matters)으로 관리해야 할 지표도 있을 것입니다.

1. N-day Retention

특정 날짜까지의 리텐션을 의미합니다. 대부분의 분석 툴이 30 Day 리텐션까지 데이터를 제공하지만, 각 앱마다 유저에게 제공하는 서비스가 다르기 때문에 앱 고유의 N-day 리텐션을 정해놓고 관리해야 합니다.

게임 앱은 주로 30D 외에도 1D, 7D 리텐션을 관리합니다. 1D 리텐션이 40%를 넘는다면 유저들의 반응이 상당히 좋은 것으로 생각해도 됩니다. 7D 리텐션은 보다 복합적입니다. 만약 7D 리텐션이 15% 이하라면, 게임의 난이도가 높다거나 흥미를 유발하는 요소가 부족한 것일 수 있습니다. 출석이나 레벨 업 보상을 늘려서 게임을 보다 쉽고 재미있게 진행할 수 있도록 하는 것도 좋습니다.

이커머스는 앱의 성격이 오픈마켓인지 아닌지에 따라서 리텐션이 크게 달라집니다. 오픈마켓 성격이 강하다면 3D 이후의 리텐션이 크게 떨어집니다. 그렇지 않고 컨텐츠나 스타일링 제안이 성공적으로 추가된 서비스라면 30D 리텐션이 15~20%에 이르기도 합니다.

2. DAU

앱의 방문수(세션)가 앱을 사용하는 ‘횟수’라면, DAU(Daily Active Users)는 하루에 앱을 사용하는 ‘사람 수’를 말합니다. 큰 의미가 없어 보이는 ‘싱거운 지표’라고 생각할 수도 있지만 결코 무시해서는 안되는 지표가 DAU입니다.

예를 들어 하루에 앱이 100번 실행되었다고 가정해 보겠습니다. 1명이 100번 실행한 것과, 100명이 각각 1번씩 실행한 것 중 어떤 경우가 조금 더 바람직할까요? 당연히 후자입니다. 비용을 지불하는 것은 ‘횟수’가 아니라 ‘사람’이기 때문이죠! 유저를 더 모으기 위해 마케팅을 하는 것도 결국 같은 이야기일 것입니다.

또한 DAU는 다양한 파생 지표의 모수가 되기도 합니다. 유저 한명이 하루에 몇 번 앱을 실행하는지는 ‘DAU당 방문수(세션)’로, 몇 개의 페이지를 조회하는지는 ‘DAU당 페이지뷰’로 확인할 수 있습니다. 그리고 나중에 소개할 ARPDAU도 그 중 하나입니다.

3. MAU

MAU(Monthly Active Users)는 한 달 동안 앱을 사용한 순수(Unique) 유저수를 말합니다. 장기적인 관점에서 앱의 외형 성장과 밀접한 관계가 있는 지표입니다. 실제로 앱의 금전적인 가치를 평가할 때 MAU, 그리고 MAU당 매출액 등의 수치를 중요하게 참고하니까요.

만약 4월 MAU가 1만명이라고 가정해 보겠습니다. 이 1만명은 한달 동안 우리 앱에 비용을 지불할 가능성이 있는 유저 풀이 됩니다. 특히 월 단위 구독(Subscription) 중심의 컨텐츠 서비스나 게임이라면, MAU 증가가 곧바로 매출 증가로 이어지므로 가장 중요하게 관리하게 되는 지표입니다. 이런 경우라면 UA(User Acquisition) 캠페인의 궁극적인 목적도 MAU 성장이 될 것입니다.

MAU를 높이기 위해서 대규모 UA를 준비하고 있다면 UA 이전의 Stickiness(고착성) 수치를 UA 이후의 수치와 비교할 필요가 있습니다. Stickiness는 사용자들이 앱을 얼마만큼 자주 사용하는지를 확인할 수 있는 효율적인 지표입니다. [DAU / MAU * 100] 공식으로 계산하면 됩니다. 평균 이상의 게임이라면 20%를 상회하는 Stickiness가 나온다고 알려져 있습니다. UA를 통해 MAU가 늘었으나 Stickiness가 눈에 띄게 줄었다면 완벽하게 성공적인 캠페인은 아니었다고 판단할 수 있을 것입니다.

4. ARPDAU

드디어 매출액 관련 지표가 나왔습니다. ARPDAU는 Average Revenue Per Daily Active Users의 약자로, 1일간 앱에서 발생한 매출액을 1일간 앱을 실행한 유저 숫자로 나눈 금액을 의미합니다. 공식으로 표현하면 [1일간 매출액 / DAU] 입니다. 오늘 앱에서 발생한 매출이 1백만원이고 DAU가 50명이라면, 공식에 따라 ARPDAU는 2만원이 됩니다.

