🤔 왜 사람들은 이 앱을 떠났을까? | 10대 익명 투표 SNS 데이터 분석 회고

👀 이 프로젝트, 뭐하는 거였냐면요

이번에 분석한 건 10대를 타겟으로 한 익명 질문 기반 SNS 앱이에요.
"같이 여행 가면 재밌을 것 같은 사람은?" 이런 질문에 친구들을 익명으로 태그하고,
내가 받은 투표의 발신자를 포인트를 써서 초성으로 확인하는 구조예요.

앱이 처음 나왔을 땐 반응이 꽤 핫했어요. DAU가 37만 명까지 찍혔으니까요.
근데 두 달 만에 3만 명으로 확 떨어졌어요.
이탈률이 너무 심각했던 거죠.

그래서 저는 이런 질문으로 분석을 시작했어요:

"왜 사람들은 이 앱을 떠났을까?"
"어떻게 하면 다시 결제하게 만들 수 있을까?"

---

🔍 먼저, 데이터를 까보자

SQL로 받아본 내부 데이터에는 학교/반/친구 정보, 포인트 사용 이력, 질문/투표 로그가 있었고,
핵클이라는 이벤트 추적 툴에는 시간 순으로 유저들의 행동 로그가 있었어요.

근데 이게 또 완전 정제된 형태는 아니라서, 퍼널을 내가 직접 정의해야 했어요.

• 질문 열람
• 초성 확인
• 포인트 결제

이 세 가지가 한 유저의 세션 안에서 어떤 흐름으로 이어지는지를 파악하는 게 첫 번째 과제였죠.
(세션ID가 있었지만 같은 세션에 user_id가 여러개고,, 전처리하는 과정에 가정을 하면서 계속 전처리하였는데 그게 좀 빡셌어요...
그래서 비슷한 앱을 써보면서 사용자 경험을 해보며 이해했습니다)

---

🤔 근데 질문들이 전환을 유도하는 데 영향을 줄까?

사실 이런 질문이 있었어요.

"질문 내용이 감정적이거나 연애 관련이면 사람들이 더 궁금해서 결제하지 않을까?"

그래서 저는 3,000개 질문에 ChatGPT API를 이용해 ‘감정 점수’를 매겼어요.
(감정 자극, 매력도, 진정성, 창의성 등등)

그리고 실제 유저의 초성 확인 로그와 매칭해서 분석했더니…

👉 이성호감 질문일수록 초성 확인 확률이 높았어요.
이건 진짜 명확했어요.

---

🧠 그럼 이제, 추천 시스템을 만들어보자

그럼 어떤 질문을 먼저 보여주면 더 많은 결제가 일어날까?
이 고민으로 이어졌어요.

그래서 만든 추천 시스템은 이런 구조였어요

• 점수 기반 추천: 감정 점수 + 친구 수 + 시간대별 반응률을 가중치로 계산
• 카테고리 편중 방지: 연애 질문만 주구장창 나오면 질리니까, 카테고리마다 개수 제한
• 친구 기반 반응 반영: 내 친구들이 많이 본 질문이면 나도 궁금할 수 있으니까 반영

이걸 Streamlit 대시보드로 시각화해서 직접 결과도 확인할 수 있도록 만들었어요.

---

🧠 나의 회고: 진짜 배운 건 ‘설계’였다

이 프로젝트를 하면서 단순히 데이터만 보는 게 아니라
"이걸 기획자나 PO에게 어떻게 설명할 수 있을까?"
"서비스 흐름에 맞는 분석이 맞나?"
이런 질문을 계속 하게 되더라고요.

아래는 이번 프로젝트에서 제가 느낀 가장 큰 배움들이에요:

1. 퍼널은 주어지는 게 아니라 정의하는 것

• 로그가 완벽하게 정리되어 있는 경우는 거의 없어요.
• 내가 생각한 유저 흐름을 바탕으로 직접 퍼널을 구성하는 게 분석가의 역량이에요.

2. 분석은 '설득력'이 있어야 한다

• 모델 성능보다는, "왜 이 구조로 추천하는지",
• "어떻게 유저를 설득할 수 있는지"를 설명할 수 있어야 했어요.

3. 데이터는 감정을 설명할 수 있다

• 감정 점수 같은 정성적인 요소도 정량화하면,
• 훨씬 유의미한 분석과 전략 설계가 가능하다는 걸 깨달았어요.

---

✍️ 마무리하며

이 프로젝트는 단순한 분석 과제를 넘어서,
서비스 본질을 고민하고, 유저의 감정 흐름을 설계하는 경험이었어요.

처음엔 "결제율을 올려야 한다"는 미션이었지만,
결국 저는 "유저가 이 앱을 왜 좋아했을까?",
그리고 "그 감정을 다시 어떻게 되살릴 수 있을까?" 를 고민하게 됐습니다.

"데이터는 질문에 답하지 않는다.
질문을 던지는 사람이 방향을 만든다."

 

https://github.com/junhyeok0703/z-gen-anonymous-qna-insights - 깃허브 주소