추천·네트워크·성장 루프의 측정

1.1 의향과 행동

추천 의향은 사용자에게 다른 사람에게 권할 가능성을 물어 얻는 응답이다. 실제 추천은 초대 전송, 공유, 구두 소개처럼 사람 사이에서 일어난 행동이다. 의향이 높아도 주변에 해당 서비스가 필요한 사람이 없으면 추천이 발생하지 않을 수 있다. 반대로 보상이 크면 제품 만족과 별개로 추천 행동이 늘 수 있다.

추천 로그가 모든 소개를 포착하는 것도 아니다. 친구에게 대면으로 설명하고 검색을 통해 가입하도록 안내했다면 초대 코드에 기록이 남지 않을 수 있다. 공유 기능의 로그는 관찰 가능한 추천 경로의 일부다. 측정 가능한 범위를 분명히 해야 코드가 없는 가입을 전부 비추천 유입으로 해석하는 일을 줄일 수 있다.

1.2 신규 이용과 제품 가치

추천을 통해 가입한 사람에게도 첫 경험과 지속 이용의 문제가 남는다. 기존 사용자에게 보상을 지급하는 조건을 가입 완료로 정하면 가입 수는 늘어도 서비스에 맞지 않는 계정이 유입될 수 있다. 보상 조건을 가치 사건까지 늦추면 품질을 더 확인할 수 있지만 가입 이후 결과 관찰과 보상 안내가 필요해진다.

네트워크 효과는 다른 이용자의 참여가 기존 또는 다른 이용자가 얻는 가치에 영향을 주는 관계를 다룬다. 친구를 초대해 보상을 받았다는 사실만으로 제품 가치가 사용자 수와 함께 증가한다고 결론 내릴 수는 없다. 추천은 유입 경로이고, 네트워크 효과는 이용자들 사이의 가치 관계라는 점을 구분한다.

2.1 점수 계산

NPS는 0~10점의 추천 의향 응답에서 9~10점 비중과 0~6점 비중의 차이를 계산한다. 7~8점은 중립 범주로 두되 전체 응답자 분모에는 포함한다. 이 구분과 산식은 Bain의 공식 안내에서 확인할 수 있다. 이 장은 계산 정의를 사용하며, 해당 안내의 성장 효과 주장 전체를 검증된 일반 법칙으로 받아들이지는 않는다. NPS 공식 계산 안내

RF의 설문 예제는 대상 100명 중 50명이 응답한 자료다. 추천 범주 25명, 중립 15명, 비추천 10명이다. 응답자 중 추천 비율은 50%, 비추천 비율은 20%이므로 NPS는 +30이다. 점수 차이를 나타내므로 ‘추천한 사용자가 30%’라고 바꾸어 쓰지 않는다.

2.2 응답률과 조사 시점

응답률은 50/100 = 50%다. NPS 계산의 분모는 응답자 50명이며, 미응답 50명을 중립으로 넣지 않는다. 그러나 응답자만의 점수가 전체 고객의 평가를 대표하는지는 별도의 문제다. 불만 고객이 더 적극적으로 응답하거나, 성공적으로 과업을 마친 사람에게만 설문을 보여 주면 표본 구성이 달라질 수 있다.

서비스 이용 직후의 평가와 몇 달간 사용한 뒤의 평가는 응답 맥락이 다르다. 조사 대상, 노출 조건, 채널, 질문 문구, 응답 시점을 함께 기록해야 시계열을 비교할 수 있다. 숫자가 변했을 때 제품 경험이 달라진 것인지 조사 방식이 달라진 것인지 확인할 자료가 필요하기 때문이다.

2.3 후속 업무와 연결

NPS는 평가 이유를 조사할 출발점으로 사용할 수 있다. 낮은 점수가 가격, 결과 품질, 지원 경험 중 무엇과 관련되는지 후속 질문과 운영 기록을 연결한다. 높은 점수의 응답자에게도 어떤 가치가 유지되어야 하는지 확인할 수 있다.

설문 점수를 초대 건수나 신규 유료 고객 수로 직접 대체하지 않는다. 추천 의향과 실제 추천의 관계를 알아보려면 같은 사람을 적절한 기간 동안 연결해 관찰하고, 응답자의 선택 편향과 추천 기회 차이를 고려해야 한다. RF의 설문과 추천 자료는 독립적이므로 그런 개인별 관계를 계산할 수 없다.

