본문으로 건너뛰기

03. AARRR

3.1 AARRR 개요​

1) 지표를 바라보는 관점: 과업 기반(Task-based) vs 프레임워크 기반(Framework-based)​

그로스 해킹은 핵심 지표를 찾고, 그 지표를 성장시키는 방법을 찾는 활동이라고 할 수 있다.

지표를 잘 관리하고 활용한다는 것은 현재 우리 제품의 상황을 정확하게 이해할 수 있고, 목표가 명확하고, 의사결정을 내리는 데 참고할 수 있는 명확한 기준이 있다는 의미다.

과업 기반(Task-based)의 지표 관리란 각 조직별로 담당하는 업무를 우선 정의한 후 해당 업무를 통해 발생하는 수치들을 지표화해서 관리하는 것을 의미한다.

과업기반으로 지표 관리하는 조직에서는 각 업무를 진행하면서 만들어지는 수치를 집계하고 모니터링하는 식으로 지표 관리를 하게 된다. "운영팀은 오늘 CS문의 수는 300건이고, 리뷰가 400개이며, 평점은 3.2점이다." 마캐팅팀은 "검색 CTR이 3.5%이고 SNS ROAS는 200%였다."

이런 식으로 팀 별 지표를 선정하고 관리하는 데는 몇 가지 문제점이 있다. 우선 전체적으로 서비스 관점에서 무엇이 중요한 지표인지 판단하기가 어렵다는 점이다. 팀의 과업 기반으로 주요 지표를 모니터링하는 환경에서는 전사 관점에서의 지표 우선순위를 정의하기가 어렵다. 모든 팀의 업무는 나름의 중요도를 지니고 있기 때문이다. 전체적인 관점에서 판단하기 어려운 각 팀별 KPI가 여기저기 흩어져 있고 이를 위한 리소스가 전사적으로 분산돼 있다면 서비스의 빠른 성장을 기대하기 어렵다.

많은 조직에서 관행적으로 이런 방식으로 지표를 관리하고 이를 바탕으로 정기 보고서를 작성한다. **이런 방식으로 만들어진 보고서에서는 지표가 "성장"을 위해 활용되기보다는 "놀지 않았다는 것을 증명하기 위해" 사용된다. 하지만 중요한 것은 일을 '많이' 하는 것이 아니라 '지금 가장 필요한'일에 집중해서 성과를 만들어내는 것이다.

2) 효율적인 지표 관리: AARRR​

우선적으로 고려해야 하는 점은 회사 조직도에 따라 지표를 나눠서 제각각 관리하지 말고 사용자의 서비스 이용 흐름(Use Flow)에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야 한다는 점이다. 즉, 유저가 들어오는 순간부터 나가는 순간까지를 모두 포괄하는 일종의 퍼널을 만들고, 각 단계에서 핵심이 되는 지표가 무엇인지를 찾아야 한다. 앞에서 살펴본 것처럼 과업에서부터 출발해서 지표를 정의하는 것과는 정반대로, 지표를 우선 정의한 후 해당 지표를 원하는 방향으로 움직이게 하기 위해 어떤 과업이 필요할지를 거꾸로 고민해야 한다.

AARRR은 사용자의 서비스 이용 흐름을 기반으로 다섯 가지 카테고리를 정의하고, 각 카테고리에서 핵심이 되는 지표를 발굴하고 이를 측정/개선하는 지표 관리 방법론을 의미한다.

사용자가 서비스에 진입하고, 핵심 기능을 사용하고, 결제하고, 이탈하는 라이프사이클 전반에 걸친 핵심 지표를 찾고 관리하도록 한다.

  • Acquisition(고객 유치) : 사용자들을 어떻게 데려올 것인가?
  • Activation(활성화) : 사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가?
  • Retention(유지율) : 사용자들이 우리 서비스에 지속적으로 방문하는가?
  • Revenue(수익화) : 사용자들이 우리 서비스의 핵심 기능을 사용하기 위해 결제를 하는가?
  • Referral(추천) : 사용자들이 우리 서비스를 주변 지인들에게 소개, 추천하는가?

소중한 팬을 분노한 안티로 만드는 가장 빠른 방법은 활성화와 유지율이 잘 준비되지 않았는데 고객 유치 채널을 활짝 열어버리는 것이다. 맥클루어는 활성화와 유지율을 가장 우선적으로 개선하고, 그 다음으로는 고객 유치와 추천을 개선하고 마지막으로 수익화를 챙겨야 한다는 식으로 개선 순서를 제안한 바 있다.

