가입은 시작이지 끝이 아니다.
광고를 보고 들어와서 가입한 100명 중 30~50명만이 일주일 뒤에도 앱을 연다. 그중 다시 절반이 한 달을 못 넘긴다. 가입은 했지만 한 번도 안 쓴 사람 의 비율이 가장 큰 누수다. 그 누수를 측정하고 막는 단어들 — 활성화의 어휘.
활성화는 광고 효율과 유지의 사이에 끼어 있다. 광고는 잘 됐는데 한 달 후 아무도 안 남았다 면 그 사이 구간이 깨진 것이다.
이번 편에서 다룰 것
11개 용어. 활성화의 정량 측정(Activation Rate, Onboarding Completion), 시간 차원(Time-to-Value, Sign-up to Activation), 가치 발견의 순간(Aha Moment, Magic Number), 가입 자체(Sign-up Rate, First Action), 그리고 누수의 측정 도구(Drop-off Rate, Conversion Funnel, Funnel Step).
이번 편은 제품 자체 의 어휘에 가깝습니다. 마케팅의 끝, 프로덕트의 시작.
Activation Rate · 활성화율
① 정의
가입한 사용자 중 정의된 활성화 기준 을 충족한 비율.
Activation Rate = 활성화 충족 사용자 수 ÷ 신규 가입자 수 × 100 (%)활성화의 정의는 제품마다 다릅니다. 7일 내 핵심 기능 1회 이상 사용, 14일 내 가치 발견, 첫 결제 등.
② 맥락
- 회의에서: “이번 분기 신규 가입자 활성화율 38%인데 목표는 50%에요. 온보딩 어디가 새고 있는지 보자.” — 가입을 데려왔어도 활성화 못 시키면 광고비가 사라진다는 진단의 시작점.
- UI 위치: Amplitude Funnel Analysis, Mixpanel Cohorts, 자체 BI의 D7 Activation 보고서.
③ 액션
- 개발: 활성화 이벤트의 정의서. 센티의 활성화 = 가입 후 7일 내 계좌 1개 연동 + 거래 1건 분류 완료. 이 이벤트가 정확히 잡혀야 모든 분석이 가능. 이벤트 정의 변경 시 과거 데이터와의 비교 어떻게 할지 명시.
- 디자인: 활성화를 끌어올리는 디자인은 온보딩의 모든 화면. 첫 화면에서 가치까지 도달하는 단계 수를 줄이고, 각 단계가 왜 필요한지 즉각 보이게 합니다.
- 기획: 활성화의 정의 자체가 PM의 핵심 결정. 너무 가벼우면 가짜 활성화(가입 자체만), 너무 무거우면 도달자가 적어 측정 어려움. 보통 D7 또는 D14 안에 도달해야 1개월 유지가 보장되는 행동 으로 역산.
④ 사례
- 센티: 활성화 정의 = D7 내 계좌 연동 + 거래 1건 분류. 활성화율 42%. 활성화한 사용자의 D30 잔존율 78%, 미활성화 사용자 잔존율 11%. 활성화 자체가 유지의 가장 강력한 예측 변수.
- 실제 사례: 페이스북의 전설적 발견 — 7일 내 친구 10명 추가 가 가입 후 잔존율과 강한 상관. 슬랙의 팀이 2,000개 메시지를 주고받는다 가 유료 전환의 신호. 토스의 첫 송금 성공 이 잔존의 분기점.
⑤ 비고
- 흔한 함정: 가입 = 활성화 라고 정의하면 모든 사용자가 활성화 100%로 보입니다. 무의미한 측정.
- 함께 보기: Aha Moment, Magic Number, Time-to-Value
Time-to-Value (TTV) · 가치 도달 시간
① 정의
사용자가 처음 가치를 경험하기까지 걸린 시간. 가입 시점부터 Aha Moment 또는 첫 성공 사용 까지의 시간.
TTV = 첫 가치 도달 시점 - 가입 시점분 단위, 시간 단위, 일 단위. 짧을수록 좋습니다.
② 맥락
- 회의에서: “평균 TTV가 18분에서 4분으로 단축됐어요.” — 활성화 개선의 가장 직접적 측정.
③ 액션
- 개발: 가입 이벤트와 가치 이벤트의 타임스탬프 차이. SQL 한 줄로 구할 수 있어야 합니다. 시간대(timezone) 처리에 주의.
- 디자인: TTV를 줄이는 모든 디자인 — 건너뛸 수 있는 안내, 기본값 채워진 폼, 데모 데이터 제공, 첫 화면에 즉시 가치 보여주기.