3.1 출발 집단 정의

RF의 추천 예제에서는 한 세대의 출발 집단을 추천 자격이 있는 기존 사용자 100명으로 정했다. 이 중 40명이 실제로 초대를 보냈고, 총 발송 건수는 120건이다. 발송자 한 명당 평균 초대는 3건이지만 출발 집단 전체 기준 평균은 1.2건이다. 두 평균은 분모가 다르다.

발송 기간은 8월 1일 00시 이상 8월 8일 00시 미만이며, 수신자별 첫 유효 초대 이후 336시간 미만에 일어난 가입과 가치 사건을 인정한다. 분석 종료는 8월 22일 00시로 모든 수신자의 후속 관찰이 끝났다. 시간대는 Asia/Seoul이다. 수신자의 실제 후속 이용률을 비교하려면 각자 충분한 관찰 기간을 제공해야 한다. 아직 초대를 받은 지 하루밖에 안 된 사람을 2주 관찰한 사람과 같은 최종 미전환으로 처리하지 않는다.

3.2 수신자 기준으로 다시 세기

120건을 수신자 기준으로 중복 제거하면 90명이다. 같은 사람이 여러 번 초대를 받았거나 여러 발송자에게 초대를 받았기 때문이다. 이 중 20명은 이미 이용 중인 사람이다. 신규 수신 대상은 70명이며, 그중 35명이 가입하고 21명이 정한 가치 사건을 달성했다.

발송 건수 120과 신규 활성 사용자 21 사이의 각 단계는 다른 운영 문제를 보여준다. 중복이 많다면 동일한 사람에게 초대가 집중되는지 살핀다. 기존 사용자 비중이 높다면 대상 범위나 연락처 확인 과정의 문제를 검토할 수 있다. 가입 이후의 손실은 광고 유입과 마찬가지로 기대와 실제 경험의 차이, 가입·첫 과업의 어려움 등을 조사한다.

3.3 식별과 귀속 규칙

같은 사람이 이메일과 전화번호로 각각 초대를 받으면 고유 수신자 연결이 어렵다. 가입한 뒤에야 중복임을 알 수 있는 경우도 있다. 수신자 식별의 정확도가 낮으면 중복 제거가 완벽하다고 보고하지 않고 확인 가능한 범위를 적는다. 예제는 고유 수신자 연결이 정확하다고 가정했다.

여러 사람이 같은 신규 사용자를 초대한 경우 보상 귀속과 성장 집계도 구분한다. 보상은 최초 유효 초대자에게 지급하도록 정할 수 있지만, 신규 이용자 수는 한 번만 센다. 보상 규칙에 따라 성과를 여러 사람에게 배정하더라도 회사 전체의 신규 이용자를 중복 집계하지 않는다. 11장의 광고 주문 귀속과 같은 집계 원리가 적용된다.

4.1 새 이용자를 누구로 셀 것인가

이 장에서는 세대별 추천 계수 K를 출발 집단 한 명당 새로 생긴 가치 사건 달성 사용자 수로 정의한다. RF에서는 21/100 = 0.21이다. 가입자를 결과로 선택하면 35/100 = 0.35가 되므로 결과 사건을 이름에 붙여야 한다. 여러 문서의 K를 비교하려면 출발 집단과 결과 단위가 같아야 한다.

발송자만 분모로 삼으면 21/40 = 0.525다. 이 값은 발송자 한 명당 결과를 나타내므로 추천에 참여하지 않은 60명의 존재를 반영하지 않는다. 전체 제품이 한 세대에서 얼마나 다음 이용자를 만들어 내는지 평가할 때 발송자 평균을 그대로 사용하면 출발 집단의 결과를 과대평가할 수 있다.

4.2 경로를 곱으로 분해하기

RF의 결과는 다음처럼 분해할 수 있다.

K = 발송 참여율 × 발송자당 발송 수 × 발송당 고유 신규 수신자 비율 × 신규 수신자의 가입률 × 가입자의 가치 사건 달성률

예제에서는 0.4 × 3 × (70/120) × 0.5 × 0.6 = 0.21이다. 가운데 70/120은 중복과 기존 사용자를 제거한 후의 비율이다. 한 건의 발송에 대한 독립적인 전환 확률을 추정했다는 뜻은 아니다. 이 곱은 동일한 집단의 연속된 집계량을 분해한 항등식이다.

