토스 리더가 말하는 유저를 끌어당기는 서비스 개선

이 발표의 핵심은 단순하다. 서비스 개선의 중심을 화면 전환율이 아니라, 유저가 제품의 핵심 가치를 실제로 경험하는 순간에 두어야 한다는 것이다.

그 순간을 발표에서는 **Aha Moment(아하 모멘트)**라고 부른다. 그리고 리텐션 분석은 그 순간이 무엇인지 찾는 작업이며, 액티베이션 개선은 더 많은 유저가 그 순간에 더 빠르고 쉽게 도달하도록 만드는 작업이다.

즉 전체 흐름은 다음과 같다.

Aha Moment를 찾는다 → 그 행동과 리텐션의 관계를 검증한다 → 더 많은 유저가 더 빨리 그 행동을 하게 만든다 → 장기적으로 리텐션과 성장 구조를 개선한다.

1. 서비스 개선의 출발점은 Aha Moment다

Aha Moment는 유저가 제품의 핵심 가치를 경험하는 순간이다.

발표에서는 이를 다음과 같은 형태로 정의한다.

XX라는 행동을 YY라는 기간 안에 ZZ번 한다.

예를 들어 초기 토스 송금 서비스에서 발견한 패턴은 다음과 같았다.

서비스를 사용하기 시작한 뒤
4일 안에
2번 이상 송금한 유저는
이후에도 대부분 서비스를 계속 사용했다.

따라서 팀의 문제는 단순히 “송금 기능을 더 좋게 만들자”가 아니다.

보다 구체적으로는 다음 질문으로 바뀐다.

어떻게 하면 더 많은 유저가 가입 후 4일 안에 두 번 이상 송금하게 만들 수 있을까?

이렇게 되면 막연했던 서비스 개선이 하나의 명확한 행동 목표로 수렴한다.

2. Aha Moment는 행동·기간·횟수의 조합이다

Aha Moment를 찾으려면 결국 세 가지를 정의해야 한다.

XX: 어떤 행동인가
YY: 어느 기간 안에 해야 하는가
ZZ: 몇 번 해야 하는가

이 중 가장 먼저 찾아야 하는 것은 행동 XX다.

발표에서는 행동 후보를 찾는 방법으로 두 가지 접근을 제시한다.

직관과 탐색

제품을 오래 관찰한 PO나 팀이 가설을 세우고 여러 행동을 직접 비교해볼 수 있다.

예를 들어 메신저라면 다음과 같은 후보를 생각할 수 있다.

첫 메시지 전송
일정 기간 안에 여러 번 메시지 전송
친구 추가
답장 받기
그룹 대화 참여

이런 행동을 하나씩 리텐션과 비교하면서 의미 있는 후보를 찾는다.

데이터 기반 후보 탐색

발표에서는 SHAP Value 같은 방법을 사용해 리텐션과 관련성이 높은 행동 후보군을 먼저 뽑을 수도 있다고 설명한다.

중요한 것은 특정 분석 기법 자체가 아니다. 먼저 리텐션과 강하게 연결되어 보이는 행동 후보군을 만드는 것이 핵심이다.

그다음 각 후보가 진짜 Aha Moment에 가까운지 검증한다.

3. 단순한 상관관계만으로는 부족하다

어떤 행동을 한 유저의 리텐션이 높다고 해서 그 행동이 바로 Aha Moment가 되는 것은 아니다.

예를 들어 메신저 앱에서 메시지를 한 번 보낸 사람 중 많은 수가 리텐션된다고 해보자.

겉으로 보면 좋은 지표처럼 보인다. 하지만 다음 문제가 있을 수 있다.

메시지를 한 번 보냈지만 이탈한 유저도 많다.
메시지를 보내지 않았는데도 계속 남아 있는 유저가 많다.

이 경우 “메시지 한 번 보내기”가 리텐션을 만드는 핵심 행동이라고 보기 어렵다.

발표의 관점에서 좋은 Aha Moment 후보는 다음 두 조건을 동시에 만족해야 한다.

그 행동을 한 유저 대부분이 리텐션되어야 한다.
리텐션된 유저 대부분이 그 행동을 했어야 한다.

즉 행동과 리텐션의 겹치는 영역은 커야 하고, 한쪽에만 속하는 영역은 작아야 한다.

4. 유저를 A·B·C·D 네 집단으로 나눠 본다

발표에서는 행동 여부와 리텐션 여부를 기준으로 유저를 네 집단으로 나눈다.

구분	행동 XX	Retained	의미
A	O	O	행동도 했고 리텐션도 된 유저
B	X	O	행동은 안 했지만 리텐션된 유저
C	O	X	행동은 했지만 이탈한 유저
D	X	X	행동도 하지 않았고 이탈한 유저

좋은 Aha Moment 후보라면 A가 크고 B와 C가 작아야 한다.

