2,800만 MAU를 이해하는 유저 Segmentation, TUES

안녕하세요, 토스 Director of Data Analytics 우찬희입니다.

저는 Data Intelligence and Analytics Team을 이끌며 전사적으로 주요한 의사결정을 잘 내릴 수 있도록 데이터를 분석하고, 새로운 프레임워크를 만들고 데이터 분석 거버넌스를 만드는 업무를 하고 있어요.

오늘은 토스의 2,800만 MAU를 분석할 때 활발히 활용하고 있는 유저 세그먼트, TUES(Toss User Engagement Segment) 를 소개해 드릴게요.

TUES가 무엇인가요?

토스와 같은 플랫폼 앱에서 유저 분석을 하다보면 이런 고민이 자연스레 들게 돼요.

“유저들은 왜, 무엇을 위해 우리 앱을 이용하는 걸까?” “앱 이용의 주 목적이 A 서비스인 유저는 얼마나 될까?” “A 서비스는 우리 앱 MAU와 다른 지표에 얼마나 영향을 끼치는 걸까? B 서비스랑 비교하면 어떨까?” “각 유저의 이용 패턴을 안다면 각 패턴마다 더 적절한 전략을 취할 수 있지 않을까?”

토스에서도 비슷한 고민이 계속 있었어요.

각 서비스 내에서 ‘A 서비스를 이용한 유저’, ‘B 서비스를 이용한 유저’와 같은 방식으로 정의해서 진행하긴 했지만, 이건 MECE(Mutually Exclusive, Collectively Exhaustive) 하지 않죠. 유저는 둘 다 이용할 수 있으니까요.

즉, 플랫폼 관점의 유저 세그먼테이션이 필요했습니다. 이를 위해 만들어진 것이 바로 TUES입니다. 각 유저의 서비스 이용 패턴을 기준으로 비슷한 유저들끼리 묶어둔 세그먼트라고 봐주시면 돼요. (참고로 ‘튜스’라고 읽습니다.)

결과적으로 TUES는 각 유저가 어떤 유저인지, 우리 앱의 어떤 서비스를 좋아하고 주로 이용하는지를 바로 파악할 수 있는 도구의 역할을 합니다.

이 TUES는 진화를 거듭해 현재 V2가 적용되어 있습니다. 그 여정을 하나씩 소개해 드릴게요.

TUES V1은 어떻게 만들어졌나요?

TUES V1을 정의하는 핵심 개념을 간단히 설명해 드릴게요.

토스가 제공하고 있는 서비스는 매우 많고, 유저는 각자가 원하는 서비스를 선택적으로 써요. 이걸 하나하나 조합을 만들어 파악하는 건 불가능했어요. 그래서 인사이트를 얻기 위해 머신러닝(ML) 알고리즘을 이용하기로 했습니다.

먼저 각 유저가 1회 앱오픈 시 각 서비스를 이용할 확률을 계산했어요. 예를 들어 한 달간 60번 앱을 켠 유저가 그 중 20번 토스페이를 썼다면, 이 유저의 토스페이 이용률은 33%가 되는 식이에요.

그러면 유저마다 각 서비스의 이용률 분포를 갖게 됩니다. 그리고 이 이용률 분포가 비슷한 유저들끼리 묶었어요. 묶는 도구로는 K-Means Clustering을 썼습니다. 다만 이 결과를 그대로 쓰지 않고 왜 이런 결과가 나왔는지를 분석해, 주요 키 서비스와 포인트를 찾은 뒤 전략·제품 관점에서 더 직관적으로 이해하고 활용할 수 있도록 각색하는 과정을 거쳤어요.

그렇게 만들어진 TUES V1의 세그먼트는 이렇게 구성됩니다.

TUES로 무엇을 할 수 있나요?

TUES 같은 세그먼테이션은 그 자체보다 활용에 더 가치가 있습니다. TUES는 아래와 같이 활용하고 있어요.

1️⃣ 세그먼트별 Transition 전략 수립의 기준이 됩니다.

각 세그먼트별로 특징이 꽤 명확해요. 이 특징을 활용해 세그먼트별 Retention Rate 제고, 타 서비스로의 Cross Activation, UX 개선 등의 전략을 세울 수 있습니다. 특히 고관여 유저의 MoM Retention이 매우 높은 반면, 단순 방문 유저는 낮아요. 중간에 있는 각 서비스 지향 세그먼트는 그 사이에 있고요.

그래서

“어떻게 하면 단순 방문 유저들을 각 서비스 지향 세그먼트로, 이들을 고관여로 보낼 수 있을까?”

라는 질문에 대한 대답을 큰 관점에서 찾을 수 있었어요.

2️⃣ 각 제품의 Growth 전략에 쓰입니다.

각 제품 입장에서는 “우리 제품을 어떤 유저가 많이 쓰고 있나” 를 TUES로 빠르게 파악할 수 있어요. 이 힌트를 바탕으로 1번에서 구한 대답과 결합하여 제품 Growth 전략을 세울 수 있었습니다.

3️⃣ 유저의 행동을 더 다각화하여 볼 수 있어요.

