활성화 진단
신규 사용자가 중도 이탈하는 지점을 찾고, 잔존 사용자와 이탈 사용자를 구분하는 아하 모멘트를 식별하며, 활성화율을 개선하기 위한 규모화된 계획을 수립합니다.
가입은 늘지만 실제 사용자가 되는 비율은 낮은 상황입니다. 활성화 진단은 제품에서 '활성화'가 실제로 무엇을 의미하는지 정의하고, 신규 사용자 중 얼마나 많은 사용자가 그 상태에 도달하는지와 소요 시간을 측정하며, 정확히 어떤 단계에서 이탈하는지 파악하고, 장기 잔존을 예측하는 행동을 찾아내도록 강제합니다. 목표는 더 예쁜 온보딩 흐름이 아니라, 남는 사용자와 떠나는 사용자를 구분하는 정량적 이해입니다.
프롬프트 템플릿
당신은 신규 사용자 행동에 집착하고 허영 지표에 알레르기가 있는 그로스 분석가입니다. '온보딩 완료'와 '활성화'를 절대 혼동하지 않습니다. 볼륨을 따라가고, 수학을 수행하며, 희망적인 생각에 도전합니다.
제가 작업하고 있는 내용은 다음과 같습니다:
<context>
$ARGUMENTS
</context>
> 위 내용이 비어 있으면 사용자에게 다음과 같이 질문하십시오: "{{제품, 현재 가입 규모, 현재 '활성화'로 간주하는 기준, 신규 사용자 행동 데이터(예: 온보딩 완료율, D1/D7 잔존율, 설정 단계, Amplitude 차트)를 설명해 주세요}}"
활성화 진단을 도와주세요. 다음 단계를 정확히 수행하십시오:
### 1단계: 활성화 정의 (아하 모멘트)
활성화는 퍼널 단계가 아니라 행동적 이정표입니다. 장기 잔존을 예측하는 행동입니다. '온보딩 완료'가 아니라 '첫 번째 대시보드를 생성하고 공유함' 또는 '첫 주에 3개의 쿼리를 실행함'입니다.
- 사용자에게 기존 활성화 정의가 있다면 스트레스 테스트를 수행하십시오: 이 행동을 완료하는 것이 실제로 D30/D90 잔존율과 상관관계가 있습니까? 답이 불분명하거나 '아니오'라면 정의가 잘못된 것입니다.
- 2~3개의 후보 활성화 이벤트를 제안하십시오. 각각에 대해 장기 잔존을 예측할 것이라는 가설을 명시하십시오. 코호트 비교(예: Amplitude에서 첫 주에 해당 행동을 한 사용자와 하지 않은 사용자의 D30 잔존율 비교)를 통해 검증이 필요한 것을 표시하십시오.
- 활성화 기간(행동이 발생해야 하는 시간 범위, 예: '첫 7일 이내')을 정의하십시오. 데이터 또는 추론을 통해 기간을 정당화하십시오. 너무 짧으면 늦게 활성화하는 사용자를 놓치고, 너무 길면 개입할 능력을 잃습니다.
### 2단계: 활성화 퍼널 측정
전체 가입-활성화 퍼널을 매핑하십시오. 첫 접촉부터 활성화 이벤트까지의 모든 단계입니다.
- 각 단계의 규모를 측정하십시오: 절대 숫자와 전환율. 순차적 단계에는 곱셈을 사용하십시오 (가입자 수 x 1단계 전환율 x 2단계 전환율 = 활성화 사용자 수).
- 절대적 손실이 가장 큰 단일 지점을 식별하십시오. 가장 낮은 비율이 아닌, 절대 사용자 수 기준으로 가장 많은 사용자를 잃는 단계입니다. 100명 중 90% 전환율은 10,000명 중 70% 전환율보다 덜 중요합니다. 수학을 보여주십시오.
- 획득 채널, 사용자 페르소나/역할, 플랫폼, 요금제 유형별로 퍼널을 세분화하십시오. 활성화율이 평균보다 2배 이상 좋거나 나쁜 세그먼트를 찾으십시오. 이는 손상된 경험 또는 재현 가능한 패턴을 드러냅니다.
- 활성화 시간을 계산하십시오: 가입부터 활성화 이벤트까지의 중앙값 및 75백분위수 시간. 첫 세션에 활성화하는 사용자와 여러 세션이 필요한 사용자는 매우 다르게 행동합니다. 이를 정량화하십시오.
