토스, 2,800만 MAU 분석 위한 TUES V2 공개

TUES V1은 각 유저의 서비스 이용 '확률'만을 기반으로 세그먼트를 분류하여, 실제 이용 '횟수'나 '깊이'를 반영하지 못하는 한계가 있었습니다. 또한, K-Means Clustering은 Hard Clustering 방식으로 유저가 여러 서비스를 동시에 이용하는 복합적인 패턴을 하나의 세그먼트로만 분류해야 하는 제약이 있었습니다. 이는 데이터 격리 아키텍처(Data Isolation Architecture) 관점에서 각 서비스의 독립적인 기여도를 파악하기 어렵게 만들었습니다. 더불어 토스쇼핑, 토스페이 등 신규 핵심 서비스들이 ETC(기타)로 처리되어 세분화된 분석에 어려움이 있었습니다.

TUES V2는 V1의 한계를 극복하기 위해 Soft Clustering 알고리즘을 도입하여 한 유저가 여러 세그먼트에 속할 확률을 계산하고 이를 활용합니다. 이를 통해 유저의 복합적인 서비스 이용 패턴을 더 정확하게 반영할 수 있게 되었습니다. 또한, '전체 앱 관여도', '주 이용 서비스', '서비스별 관여도'라는 세 가지 분석 차원(Analytical Dimension)을 계층적으로 쌓아 올리는 구조를 채택했습니다. 이 다층 구조는 유저가 특정 세그먼트에 속하는 이유를 명확히 하고, 각 서비스의 기여도를 정량적으로 추적하는 데 도움을 줍니다.

TUES V2에서 새롭게 추가된 '서비스별 관여도'는 각 유저가 특정 서비스에 얼마나 깊이 관여하는지를 측정합니다. 이는 기존 V1에서 부족했던 '깊이' 개념을 보완하며, Cross Activation 전략 수립에 핵심적인 역할을 합니다. 예를 들어, '준고관여 - 혜택서비스 지향' 유저가 '고관여' 유저로 전환하기 위해 어떤 서비스의 관여도를 먼저 높여야 하는지에 대한 구체적인 인사이트를 제공합니다. 이를 통해 각 서비스 팀은 자체 서비스의 관여도 증진 액션이 전사 MAU 및 성과에 미치는 영향을 정량적으로 추적하고 분석할 수 있습니다.

TUES 세그먼테이션은 각 제품 팀이 주요 고객층을 빠르게 파악하고 Growth 전략을 수립하는 데 필수적인 도구로 활용됩니다. 또한, 마케터들은 TUES를 기반으로 타겟 마케팅 캠페인을 실행하여 높은 효율을 경험하고 있습니다. 특히 사내 마케팅 툴인 TUBA에 TUES가 기본 제공되면서, 누구나 손쉽게 특정 세그먼트를 대상으로 푸시 알림 등을 발송할 수 있게 되었습니다. 이는 개인화된 사용자 경험 제공과 더불어 전반적인 서비스 이용률 증대에 기여합니다.

토스의 Data Intelligence and Analytics Team은 TUES와 같은 분석 프레임워크를 지속적으로 개발하고 고도화하며 데이터 기반 의사결정을 지원합니다. 향후 TUES는 서비스 유사도 기반 분석 프레임워크 생성, 유저 프로파일링과의 결합을 통한 전략적 유저 맵 생성, MTVi(Multi-dimensional Transaction Value Index) 등 다른 프레임워크와의 결합을 통해 '세그먼트별 가치'를 정량화하는 방향으로 진화할 예정입니다. 이는 방대한 데이터를 분석하고 서비스 성장을 견인하는 데이터 분석가(Data Analyst)의 역할이 분석 방법론 개발까지 확장되고 있음을 보여줍니다.