- 기획: TTV는 온보딩의 길이를 정당화하는 지표. 온보딩이 길어도 TTV가 짧다면 OK, 짧아도 TTV가 길면 문제.
④ 사례
- 센티: TTV = 가입에서 첫 거래 카테고리 분석 화면 도달 까지. 초기 평균 18분(계좌 연동 인증 + 거래 데이터 동기화 대기). 동기화 중 미리 보기 데모 추가 후 평균 4분으로 단축.
- 실제 사례: 노션의 템플릿으로 시작 옵션이 TTV를 크게 줄였습니다. 빈 페이지에서 시작하면 사용자가 무엇을 해야 할지 막막한데, 템플릿이 가치를 즉시 보여줍니다.
⑤ 비고
- 흔한 함정: 평균만 보면 극단값에 흔들립니다. 중앙값과 P90(90 percentile)을 함께. P90이 24시간을 넘으면 대부분 사용자가 떠나기 전에 가치를 못 봅니다.
- 함께 보기: Aha Moment, Activation Rate
Aha Moment · 가치 발견의 순간
① 정의
사용자가 제품의 핵심 가치를 직접 경험하고 “아, 이거구나”라고 느끼는 순간. 정성적 개념이지만 정량 정의가 따라옵니다.
페이스북 “7일 내 친구 10명”, 트위터 “30명 팔로우”, 슬랙 “팀이 2,000개 메시지”, Dropbox “파일 1개를 디바이스 2개에서 공유”.
② 맥락
- 회의에서: “우리 Aha는 무엇일까요?” — 가장 자주 묻고 가장 어려운 질문. 인터뷰와 데이터 둘 다 필요한 결정.
③ 액션
- 개발: Aha 후보 행동들의 발생 여부와 잔존율 상관관계 분석. 행동 X를 한 사용자의 D30 잔존 vs 안 한 사용자 비교. 큰 격차가 나는 행동이 Aha 후보.
- 디자인: Aha로 직접 이끄는 온보딩. 일반적인 기능 투어 보다 첫 가치 경험으로 즉시 안내 가 효과적.
- 기획: Aha의 정의가 Activation Rate의 분자 가 됩니다. Aha를 어떻게 정의하느냐가 모든 활성화 측정의 기준.
④ 사례
- 센티: Aha 후보 분석 — 카드 자동 분류 결과 첫 확인, 예산 알림 1회 받음, 전월 비교 그래프 1회 확인, 가족 공유 1명 초대. 그중 카드 자동 분류 결과 첫 확인 이 D30 잔존율과 가장 강한 상관(상관계수 0.71). Aha = 카드 분류 결과 확인.
- 실제 사례: 페이스북의 “7일 10명 친구” 데이터는 Chamath Palihapitiya의 그로스 팀이 발견. 이후 모든 SaaS 그로스 팀이 자기 회사의 Aha를 찾는다 는 문화가 자리 잡았습니다.
⑤ 비고
- 흔한 함정: 상관관계와 인과관계 혼동. Aha 한 사람이 잔존이 높은 게 아니라 원래 잔존할 사람이 Aha를 한 것일 수도. 인과 검증은 ep.10 실험에서.
- 함께 보기: Magic Number, Activation Rate
Magic Number · 마법의 숫자
① 정의
Aha의 행동 + 임계값 + 시간 제약 의 3요소로 구성된 정량 정의.
Magic Number = [행동 X] × [N번/N개] × [Y일 안에]예: “7일 안에 친구 10명 추가”, “14일 안에 거래 5건 분류”, “D1에 첫 송금 성공”.
② 맥락
- 회의에서: “우리 매직 넘버는 ‘D7 내 카드 분류 5건’으로 정했습니다.” — 활성화 정의의 최종 합의.
③ 액션
- 개발: 매직 넘버는 시간 × 행동 × 횟수 의 3차원 데이터. 분석을 위해 사용자별 행동 누적 카운트 와 시간차 가 같은 행에 있는 쿼리 구조 필요.
- 디자인: 매직 넘버 달성을 자연스럽게 유도 하는 온보딩. 명시적 “5건 분류하세요” 안내보다, 자연스럽게 5건 이상 분류하게 되는 흐름.
- 기획: 매직 넘버는 분기마다 재검증. 제품이 바뀌면 매직 넘버도 바뀝니다.
④ 사례
- 센티: 매직 넘버 = D7 내 카드 분류 5건. 달성자 D30 잔존 81%, 미달성자 14%. 5.8배 차이. 4건이나 6건이 아니라 5건 인 이유는 분기별 회귀분석에서 가장 강한 임계.