발송자당 3건, 가입률 50%, 활성화율 60%만 곱하면 0.9가 나온다. 이 계산은 미발송자를 제외하고 반복 수신과 기존 사용자도 무시한다. 단계별 분모가 어떻게 연결되는지 쓰면 어떤 조건이 빠졌는지 확인하기 쉽다.

4.3 한 세대의 관찰과 다음 세대의 가정

RF에서 새로 활성화된 21명이 다음 세대의 출발 집단이 된다고 하자. 이들이 원래 집단과 같은 K = 0.21을 보인다는 가정을 추가하면 다음 세대 기대 인원은 4.41명이다. 사람을 소수로 관찰했다는 의미가 아니라 확률적 반복을 생각한 기대값이다.

하지만 기존 열성 사용자 100명과 새로 유입된 21명의 추천 행동이 같을 이유는 아직 확인되지 않았다. 제품을 충분히 경험한 기간, 인맥의 중복, 보상에 대한 반응이 다를 수 있다. 한 번의 캠페인에서 구한 K를 장기 성장률로 사용하려면 다음 세대에서도 같은 정의로 확인하는 과정이 필요하다.

5.1 같은 K라도 달력상의 결과는 다르다

이론적 가정 모형으로 초기 100명, 매 세대 K = 1.2를 생각하자. 한 세대가 3일 걸리면 28일 동안 9번의 완결된 세대 전환이 일어난다. 14일 걸리면 2번이다. 각 시점의 최신 세대 기대 인원은 각각 약 516명과 144명이다.

이 그림의 세로축은 최신 세대의 기대 인원이다. 누적 가입자나 그 시점의 활성 사용자 수가 아니다. 누적 가입자를 계산하려면 앞선 세대를 더해야 하고, 현재 활성 사용자는 각 세대의 유지까지 반영해야 한다. 지표 이름을 생략하면 같은 곡선이 서로 다른 성장 주장으로 읽힐 수 있다.

5.2 모형이 유지되는 조건

K > 1은 동일한 계수가 계속 유지되는 단순 세대 모형에서 세대 규모가 커지는 조건이다. 실제 제품의 폭발적 성장을 보장하는 관찰 법칙은 아니다. 도달 가능한 신규 사용자가 줄어들거나 같은 사람에게 반복 추천이 집중되면 결과가 달라진다. 추천 보상이 바뀌거나 제품 품질이 떨어져도 다음 세대의 행동은 변한다.

세대 시간 역시 고정값이 아닐 수 있다. 어떤 사람은 가입 당일 추천하고 어떤 사람은 여러 주 뒤에 추천한다. 실제 분석에서는 초대까지의 시간과 수신자의 전환 지연 분포를 관찰한다. 단일 평균 시간만으로 계획을 세웠다면 지연이 긴 집단에 대해 어떤 불확실성이 있는지 남긴다.

6.1 추천은 운영 비용을 가진다

RF는 가치 사건을 달성한 신규 사용자 한 명당 10,000원을 지급한다고 가정한다. 보상은 21명에 대해 210,000원이다. 메시지 발송·검수·운영에 90,000원이 더 들어 총비용은 300,000원, 새 활성 사용자당 비용은 약 14,286원이다.

이 값은 활성 사용자당 비용이며 유료 고객당 CAC와 다르다. 추천으로 들어온 21명 중 몇 명이 유료 고객이 되는지는 아직 자료에 없다. 11장의 유료 고객 기준 CAC와 비교하려면 결과 사건과 비용 범위를 맞추어야 한다. 광고와 추천 중 어느 경로가 저렴한지 단정하기 전에 이 연결이 필요하다.

6.2 보상과 가치의 관계

현금 지급 대신 이용권이나 크레딧을 주는 경우 액면 금액과 실제 비용이 다를 수 있다. 사용률, 추가 제공 원가, 다른 유료 구매의 대체 가능성을 따져야 한다. 보상액의 표시 가격을 비용으로 사용할지, 실제 발생 비용을 사용할지 문서에 명시하고 재무 담당자와 대조한다.

