코인원 | Coinone
신규 유저 안착 및 이탈 요인 분석을 통한 리텐션 개선 인사이트 도출
프로젝트 소개
코인원 프로젝트는 가상자산 거래소 앱 내 유저 행동 데이터를 기반으로 기존 유저와 신규 유저의 이용 패턴을 세분화하고, 행동 시퀀스 모델링을 통해 이탈 위험과 활성 전환 가능성을 예측하는 데이터 분석 프로젝트였습니다. 단순히 유저를 군집화하는 데 그치지 않고, 각 세그먼트가 어떤 행동 경로를 거쳐 유지·이탈·거래 전환으로 이어지는지 분석함으로써 유저별 Next Best Action과 신규 유저 대상 Action Plan을 도출하는 것을 목표로 했습니다.
기존의 일괄적인 CRM 또는 이벤트 운영 방식에서 벗어나, 유저의 행동 목적성, 거래 관여도, 자산 확인 패턴, 입출금 행동, 이벤트 반응 등을 종합적으로 분석하여 보다 정교한 리텐션 전략과 개인화 넛지 설계의 기반을 마련하고자 했습니다.
세부 목표:
1. 기존 유저 세그먼트 고도화 및 행동 프로파일링
1-1. 기존 유저의 앱 이용 목적과 행동 강도에 따른 세그먼트 재정의
1-2. 자산 조회, 코인 탐색, 거래, 입출금, 이벤트 이용 등 주요 행동 비중을 반영한 유저 프로파일링
1-3. 세그먼트별 이탈 위험 및 핵심 유저층의 행동 특성 도출
2. 행동 시퀀스 기반 이탈 예측 및 Next Best Action 도출
2-1. 유저의 행동 로그를 시퀀스 형태로 구성하여 다음 행동 및 재방문 가능성 예측
2-2. 세그먼트 정보를 모델 입력에 반영해 개인별 이탈 위험과 활성 신호 해석
2-3. 예측 결과를 바탕으로 유저별 Next Best Action 및 CRM 넛지 전략 제안
3. 신규 유저 활성 전환 Action Plan 도출
3-1. 신규 유저의 초기 온보딩 행동과 6개월 후 기존 유저 세그먼트 전이 관계 분석
3-2. 계좌 연결, KYC 완료, 초기 자산 조회, 코인 탐색, 이벤트 참여 등 활성 전환 신호 탐색
3-3. 신규 유저 유형별 첫 거래 유도, 관심 코인 알림, 입금 후 거래 전환, 이벤트 리텐션 전략 제안
로드맵
진행 프로세스
주제 1. 기존 유저 세그먼트 고도화 및 행동 프로파일링
주제 1-1. 기존 유저 세그먼트 고도화 및 행동 프로파일링
- 접속 빈도, 행동 다양성, 거래 관련 행동, 자산 조회, 입출금, 이벤트 이용 등 주요 행동 지표를 구성
- 단순 활동량뿐 아니라 행동의 목적성, 일관성, 집중도를 함께 반영
주제 1-2. 기존 유저 세그먼트 도출
- 행동 패턴과 활동 섹터를 기준으로 기존 유저를 5개 유형으로 분류
- 자산 확인형, 입출금 목적형, 고관여 파워 유저형, 저활성 탐색형 등 실무적으로 해석 가능한 라벨 부여
주제 1-3. 세그먼트별 이탈 위험 해석
- 거래 목적성과 행동 일관성이 높은 유저를 핵심 유지 유저군으로 정의
- 앱 사용은 있으나 거래 목적성이 낮은 유저를 이탈 위험군으로 해석
주제 2. 행동 시퀀스 기반 이탈 예측 및 Next Best Action 도출
주제 2-1. 행동 시퀀스 데이터셋 구축
- 유저별 행동 로그를 시간 순서대로 정렬하여 행동 시퀀스 형태로 변환
- 세그먼트 정보와 행동 흐름을 함께 반영해 유저별 이용 맥락을 구성
주제 2-2. 재방문 및 이탈 예측 모델 설계
- 행동 시퀀스를 기반으로 다음 행동, 재방문 가능성, 이탈 위험을 예측
- 세그먼트별로 어떤 행동이 활성 신호 또는 이탈 신호인지 해석
주제 2-3. Next Best Action 도출
- 예측 결과를 바탕으로 유저별 맞춤형 CRM 액션 방향 제안
- 자산 조회 후 미거래, 입금 후 미거래, 이벤트 참여 후 저활성 등 상황별 넛지 전략 도출
주제 3. 신규 유저 활성 전환 Action Plan 도출
주제 3-1. 신규 유저 초기 행동 정의
- 계좌 연결, KYC 완료, 자산 조회, 코인 탐색, 이벤트 참여 등 초기 행동을 주요 지표로 설정
- 온보딩 이후 초기 7일~14일 내 행동을 중심으로 활성 신호를 분석