AARRR을 활용하는 방법

  • 각단계별로 풀어야 하는 문제를 확인한다.
  • 각 단계의 핵심이 되는 주요 지표를 선정하고, 해당 지표의 현재 수준을 측정한다.
  • 측정된 지표가 가지는 의미를 이해한다.
  • 개선해야 하는 목표 수준을 정하고, 실험을 통해 단계적으로 개선한다.

3.2 고객 유치(Acquisition)​

1) 고객 유치의 기본 개념​

고객 유치 과정의 핵심은 고객 유치에 기여한 채널의 성과를 판단할 수 있는 모델을 만드는 것이다.

유료 광고가 아닌 친구 초대나 자사 SNS 채널을 통해 유입된 자연 유입 트래픽의 성과를 판단하기 어렵다. 일반적으로 이런 자연 유입 트래픽은 파라미터 정보가 없거나 유실되는 케이스가 많아 모니터링이 어렵다.

각 채널별 고객 유치 성과를 확인할 때 단순히 '데려온 사용자 수'를 보는 것 으로 충분할까? 당연히 그렇지 않다. 어떤 채널을 통해 들어온 사용자들이 꾸준히 남아서 활동하는지, 결제로 전환되는 비율이 얼마나 되는지 등을 바탕으로 각 채널의 가치를 정확히 판단할 수 있어야 이를 기반으로 전체적인 마케팅 전략을 수립하거나 예산을 배분할 수 있다.

유입 채널에 따라 사용자를 구분할 때 사용하는 일반적인 분류 기준은 자발적으로 우리 서비스를 찾아오는 고객(Organic)과 비용을 집행한 마케팅 활동을 통해 우리 서비스를 찾아온 고객(Paid)을 나누는 것이다.

  • 자발적으로 우리 서비스를 찾아온 고객이 얼마나 많은가?
  • 유료 마케팅 채널을 얼마나 효율적으로 사용했는가?

일반적으로 오가닉이라는 분류는 '자발적으로 유입된 사용자'라는 의미로 사용되지만 실제 트래킹 서비스에서 이 분류를 나눌 때의 기준은 '유입된 채널을 식별할 수 없는 사용자'에 가깝다. 고객 유치 데이터를 분석할 때 중요한 포인트는 오가닉 트래픽의 비중을 높이는 것이 아니라 가능한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 방향이어야 한다.

  • 어떻게 하면 사용자의 유입 채널을 최대한 누락 없이 정확히 추적하고
  • 각 채널별 성과를 정확히 판단할 수 있을까?

2) 고객 획득 비용 (Customer Acquisition Cost, CAC)​

고객 획득 비용은 한 명의 사용자를 데려오기 위해 지출하는 평균 비용을 의미한다.

고객 획득 비용을 계산하는데 가장 흔히 사용되는 방법은 마케팅에 사용한 비용을 가입한 유저 수로 나누는 방법이다. 하지만 인사이트를 얻기 위해서는 채널별, 캠페인별, 광고별, 날짜별 데이터를 쪼개서 보아야 한다.

3) UTM 파라미터​

  • 유입 효과를 판단하기 위한 장소 정보를 **소스(Source)**라는 용어로 표현한다. (어디에서 왔나?)
    • facebook
  • 똑같은 장소여도 강조하는 내용 **캠페인(Campaign)**을 다르게 할 수 있다. (어떤 캠페인을 통해서 왔나?)
    • career_lifesytle_purchase
  • 비슷한 방법으로 **매체(Medium)**의 효과를 측정할 수 있다. (어떤 유형의 링크인가?)
    • 배너, 이메일, CPC

5) 고객 유치 정리​

많은 마케팅팀에서 빠지기 쉬운 함정 중 하나가, 고객 유치 성과가 정체된 것처럼 느껴질 때 기존 채널에 대한 최적화를 고민하기보다는 새로운 채널을 찾고 테스트하는 데 지나치게 많은 리소스를 쓰는 것이다. 채널 확장은 예산이 아니라 포화도(Saturation)을 바탕으로 결정해야 한다.

채널을 확장하기 전에 다음의 두 가지 질문에 대해 모두 긍정적인 답변을 할 수 있어야 한다.