즉 다음과 같은 상태가 이상적이다.

행동을 하면 대부분 남는다.
남아 있는 유저는 대부분 그 행동을 했다.

발표에서는 이 조건을 보기 위해 자체적으로 RPV와 교차값이라는 지표를 사용한다.

5. 발표에서 정의한 RPV와 교차값

발표자는 RPV를 공식 통계 용어가 아니라 내부적으로 만든 용어라고 설명한다.

발표에서 제시한 분류를 기준으로 정리하면 다음과 같다.

RPV

리텐션된 유저 가운데 행동 XX를 한 유저의 비율이다.

RPV = A / (A + B)

발표에서는 이 값이 95% 이상이 되는 것을 하나의 강한 기준으로 제시한다.

즉 리텐션된 사람 대부분이 해당 행동을 했다는 뜻이다.

교차값

행동을 했거나 리텐션된 유저 전체 가운데, 행동과 리텐션을 모두 만족한 유저의 비율이다.

교차값 = A / (A + B + C)

교차값이 높을수록 행동만 했지만 이탈한 C와, 행동은 하지 않았지만 남은 B의 비중이 작아진다.

따라서 발표에서는 다음 조합을 찾으려고 한다.

RPV는 충분히 높고
교차값은 최대가 되는
행동 XX와 횟수 ZZ의 조합

그리고 샘플 사이즈가 너무 작다면 좋은 수치가 나와도 다시 검토해야 한다고 강조한다.

6. 행동뿐 아니라 ‘몇 번 했는가’도 중요하다

같은 행동이라도 횟수에 따라 리텐션과의 관계가 달라질 수 있다.

예를 들어 어떤 행동을 기준으로 비교했을 때 다음과 같은 결과가 나올 수 있다.

1회: 리텐션과 관계가 약함
2회: 관계가 커짐
3회: RPV가 충분히 높아짐
4~6회: 교차값이 가장 크게 나타남

그렇다면 Aha Moment는 단순히 “이 행동을 한다”가 아니라,

이 행동을 일정 기간 안에 3~4번 정도 한다

처럼 정의할 수 있다.

즉 Aha Moment 탐색은 결국 XX, YY, ZZ를 반복적으로 바꿔가며 최적의 조합을 찾는 과정이다.

발표에서는 이런 강한 관계가 발견된다면 실무적으로 해당 행동을 리텐션의 핵심 원인에 가까운 것으로 보고, 팀이 그 행동을 촉진하는 방향으로 집중할 수 있다고 설명한다.

7. Activation은 회원가입이 아니다

많은 팀이 Activation을 회원가입이나 온보딩 퍼널의 완료로 이해한다.

하지만 발표에서는 Activation을 전혀 다르게 정의한다.

Activation은 고객이 제품에서 처음으로 행복한 경험을 하는 순간까지의 여정이다.

이를 The First Happy Experience라고 표현한다.

그리고 이 First Happy Experience는 앞에서 찾은 Aha Moment와 사실상 같은 핵심 행동이다.

예를 들어 토스 간편송금이라면 핵심 가치는 “복잡하지 않게 돈을 송금하는 경험”이다.

따라서 Activation은 단순히 다음 과정을 통과하는 것이 아니다.

앱 설치
약관 동의
본인인증
계좌 등록
가입 완료

진짜 Activation은 유저가 실제로 간편송금의 가치를 처음 경험할 때까지의 전체 과정이다.

8. Activation 개선의 진짜 목표

Activation 개선을 흔히 “퍼널의 클릭률과 전환율을 높이는 것”으로 생각한다.

하지만 발표가 강조하는 목표는 조금 다르다.

더 많은 유저가, 더 빨리, 더 쉽게 Aha Moment를 경험하도록 만드는 것.

따라서 Activation 개선은 UI나 퍼널 최적화보다 범위가 넓다.

필요하다면 기능이나 정책 자체를 바꿀 수도 있다.

발표에서는 토스의 사례로 무료 송금 횟수를 제공한 것을 든다.

이 변화는 회원가입 화면을 개선한 것도 아니고 단순히 버튼 클릭률을 높인 것도 아니다.

하지만 유저가 실제 송금을 더 쉽게 경험하도록 만들었기 때문에 Activation 개선에 해당한다.

핵심은 화면이 아니라 핵심 경험에 도달할 확률과 속도다.

9. Retention을 먼저 정의해야 Activation 목표가 생긴다

Activation을 개선하기 전에 먼저 해야 할 일이 있다.

바로 Aha Moment의 행동 XX를 정의하는 것이다.

왜냐하면 Activation은 결국 유저를 그 행동까지 데려가는 과정이기 때문이다.

행동 XX가 정의되지 않으면 다음 질문에도 답할 수 없다.