- 실제 사례: 슬랙의 2,000개 메시지 는 팀이 어느 정도 정착했는가 의 임계. Dropbox의 복수 디바이스 는 내 일상에 통합되었는가 의 임계.
⑤ 비고
- 함께 보기: Aha Moment, Activation Rate
- ep.02 SaaS Magic Number와 다름: ep.02의 Magic Number는 Net New ARR ÷ S&M 비용 의 SaaS 효율 지표. 이번 편의 Magic Number는 사용자 활성화 임계값. 같은 단어, 다른 의미. 회의에서 항상 어떤 매직 넘버인지 확인.
Onboarding Completion · 온보딩 완료율
① 정의
가입 직후 시작되는 온보딩 흐름을 끝까지 완료한 사용자 비율.
Onboarding Completion = 온보딩 완료 사용자 ÷ 온보딩 시작 사용자② 맥락
- 회의에서: “온보딩 완료율 64%인데 단계 3에서 25%가 떨어져요.” — 어느 단계에서 누수가 발생하는지의 진단.
③ 액션
- 개발: 온보딩 단계마다 시작·완료 이벤트 발화. 사용자가 건너뛴 단계 와 진행 중 이탈한 단계 를 구분.
- 디자인: 온보딩의 단계 수가 많을수록 완료율은 떨어집니다. 4단계 70%, 6단계 50%, 8단계 30%가 일반적 패턴. 반드시 필요한 단계만 남기는 것이 첫 작업.
- 기획: 건너뛸 수 있는 단계 와 필수 단계 를 분리. 필수 단계는 가치 도달에 직결되는 것만.
④ 사례
- 센티: 초기 온보딩 6단계(자기소개·관심사·예산·계좌·카드·알림) 완료율 41%. 예산·관심사 단계 제거 + 계좌·카드 통합 으로 4단계로 단축 후 완료율 76%.
- 실제 사례: 토스 가입 흐름은 간편 인증 + 송금 = 2단계. 모든 부가 정보는 가입 후 자연스럽게 수집. 카카오뱅크의 계좌 개설 도 평균 4단계.
⑤ 비고
- 함께 보기: Drop-off Rate, Time-to-Value, Funnel Step
Drop-off Rate · 이탈률 (퍼널)
① 정의
퍼널의 한 단계에서 다음 단계로 넘어가지 않은 비율.
Drop-off Rate = 1 - (다음 단계 진입 ÷ 현재 단계 도착)CVR의 반대값. CVR이 60%면 Drop-off는 40%.
② 맥락
- 회의에서: “단계 3에서 Drop-off 38%, 단계 4에서 22%에요. 단계 3을 먼저 봅시다.” — 누수가 가장 큰 곳부터 고친다는 진단의 어휘.
③ 액션
- 개발: 각 단계 진입·이탈을 동일 사용자 ID 로 추적. 세션 종료, 뒤로 가기, 앱 종료 등 다양한 이탈 형태를 구분.
- 디자인: Drop-off가 큰 단계의 왜 를 인터뷰와 세션 리플레이(session replay)로 파악. 정량과 정성을 결합.
- 기획: 모든 단계의 Drop-off를 0으로 만들 수는 없습니다. 어느 단계까지 허용 가능한지 의 기준선이 필요.
④ 사례
- 센티: 가입 단계 Drop-off — 가입폼 12%, 계좌 인증 28%, 거래 동기화 대기 41%, 첫 분류 화면 8%. 동기화 대기 시간이 가장 큰 누수 라는 명확한 진단.
⑤ 비고
- 함께 보기: Funnel Step, Conversion Funnel
Sign-up Rate · 가입률
① 정의
서비스 첫 페이지에 도착한 사람 중 가입을 완료한 비율.
Sign-up Rate = 가입 완료 수 ÷ 진입 수 × 100 (%)랜딩 페이지 CVR의 한 종류지만, 따로 봅니다.
② 맥락
- 회의에서: “가입률 3.2%인데 카카오 로그인 추가 후 7.8%까지 올라갈 수 있을 것 같아요.” — 가입 자체의 물꼬.
③ 액션
- 개발: 가입 시도와 가입 완료를 구분된 이벤트 로. 시도했지만 완료 못 한 사용자가 디자인 개선의 대상.
- 디자인: 가입률을 끌어올리는 일반 법칙들 — 소셜 로그인 우선, 비밀번호 없는 가입(magic link), 단계 분리, 진행 표시(progress bar).
