AARRR 퍼널 분석

1. AARRR이란?

 

출처 : https://intl.finebi.com/ko-KR/blog/aarrr-funnel-model

 

​

비즈니스를 할 때 서비스가 얼마나 잘 성장하고 있는지, 어디가 아픈지 진단하기 위해서는 명확한 기준이 필요합니다. 오늘은 미국의 스타트업 액셀러레이터인 데이브 맥클루어(Dave McClure)가 고안한 AARRR 방법론을 통해 각 단계별 핵심 전략과 데이터 분석 포인트를 정리해 보겠습니다.

​

1. Acquisition (고객 유치): "어디서, 어떻게 우리를 알고 왔는가?"

마케팅 활동을 통해 새로운 사용자를 서비스로 데리고 오는 단계입니다. 단순히 방문자 수를 늘리는 것이 아니라, 양질의 사용자를 데려오는 것이 핵심입니다.

• Attribution(기여) 분석: 여러 광고 채널 중 어떤 채널이 최종 전환에 기여했는지 판단해야 합니다 (First-click, Last-click, Multi-touch 모델 등).
• 핵심 지표
  • CAC (Customer Acquisition Cost): 신규 고객 1명을 유치하는 데 드는 비용
  • ROAS (Return on Ad Spend): 광고비 대비 매출 효율
• 분석 Tip: 단순히 유입 수가 많은 채널보다, LTV(고객 생애 가치)가 높은 유저들이 들어오는 채널에 예산을 집중해야 합니다.

​

2. Activation (활성화): "사용자가 서비스의 가치를 느꼈는가?"

유입된 유저가 우리가 의도한 핵심 기능(Aha-moment)을 처음으로 경험하는 단계입니다. 예를 들어 회원 가입을 시키거나, 튜토리얼 수행하게 하는 등 서비스를 이용할 준비를 시키는 것이죠.

• Aha-moment : 유저가 서비스의 핵심 가치를 깨닫는 순간
• Funnel(퍼널) 분석: 유입부터 핵심 행동까지의 단계를 쪼개어, 어느 지점에서 유저가 가장 많이 이탈하는지(Drop-off) 파악합니다.
• 핵심 지표
  • Bounce Rate (이탈률): 페이지에 접속 후 아무런 행동 없이 나가는 비율
  • Conversion Rate (전환율): 회원가입, 튜토리얼 완료 등 목표 행동 달성 비율

​

3. Retention (리텐션): "계속해서 우리 서비스를 찾는가?"

AARRR 중 가장 중요한 단계입니다. 밑 빠진 독에 물을 붓지 않으려면 리텐션이 반드시 뒷받침되어야 합니다.

• 코호트 분석 (Cohort Analysis): 특정 시기에 유입된 사용자 집단을 시간의 흐름에 따라 추적하여 잔존율을 확인합니다.
• 핵심 지표
  • Retention Rate (잔존율): 일자별/주차별 재방문 비율
  • Stickiness (점착도): DAU(일일 활성 사용자) / MAU(월간 활성 사용자)
• 분석 Tip: 리텐션 커브가 일정 수준에서 평행을 유지(Flattening)한다면 서비스가 시장 적합성(PMF)을 찾았다는 신호입니다.

​

4. Revenue (매출): "비즈니스 모델이 제대로 작동하는가?"

서비스의 지속 가능성을 결정하는 수익화 단계입니다.

• 수익 구조 분석: 유저의 구매 패턴을 분석하여 어떤 세그먼트에서 매출이 발생하는지 파악합니다.
• 핵심 지표
  • ARPU (Average Revenue Per User): 유저 1인당 평균 결제 금액
  • ARPPU (Average Revenue Per Paying User): 결제 유저 1인당 평균 결제 금액
  • LTV (Lifetime Value): 한 명의 유저가 서비스 이용 기간 동안 발생시키는 총 가치
• 분석 Tip: LTV > CAC 관계가 성립해야 지속 가능한 비즈니스입니다. (통상 LTV가 CAC의 3배 이상일 때 건강하다고 평가합니다.)

