Read Original
#AI

MAU 성장 레버, 데이터로 증명하기 — 연관도·코호트·퍼널·SHAP 분석 실전

MAU 성장 레버, 데이터로 증명하기 — 연관도·코호트·퍼널·SHAP 분석 실전
01

Summary

"MAU 1명이 다 같은 1명이 아니다?" 매출을 실제로 움직이는 진짜 성장 레버 찾기

단순 지표 상승을 넘어 매출 임팩트로 연결되는 데이터 분석의 4단계 실전 프레임워크

이 아티클은 미리디 그로스 스쿼드가 MAU 성장을 위해 진행한 심도 있는 데이터 분석 과정을 담고 있습니다. 통계적 회귀 분석부터 머신러닝 기반의 SHAP 분석까지 활용하여, 단순 방문이 아닌 매출 가치를 창출하는 핵심 행동 레버를 어떻게 정의하고 검증했는지 상세히 설명합니다.

  • 01MAU와 매출 간의 회귀 분석을 통해 유저 세그먼트별 매출 기여도 차이를 정량적으로 증명
  • 02성장의 핵심은 신규 유입보다 '유지 유저(Retained)'의 이탈 방어에 있음을 코호트 플로우로 규명
  • 03활성 전환율의 변곡점을 만드는 핵심 지표로 '초기 체류 시간'의 임계 구간을 특정
  • 04SHAP 분석의 다중공선성과 동시성 상관 문제를 해결하기 위한 '시간 분리 모델' 검증 기법 제시

RECOMMENDATION

지표 개선을 위한 실험 우선순위 설정에 어려움을 겪는 데이터 분석가와 PM에게 강력 추천하며, 분석 결과의 인과성을 확보하려는 시니어 엔지니어에게 유익한 가이드를 제공합니다.

The Problem

단순히 MAU를 상승시키라는 추상적인 미션을 달성하기 위해, 한정된 리소스로 매출 증대에 가장 기여도가 높은 핵심 성장 동력(Lever)을 데이터로 식별해야 하는 과제가 주어짐.

The Solution

연관도 분석을 통해 MAU와 매출의 상관성을 검증하고, 코호트 분석으로 유지 유저(Retained)의 중요성을 확인했으며, 퍼널 및 SHAP 분석을 통해 '초기 체류 깊이'를 핵심 행동 지표로 도출하고 시간 분리 모델 등으로 인과성을 검증함.

The Result

MAU 변동의 대부분이 매출 기여가 낮은 세그먼트에서 발생함을 확인하여 타겟을 재정의했고, 특정 임계 시간 이상의 체류가 활성 전환율을 급격히 높인다는 정량적 근거를 확보하여 스쿼드의 액션 우선순위를 확립함.

Trade-off

SHAP 분석은 인과관계를 직접 증명하지 못하므로 시간 분리 모델과 PSM 등의 추가 검증 절차가 필수적이며, 비관측 교란 변수를 완벽히 통제할 수 없다는 분석적 한계가 존재하여 보수적인 해석이 요구됨.

03

Key Concepts

Concept · 01

SHAP (Shapley Additive Explanations)

게임 이론을 기반으로 머신러닝 모델의 예측 결과에 대해 각 특성(Feature)이 기여한 정도를 계산하여 모델의 의사결정을 설명하는 방법론입니다.

  • 20여 개의 유저 행동 피처 중 어떤 행동이 활성 유저 여부를 가장 잘 설명하는지 파악하는 데 사용되었습니다.
  • 단순한 피처 중요도를 넘어 개별 피처가 결과에 미치는 기여도를 수치화하여 시각화했습니다.
Concept · 02

코호트 분석 (Cohort Analysis)

특정 기간 동안 공통된 특성이나 경험을 가진 사용자 집단을 나누어 시간 흐름에 따른 행동 패턴을 분석하는 기법입니다.

  • MAU를 신규(New), 유지(Retained), 복귀(Returned) 집단으로 분해하여 전체 규모의 변동 원인을 파악했습니다.
  • 유지 유저 집단이 MAU의 절대 다수이자 변동폭의 주 원인임을 밝혀내 전략의 방향성을 설정했습니다.
Concept · 03

시간 분리 모델 (Time-Separated Model)

원인과 결과 사이의 동시성 상관 문제를 해결하기 위해 과거 시점(t-1)의 독립 변수로 미래 시점(t)의 종속 변수를 예측하도록 설계된 모델입니다.

  • 당월 체류 시간과 당월 활성 여부 사이의 자명한 상관관계(동시성 상관)를 제거하기 위해 도입되었습니다.
  • 과거의 특정 행동이 미래의 활성 상태를 실제로 예측할 수 있는지를 검증하여 인과성 판단의 근거로 활용했습니다.