toss·2026년 6월 16일·4분 읽기큐레이션 요약

2,800만 MAU를 이해하는 유저 Segmentation, TUES

토스의 TUES(Toss User Engagement Segment)는 유저의 서비스 이용 패턴을 기반으로 전체 MAU를 서로 겹치지 않게 분류하는 플랫폼 관점의 세그먼트다. V1은 앱 오픈 시 서비스 이용 확률과 K-Means를 활용했지만, 이용 깊이와 복합적인 서비스 사용 패턴을 충분히 반영하지 못했다. V2는 이용 횟수, Soft Clustering, 서비스별 관여도를 도입해 유저의 현재 상태와 다음 성장 액션을 더 정교하게 파악할 수 있도록 개선됐다. ### 플랫폼 관점의 유저 세그먼테이션이 필요한 이유 - 서비스별로 “A 서비스를 이용한 유저”, “B 서비스를 이용한 유저”를 따로 분류하면 한 유저가 여러 그룹에 중복 포함된다. - 플랫폼 전체 유저를 분석하려면 서로 겹치지 않으면서 전체를 포괄하는 MECE한 분류 체계가 필요하다. - TUES는 유저가 어떤 서비스를 주로 이용하고, 토스 앱을 어떤 목적과 패턴으로 사용하는지 파악하기 위한 도구다. ### TUES V1: 서비스 이용률 기반 분류 - 유저가 앱을 열 때마다 각 서비스를 이용할 확률을 계산했다. - 예: 한 달간 앱을 60회 열고 토스페이를 20회 이용하면 이용률은 33%다. - 서비스별 이용률 분포가 비슷한 유저를 K-Means Clustering으로 묶었다. - 머신러닝 결과를 그대로 사용하지 않고, 주요 서비스와 특징을 분석해 비즈니스와 제품 관점에서 이해하기 쉬운 세그먼트로 재구성했다. - 주요 세그먼트는 다음과 같다. - **고관여**: 여러 서비스를 높은 수준으로 이용하는 유저 - **서비스 지향군**: 토스뱅크, 토스증권, 조회, 혜택, 송금 등 특정 서비스를 주로 이용하는 유저 - **단순 방문**: 앱은 방문하지만 서비스를 거의 이용하지 않는 유저 ### TUES의 주요 활용 - **세그먼트 전환 전략 수립** - 세그먼트별 Retention 차이를 바탕으로 이탈을 줄이고 다음 단계로 이동시키는 전략을 세운다. - 단순 방문 유저를 서비스 지향 유저로, 서비스 지향 유저를 고관여 유저로 전환하는 흐름을 분석한다. - **제품 Growth 전략** - 각 제품의 주요 사용자가 어떤 TUES 세그먼트에 속하는지 파악해 성장 전략을 설계한다. - **유저 행동 분석** - 세그먼트가 언제, 어떤 계기로 바뀌는지 분석할 수 있다. - 이탈 유저, 부활 유저, 서비스 간 이동 패턴도 플랫폼 관점에서 확인할 수 있다. - **탑라인 지표 분석** - 전사 MAU가 변했을 때 어떤 세그먼트가 증감했는지 확인해 변화의 원인이 된 서비스를 추적한다. - 유저 단위로 MAU 증감 원인을 MECE하게 분석할 수 있다. - **타겟 마케팅** - 서비스별 상황에 적합한 세그먼트를 선정해 푸시 등 마케팅에 활용한다. - 토스의 마케팅 도구 TUBA에도 기본 세그먼트로 제공돼 마케터가 쉽게 사용할 수 있다. ### TUES V1의 한계 - **이용 깊이를 반영하지 못함** - 앱 오픈당 서비스를 한 번 이용한 유저와 여러 번 이용한 유저가 동일하게 취급됐다. - **다른 서비스의 관여도를 파악하기 어려움** - 같은 조회서비스 지향 유저라도 혜택서비스를 함께 이용하는 정도가 다르지만 이를 표현하지 못했다. - **한 유저를 하나의 세그먼트로만 분류** - Hard Clustering 방식이라 여러 서비스를 동시에 사용하는 유저의 복합성을 담기 어려웠다. - **신규 핵심 서비스 반영 부족** - 토스쇼핑, 앱인토스, 토스페이 등 새 서비스가 기존 분류에서 ETC로 처리됐다. ### TUES V2의 개선 방식 - **이용률에서 이용 횟수 기반으로 변경** - 서비스별 이용 횟수를 앱 오픈 횟수당 Feature로 사용해 서비스 이용의 깊이를 반영했다. - **Soft Clustering 도입** - 유저를 하나의 세그먼트에 고정하지 않고 여러 세그먼트에 대한 소속 정도를 계산한다. - 여러 서비스를 함께 사용하는 유저의 복합적인 이용 패턴을 표현할 수 있다. - **세 단계 세그먼트 구조 적용** - 서비스별 관여도 - 전체 앱 관여도 - 주 이용 서비스 - 이 구조를 통해 유저가 특정 세그먼트에 속한 이유를 더 상세히 설명하고, 다음 행동(Next Action)을 구체적으로 설계할 수 있게 됐다. ### V2로 가능해진 분석 - 예를 들어 “준고관여·혜택서비스 지향 유저가 고관여로 이동하려면 어떤 서비스 관여도를 먼저 높여야 하는가?”를 분석할 수 있다. - 서비스별 관여도가 Cross Activation 전략의 출발점이 된다. - 각 서비스 조직(Silo)은 자신의 서비스 관여도를 높이는 활동이 전사 세그먼트와 성과에 미친 영향을 정량적으로 추적할 수 있다. - 서비스 이용자와 미이용자의 관여도 수준을 비교해 제품 Growth 전략의 우선순위를 정할 수 있다. ### 향후 발전 방향 - 서비스 유사도 등을 활용해 세그먼트 전환 전략을 빠르게 도출하는 분석 프레임워크 구축 - 유저 프로파일과 서비스 이용 패턴을 결합한 전략적 유저 맵 개발 - MTVi 등 다른 분석 프레임워크와 결합해 세그먼트별 서비스 가치를 정량화 TUES의 핵심은 단순한 유저 분류가 아니라, “현재 어떤 유저인지”와 “어떤 액션을 통해 다음 단계로 이동시킬지”를 연결하는 데 있다. 플랫폼 서비스에서는 서비스별 지표만 따로 보기보다, 전체 관여도와 서비스 간 이용 패턴을 함께 분석하는 세그먼트 체계를 구축하는 것이 효과적이다.