 

5. Referral (추천): "사용자가 스스로 홍보대사가 되는가?"

가장 저렴하고 효과적인 마케팅 수단이며, 서비스의 신뢰도를 증명합니다. 사용자들은 마음에 드는 서비스를 주변에 추천합니다.

• 바이럴 루프 (Viral Loop): 보상(리워드) 시스템이나 공유 기능을 통해 유저가 유저를 불러오는 구조를 만듭니다.
• 핵심 지표
  • NPS (Net Promoter Score): 순 추천 지수
  • Viral Coefficient (K-factor): 기존 사용자 1명이 데려오는 신규 사용자의 수
• 분석 Tip: K값이 1보다 크면 서비스는 마케팅 비용 없이도 기하급수적으로 성장합니다. 

단계	주요 활동 및 목표	관련지표
1. Acquisition (고객 유치)	신규 유저 유입, 채널별 효율 분석	CTR, CPC, CPM
2. Activation (활성화)	Aha-moment 경험 유도, 첫 가입 및 튜토리얼	전환율(CVR)
3. Retention (리텐션)	지속적인 재방문 유도, PMF 확인	잔존율(Retention Rate), 점착도(Stickiness)
4. Revenue (매출)	비즈니스 지속 가능성 확보	ARPU, ARPPU, LTV
5. Referral (추천)	바이럴 루프 및 추천 시스템 구축	NPS, K-factor (바이럴 계수)

 

---

2. Retention(리텐션)

아래의 데이터리안 블로그 글을 참고하여 작성하였습니다. 

클래식 리텐션 Classic Retention

 

출처 : https://www.i-boss.co.kr/ab-6141-67965

 

AARRR 분석 모델 다섯 가지 단계 중 가장 먼저 개선을 해야 하는 단계로 사용자 유지와 관련된 Retention(리텐션) 지표를 꼽습니다. 만약 사용자 유지가 되지 않는 서비스인데 광고를 늘려 Acquisition, Activation을 늘렸다고 생각해 봅시다. 새로 들어온 사용자들은 몇 번 서비스를 써보고는 매력을 느끼지 못해 이탈합니다. 이건 밑빠진 독에 물을 붓는 것과 다름이 없습니다. 따라서 새로운 사용자를 받는 것보다 선결되어야 하는 것은 기존 사용자들이 서비스를 만족스럽게 사용하고 있는지, 지속적으로 사용하는지 보는 것이고 이것이 바로 Retention입니다.

 

리텐션(retention)이란 사용자가 제품을 지속적으로 사용하며 재방문하는 비율을 의미합니다. 좀 더 정확하게 설명하자면, 사용자가 시간이 지나도 제품으로 돌아와 ‘의미 있는 행동(활성 이벤트)’을 반복하는 비율을 말합니다. 활성 이벤트는 어떤 제품이냐에 따라 조금씩 다를텐데 그 내용은 조금 뒤에 다뤄보도록 하겠습니다.

 

우선 리텐션 지표를 사용할 때 가장 먼저 고려해야 할 사항은 비즈니스 모델과 고객의 사용 패턴에 맞는 분석 방법을 선택해야 하는 것입니다. 특히 제품의 특성과 주기에 따라 적절한 리텐션 방법을 선택해야 합니다. 게임처럼 매일 재방문이 중요한 경우엔 N-Day 리텐션, 식료품 배달 서비스처럼 불규칙 사용이 많은 경우엔 Unbounded 리텐션이 더 유효합니다.

 

가장 먼저 기본이 되는 클래식 리텐션(Classic Retention)이라고 많이 부르는 계산 방법에 대해서 살펴보겠습니다. 클래식 리텐션은 N-Day Retention이라고도 합니다. 클래식 리텐션은 사용자가 매일 접속해서 사용할 것으로 기대되는 서비스에 활용하기 적절한 지표입니다. 카카오톡 같은 메신저 앱이나, 트위터 같은 SNS 서비스가 여기에 해당합니다.