보상을 받기 위해 여러 계정을 만들거나 짧게 이용하는 행동이 생기면 가입 수와 가치 사건 수의 의미도 달라질 수 있다. 중복 계정, 비정상 패턴, 보상 지급 이후의 이용을 점검한다. 정상 사용자가 과도한 인증 때문에 중단하지 않는지도 함께 살핀다. 운영 검수의 목표와 사용자 과업의 부담을 같이 평가해야 한다.

6.3 유지와 공헌으로 이어 보기

추천 사용자의 초기 전환이 좋아도 장기 이용과 고객 공헌이 다를 수 있다. 추천한 지인의 도움으로 첫 과업을 쉽게 마쳤지만 이후에는 이용 필요가 없을 수 있고, 보상 조건이 끝나면서 활동이 줄 수 있다. 반대로 신뢰할 수 있는 소개를 통해 서비스 목적을 잘 이해한 집단일 수도 있다.

어느 경우인지는 13장의 코호트 리텐션과 14장의 공헌·비용 회수로 확인한다. 추천 경로만 다르고 이용 시기·상품·관찰 기간이 다른 집단을 그대로 비교하지 않는다. 인센티브가 있는 추천과 자발적 추천도 구분하여 어떤 조건에서 지속 가능한 결과가 나타나는지 살핀다.

7.1 다음 입력이 어디에서 생기는가

성장 루프는 어떤 활동의 출력이 다음 회차 활동의 입력으로 돌아오는 구조를 표현한다. Reforge의 성장 루프 글은 이러한 반복 구조를 실무 성장 분석의 틀로 제시한다. 이 장은 공개 글의 개념을 참고하며, 모든 제품이 같은 구조로 성장한다거나 이 틀이 피드백 개념 자체를 처음 발명했다고 설명하지 않는다. Reforge 원문

가상의 학습 모임 서비스에서 기존 사용자가 회고를 작성하고, 공유 가능한 요약을 만들고, 그 요약을 본 사람이 가입해 다시 회고를 작성한다면 반복 경로를 가정할 수 있다. 마지막의 신규 작성이 다음 공유 가능한 결과물을 만들어 내는 연결이다. 가입 이후 아무도 작성하지 않는다면 유입은 있었어도 가정한 순환은 이어지지 않는다.

7.2 도식의 화살표를 검증 항목으로 바꾸기

루프 그림의 각 화살표에는 전달량, 전달 비율, 걸리는 시간, 비용, 품질 조건을 붙인다. 작성자가 많아도 공유 가능한 결과물이 적다면 첫 연결이 약하다. 공유는 많지만 읽는 사람이 적다면 노출과 접근을, 가입은 많지만 새 작성이 없다면 첫 과업을 살핀다.

이 도식은 원인을 이미 확인한 결과가 아니라 검증할 구조 가설일 수 있다. 회고 작성과 신규 가입이 같은 시기에 증가했다고 작성이 가입을 늘렸다고 확정하지 않는다. 실제 공유 경로와 수신 기록을 대조하고, 필요한 경우 개입의 추가 효과를 평가한다. 화살표를 그렸다는 사실과 인과적 연결의 확인을 구별한다.

7.3 퍼널과 함께 사용하기

퍼널은 정해진 경로에서 단계별 도달과 손실을 보기 좋고, 루프는 출력이 이후 활동으로 다시 연결되는지를 보기 좋다. RF의 추천 퍼널은 한 세대의 K를 분해하고, 루프는 새 이용자가 다음 세대의 추천자나 생산자가 되는지를 검토한다. 같은 제품에서 두 표현을 함께 사용할 수 있다.

실제 운영에서는 내부 활동만으로 성장이 유지되지 않아 외부 유입이 계속 필요할 수 있다. 외부 유입을 숨긴 채 루프 내부의 성장으로 모두 설명하면 구조를 잘못 이해하게 된다. 신규 광고 유입, 기존 사용자 복귀, 제품 내부 추천을 분리하여 어떤 입력이 어디서 공급되는지 기록한다.