원문 읽기(새 탭에서 열림)

soft-clustering머신러닝data-analyticsuser-segmentation+4

google·2025년 6월 29일원문

구글 지도에 HO (새 탭에서 열림)

구글 맵은 전용 차로(HOV)를 이용하는 운전자들에게 더욱 정확한 도착 예정 시간(ETA)과 최적의 경로를 제공하기 위해 새로운 비지도 학습 기반의 분류 시스템을 도입했습니다. 이 시스템은 속도 분포와 GPS 횡방향 거리 데이터를 분석하여 익명화된 교통 흐름 속에서 HOV 사용자를 정교하게 식별해냅니다. 이를 통해 사용자는 카풀 차로 이용 시의 시간 절약 효과를 미리 확인하고 보다 지속 가능한 이동 결정을 내릴 수 있게 되었습니다. **HOV 트립 분류를 위한 비지도 학습 접근법** * HOV 차로 이용 여부에 대한 별도의 레이블이 없는 상태에서 데이터를 처리하기 위해, 레이블이 필요 없는 비지도 학습(Unsupervised Learning) 방식을 채택했습니다. * 전체 경로를 한꺼번에 분석하는 대신, HOV 차로가 존재하는 개별 도로 세그먼트(Segment) 단위로 약 15분 분량의 짧은 시간 윈도우를 설정하여 데이터를 분류합니다. * 각 세그먼트에서 수집된 익명화된 트립 포인트(속도, 관측 시간, 도로 중앙으로부터의 거리 등)를 종합하여 해당 트립이 HOV 차로를 이용했는지 여부를 판단합니다. **속도 분포와 이봉성(Bimodal) 패턴 분석** * 교통량이 많은 혼잡 시간대에는 일반 차로와 HOV 차로 간의 속도 차이가 뚜렷하게 나타나며, 이때 속도 데이터는 두 개의 정점을 가진 '이봉성 분포'를 보입니다. * 시애틀 I-5 고속도로의 사례처럼 HOV 차로가 일반 차로보다 시속 40마일 이상 빠른 경우(Scenario A)는 물론, 속도 차이가 크지 않은 경우(Scenario B)에도 데이터 패턴을 분석하여 트립을 구분합니다. * 이러한 속도 차이 분석은 과거의 교통 트렌드를 파악하고, 미래의 HOV 전용 ETA를 예측하는 모델을 학습시키는 핵심 지표가 됩니다. **GPS 횡방향 거리 측정과 소프트 클러스터링** * GPS의 내재적인 오차를 보정하기 위해 속도 정보와 함께 '도로 중앙으로부터의 횡방향 거리(Lateral Distance)' 데이터를 결합하여 사용합니다. * 차량이 도로의 왼쪽(일반적인 HOV 차로 위치)에 치우쳐 운행하는지 측정함으로써, 속도가 비슷한 상황에서도 차로 위치에 따른 분류 정확도를 높였습니다. * 데이터를 이분법적으로 나누는 대신 각 포인트가 HOV 클러스터에 속할 확률을 계산하는 '소프트 클러스터링(Soft Clustering)' 기법을 적용해 경계선에 있는 데이터를 정교하게 처리합니다. * 통계적 신뢰성을 확보하기 위해 시간적 요소를 고려한 가중 중앙값(Weighted Median) 방식을 사용하며, 최근 데이터에 더 높은 비중을 두어 실시간 교통 변화를 반영합니다. 이와 같은 기술적 개선을 통해 구글 맵 사용자는 HOV 차로 이용 시의 시간 이득을 명확히 인지하고 경로를 선택할 수 있습니다. 이는 개인의 출퇴근 시간을 단축할 뿐만 아니라, 카풀과 같은 지속 가능한 교통 수단 이용을 장려하여 전체적인 교통 혼잡과 탄소 배출을 줄이는 데 실질적인 도움을 줍니다.

soft-clusteringAI머신러닝traffic-analysis+5