 

다음으로는 사용 주기가 긴 서비스들의 경우 롤링 리텐션(Rolling Retention)이라는 계산법을 많이 사용합니다. 예를 들어, 여행 서비스, 쇼핑몰, 부동산 서비스 등 사용 빈도가 높지 않은 서비스에서 유용하게 활용됩니다. 롤링 리텐션은 '사용자가 이탈하지 않고 남아있는가?'에 초점을 맞추기 때문에 Unbounded Retention이라고도 부릅니다.

 

롤링 리텐션은 기준일을 포함하여 그 이후에 한 번이라도 재방문한 유저의 비율을 나타냅니다. 좀 더 쉽게 이해하자면 '마지막 방문일 이전은 방문한 것으로 간주한다'로 생각하셔도 됩니다. 기준일 이후에 방문 기록이 있다면, 기준일 당시에는 이탈하지 않은 사용자로 계산하겠다는 뜻입니다.

 

오히려 클래식 리텐션으로 매일의 접속 여부를 확인하면서 이 지표를 높이기 위해 앱 푸시를 보낸다든지, 과한 할인을 한다든지 하는 것은 장기적인 사용자 유지에 악영향을 미칠 수도 있습니다. 이렇게 다양한 리텐션 계산 방법들을 알고 있으면 상황에 맞게, 서비스에 맞게 사용자 유지율을 분석할 수 있습니다.

 

---

3. 이탈조건

이탈 예측하기

 

통신사, 음악 스트리밍 서비스, OTT 등 사용자 이탈이 곧 매출 감소로 이어지는 서비스에서 사용자 이탈 분석은 매우 중요한 작업입니다.

 

이탈을 고려할 때 가장 중요한 요소는 '어떤 것을 이탈로 볼 것인가?'의 기준을 세우는 것입니다. ‘이탈(churn)’의 기준을 어떻게 설정해야하는지 큰 고민 없이 정하는 경우가 많습니다. 이탈의 정의를 데이터 관점에서 검토할 수 있다면 더 객관적인 이탈 기준을 확보하고 더 나은 이탈 사용자 관리가 가능합니다.

 

좋은 이탈 기준의 조건으로 2가지를 생각할 수 있습니다.

 

1. 최대한 빨리 이탈을 탐지한다.

사용자가 서비스에서 이탈했는지 구분하는 이유는 이에 대한 대응을 빨리 하려는 목적이 큽니다. 마지막 접속이 1년을 넘은 사용자를 이탈 유저로 정의한다면, 이탈의 확실성은 크지만 이 정보를 통해서 할 수 있는 일이 없습니다. 1년 전에 마지막으로 접속한 유저에게 이제와서 서비스에 돌아오라고 이야기해도 소용없는 일이죠. 이런 경우에는 고객 재확보(reacquisition) 전략이 필요하며, 통상적인 이탈 유저 관리와는 다르게 접근합니다.

 

2. 최대한 확실한 이탈을 탐지한다.

빨리 이탈을 탐지하기 위해서 마지막 접속이 하루만 지나도 이를 이탈 사용자로 정의한다면, 이탈 가능성이 낮은 사용자도 이탈 유저로 분류하게 됩니다. 이탈 사용자를 관리하기 위해서는 비용이 들어가기 마련이며, 이탈 가능성이 낮은 유저에게 이탈 관리를 한다면 자원을 낭비하게 됩니다. 따라서, 이탈 가능성이 높은 사용자를 이탈 유저로 구분할 수 있는 적절한 기준이 필요합니다.

 

위의 두 가지 조건을 종합하면, (1)가장 빨리 이탈을 탐지할 수 있으면서도 (2)이탈 가능성을 어느 정도 담보할 수 있는 이탈 정의가 필요합니다. 예를 들어, 오분류의 위험성을 감수하더라도 이탈 가능성이 있는 사용자에 대해서 빠른 대응을 원한다면 이탈 기준 날짜를 줄이는 것이 타당합니다. 반면에 매우 고비용의 사용자 관리 정책을 기획하고 있다면, 약간 대응 시간이 늦더라도 더 정확한 이탈 기준을 위해 날짜를 늘리는 것이 적절합니다. 이를 위해서 사용자의 접속 세션 데이터를 활용하여 어떤 이탈 기준이 적절한지 탐색해야 합니다.

