[📘PO세션] 토스 리더가 말하는 바이럴 성장이란 무엇인가 필사
Carrying Capacity 2탄
Viral Growth & Network Effect
✅ 지난 세션에 대한 Q&A
* Plateau를 안정적으로 보기 위해서 정확히는 Plateau가 생기는 상황을 봐야 함
→ 아주 이상적으로는 아마 가입한 첫 번째 달(M0)에 100%의 유저가 어떤 액션을 하고, 그다음 달(M1)에 제품을 사용한 후 가치가 없다고 느끼는 유저들의 drop이 생기게 되는데, 그 이후에 M2, M3가 될 때까지 바로 평평한 고원이 형성돼서 Plateau가 생기면 가장 이상적이겠지만 실제로 좀 더 떨어지다가 어느 순간 Plateau가 생기게 됨
→ 평평해지는 부분인 평형점을 한 세 꼭지 정도 보는 것이 가장 이상적이고 이 정도에서 '이제 어느정도 Plateau가 생긴 것 같다'라고 말할 수 있음. M3나 M4 정도에 Plateau가 생긴다면 괜찮은 케이스고 그렇지 않다면 좀 더 많이 봐야 함
→ 결론적으로, Plateau를 얼마나 보면 좋냐라는 질문에 대한 답은 Plateau가 생길 때까지 봐야 한다는 것. 보통 6개월 이상 걸림
* 이런 제품은 스타트업이 하면 안되는 제품일 경우가 굉장히 많음. 제품을 개선하는 주기가 6개월~1년씩 걸리는 상황에서 실제로 Retention Plateau의 측정이 오래 걸린다면 너무 많은 시간이 소요되기 때문에 급격한 성장을 만들어야 하는 스타트업 입장에서는 굉장히 불리한 서비스가 될 것임. 빠른 성장을 만들기 굉장히 어려운 케이스...🥲
* 그럼에도 불구하고 내가 하는 서비스가 길이가 긴 서비스여서 Retention Plateau의 측정이 어렵다면 시간을 더 단축해서 봐야한다. Monthly Retention을 Weekly Retention으로 나눠서 본다거나, Seasonality가 있다고 하더라도 오류를 감수하고 좀 짧게 나눠서 살펴본다거나. 이렇게 짧게 나눠서 봤는데도 애매하다면 기다리는 수밖에 없음
* 토스의 제품은 모든 Dynamics가 굉장히 복잡할 것 같지만 실제로는 엑셀 50줄도 안 되는 영역에서 다 예측 가능한 모델로 만들어질 수도 있음. '이게 과연 예측 가능할까?' '이렇게 복잡한 걸 어떻게 예측해?'라는 생각 때문에 보통 모델링이나 프로젝션을 잘 안 하는 경우가 있는데 실제로는 그렇지 않음
* 우주에서 일어나는 대부분의 사건들은 모델링이 가능하고 굉장히 정확하게 예측할 수 있음. 사업의 대부분 현상들 역시 모델링을 할 수 있으며 그때그때마다 보는 것은 Inflow, Outflow 등 모델의 일부이지만 이를 통해서 전체 모델에 어떤 영향을 주는지 이해할 수 있기 때문에 훨씬 더 많은 통찰을 얻을 수 있음
* Inflow에서 Organic과 Organic이 아닌 것의 차이는 Organic은 CC에 영향을 주고 Organic이 아닌 것은 CC에 영향을 주지 못한다는 점
*CC에 Organic하게 영향을 주는 New와 Resurrection
* New
→ New는 돈을 써서 데려온 유저도 아니고 서비스를 런칭했더니 그냥 들어오는 유저를 일컬음. 이는 결국 세상으로부터 발견되는 과정. 이러한 과정들이 Growth를 좌우하는 CC에 영향을 미치며, 더 많은 사람들이 상시적으로 우리의 서비스를 발견하게 만드는 것이 중요함. 서비스로 향하는 주요한 퍼널이 바로 사용자들이며, 사용자가 우리의 서비스에 대해 열광적으로 얘기하고 다닐수록 Organic Growth가 자연스럽게 생기게 됨
* Reurrection
→ Reurrection은 Churn된 유저가 부활하는 순간. 다시 시도하게 되는 순간들이 있는데, 예를 들어 서비스가 별로여서 쓰지 않고 있다가 써보라고 추천을 받았다거나 써야만 하는 상황이 생겼다거나 해서 부활하게 되는 순간들이 있음
*CC에 영향을 주는 또 하나의 요소, Referral(= Viral Growth)
→ 서비스를 사용하고 있는 유저가 새로운 유저를 초대하는 현상
