#AI

2,800만 MAU를 이해하는 유저 Segmentation, TUES

Summary

2,800만 명의 마음을 읽는 토스의 데이터 마법, TUES를 공개합니다

단순 방문자부터 충성 유저까지, 머신러닝으로 분석한 유저 세그먼테이션의 진화

토스가 방대한 유저 데이터를 바탕으로 의사결정의 기준이 되는 유저 세그먼트 'TUES'를 어떻게 진화시켰는지 소개합니다. 초창기 단순 클러스터링 모델에서 시작해 유저의 '이용 깊이'와 '복합성'까지 담아낸 V2 모델까지, 데이터 사이언스가 실제 비즈니스 성장 전략으로 이어지는 과정을 생생하게 담았습니다. 플랫폼 앱의 성장 전략을 고민하는 분석가와 엔지니어에게 필수적인 인사이트를 제공합니다.

012,800만 MAU를 MECE하게 분류하는 전사 공통 유저 세그먼트 프레임워크 구축
02K-Means(Hard)에서 NMF(Soft) 알고리즘으로의 전환을 통한 유저 행동의 복합성 확보
03이용 확률이 아닌 '이용 횟수'를 피처로 도입하여 서비스 사용의 깊이(Engagement) 반영
04전체 관여도, 주 이용 서비스, 서비스별 관여도로 구성된 3계층 세그먼트 구조 설계
05사내 마케팅 툴 TUBA 연동을 통해 데이터 분석 결과가 실제 액션으로 즉시 전환되는 구조

RECOMMENDATION

대규모 유저를 보유한 플랫폼 서비스를 운영 중이거나, 데이터 분석 결과가 실무 마케팅/기획 단계에서 파편화되어 고민인 팀에게 강력 추천합니다. 특히 클러스터링 모델의 한계를 느끼고 있다면 토스의 3단계 계층 구조 세그먼테이션 방식을 벤치마킹해 보세요.

The Problem

토스와 같은 거대 플랫폼에서 유저들이 다양한 서비스를 복합적으로 이용함에 따라, 단순히 특정 서비스를 이용했다는 지표만으로는 개별 유저의 이용 목적과 패턴을 MECE(상호 배제와 전체 포괄)하게 파악하기 어려웠습니다.

The Solution

머신러닝 알고리즘을 활용해 유저별 서비스 이용률 분포를 분석하고 유사한 패턴을 묶는 유저 세그먼트 프레임워크 TUES를 구축했습니다. V1의 K-Means 클러스터링 기반 하드 세그먼테이션의 한계를 극복하기 위해, V2에서는 서비스 이용 횟수 기반의 데이터와 NMF(Non-negative Matrix Factorization) 알고리즘을 도입하여 유저의 복합적인 관여도를 반영하는 3개 층의 세그먼트 구조를 설계했습니다.

The Result

전사 MAU 지표의 변동 원인을 유저 단위로 명확히 분석할 수 있게 되었으며, 세그먼트별 리텐션 전략 수립과 타겟 마케팅 효율이 크게 향상되었습니다. 특히 사내 마케팅 도구인 TUBA와 연동되어 마케터들이 직접 고관여 유저 전환이나 서비스 간 교차 활성화 전략을 데이터 기반으로 실행할 수 있는 환경이 마련되었습니다.

Trade-off

V1에서는 이용 횟수(깊이)를 고려하지 못하고 한 유저를 하나의 그룹에만 할당하는 하드 클러스터링 방식을 사용하여 유저의 다각적인 행동을 충분히 담지 못하는 한계가 있었습니다. V2에서 도입한 소프트 클러스터링 방식은 모델의 복잡도를 증가시켰으나, 유저의 복합적 특성을 설명하기 위해 세그먼트 구조를 3단계로 계층화하여 관리 공수가 늘어나는 측면이 존재할 것으로 추론됩니다.

Key Concepts

Concept · 01

TUES (Toss User Engagement Segment)

토스 유저의 서비스 이용 패턴을 기준으로 유사한 성향을 가진 유저들을 그룹화한 전사적 세그먼트 프레임워크입니다.

유저가 앱을 이용하는 주 목적과 패턴을 파악하는 도구로 활용
V1에서 V2로 진화하며 이용 횟수와 복합적인 관여도를 반영

Concept · 02

K-Means Clustering

데이터를 K개의 클러스터로 묶는 대표적인 비지도 학습 알고리즘으로, 각 유저는 가장 가까운 중심점의 클러스터에 배정됩니다.

TUES V1의 기반 모델로 사용되어 유저를 하나의 그룹에 할당하는 Hard Clustering 수행
유저가 여러 성향을 동시에 가지는 복합성을 담기에는 한계가 있었음

Concept · 03

NMF (Non-negative Matrix Factorization)

음수를 포함하지 않는 행렬을 두 개의 작은 양수 행렬의 곱으로 분해하는 기법으로, 데이터의 잠재적인 특징을 추출하는 데 유용합니다.

TUES V2에서 Soft Clustering 효과를 내기 위해 도입되어 유저가 각 세그먼트에 속할 확률적 비중을 계산
이를 통해 한 유저가 여러 서비스에 대해 갖는 복합적인 관여도를 정교하게 측정

Continue reading · same source

More from 토스

View all posts from 토스

2,800만 MAU를 이해하는 유저 Segmentation, TUES

Summary

2,800만 명의 마음을 읽는 토스의 데이터 마법, TUES를 공개합니다

RECOMMENDATION

Engineering Deep Dive

The Problem

The Solution

The Result

Key Concepts

TUES (Toss User Engagement Segment)

K-Means Clustering

NMF (Non-negative Matrix Factorization)

More from 토스

1%가 겪은 버그 고쳐야할까요?

토스증권 추천과 검색은 어떻게 진화하고 있을까?

LLM 서빙, 띄우는 것과 잘 띄우는 것 사이

전체 데이터를 브라우저에 두는 광고 대시보드 만들기

토스는 어떻게 광고 속에 게임을 넣었을까

Summary

2,800만 명의 마음을 읽는 토스의 데이터 마법, TUES를 공개합니다

+RECOMMENDATION

Engineering Deep Dive

The Problem

The Solution

The Result

Key Concepts

TUES (Toss User Engagement Segment)

K-Means Clustering

NMF (Non-negative Matrix Factorization)

More from 토스

1%가 겪은 버그 고쳐야할까요?

토스증권 추천과 검색은 어떻게 진화하고 있을까?

LLM 서빙, 띄우는 것과 잘 띄우는 것 사이

전체 데이터를 브라우저에 두는 광고 대시보드 만들기

토스는 어떻게 광고 속에 게임을 넣었을까

Related reads#MachineLearning

코로나19의 종식을 알게 된 방법 (그리고 우리 모델이 잊어야 했던 것들)

MATCH란 무엇인가

콘텐츠 런칭 리스크 예측: 데이터 기반 인사이트를 통한 서비스 준비 과정의 혁신

개인화된 알림 시스템을 위한 생각에 관한 생각(Thinking Fast & Slow)

인과 추론을 위한 인간 증강형 에이전트 워크플로우

RECOMMENDATION