  • 기존 채널에서의 최적화가 충분히 잘 돼 있는가?
  • 마케팅 예산이 커져서 기존 채널에서 모두 소화하기에는 비효율적인가?

3.3 활성화(Activation)​

1) 활성화의 기본 개념​

활성화 단계의 핵심은 퍼널(Funnel)에 대한 분석이다. 퍼널 분석은 사용자들이 경험하는 단계를 도식화하고 각 단계의 전환율을 측정, 분석하는 과정으로 진행된다.

퍼널 분석을 진행할 때는 다음 세 가지 요소를 고려해야 한다.

  • 핵심 가치를 경험하는 시점과 그곳으로 연결되는 각 단계를 잘 정의했는가?
  • 각 단계별 전환율을 어떤 기준으로 측정하는가?
  • 코호트에 따른 퍼널별 전환율을 보고 있는가?

2) 퍼널의 세부 단계 정의하기​

퍼널 분석을 위해 우선적으로 해야 할 일은 우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것이다. 이때의 핵심 가치는 서비스 제공자가 아니라 사용자 입장에서 정의해야 한다는 점에 주의하자.

사용자가 핵심 가치를 경험하는 순간을 정의했다면 다음으로는 핵심 가치를 경험하는 지점까지 연결되는 세부적인 단계를 하나하나 정의하고 연결 경로를 도식화하는 과정이 필요하다. 이처럼 서비스에 진입하는 순간부터 핵심 가치를 경험하기까지의 경로를 크리티컬 패스라고 한다.

3) 전환율 측정하기​

일반적으로 트래픽을 기준으로 한 전환율을 살펴보는 것은 UX/UI 측면에서의 개선점을 찾는 데 도움이 된다. 이에 반해 사용자를 기준으로 한 전환율은 UX/UI를 포함한 다양한 요소(상품의 매력도나 가격 등)의 영향력이 종합적으로 반영되는 지표라고 할 수 있다.

4) 코호트별 전환율 쪼개보기​

전체 사용자들을 대상으로 한 주요 단계별 전환율을 살펴보는 것 만으로는 발견할 수 있는 인사이트가 제한적이고, 전환율을 개선하기도 어렵다. 전환율 지표는 전체 사용자를 대상으로 확인할 때보다 여러 그룹으로 쪼개서 볼 때 훨씬 더 강력한 의미를 지닌다. 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트(Cohort)라고 한다.

퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는 데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는 데 있다. 페이스북 광고를 통해 가입자의 결제 전환율이 구글 광고를 통해 들어온 사용자의 결제 전환율보다 크게 낮다면 광고의 타기팅을 수정한다던가 광고를 통해 들어온 사용자만 사용할 수 있는 쿠폰을 제공하는 등의 후속 조치를 시도해볼 수 있다.

코호트와 전환율에 대해 깊이 있게 데이터를 살펴보다 보면 결국 **'전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가?'**라는 질문과 마주한다. 사실 이 질문이야말로 활성화 단계에서 가장 핵심이 되는 질문이다. 전환에 영향을 주고 있는 코호트를 발견할 수 있다면 전환율을 높이기 위한 구체적인 액션을 하기가 훨씬 수월해진다.

5) 퍼널의 전환율을 높이는 방법​

일반적으로 전환율을 높이는 데 사용되는 효율적인 방법들이다.

개인화

서비스의 주요 화면들을 개인화해서 사용자 개개인의 맥락에 맞는 정보를 보여준다면 전환율을 높일 수 있다. 굉장히 사소하게는 사용자들의 이름을 명시하는 것부터 사용내역을 참고한 데이터를 보여주는 것 등을 예로 들 수 있다. 특히 추천 영역은 개인화의 효과를 크게 볼 수 있는 부분이다.

UI/UX 개선

주요 화면의 디자인을 변경하거나 구성요소를 바꾸는 것은 전환율을 변화시키는 대표적인 방법이다. 디자인이 큰 폭으로 변경된다면 반드시 변경 전과 변경 후의 효과를 면밀하게 측정하고 검증해야 한다.