- 기획: 가입에 너무 많은 정보를 받지 않기. 최소 정보로 가입 후 점진적 프로파일링(progressive profiling).
④ 사례
- 센티: 이메일+비밀번호 가입 → 카카오 로그인 단독 옵션으로 변경. 가입률 4.2% → 11.8%.
- 실제 사례: 토스의 카카오 인증 1탭 가입 이 한국 시장의 표준이 되었습니다. 거의 모든 신규 앱이 이 패턴을 따릅니다.
⑤ 비고
- 함께 보기: CVR, Landing Page CVR
First Action · 첫 행동
① 정의
가입 후 사용자가 처음 수행한 의미 있는 행동. 첫 결제, 첫 검색, 첫 메시지, 첫 분류 등.
② 맥락
- 회의에서: “첫 행동까지 평균 8분, 그러나 첫 행동을 한 사용자의 D30 잔존이 73%에요.” — 첫 행동이 활성화의 가장 강한 예측 변수.
③ 액션
- 개발: 가입 후 사용자별 최초 발화 이벤트 를 추적. first_action_at 타임스탬프를 사용자 프로파일에 저장.
- 디자인: 첫 행동을 자연스럽게 유도. 빈 상태(empty state) 화면이 무엇을 해야 할지 명확해야 합니다. CTA가 첫 행동과 정확히 일치.
- 기획: 어떤 첫 행동이 가장 활성화에 효과적인가 의 분석. 여러 첫 행동을 비교해 가장 강한 행동 으로 유도.
④ 사례
- 센티: 가입 직후 카드 자동 분류 결과 화면을 본 사용자 의 D30 잔존이 67%, 마이페이지를 먼저 본 사용자 의 잔존이 28%. 동일 사용자라도 첫 행동이 무엇이냐에 따라 미래가 달라집니다 → 가입 직후 무조건 분류 결과 화면으로.
⑤ 비고
- 함께 보기: Aha Moment, Activation Rate
Conversion Funnel · 전환 깔때기
① 정의
사용자가 목표 행동까지 거치는 여러 단계의 시퀀스 와 각 단계의 통과율.
Conversion Funnel = [단계1 → 단계2 → ... → 단계N]
각 단계마다 도착 수, 통과 수, CVR, Drop-off② 맥락
- 회의에서: “가입 → 활성화 → 첫 결제 퍼널 전체 통과율이 1.8%에요.” — 끝에서 끝까지의 단위경제 평가.
③ 액션
- 개발: 퍼널 분석 도구(GA4, Amplitude, Mixpanel) 또는 SQL로 구현. 동일 사용자가 단계를 순서대로 통과 했는지 추적.
- 디자인: 각 단계 화면을 독립적으로 가 아니라 전체 흐름 안에서 디자인. 이전 단계가 다음 단계의 기대를 만든다는 점.
- 기획: 퍼널의 단계 수 자체가 효율의 큰 변수. 줄일 수 있는 단계를 먼저 줄이는 것이 거의 항상 최선.
④ 사례
- 센티: 광고 클릭 → 랜딩 → 가입 시작 → 가입 완료 → 계좌 연동 → 첫 분류 = 6단계. 단계별 통과율 68% × 11% × 91% × 78% × 87% × 89% = 0.41%. 광고 클릭 1만 명에서 41명 활성화.
⑤ 비고
- 함께 보기: Funnel Step, Funnel Efficiency
Funnel Step · 깔때기 단계
① 정의
전환 깔때기를 구성하는 단일 단계. 한 단계는 진입 이벤트 + 완료 이벤트 의 쌍으로 정의.
② 맥락
- 회의에서: “이번 단계 추가로 퍼널이 5단계에서 6단계가 됩니다. 각 단계 평균 CVR 80% 가정 시 최종 효율이 33% → 26%로 떨어집니다.” — 단계 추가의 비용을 정량화하는 어휘.
③ 액션
- 개발: 단계의 시작·완료 이벤트는 항상 짝 으로 발화. 시작은 잡혔는데 완료 이벤트가 누락되면 모든 단계가 100% Drop-off로 보입니다.
- 디자인: 한 단계가 한 가지 작업 만 요구하도록. 한 화면에 여러 작업이 섞이면 어느 작업이 막혔는지 분석이 어렵습니다.
- 기획: 단계는 사용자의 관점 에서 정의. 내부적으로 두 API 호출이 있더라도 사용자가 한 번에 끝낸 행동이면 1단계.