어디까지 가야 활성화된 유저인가?
어떤 퍼널을 개선해야 하는가?
어떤 기능을 먼저 만들어야 하는가?
무엇을 Activation KPI로 삼아야 하는가?

따라서 순서는 다음과 같다.

리텐션을 분석한다.
Aha Moment를 찾는다.
핵심 행동 XX를 정의한다.
더 많은 유저가 XX를 하게 만드는 Activation을 설계한다.

10. 퍼널에서는 전환율만 보지 말고 ‘시간’을 함께 봐야 한다

발표에서 특히 강조하는 포인트 중 하나는 Conversion을 볼 때 기간을 반드시 같이 봐야 한다는 것이다.

예를 들어 토스에서 계좌 등록 퍼널을 분석했을 때 한 세션 안에서 계좌 등록을 완료한 비율이 35%였다고 한다.

이 숫자만 보면 계좌 등록 과정에 큰 문제가 있다고 판단하기 쉽다.

하지만 한 달 동안 기다려보니 실제 누적 전환율은 65%였다.

즉 문제는 “결국 전환하느냐”만으로 판단할 수 없었다.

다음 두 질문을 함께 봐야 한다.

얼마나 많은 유저가 전환하는가?
얼마 만에 전환하는가?

Activation의 목적이 유저를 Aha Moment까지 빠르게 보내는 것이라면 시간은 핵심 지표가 된다.

따라서 단순히 전환율을 높이는 것보다 짧은 기간 안에 더 많은 유저가 핵심 행동까지 도달하도록 만드는 것이 중요하다.

11. Activation은 전체 Growth Dynamics에 영향을 준다

Activation은 신규 가입자만 한 번 통과하는 작은 퍼널이 아니다.

발표에서는 Activation이 여러 성장 메커니즘에 반복적으로 영향을 준다고 설명한다.

Resurrection

한 번 이탈한 유저도 나중에 다시 돌아올 수 있다.

이런 복귀 유저를 발표에서는 Resurrection 유저라고 부른다.

앱을 삭제했거나 탈퇴했던 유저라면 다시 가입이나 활성화 과정을 거칠 수 있다.

따라서 Activation 통과율이 낮으면 복귀 유저를 다시 서비스 안으로 끌어들이는 효율도 낮아진다.

Inflow

발표의 예시에서 Activation 통과율이 30%라면 들어온 유저 가운데 실제 서비스 핵심 경험까지 도달하는 비율도 그만큼 제한된다.

이를 60%로 올리면 동일한 유입에서도 핵심 서비스로 들어오는 유저 수가 두 배가 될 수 있다.

Viral Growth

바이럴 구조에서는 기존 유저가 다른 유저를 초대하고, 새로 들어온 유저가 다시 서비스를 사용한 뒤 또 다른 유저를 데려온다.

이 과정의 중간마다 Activation이 존재한다.

따라서 Activation 통과율이 낮으면 바이럴 루프 전체가 크게 약해진다.

발표에서는 예시로 Activation 전환율이 10%에서 50%로 높아질 경우 바이럴 계수가 크게 증가할 수 있다고 설명한다.

MAU의 상한

결국 Activation은 유저가 서비스의 핵심 가치에 실제로 진입하는 관문이다.

발표자는 이 통과율이 서비스가 장기적으로 도달 가능한 MAU의 규모에도 큰 영향을 미칠 수 있다고 본다.

대규모 서비스를 보면 핵심 가치를 경험하기 전의 장벽이 매우 낮다는 점도 예로 든다.

유튜브는 가입하지 않아도 바로 영상을 볼 수 있다.
네이버는 접속 즉시 검색과 뉴스 이용이 가능하다.
카카오톡의 초기 가입 과정도 비교적 가볍다.

핵심 가치 경험까지의 마찰이 낮을수록 Activation 통과율을 높이기 쉽다는 설명이다.

12. Activation 퍼널은 ‘화면’보다 ‘행동’ 단위로 쪼개야 한다

퍼널을 분석할 때 흔히 화면 단위로 나눈다.

예를 들어 다음과 같다.

화면 A → 화면 B → 화면 C → 화면 D

하지만 화면 사이의 전환율 차이가 너무 크면 유저가 실제로 어디에서 이탈했는지 알기 어렵다.

발표에서는 이런 경우 훨씬 더 세밀하게 쪼개야 한다고 말한다.

필요하다면 버튼 클릭 단위까지 이벤트를 나눠야 한다.

예를 들어 다음처럼 본다.

화면 진입 → 버튼 노출 → 버튼 클릭 → 정보 입력 시작 → 입력 완료 → 인증 요청 → 인증 완료

이렇게 단계가 세분화되면 어느 지점에서 이탈이 발생하는지 정확하게 찾을 수 있다.