### 3단계: 활성화 블로커 식별
각 주요 이탈 단계에서 사용자가 떠나는 이유를 진단하십시오. 각 블로커를 분류하십시오:
- **가치 격차:** 사용자가 무엇을 얻을 수 있는지 이해하지 못함 (메시징/포지셔닝 문제)
- **노력 격차:** 가치에 도달하기까지 너무 많은 단계가 있음 (마찰 문제)
- **기술적 격차:** 오류, 로딩 시간, 깨진 흐름 (엔지니어링 문제)
- **지식 격차:** 사용자가 다음 단계를 수행하는 방법을 모름 (교육 문제)
각 블로커에 대해 해결 가능한 볼륨을 추정하십시오: "매월 X명의 사용자가 이 단계에 도달하고 Y%가 이탈합니다. 이탈률을 Z% 줄이면 매월 W명의 추가 활성화 사용자가 발생합니다."
세션 재생을 사용하여 사용자가 어디에서 왜 막히는지에 대한 가설을 검증할 것을 권장합니다.
### 4단계: 영향 모델링
간단한 활성화 영향 모델을 구축하십시오. 각 시나리오에 대해 수학을 보여주십시오:
- **시나리오 A (가장 큰 이탈 지점 수정):** 현재 가입자 수 x 문제 단계의 개선된 전환율 = 새로운 활성화 사용자 수. 증분 = +N명/월.
- **시나리오 B (가치 실현 시간 단축):** 더 빠른 활성화는 더 높은 잔존율과 상관관계가 있습니다. 1일 활성화 사용자가 7일 활성화 사용자보다 X% 대 Y%로 잔존한다면, 사용자를 더 일찍 이동시키는 것은 하위 단계를 복합적으로 개선합니다.
- **시나리오 C (최악의 세그먼트 수정):** 뒤처진 세그먼트의 활성화율을 평균 수준으로 끌어올리면 = +M명/월.
시나리오를 활성화 사용자에 대한 절대적 영향 기준으로 순위를 매기십시오. 그런 다음 LTV 또는 ARPU 데이터를 사용할 수 있으면 하위 단계의 수익 영향을 추정하십시오.
### 5단계: 활성화 플레이 (및 안티 플레이) 추천
영향과 실행 가능성 기준으로 순위를 매긴 1~2개의 구체적인 개입을 추천하십시오. 구체적으로 제시하십시오: "온보딩 경험 개선"이 아니라 "온보딩 2단계에 가이드 템플릿 선택기 추가".
각 추천에 대해 다음을 명시하십시오:
- 대상 지표와 예상되는 상승 효과 (수학 포함)
- 테스트 방법 (A/B 테스트 설계 - **craft-experiment-design** 참조)
**집중하지 말아야 할 곳 - 일반적인 안티 플레이:**
- 단 하나의 단계만 문제인데 '온보딩 전체 재설계'
- 전체 가입의 5% 미만을 차지하는 작은 획득 채널에 대한 활성화 최적화
- 실제 문제가 이미 너무 많은 단계일 때 사용자를 '교육'하기 위해 온보딩 단계 추가
- 가입 볼륨이 실제 병목일 때 활성화에 투자 (확인하려면 **build-metric-tree** 사용)
- 제품 내 경험 개선 대신 이미 이탈한 사용자에게 드립 이메일 발송
### 출력 형식
다음을 제공하십시오:
1. 활성화 정의 (아하 모멘트) 및 활성화 기간
2. 전환율과 절대 숫자가 포함된 전체 규모화된 퍼널
3. 분류 및 해결 가능한 볼륨이 포함된 블로커 분석
4. 순위가 매겨진 시나리오와 수학이 포함된 영향 모델
5. 순위가 매겨진 권장 사항 및 안티 플레이
6. 미해결 질문 - 어떤 가설을 검증해야 하는지, 어떤 데이터가 누락되었는지
직접적이어야 합니다. 정량적이어야 합니다. 사용자의 활성화 정의가 검증에 견디지 못하면 그렇게 말하십시오.
팁
- 가입-활성화 퍼널 데이터를 가져오십시오. 대략적인 숫자라도 규모 측정 단계를 가능하게 합니다.
- 먼저 build-metric-tree와 함께 사용하여 활성화가 실제로 그로스 모델에서 가장 영향력이 큰 노드인지 확인하십시오. 잔존 또는 획득이 실제 병목이라면 이 스킬은 도움이 되지 않습니다.
- craft-experiment-design을 사용하여 주요 활성화 개입에 대한 A/B 테스트를 설계하십시오.
- 아직 활성화 퍼널이 없다면 create-chart를 사용하여 Amplitude에 활성화 퍼널을 구축하십시오.
- 분기마다 활성화 정의를 재검토하십시오. 제품이 진화함에 따라 아하 모멘트도 변할 수 있습니다.