⑤ 비고
- 함께 보기: Conversion Funnel, Drop-off Rate
Sign-up to Activation · 가입에서 활성화까지
① 정의
가입 부터 활성화 까지의 모든 단계와 통과율을 묶은 메타 지표.
Sign-up to Activation = 활성화 사용자 ÷ 가입자 × 100 (%)Activation Rate와 같은 정의지만, 시간 단위 분포 와 단계별 누수 를 함께 보는 메타 분석 차원에서 별도 명명.
② 맥락
- 회의에서: “S2A 분석에서 D1 활성화 23%, D7 42%, D30 47%에요. D7 이후엔 거의 안 늘어요.” — 언제까지 기다려야 활성화될지 의 시간 곡선.
③ 액션
- 개발: 가입 코호트별 시간 경과에 따른 활성화 누적 곡선. 코호트가 충분히 누적되어야 의미 있는 분석.
- 디자인: D1·D3·D7 알림과 이메일 시퀀스로 활성화 유도. 너무 잦으면 차단당하므로 가치 있는 정보와 함께.
- 기획: D7 이후 추가 활성화가 거의 없다 는 곡선이 일반적. D7을 활성화 평가의 표준 윈도우로 자리 잡았습니다.
④ 사례
- 센티: D1 23% → D7 42% → D30 47%. D7 이후 +5%p에 불과. 따라서 D7 활성화율을 모니터링 표준으로 채택. D7 활성화 푸시 알림 3종(미분류 알림, 카드값 알림, 가족 초대) 운영.
⑤ 비고
- 함께 보기: Activation Rate, N-day Retention
이번 편 한눈에 보기
| 용어 | 정의 (한 줄) | 좋은 값 (참고) |
|---|---|---|
| Activation Rate | 가입자 중 활성화 충족 비율 | D7 40~60% |
| Time-to-Value | 가입에서 첫 가치까지 시간 | 분~시간 단위가 이상적 |
| Aha Moment | 핵심 가치를 처음 느끼는 순간 | — (제품별 정의) |
| Magic Number | Aha의 정량 정의 | — (제품별 임계) |
| Onboarding Completion | 온보딩 끝까지 완료 비율 | 4단계 70%, 6단계 50% |
| Drop-off Rate | 단계 간 이탈 비율 | 단계별 < 30% 권장 |
| Sign-up Rate | 진입 대비 가입 비율 | 광고 3~8%, 오가닉 5~12% |
| First Action | 가입 후 첫 의미 행동 | — |
| Conversion Funnel | 목표까지의 단계 시퀀스 | — |
| Funnel Step | 깔때기의 한 단계 | — |
| Sign-up to Activation | 가입에서 활성화까지 메타 지표 | D7 활성화 ≥ D30 활성화의 90% |
자주 헷갈리는 쌍
Activation vs Onboarding Completion
| Activation | Onboarding Completion | |
|---|---|---|
| 무엇 측정 | 가치 경험까지 | 안내 흐름 끝까지 |
| 분자 | Magic Number 달성 | 마지막 단계 도달 |
| 시간 범위 | 보통 D7~D30 | 가입 직후 (분) |
| 두 개 관계 | Onboarding 완료 → Activation으로 자연 진입이 이상적 |
Aha Moment vs Magic Number
| Aha Moment | Magic Number | |
|---|---|---|
| 성격 | 정성 개념 | 정량 정의 |
| 예시 | ”친구들과 연결됐다" | "7일 내 친구 10명” |
| 사용 | 인터뷰·전략 | 측정·KPI |
Drop-off Rate vs Churn Rate
| Drop-off Rate | Churn Rate | |
|---|---|---|
| 언제 | 단일 세션·온보딩 | 장기 유지 |
| 단위 | 단계 간 (분) | 월 단위 (보통) |
| 상세 편 | ep.04 | ep.07 |
참고 자료
- Ellis, S. Hacking Growth. Currency.
- Reichheld, F. F., & Schefter, P. (2000). E-Loyalty. Harvard Business Review.
- Aaron Krall. SaaS Onboarding Playbook. https://saasacademy.com
- Amplitude. North Star Playbook — Activation Patterns. https://amplitude.com
- Reforge. Retention Engagement Growth Series. https://www.reforge.com
- Palihapitiya, C. How We Put Facebook on the Path to 1 Billion Users. Stanford GSB.
다음 편 예고
활성화 이후의 단어들 — 매일 들어오는 사람, 일주일 안 들어오는 사람, 한 달 만에 다시 온 사람을 측정하는 12개. DAU, WAU, MAU, Stickiness, Session 그리고 그 변형들.