특히 게임 앱은 신규 유저가 많이 유입되면 ARPDAU가 요동치는 경향이 있는데, 유저의 유입이 크게 늘면 ARPDAU가 일시적으로 하락하는 경우가 많습니다. 그래서 유입된 유저 숫자에 따른 적정 ARPDAU 하락폭을 발견하는 것이 중요합니다. 유저의 유입에 비해 ARPDAU가 지나치게 하락하는 시점을 파악하고, 그 이후 ARPDAU가 정상 수준으로 회복되는지를 추적 관찰해야 하기 때문입니다.

유저들의 대다수는 30일 안에 앱을 떠날 것이고, 경쟁 서비스가 있기 때문에 우리가 UA로 확보할 수 있는 유저의 숫자도 한계가 있습니다. 따라서 신규 유입이 정체된 상황에서 ARPDAU가 하락하고 있다면 위험한 신호로 받아들여야 합니다.

5. LTV

Lifetime Value를 줄여서 LTV로 부릅니다. 과거에는 주로 CLV(Customer Lifetime Value)라고 사용 했었지요. 경영학에서 말하는 ‘고객생애가치’가 바로 LTV입니다. 고객이 자신의 전 생애에 걸쳐 우리 서비스에 지출한(또는 지출할 것으로 예상되는) 총 비용이라고 할 수 있습니다. 그래서 LTV를 통해 우리는 매우 단순하고 당연한 결론에 이르게 됩니다. ‘비용보다 LTV가 크면 성공이다’라는 결론 말입니다.

자연스럽게 앱 마케팅의 LTV가 궁금해 지는군요. LTV 계산을 위해서는 ‘고객의 생애’가 언제 끝나는지를 알아야 하는데, 유저가 앱을 완전히 떠나버린 – 다시 말해 앱으로 돌아올 가능성이 전혀 없는 – 시점을 알 수는 없다는 것이 문제가 됩니다. 그래서 보다 ‘현실적인’ 방법으로 LTV를 계산해야만 하지요.

첫번째 ‘현실적인’ 방법은 평균사용일수와 ARPDAU를 곱해서 Actual LTV를 계산한 다음 적절한 예측모델을 적용해 미래의 LTV를 추정하는 것입니다. 특정 코호트의 30일 리텐션이 아래 표와 같다고 가정해 보겠습니다.

이 코호트의 1개월 평균 사용일수는 아래 수식으로 계산할 수 있습니다. 0 Day의 리텐션을 1(100%)로 놓고 다음날부터의 리텐션을 모두 더해 나가면 됩니다.

• (1 + 0.5 + 0.4 + 0.3 + 0.2 + 0.2 + 0.15 + 0.1 + … + 0.5) = 평균 사용일수

이렇게 구한 30일 평균 사용일수에 30일 평균 ARPDAU를 곱하면 30일간의 Actual LTV가 됩니다. 30일 평균 ARPDAU는 아래 공식으로 계산하면 됩니다.

• 30일간의 ARPDAU 합계 / 30 = 30일 평균 ARPDAU

이렇게 계산된 Actual LTV를 적절한 예측모델에 입력해서 미래 특정 일자의 LTV를 예측해볼 수 있습니다. 앱의 특성에 따라 다양한 예측모델을 적용할 수 있겠지만, 중요한 것은 일반적인 리텐션 그래프는 아래 그림과 같이 감소하는 지수함수(Exponential Function, y = ax^b)의 형태를 가지므로 거듭제곱을 활용한 예측모델이 결정계수(R제곱)가 높을 것입니다.

두번째 ‘현실적인’ 방법은 누적 ARPU에 예측모델을 적용하는 것입니다. 예측모델의 신뢰도를 높이려면 특정 코호트의 ARPU를 적어도 30일 이상 측정한 데이터가 있는 것이 좋습니다. 아래 그림은 누적 ARPU 차트의 일반적인 형태입니다. 여러분 앱의 누적 ARPU 역시 매우 높은 확률로 아래 그림과 유사한 곡선을 그리게 될 것입니다. 전형적인 로그함수(Logarithm) 그래프죠. 그래서 누적 ARPU에 적합한 예측모델은 로그함수를 기반으로 하는 것이 좋습니다.

기본적으로는 예측된 LTV와 마케팅 예산을 비교해 봄으로써 비용의 적정성을 파악할 수 있습니다. 그리고 유저의 인구통계정보(성별, 연령, 회원등급 등)별 코호트를 비교해보면 타겟 고객이 누구인지도 알 수 있겠지요. 경우에 따라서는 지역별 코호트를 비교함으로써 잠재시장을 파악할 수도 있을 것입니다.