TUES를 통해 그동안 보기 힘들었던 유저의 행동 패턴들이 보이기 시작했어요. 세그먼트는 언제 무엇에 의해 바뀌는지, 언제 이탈하기 시작하는지, 부활하는 유저는 어떤 모습인지 등 유저의 행동을 플랫폼 관점에서 더 잘 이해할 수 있었습니다.

4️⃣ 탑라인 지표 분석의 기본 도구가 됩니다.

전사 MAU 같은 탑라인 지표가 흔들렸을 때 어떤 세그먼트가 움직였는지 보면, 어떤 서비스가 영향을 줬는지 쉽게 파악할 수 있어요. 탑라인 지표를 유저단위로 MECE 하게 증감 사유를 분석할 수 있게 된 거죠.

5️⃣ 푸시 같은 타겟마케팅에 매우 강력한 소스가 됩니다.

마케팅하려는 서비스 상황에 알맞은 세그먼트를 찾아 마케팅을 했을 때 그 효율이 크게 높아진 사례가 자주 나오고 있어요. 타겟 마케팅에서 어떤 조건보다도 활용도가 높아, TUES를 자주 쓰는 직군 중 하나가 마케터분들이라고 할 수 있을 정도입니다. 사내 마케팅 툴인 TUBA에도 기본 제공 세그먼트로 등록되어 있어 누구나 손쉽게 쓸 수 있습니다.

TUES V2 — 문제점 보완

V1을 2년 정도 쓰면서 “이걸 더 잘 할 수는 없을까” 라는 갈증이 점점 커졌어요. TUES가 풀고자 하는 문제는 그대로지만, 그 문제를 푸는 방법을 손볼 필요가 생긴 거죠.

V1이 아쉬웠던 점들은 이랬어요.

결과적으로 V2는 세 가지 변화로 이 한계들을 풀었습니다.

1️⃣ 측정 방식이 횟수 기반으로 바뀌었어요.

‘앱오픈 시 이용 확률’ 대신 ‘서비스별 이용 횟수’를 그대로 다루기 시작했어요. 즉 앱오픈 1회당 이용 횟수를 Feature로 넣음으로써 V1에서는 부재했던 ‘깊이’를 반영했습니다.

2️⃣ Soft Clustering 알고리즘 적용

기존 Hard Clustering 알고리즘에서 Soft Clustering 알고리즘으로 바꾸면서, 한 유저가 하나의 세그먼트에만 속하는 게 아니라 각 세그먼트에 속할 확률(정확히 확률 개념은 아니지만)을 구하고 그것을 선별적으로 가져가는 구조로 바꿨어요. 이를 통해 V1에서는 담을 수 없었던 ‘복합성’까지 담을 수 있었어요.

3️⃣ 세그먼트 구조가 세 층으로 바뀌었어요.

한 유저를 ‘전체 앱 관여도’와 ‘주 이용 서비스’, ‘서비스별 관여도’ 세 가지로 동시에 표현할 수 있게 됐어요.

서비스별 관여도 정의 → 앱 전체 관여도 정의 → 주 이용 서비스 정의

이 세 개의 층을 단계적으로 쌓아 세그먼트를 만들기 때문에, 유저가 그 세그먼트에 배치된 이유를 더 자세히 알 수 있을 뿐만 아니라 Next Action도 더 효율적으로 수립할 수 있게 되었습니다.

V2로 어떤 것을 더 할 수 있나요?

크게 보면 V2는 V1에서 ‘서비스별 관여도’라는 차원이 더해진 거예요. 그래서 이런 일들이 가능해졌습니다.

실제로 Silo에서 서비스 관련 전략 분석을 할 때 어떤 세그먼트를 공략해야 할지를 빠르고 간편하게, 더 자세하게 볼 수 있는 환경이 마련되었습니다.

다음 단계

TUES는 앞으로 더욱 진화할 예정입니다.

활용 방안에 대해서 더 발전시킬 여지가 많아요. 앞으로 다양한 팀과 더 고도화해 나갈 예정입니다.

마무리하며

토스의 MAU는 계속해서 성장하고 있습니다. TUES는 이 MAU를 더 잘 이해하고 어떤 유저를 타겟해 어떤 액션을 해야 하는지, 그리고 그 액션이 전사적으로 어떻게 작동하는지를 해석할 수 있는 플랫폼 관점의 세그먼트입니다. 이 세그먼트 덕분에 MAU가 계속 늘어나더라도 유저들을 빠르고 직관적으로 그룹화하여 더 빠르고 정교한 분석과 전략을 짤 수 있어요.

토스의 Data Analyst 분들은 서비스를 효율적으로 성장시키기 위해 데이터 분석에 기반한 전략을 수립하는 업무와 더불어, 이런 분석이 더 빠르고 잘 진행될 수 있도록 TUES, MTVi 같은 분석 프레임워크를 만드는 업무도 함께 하고 있어요. 방대한 데이터로 유저의 행동을 분석하는 방법을 만들고, 그 방법으로 분석하고, 그 분석이 의사결정과 서비스의 성장으로 이어지게 만드는 일에 관심 있으신 분들은 토스 Data Analyst에 많은 관심 부탁드립니다.