적절한 개입

흔히 CRM(Customer Relationship Management) 채널이라고 알려진 이메일, 푸시, 인앱 메세지 등을 적절히 활용하면 주요 단계의 전환율을 높일 수 있다. 여기서 주의해야할 점은 메세지를 발송하는 맥락(context)에 따라 효과가 극적으로 달라질 수 있다는 점이다. 맥락을 잘 반영한 메세지는 굉장한 효과를 볼 수 있지만 잘못 사용된 메세지는 사용자를 떠나보내는 양날의 검이 되기도 한다. 개인적인 경험에 따르면 타게팅이 잘 된 푸시나 이메일의 경우 논타게팅으로 보내는 메세지 대비 일반적으로 5배 이상 성과 차이가 있었다.

6) 활성화 정리​

활성화 단계부터는 돈이 아닌 실력으로 헤쳐나가야 한다. 핵심 가치를 정의하고 다계별 퍼널을 정의하고, 코호트 기반으로 쪼개서 보는 각 단계를 충실하게 진행하는 것 외에 쉽게 갈 수 있는 지름길은 없다.

퍼널의 최적화가 단순히 각 단계별 전환율을 높이는 것은 아니다. 실제 퍼널을 개선하다 보면 전환율을 높이는 것보다 퍼널에 속한 각 단계의 수를 줄이는 것이 더 효과적인 경우가 많다. 때로는 존재하는 퍼널을 개선하는 것이 아니라 아예 퍼널 자체를 재설계하는 것도 새로운 대안이 될 수 있다. 온라인 안경 판매 서비스인 와비 파커sms '주문 -> 결제 -> 배송'이라는 일반적인 퍼널을 따르지 않고 '주문 -> 배송 -> 결제'라는 독창적인 퍼널을 제시해 구매 전환율을 극적으로 상승시켰다. 익숙한 퍼널의 순서를 일부 조정함으로써 소비자들로 하여금 전환으로 넘어가는 심리적인 부담을 크게 낮춰서 효과적인 활성화를 이끌어 낸 사례라고 할 수 있다.

높은 활성화 지표는 리텐션의 든든한 바탕이 된다. 애초에 사용자가 우리 서비스의 핵심 가치를 제대로 경험하지 못했다면 이후에 그 어떤 수단을 쓰더라도 원하는 수준의 리텐션을 기대하기는 어렵기 때문이다.

3.4 리텐션(Retention)​

1) 리텐션의 기본 개념​

이 단계에서는 활성화 과정을 통해 경험한 핵심 가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리해야 한다. 리텐션은 서비스의 성공을 예측할 수 있는 가장 기본적이면서도 중요한 지표다. 리텐션은 아주 어렵게 개선하더라도 그 효과가 한참 뒤에나 나타나는 지표다. 다른 지표도 마찬가지지만 리텐션은 대표적으로 잘 하고 있을 때일수록 더 세심하게 측정하고 관리해야 하는 지표에 속한다.

리텐션의 기준이 되는 행동을 꼭 접속으로 한정할 필요는 없다. 일반적으로 접속이나 로그인을 기준으로 리텐션을 측정하는 이유는 사용자가 서비스에 진입하는 것이 유의미한 행동이며, 이러한 행동이 반복되는지 살펴보는 것이 중요하기 때문이다.

리텐션은 AARRR 중에서도 특히나 개선이 어려운 영역으로 꼽힌다. 리텐션을 개선하려면 사용자 경험 전반에 걸친 세심한 분석과 개선이 필요하다. 리텐션은 개선하기 어려운 지표지만, 반대로 리텐션을 일정 수준 개선할 수 있다면 장기적으로 엄청나게 큰 효과를 볼 수 있다.

2) 리텐션을 측정하는 세 가지 방법​

클래식 리텐션

클래식 리텐션은 가장 일반적인 유지율 계산 방법이다. 특정일에 이벤트를 발생시킨 유저의 비율을 계산하는 방식이기 때문에 'Day N 리텐션'이라고도 한다. 측정하고자 하는 이벤트가 처음 발생한 날짜를 기준으로 하루하루 시간이 지남에 따라 몇 명이 해당 이벤트를 반복했는지를 집계하는 방식으로 리텐션을 계산한다.

클래식 리텐션 = Day N에 서비스를 이용한 사람 / Day 0에 처음 서비스를 이용한 사람

범위 리텐션

범위 리텐션은 특정 기간에 이벤트를 발생시킨 유저의 비율을 계산하는 방식으로 리텐션을 측정한다. 클래식 리텐션과 기본적으로 동일하지만 개별 날짜가 아닌 특정 기간을 기준으로 한다는 차이가 있다.