좋은 Activation 퍼널은 몇 개의 큰 절벽이 있는 그래프가 아니라, 어디에서 떨어지는지 해석 가능한 작은 계단 형태에 가깝다.

13. 전환한 유저와 이탈한 유저를 비교해야 한다

퍼널의 숫자만 보는 것으로 끝나면 개선 힌트를 찾기 어렵다.

발표에서는 전환한 유저와 전환하지 않은 유저 사이의 결정적인 차이를 분석하라고 제안한다.

예를 들어 다음과 같은 차이를 볼 수 있다.

유입된 마케팅 채널
연령대
사용 디바이스
특정 기능 사용 여부
이전 행동 패턴
특정 이벤트 경험 여부

질문은 단순하다.

왜 이 유저는 전환했고, 저 유저는 전환하지 않았을까?

두 집단을 가르는 트리거를 찾으면 다음 실험의 가설이 된다.

예를 들어 특정 행동을 한 유저의 전환율이 훨씬 높다면 그 행동을 더 많은 유저에게 유도해볼 수 있다.

Aha Moment를 찾을 때와 마찬가지로, Activation 개선 역시 전환과 비전환을 가르는 행동 차이를 찾는 분석 과정이 중요하다.

14. 실무 적용 순서

발표 내용을 실제 제품팀의 작업 순서로 바꾸면 다음과 같이 정리할 수 있다.

1단계. Retention을 정의한다

어떤 기간 뒤에도 남아 있으면 retained user로 볼 것인가?
서비스 특성에 맞는 리텐션 기준을 먼저 정한다.

2단계. 핵심 행동 후보를 만든다

제품팀의 직관
기존 사용 패턴
데이터 분석
SHAP Value 같은 방법

등을 이용해 리텐션과 관련성이 높은 행동 후보를 만든다.

3단계. 각 행동을 A·B·C·D로 분류한다

행동 여부와 리텐션 여부를 기준으로 네 집단을 만든다.

특히 B와 C가 작은 행동을 찾는다.

4단계. XX·YY·ZZ를 반복해서 바꿔본다

행동 XX
기간 YY
횟수 ZZ

를 바꿔가며 리텐션과 가장 강하게 연결되는 조합을 찾는다.

5단계. 샘플 사이즈를 확인한다

매우 작은 집단에서 나온 높은 수치는 일반화하기 어렵다.

관계가 강해 보여도 충분한 표본이 있는지 반드시 확인한다.

6단계. First Happy Experience를 정의한다

Aha Moment의 핵심 행동 XX를 유저가 처음 경험하는 순간을 Activation의 목적지로 삼는다.

7단계. Activation KPI를 바꾼다

단순한 가입 완료율 대신 다음을 본다.

얼마나 많은 유저가 핵심 행동까지 도달하는가?
얼마나 빨리 도달하는가?
얼마나 쉽게 도달하는가?

8단계. Conversion에 시간 축을 추가한다

같은 세션 내 전환율
1일 내 전환율
7일 내 전환율
30일 내 전환율

등을 함께 비교한다.

9단계. 퍼널을 행동 단위로 세분화한다

화면 단위로 원인을 찾기 어렵다면 버튼 클릭과 이벤트 단위까지 쪼갠다.

10단계. 전환·비전환 유저의 차이를 찾는다

두 집단을 결정적으로 가르는 행동, 채널, 특성, 환경을 찾아 다음 실험으로 연결한다.

15. 이 발표에서 가져갈 핵심

Aha Moment

제품의 핵심 가치를 경험한 유저가 반복적으로 보이는 행동 패턴을 찾아라.

형태는 보통 다음과 같다.

XX라는 행동을 YY 기간 안에 ZZ번 한다.

Retention

단순히 리텐션과 상관관계가 있는 행동이 아니라, 행동한 유저와 리텐션된 유저의 겹침이 충분히 큰 행동을 찾아야 한다.

Activation

회원가입 완료가 아니라 First Happy Experience까지의 여정이다.

Activation 개선

더 많은 유저가 더 빨리, 더 쉽게 Aha Moment에 도달하게 만드는 것이다.

Funnel

전환율만 보지 말고 시간 축을 함께 보고, 원인을 찾을 수 있을 정도로 이벤트 단위를 잘게 나눠야 한다.

Growth

Activation은 신규 가입뿐 아니라 Resurrection, Inflow, Viral Growth 등 전체 성장 구조에 반복적으로 영향을 준다.

결국 서비스 개선의 핵심은 화면 몇 개의 전환율을 높이는 데 있지 않다.

유저가 제품의 진짜 가치를 경험하는 행동을 먼저 찾아내고, 조직 전체가 그 행동을 더 많은 유저에게 더 빨리 발생시키는 데 집중하는 것.

이것이 발표가 말하는 리텐션과 액티베이션 중심의 제품 개선 방식이다.