→ 유저가 유저를 추천하는 Referral과 입소문을 타고 빠르게 퍼져나가는 것의 차이점은 무엇일까? 바로 trackable한지의 여부. 측정할 수 있으면 Referral이고 측정할 수 없으면 Referral이 아님. Referral은 측정할 수 있기 때문에 퍼포먼스 마케팅처럼 설계할 수 있음. 그 과정을 강화할 수도 있는데 그것이 바로 'Viral Growth'
* Viral Growth의 과정
→ 다운로드 → 가입 → 서비스 핵심가치 경험 → 친구 초대 → 초대 인원수가 늘어감에 따라 J-Curve를 그리게 됨
→ 새롭게 만들어지는 Viral Growth는 기존의 inflow에서 유래함. 기존 유저가 새로운 유저를 데리고 오고 그게 점점 커지는 형태. 따라서, Viral Growth의 구조가 제대로 갖춰진 서비스는 MAU가 커질수록 Inflow가 늘어나게 됨. MAU가 많아짐에 따라 더 많은 유저들이 초대하게 되고 더 많은 유저들이 초대에 응해서 들어오게 되므로 Inflow가 늘어나는 것임
→ CC는 Inflow/Churn이기 때문에 Inflow가 MAU에 따라서 계속 비례해서 커지면, Viral Growth는 CC를 무한 성장하게 만들 수 있음. CC의 개념을 생각하다 보면 여기에 갇혀 꼼짝 못 하는 답답한 생각이 드는데, 이 CC를 무력화시킬 수 있는 굉장히 위대하고 유용한 툴이 Viral Growth! Viral K = 1일 경우, 이론상 서비스는 무한히 성장할 수 있음
* Paid Marketing (CC에 영향을 주지 않음)
→ Paid Marketing을 고려할 때는 Volume, Conversion, Budget(Cost) 이 세 가지 요소만 고려하면 됨
- Volume: 내가 이 채널에서 가지고 있는 볼륨이 얼마나 되는지
- Conversion: 광고를 집행했을 때 클릭률, 클릭 전환율이 얼마나 되는지
- Budget(Cost): 광고를 집행할 때 어느 정도의 돈이 드는지
* 네트워크 효과란 서비스를 사용하는 유저 수의 증가가 서비스 가치의 증가를 불러일으키는 경우를 의미함. 카카오톡을 예로 들어보면, 카톡에 내 친구가 10명 있을 때와 100명 있을 때 카톡이 나에게 주는 가치는 얼마나 다른가? 메시지를 주고받는 본질적인 가치는 전혀 바뀐 것이 없지만 유저 수의 차이에 따라 내가 느끼는 가치는 10배가 될 수도 있음
→ 서비스를 사용하는 유저 수가 증가함에 따라 해당 서비스가 나한테 제공하는 가치도 증대되는 효과
* 네트워크 효과가 근본적으로 있는 서비스는 MAU가 증가할수록 Retention이 올라감. MAU가 증가할수록 이 서비스를 계속 쓸 이유가 늘어나는 것임. 즉, 서비스를 안 쓸 이유인 Churn이 줄어드는 것과도 동일. 따라서, 네트워크 효과 역시 CC를 무한 성장할 수 있게 해 줌
* X축을 유저 수, Y축을 Churn이라고 할 때 시간이 지남에 따라 유저 수가 늘어나면 Churn이 급격하게 떨어짐. 그렇기 때문에 사실 모든 서비스는 Social하고 Viral해야 함. 소셜 미디어나 커뮤니티 같은 SNS 기능이 있다면 Churn이 내려가고 CC가 늘어나는 효과를 낼 수 있음
→ 실제로 이 효과를 가장 잘 이용하고 있는 요즘 핫한 서비스가 당근마켓🥕, 그리고 오늘의집🏠
(네트워크 효과를 이용해서 서비스의 CC를 늘리는 것이 가능함을 보여준 서비스)
ㄴ 당근마켓은 이미 단순 중고거래 마켓을 벗어나 하이퍼 로컬 서비스로 거듭나기는 했지만 초창기 당근마켓의 경우 커뮤니티 기능과 대화 기능 덕분에 네트워크 효과가 생겼고, 이를 통해 지금은 거의 2천 만에 달하는 MAU까지 도달할 수 있었음
ㄴ 오늘의집은 인테리어/가구를 살 수 있는 이커머스이지만, 이커머스 구매를 하지 않더라도 다른 유저의 인테리어를 구경하는 등의 커뮤니티 기능 덕분에 네트워크 효과가 커졌다고 볼 수 있음
* Viral Growth와 Network Effect 모두 서비스의 CC에 긍정적인 영향을 준다!