주제 3-2. 신규 유저 세그먼트 전이 분석
- 신규 유저가 일정 기간 이후 어떤 기존 유저 세그먼트로 이동하는지 분석
- 이벤트 유입 후 정착, 인증 후 관망, 초기 자산 보유 등 유형별 전이 패턴 확인
주제 3-3. 신규 유저 대상 Action Plan 제안
- 인증 완료 후 미거래 유저에게 첫 거래 유도 액션 제안
- 이벤트 유입 유저에게 서비스 핵심 기능 체험을 유도하는 정착형 액션 제안
- 초기 자산 보유 유저에게 고관여 리텐션 중심 액션 제안
성과 및 인사이트
- MAU 6세그(N0~N5)·기존 5세그(a~e) 행동 분류체계 구축 및 신규·기존 유저 통합 CRM Taxonomy 정립
- 4개 시점 코호트 전환 분석을 통한 신규→기존, 기존→기존 전이 패턴 및 이탈·활성 Baseline 정량화
- BERT4Rec 기반 이탈 예측 모델 구축(AUC 97.7%, ECE 0.018) 및 2~3개월 조기 이탈 탐지 가능성 검증
- 5월 세그먼트 5-Class 전환 예측 정확도 77.4% 달성 및 55개 전환 행동 매트릭스 기반 세그별 CRM 우선순위·A/B 테스트 전략 도출
- Top 30% 위험군 관리 시 전체 이탈 유저의 71% 포착 가능성 확인 및 행동 기반 Next Best Action·CRM 액션 플랜 도출
PM 소회
코인원과 프로젝트를 진행하며 좋았던 점은 무엇인가요?
- 가장 인상 깊었던 점은 데이터 적재 방식과 관리 체계가 매우 잘 구축되어 있었다는 점입니다. BigQuery 기반으로 데이터가 관리되어 필요한 데이터를 빠르게 조회하고 분석할 수 있었으며, 거래 데이터와 같은 민감한 정보도 프로젝트 목적에 맞게 팀원들의 분석 니즈를 반영하여 제공해 주셔서 분석을 효율적으로 진행할 수 있었습니다. 다만 프로젝트 초반에는 일부 테이블이 파티셔닝되어 있지 않아 대용량 데이터를 조회하는 데 시간이 오래 걸렸고, 실제 분석 단계까지 다소 시간이 소요된 점은 아쉬웠습니다.
프로젝트 진행 중 겪었던 가장 큰 어려움은 무엇이었나요? 이를 어떻게 해결했나요?
- 프로젝트를 진행하면서 가장 아쉬웠던 점은 실제 활용 부서와의 소통이 충분하지 않았던 점인 것 같습니다. 담당자분들은 주로 PO님들이셨지만, 최종 발표에서는 데이터분석팀, 마케팅팀, 전략팀, 기술팀 등 다양한 부서에서 생각하는 그림을 최종 발표 때에야 들을 수 있어서 아쉬웠습니다. 예를 들어, 저희는 예측 성능을 우선 고려하여 BERT4Rec 모델을 적용했지만, 발표 단계에서야 모델의 운영 비용 대비 효율성과 마케팅 액션으로의 활용 가능성에 대한 피드백을 받을 수 있었던 점이 떠오릅니다. 이러한 의견을 조금 더 초기에 공유받았다면 모델 선정과 프로젝트 방향을 실무 활용 관점에서 더욱 최적화할 수 있었을 것이라고 생각합니다.
이번 경험을 통해 어떤 인사이트나 역량을 얻으셨나요?
- 가상자산 거래소 서비스는 시장 상황과 같은 외생 변수의 영향이 매우 큰 환경이기 때문에, 이러한 요인을 제외하고 앱 내 행동 데이터만으로 유저를 분석하는 것이 쉽지 않았습니다. 이를 보완하기 위해 Wasserstein Distance를 활용하여 시점 간 데이터 분포 차이를 보정하고, 동일한 기준에서 일관된 유저 세그멘테이션을 수행할 수 있도록 분석 방법을 설계했습니다. 이번 프로젝트를 통해 실제 서비스 데이터에서는 모델 성능뿐만 아니라 데이터의 일관성과 해석 가능성을 확보하는 과정이 중요하다는 점을 배울 수 있었습니다.
향후 유사한 프로젝트를 진행할 학회원들에게 전하고 싶은 조언이 있나요?
- 유저 행동 로그(Sequence)를 활용하는 예측 모델은 Input 데이터를 어떻게 설계하느냐가 퀄리티를 좌우합니다. 초기부터 '핵심 행동'과 '비핵심 행동'을 비즈니스 로직에 맞게 확실하게 정의해두어야 사후 분석 단계에서 마케팅에 즉시 적용 가능한 Action Item을 뽑아낼 수 있다는 점을 전하고 싶습니다.