범위 리텐션 = Range N에 서비스를 이용한 사람 / Range 0에 처음 서비스를 이용한 사람

롤링 리텐션

클래식 리텐션과 범위 리텐션은 공통적으로 '최초에 이벤트가 발생한 이후 시간이 지남에 따라 얼마나 반복적으로 해당 이벤트가 발생하는가?'를 기반으로 리텐션을 계산한다. 반면 롤링 리텐션은 '더 이상 해당 이벤트가 발생하지 않는 비율은 얼마인가?'를 살펴봄으로써 리텐션을 계산하는 방식이다. 특정일 기준으로 남아있는 유저를 세는 게 아니라, 반대로 떠나버린 유저를 집계해서 리텐션을 계산한다.

롤링 리텐션 = After N day에 서비스를 이용한 유저 / Day 0에 처음 서비스를 이용한 유저

5) 리텐션 정리​

리텐션을 개선하기 위한 활동들을 할 때 주의해야 할 점은 단순히 리텐션 지표만 보지 말고 전반적인 사용자 경험을 고려해야 한다는 점이다.

리텐션은 단기적인 이벤트보다는 장기적으로 꾸준히 진행하는 활동을 통해 점진적으로 개선되는 지표다. 리텐션을 잘 관리하면 복리 효과로 돌아오지만, 반대로 리텐션이 안좋은 상태로 장기간 누적되면 그에 따른 마이너스 효과도 복리로 누적된다. 서비스 카테고리마다 권장되는 리텐션 수준이 다르다는 점도 유의할 필요가 있다.

마지막으로 리텐션이 늘 일관되게 유지되지 않는다는 점이다. 같은 서비스라도 유입되는 사용자 특성에 따라 리텐션 추이가 달라질 수 있고 외부적 요인이 영향을 미치기도 한다. 따라서 리텐션을 한 번 측정하고 끝내는 게 아니라 기간에 따른 코호트 분석을 꾸준히 해야한다.

3.5 수익화​

1) 수익화의 기본 개념​

수익화 관리를 위해서는 서비스가 어떤 비즈니스 모델을 가지고 있는지를 명확히 이해하고, 그 비즈니스 모델이 잘 동작하는지, 비용 대비 수익이 안정적인지를 데이터로 확인할 수 있어야 한다.

2) 수익화와 관련 주요 지표​

ARPU(Average Revenue Per User)

수익화 측면에서 우선적으로 봐야 하는 중요한 지표는 ARPU(인당 평균 매출)이다.

APRPU = Revenue / User

ARPU는 말 그대로 사용자 한 명이 평균적으로 발생시키는 매출을 의미한다. 명확한 개념적 정의와는 다르게 ARPU를 계산하는 과정은 수월하지 않다. ARPU를 구하기 위한 '사용자'와 '매출'의 정의가 모호하기 때문이다. 가령 ARPU를 구할 때 사용하는 사용자는 누적 가입자 전체일까? 혹은 DAU나 MAU일까?

ARPU를 특정 시점의 스냅숏이라고 오해하는 경우가 간혹 있는데, ARPU는 시작과 끝이 있는 특정 기간에 대한 지표다. 기준이 명확하지 않은 상태에서는 굉장히 모호한 지표일 수 있으므로 전사적으로 통용되는 명확한 기준을 세워야 한다. 보통은 월 기준으로 집계한다.

월 기준으로 집계한다면 월 매출을 MAU로 나눈 값으로 ARPU를 구할 수 있다.

ARPPU(Average Revenue Per Paying User) ARPPU(결제자 인당 평균 매출)은 ARPU와 유사하지만 전체 사용자가 아닌 '결제자'만을 대상으로 한다. ARPU가 사용자 한 명이 평균적으로 발생시키는 매출이라면 ARPPU는 결제자 한 명이 평균적으로 발생시키는 매출이다.

ARPPU(결제자 인당 평균 매출) = Revenue / Paying User

고객 생애 가치(Lifetime Value, LTV)

고객 생애 가치는 한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익으로 정의할 수 있다.

현실에서는 계산이 사실상 불가능하다. 1인당 비용 계산등이 힘들다.