→ Viral Growth는 신규 유저가 계속해서 늘어나게 하는 효과를 만들고 Network Effect는 들어온 유저가 절대 나가지 않도록 하는 효과를 만듦
→ Viral Growth만 있을 경우, Retention이 없으면 CC는 떨어지게 됨. Viral Growth만으로는 MAU를 늘리기 어려울 수 있음. 이와 다르게 Network Effect만 있으면, 성장하는 속도가 굉장히 느릴 수 있음. Network Effect 때문에 한 번 들어온 유저는 절대 안 나가지만 매달 가입하는 유저가 너무 작으면 CC까지 도달하는 데 엄청나게 오랜 시간이 소요될 수 있음
→ 결론적으로, Viral Growth나 Network Effect 중 어느 것이 더 중요하다기보다는 둘 다 있는 게 제일 좋음
* Viral Growth를 평가하기 위한 지표 = Viral K(Viral Factor)
→ ex) 신규 유저 한 명이 새로 데리고 오는 유저가 한 명이면, Viral K = 1
→ ex) 신규 유저 한 명이 새로 데려오는 유저가 2이면, Viral K = 2
* Viral K는 Sequential함. 한 명이 누군가를 새로 데려오면, 그 새롭게 온 누군가도 다른 누군가를 새롭게 데려오고, ... 따라서 Viral K = 1이면 해당 서비스는 무한히 성장할 수 있음. 만약 Viral K = 0.5이면 한 명이 0.5명을 데리고 오는 것으로 두 명이 한 명을 데리고 오는 정도로 보면 됨. 폭포수 같은 낙수 효과처럼 Sequential하게 진행된다는 점!
* Viral K 고정된 숫자로 표현이 가능함
* Time decayed 경향이 있어 Curve로 나타남
→ 어떤 유저를 데리고 온 그 처음 단계에 보통 Viral K가 최고치를 찍고 시간이 지남에 따라 로그함수나 n차 방정식처럼 감소하여 Curve로 나타나는 경향이 있음. 가입한 지 얼마 안 된 유저가 바이럴의 대부분을 만들어 냄
* Viral K는 대부분의 경우 1이 되지 않음
→ Viral K가 1을 넘기는 경우는 거의 없다고 보면 됨. 실제로 그렇기 때문에 토스에서는 Viral K 값을 중요하게 생각하지는 않음. 오히려 Viral K보다 중요한 것은 Amplification Factor
* Amplification Factor
→ 내가 광고를 집행해서 유저 한 명을 데리고 왔다면 그 유저 역시 Viral K 값에 따라 누군가를 또 데리고 올 텐데, 이때 광고 집행을 통해 내가 결과적으로 총 몇 명을 데리고 온 효과가 되는지에 대한 지표. Viral K는 실제로 보통의 경우에는 0.2~0.4 값이기 때문에 Amplification Factor 값이 훨씬 더 중요함.
→ Amplification Factor 값을 고려하면 바이럴이 아주 완벽하게 일어나지는 않아도 광고를 집행했을 때 광고를 통한 유저의 유입이 훨씬 더 효율적으로 작동할 수 있기 때문에 광고비를 과감하고 공격적으로 책정할 수 있음. Viral K가 0.5만 돼도 두 명을 데리고 오는 그런 효과를 낼 수도 있기 때문!
