2,800만 MAU를 이해하는 유저 Segmentation, TUES

토스는 서비스별 이용자 집단이 서로 겹쳐 전사 관점에서 유저를 MECE하게 분석하기 어렵고, MAU 변화의 원인과 적절한 액션을 파악하기 힘들었다. 이를 해결하기 위해 서비스 이용 패턴을 기준으로 유저를 묶는 TUES를 만들고, V1에서는 서비스별 앱오픈 이용률을 K-Means Clustering으로 분류해 리텐션·교차 활성화·제품 성장·마케팅 등에 활용했다. 2년간 사용하며 이용 깊이와 복합적인 서비스 관여도를 담지 못하는 한계가 드러나자, V2에서는 서비스별 이용 횟수와 Soft Clustering을 도입하고 전체 관여도·주 이용 서비스·서비스별 관여도의 세 층으로 유저를 표현했다. 그 결과 세그먼트별 다음 액션과 서비스 전략이 더 구체화됐으며, TUES는 전사 성과와 제품 단위 액션을 연결하는 분석 프레임워크로 발전하고 있다.

• 플랫폼 세그먼트는 서로 겹치는 서비스 이용자 집단을 MECE하게 나눠 전사 지표와 연결하는 데 유용하다.
• 이용 비율만으로는 사용 강도를 놓칠 수 있으므로, 분석 목적에 맞춰 횟수 같은 깊이 지표를 포함한다.
• 복수 서비스 이용 패턴을 표현하려면 단일 소속을 강제하는 Hard Clustering보다 Soft Clustering이 적합할 수 있다.
• 세그먼트를 전체 관여도·주 이용 서비스·서비스별 관여도로 나누면 유저 분류 근거와 다음 액션을 구체화할 수 있다.
• 세그먼트는 분석에 그치지 않고 리텐션, 교차 활성화, 제품 성장, 타겟 마케팅과 탑라인 지표 진단에 연결해야 한다.