고객 생애 매출(Lifetime Revenue, LTR)

고객 생애 매출은 고객 한 명에 대한 기대 매출이다. 고객 생애 가치를 계산하기 위해서는 매출과 비용을 모두 계산해야 하지만 고객 생애 매출을 계산할 때는 따로 비용을 고려하지 않고 매출만 살펴보면 된다.

4) 수익화 정리​

수익화 지표를 계산해보면 개인별 편차가 상당히 크게 나타난다. 오류를 방지하기 위해서는 '평균 사용자'라는 모호한 개념에서 벗어날 필요가 있다. 새로운 기능을 만들 때도 평균 사용자라는 모호한 타게팅을 하는 것보다. '서비스에 대한 충성도가 높고 매출 기여가 높은 사용자'층을 고려해서 기획하는 편이 훨씬 효과적이다. 실제 수익화의 성패는 이러한 고래 사용자들을 얼마나 잘 관리하느냐에 달리 경우가 많다. 따라서 요약된 수익화 지표 하나만 보고 의사결정을 내리기보다는 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다.

3.6 추천(Referral)​

1) 추천의 기본 개념​

추천은 오가닉 유입의 하나로, 기존 사용자의 추천이나 입소문을 통해 새로운 사용자를 데려오눈 것을 의미한다. 친구 추천이 프로모션이나 이벤트를 떠올리는 사람이 많은데 AARRR에서 이야기하는 추천은 일회성 이벤트를 의미하는 것은 아니다. 이보다는 '서비스 내에 입소문을 통한 선순환 구조를 어떻게 구축할 것인가'라는 구조적인 문제에 더 가깝다.

3) 바이럴 게수(Viral Coefficient)​

추천에서 가장 핵심이 되는 지표는 바이럴 계수다. 바이럴 계수를 통해 추천 엔진이 얼마나 효과적으로 동작하는지 확인할 수 있다.

바이럴 계수 = 사용자 수 X 초대 비율 X 인당 초대한 친구 수 X 전환율 / 사용자 수

바이럴 계수를 구성하는 요소는 사용자 수와 초대 비율, 인당 초대한 친구수와 전환율이다. 이를 고려한다면 바이럴 계수를 높이기 위해서는 다음과 같은 조건이 충족돼야 한다.

  • 친구 초대와 같은 추천 액션에 참여하는 사용자의 비율 높이기
  • 한 사람이 평균적으로 초대하는 친구의 수 늘리기
  • 초대받은 친구가 가입으로 전환되는 비율 높이기

바이럴 경로의 효과를 높이려면 위 세 가지 조건에 대한 현재 지표를 확인하고, 무엇을 먼저 개선할지를 명확히 정의한 후, 그곳에 집중하는 것이 좋다.

이론적으로 바이럴 계수가 1을 넘어가면 추천을 통한 신규 사용자가 기하급수적으로 증가한다. 추천을 통해 늘어난 사용자가 다음 추천을 시작하는 모집단이 되기 때문에 추천 시스템은 복리의 특성을 갖게 된다.

추천 시스템에 대한 효과를 분석할 때는 바이럴 계수를 구하는 것 과 함께 '초대의 주기가 얼마나 빠른가?'를 꼭 고려해야 한다.

추천 엔진이 밑 빠진 독이 되지 않으려면 추천을 통해 유입된 사용자의 전체 활동 주기에 대한 장기적인 관점이 필요하다.

4) 추천 정리​

잘 동작하는 바이럴 루프를 만드는 것은 굉장히 어려운 일이다. 사람마다 다르겠지만 서비스에 만족하는 것과 서비스를 추천하는 것 사이에는 생각보다 큰 간극이 있다.

추천 시스템이 잘 동작하려면 기본적으로 서비스의 완성도가 높아야 한다. 서비스가 충분히 매력적이지 않은 상태에서는 추천을 위한 기능을 아무리 잘 만들어도 바이럴 루프가 제대로 동작하지 않는다. 카테고리에 따라서는 추천이 거의 동작하지 않는 경우도 있다. (데이팅 서비스)

추천과 관련된 사용 플로우는 필수적으로 **신규 사용자 경험(NUX, New User Experience)**와 연계된다는 점을 고려해야 한다. 그런의미에서 추천 시스템이 잘 동작하려면 앞서 설명한 활성화 단계가 잘 구축돼 있어야 한다. 이 프로세스를 잘 설계해두면 초대받은 새 사용자의 이탈을 방지함으로써 추천의 효과를 극대화할 수 있다.