8.1 참여자 증가와 다른 사용자의 가치

Katz와 Shapiro의 1994년 논문은 시스템 경쟁과 네트워크 효과를 다루며, 다른 이용자의 참여와 보완재의 가용성이 가치에 미치는 관계를 설명한다. 이 장에서는 논문의 도입부와 직접·간접 효과 구분을 참고한다. 추천 계수의 역사적 기원이나 모든 플랫폼의 성장 법칙으로 확장하지 않는다. 논문 PDF

메신저에서는 대화하고 싶은 상대가 함께 쓰는지가 중요할 수 있다. 거래 서비스에서는 구매자가 원하는 상품의 판매자가 있는지가 중요할 수 있다. 전체 가입자가 증가해도 개별 이용자의 관련 상대가 늘지 않으면 가치가 충분히 개선되지 않을 수 있다. 관련성, 지역, 시간, 품질을 함께 확인해야 한다.

8.2 이용량 증가와의 구별

사용자가 늘면서 게시물이나 거래량이 함께 증가했다는 사실만으로 다른 사용자 한 명이 얻는 가치가 커졌다고 판정하기 어렵다. 단순히 이용자 수가 늘어 총량이 커진 것일 수 있다. 사용자당 과업 성공, 적절한 상대를 찾는 시간, 선택 가능성, 반복 이용을 함께 살펴야 한다.

참여자 증가가 혼잡이나 경쟁을 늘릴 수도 있다. 판매자가 많아져 구매자 선택은 넓어지지만 판매자당 거래 기회는 줄 수 있다. 낮은 품질의 게시물이 늘면 탐색 비용이 커질 수 있다. 어느 집단의 어떤 결과가 좋아졌는지 구분하면 ‘규모가 커질수록 모두에게 좋다’는 단순화를 피할 수 있다.

9.1 총 가입자보다 유효한 공급

RF의 지역 예제는 같은 시간 구간에 가 지역과 나 지역에서 각각 요청 10건이 발생한 상황이다. 가 지역은 8건, 나 지역은 2건이 조건에 맞게 성사되었다. 지역별 성사율은 80%와 20%, 전체는 10/20 = 50%다. 각 요청은 결과 관찰을 마쳤으며 같은 요청을 여러 매칭 시도로 중복 세지 않았다고 가정한다.

전체 공급자 수가 증가해도 늘어난 공급이 가 지역에 집중된다면 나 지역의 사용자 문제는 남을 수 있다. 사용자에게 유효한 공급은 요청한 위치, 시간, 가격, 서비스 종류에 맞아야 한다. 네트워크의 규모를 평가할 때 전체 가입자 수 외에 실제 연결 가능한 범위를 측정하는 이유다.

9.2 성사 이후의 결과

매칭 수락이 실제 서비스 완료를 보장하지는 않는다. 취소, 노쇼, 품질 불만이 있으면 성사율이 높아도 이용 가치는 낮을 수 있다. 정의서에는 성사가 수락인지 수행 완료인지 적고, 필요하면 요청→수락→완료→만족을 별도 단계로 둔다.

공급 확대 실험에서는 요청 성사율, 대기 시간, 완료율과 함께 공급자의 수익 기회도 확인한다. 구매자에게는 좋은 변화가 공급자의 지속 참여를 약화시키는 경우 장기적으로 다시 품질 문제가 생길 수 있다. 네트워크 분석은 한쪽의 총량만 키우는 목표보다 두 집단의 과업과 지속 참여 조건을 연결해야 한다.

RF의 7일 발송·14일 후속 관찰은 교육용 기간 설정이며 적정 기간을 입증한 결과가 아니다. 집계 자료만 제공하므로 개별 수신자의 원시 기록을 검수한 것으로 해석하지 않는다. 운영에 적용할 때에는 서비스의 이용 주기와 추천 기회에 맞춰 정하고 13장의 관찰 자격 원칙으로 검수한다.

보상 규칙에는 지급 대상, 지급 사건, 중복 처리, 취소 시 처리, 문의 담당자를 포함한다. 분석용 신규 사용자 정의와 지급 규정이 다르면 두 문서의 대응을 설명한다. 사용자가 이해한 약속과 내부 정산이 어긋나면 추천 기능 자체가 신뢰를 훼손할 수 있다.