 

하지만 일괄적으로 이탈 날짜를 기준 삼아 적용하는 것도 리스크가 있습니다. 개별 사용자의 행동 특성을 고려하지 않는다는 것도 문제점이다. 어떤 사용자는 서비스 접속을 아주 드물게 할 수도 있고, 어떤 사용자는 매일 접속할 수도 있다. 이렇게 서로 다른 행동 특성을 가진 사용자들에게 일괄적인 기준을 제시하는 것은 문제가 될 수 있다.

 

예를 들어 어떤 OTT 사이트를 이용하는 두 명의 사용자가 있다고 가정해봅시다.

A는 매일 사이트에 접속하여 컨텐츠를 소비합니다. 평균적으로 1일에 한 번 오는 고객입니다.

반면 B는 일주일에 한 번 정도 사이트를 방문해 컨텐츠를 소비합니다. 평균적으로 7일에 한 번씩 온다고 가정해봅시다.

 

이런 상황에서 두 사람의 최종 접속 경과일이 7일이 지났습니다. 만약 고객의 행동 특성을 고려하지 않는다면 A와 B모두 단순히 7일을 방문하지 않은 상태지만 위험 비율을 적용하면 이탈 가능성이 누가 더 높은지 분명해집니다.

 

 

위험 비율(Risk ratio)은 개별 사용자의 접속 주기와 최종 접속 경과일을 함께 고려한 척도로써 [최종 접속 경과일] / [평균 접속 주기] 이라는 수식을 통해 새로운 지표를 형성합니다.

A의 경우 평균적으로 1일마다 접속했으나 최근 7일 동안 접속하지 않았으므로 7/1 = 7 의 위험비율을 가집니다. 반면 B의 경우 평균 접속일이 7일인데 최근 7일동안 접속하지 않았으므로 7/7 = 1 의 위험 비율을 가집니다. 이렇게 위험 비율로 판단하면 A가 B보다 이탈 가능성이 매우 높다는 것을 확인할 수 있습니다.

 

기존의 이탈 기준은 최종 접속일 이후 경과한 시간을 기준으로 사용자의 이탈 유무를 구분하였습니다. 따라서 사용자가 그동안 어느 정도의 충성도로 서비스를 이용했는지 아무런 정보를 사용하지 않습니다. 새롭게 계산한 위험 비율은 최종 접속 경과일과 함께 개별 사용자의 충성도를 고려합니다. 두 가지의 중요한 정보를 함께 고려하기 위해서 위험 비율이라는 하나의 척도로 이를 요약하였고, 이를 통해서 서로 다른 충성도와 다른 휴지기를 갖는 사용자를 비교할 수 있게 되었습니다. 따라서 유저가 특정 기간 동안 접속하지 않으면 이탈 유저로 정의하며, 유저 간의 비교를 위해서 이탈 위험 비율이라는 척도를 사용합니다.

 

이 두 가지 개념을 이용하여, 모든 개별 유저에게 이탈 유무를 기록하고, 이탈 위험 비율을 계산하여 이탈 유무를 설명하는 통계적 모형인 로지스틱 회귀를 만들어 봅시다. 간략하게 요약하면 아래와 같은 함수 𝑓를 생각할 수 있습니다.

 

독립 변수 x는 위험 비율(Risk Ratio). 즉, "평소보다 얼마나 더 안 왔는가?"라는 숫자 데이터입니다. 그에 따른 종속 변수 y는 이탈 확률. 0(유지)과 1(이탈) 사이의 확률값으로 나타납니다.이 함수는 어떤 값이 들어오든 결과값을 항상 0과 1 사이로 변환해 주는 역할을 합니다.

 

예를 들어 "위험 비율이 2.2인 유저는 이탈 확률이 72%입니다"라고 말할 수 있게 됩니다. 숫자를 확률로 바꿔주기 때문에 의사결정이 훨씬 쉬워집니다.