AARRR (5): Referral 추천

 

 

<

 

 

 

 

 

 

 

AARRR 퍼널 분석 시리즈 몰아보기

 

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

 

 

 

 

>

 

 

 

 

 

 

 

AARRR의 다른 단계에 비해 Referral추천이라는 단계는 다소 추상적으로 읽힌다. 이전 단계에 비해 측정이 쉽지 않아서 언뜻 보기엔 위계가 맞지 않아 보이기도 한다. 그런 특성에도 불구하고 AARRR에서 Referral은, 나아가서 유저 여정에서 바이럴 단계는 뺄 수 없는 단계다. 리텐션 단계에서 잠깐 언급했듯이 Paid로 돈을 지불해서 끌어올 수 있는 유저 풀은 한계가 있다. 돈을 지불하지 않고 오가닉 유입을 통해 고객을 끌어오는 단계가 필수적으로 내재돼 있어야 서비스가 건강하게 성장할 수 있다. <이 포스트의 내용 대다수는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의 기반으로 작성됐다.>

 

 

이러한 Referral의 대표적인 측정 지표로 바이럴 계수Viral coefficient, K-factor가 있다. 바이럴 계수를 사용하면 '(사용자 수 * 초대 비율 * 인당 초대한 친구 수 * 전환율) / 사용자 수'로 추천을 명확하게 계산할 수 있다. 다만 식에서 보이듯이 이 방식은 친구 초대를 측정할 수 있어야만 사용 가능한 방법이라 데이터 분석가 선에서 활용 가능한 측정 방법은 아니다.

 

 

그래서 우리가 이번 파트에서 중점 두고 설명할 지표는 입소문 효과 계수Word of mouth coefficient, WOM Coefficient다. 입소문 효과 계수를 활용하면 우리 친구 추천 서비스에 측정을 도입하지 않고도 해당 서비스의 정상 동작 여부를 측정할 수 있다. 입소문 효과 계수는 '오가닉 신규 유저 / (복귀 유저 + 논오가닉 신규 유저)'의 형태로 측정할 수 있다. 우리 서비스가 얼마나 입소문 타고 있는지는 오가닉과 논오가닉 유저의 비율을 측정하는 식으로 논리적으로, 또 간접적으로 증빙될 수 있다는 거다. 

 

 

 

입소문 효과 계수를 활용하면 앰플리튜드에서 간단하게 Referral 퍼널을 측정해볼 수 있다. 우선 분자인 New Organic Users를 UTM 소스가 (none) 값인 유입 유저로 구하고,

 

 

 

분모인 Returning Users + Non-Organic New Users를 Any Active Event - New Organic Users (위에서 구한 오가닉 유입 유저 값)로 구하면 식이 완성된다.

 

 

이렇게 측정된 입소문 효과 계수의 변화 추이를 통해 우리 친구 추천 서비스 혹은 이벤트의 성과를 시각화해 볼 수 있다.