관찰: 추천 자격자 100명 중 40명이 120건을 발송했다. 고유 신규 수신자는 70명, 가입자는 35명, 가치 사건 달성자는 21명이다. 이 정의의 K는 0.21이며 새 활성 사용자당 비용은 약 14,286원이다.

해석 범위: 발송자당 초대 수만으로 제품 전체의 추천 생산성을 설명할 수 없다. 다음 세대에서 같은 계수가 유지되는지와 유료 고객 확보 비용은 아직 확인하지 않았다.

후속 업무: 수신자 중복 경로와 기존 사용자 초대 비중을 확인하고, 가입 이후 과업을 조사한다. 보상 종료 뒤 이용과 다음 세대 추천 행동을 관찰한다.

분리할 주장: NPS +30은 별도 설문의 결과다. 지역별 매칭 차이는 별도 서비스 가치 문제다. 이 자료들을 묶어 추천이 네트워크 효과를 입증했다고 쓰지 않는다.

개선안은 자료가 보여주는 연결 단위로 작성한다. 반복 초대가 문제라면 수신자 피로와 중복 안내를, 신규 가입 이후 이탈이 문제라면 첫 과업과 기대 불일치를 검토한다. 매칭 가능한 상대가 부족한 서비스라면 초대 문구보다 특정 지역·시간의 공급 확보가 우선일 수 있다.

지식의 유통 과정에서도 이 구분은 유용하다. ‘성장 루프 도입으로 성장한다’는 제안을 받으면 입력과 출력, 재투입 비율, 세대 시간, 비용, 사용자가 얻는 결과를 요청할 수 있다. 설명 가능한 운영 구조와 확인 가능한 자료가 있어야 담당 서비스에 적용할지 판단할 수 있다.

1. RF 설문에서 NPS와 응답률을 계산하라. “고객의 30%가 실제로 추천했다”라는 해석을 수정하라.
2. 추천 자료에서 발송자당 초대 수, 전체 자격자당 초대 수, 고유 신규 수신자 수를 계산하라. 각 분모를 적어라.
3. 결과를 가치 사건 달성으로 정했을 때 전체 자격자 기준 K와 발송자 기준 결과 수를 계산하라. 두 값을 바꾸어 사용할 수 없는 이유를 설명하라.
4. 3 × 50% × 60% = 0.9라는 계산에서 빠진 조건을 찾고, 전체 추천 경로의 분해식을 완성하라.
5. 초기 100명, K = 1.2, 28일 관찰의 가정 모형에서 세대 시간이 3일과 14일일 때 최신 세대 기대 인원을 구하라. 누적 가입자와 다른 이유를 설명하라.
6. 보상 21만 원과 운영비 9만 원으로 새 활성 사용자 21명을 얻었다. 결과당 비용을 계산하고 이를 유료 고객 CAC와 비교하려면 필요한 자료를 적어라.
7. 회고 작성→공유→가입→새 작성이라는 루프의 각 화살표에 필요한 자료를 적어라. 공유와 가입의 동시 증가만으로 무엇을 확정할 수 없는가.
8. 지역별 요청 10건에서 성사 8건과 2건이 발생했다. 전체 성사율과 지역별 비율을 계산하고, 전국 공급자 수 증가만으로 문제 해결을 판단하기 어려운 이유를 설명하라.
9. 담당 서비스의 추천 또는 네트워크 가설을 하나 선택하라. 의향·행동·신규 결과·다른 사용자의 가치를 구별한 정의서와 검증 계획을 작성하라.

연습문제 해설로 이동

• S17 · Bain, NPS 공식 계산 안내. 원문. 응답 구간과 산식만 적용했다. 성장 효과의 일반적 입증으로 사용하지 않았다.
• S04 · Reforge, 2018. Growth Loops are the New Funnels. 원문. 루프의 실무 설명을 참고했다. 도식과 학습 모임 사례는 자체 제작이다.
• S45 · Michael L. Katz & Carl Shapiro, 1994. Systems Competition and Network Effects, Journal of Economic Perspectives 8(2), 93–115. 저자 제공 PDF. 도입부 pp.93–96의 시스템·직접·간접 네트워크 효과 논의를 참고했다.
• 자체 자료 RF. 원자료·계산. 추천·설문·세대 모형·지역 자료는 서로 독립적이며 실제 서비스 성과를 입증하지 않는다.