신규 기능 DAU, 이제 정확하게 예측하세요!
신규 기능 출시 후, DAU(Daily Active Users) 예측의 어려움을 겪으며, 지표 분석의 필요성을 제기함
기존 CC(Carrying Capacity) 공식을 개선하여, Power Law Function 기반의 DAU 예측 공식을 제안함
D1 리텐션(Day 1 Retention)과 신규 유저 수를 활용하여, DAU를 보다 정확하게 예측하는 방법을 제시함
실제 서비스 적용 팁으로, 지표 안정화 시점 활용 및 기존 유저 계수 추가를 언급함
CC(Carrying Capacity) 공식의 한계
본문에서는 기존 CC(Carrying Capacity) 공식이 낮은 리텐션(Retention) 환경에서 DAU를 과소평가하는 문제를 지적한다.
CC 공식: 신규 유입 유저 수 / (1 - 일별 이탈률)
문제점: 일정하지 않은 이탈률(Churn Rate)과 Active User 정의의 모호성
결과: 실제 DAU와 큰 차이를 보이며, 정확한 예측 불가
따라서, 보다 정확한 DAU 예측을 위해 새로운 접근 방식이 필요하다.
Power Law Function 기반 DAU 예측
글에서는 Power Law Function을 활용하여 DAU를 예측하는 새로운 공식을 제안한다. 이는 리텐션 커브(Retention Curve)의 비선형성을 반영한다.
Power Law Function: y = a * x^b (a: 시작점, b: 커브 모양 결정)
D1 리텐션(Day 1 Retention)을 a로, 서비스 전체 리텐션 커브를 활용하여 b값 추정
공식: 신규 피처 DAU = 신규 유저 수 * 신규 D1 리텐션 * 63 (알라미 서비스 기준)
이 공식을 통해, 기존 CC 공식보다 정확한 DAU 예측이 가능해진다.
파이썬(Python) Scipy를 활용한 b값 예측
본문에서는 파이썬(Python)의 Scipy 라이브러리를 사용하여 b값을 예측하는 방법을 제시한다. 이는 실제 데이터 기반의 리텐션 커브 분석을 가능하게 한다.
Scipy의 curve_fit 함수: 월별 D1 ~ D28 리텐션 데이터를 활용하여 b값 예측
b값의 평균을 활용하여, 서비스 전체의 리텐션 특성을 반영
장점: 객관적인 데이터 기반으로 DAU 예측 가능
이러한 과정을 통해, 보다 정확하고 신뢰성 있는 DAU 예측 모델을 구축할 수 있다.
DAU 예측 정확도를 높이는 팁
글에서는 DAU 예측의 정확도를 높이기 위한 몇 가지 팁을 제시한다. 이는 실제 서비스 적용 시 발생할 수 있는 문제점을 해결하기 위한 것이다.
지표 안정화: 신규 피처의 초반 지표 변동성을 고려하여, 안정된 지표 사용 권장
기존 유저 계수 추가: 런칭 후 시간이 지난 피처의 경우, 기존 유저를 반영하기 위한 계수 추가
한계점: 가정(Assumptions)이 어긋나는 경우, 예측 정확도가 낮아질 수 있음
이러한 팁들을 통해, DAU 예측 모델의 실제 서비스 적용 가능성을 높일 수 있다.
