추천(Referral): 바이럴 계수(Viral Coefficient)가 1을 넘겨 오가닉 전파가 스스로 굴러가게 만드는 친구초대 리워드 및 공유 인센티브 루프 설계

추천(Referral) 단계의 주요 지표는 SNS 공유수, 바이럴 계수, 앱스토어 평점·리뷰, 소셜 버즈 등입니다. 이 지표들의 공통점은 전부 '기존 유저가 얼마나 자발적으로 신규 유저를 데려오는가'를 다른 각도에서 재는 값이라는 점입니다. 앱스토어 평점·리뷰는 직접적인 초대는 아니지만, 신규 유저가 획득 단계에서 우리 서비스를 선택할지 말지에 영향을 주는 간접 추천 신호로 함께 관리합니다.

바이럴 계수(Viral Coefficient, K)는 기존 유저 한 명이 평균적으로 몇 명의 신규 유저를 데려오는지를 나타내는 값입니다. 일반적으로는 '유저 1인당 평균 초대 수(i) × 그 초대가 실제 가입으로 전환되는 비율(c)'로 계산합니다. 예를 들어 유저 한 명이 평균 5명을 초대하고 그중 10%가 실제로 가입한다면, K는 5 × 0.1 = 0.5가 됩니다.

이 계산에서 실무자들이 흔히 놓치는 부분은 i(초대 수)와 c(전환율)를 따로 개선해야 한다는 점입니다. 초대 버튼 노출을 늘려 i를 올려도 초대받은 사람이 실제 가입하지 않으면 K는 그대로거나 오히려 스팸성 초대로 브랜드 신뢰만 깎일 수 있습니다. 반대로 c를 올리는(초대 메시지·랜딩 개선) 작업은 i가 애초에 낮으면 개선 여지 자체가 작습니다. 두 요소를 각각 측정해 어디가 병목인지 먼저 확인하는 것이 순서입니다.

K가 1을 넘는다는 것은 이론상 기존 유저 한 명이 평균 한 명 이상의 신규 유저를 데려온다는 뜻이므로, 외부 마케팅 없이도 유저 기반이 스스로 증식하는 구조가 됩니다. 이것이 "바이럴 계수 1"이 그로스팀에서 상징적으로 취급되는 이유입니다.

다만 여기엔 두 가지 함정이 있습니다. 첫째, K가 1을 넘어도 초대 주기(하루에 초대가 몇 번이나 도는지)가 매우 길면 실제 증식 속도는 느립니다 — K는 방향을, 주기는 속도를 결정합니다. 둘째, K를 억지로 1 이상으로 만들려고 리워드를 과도하게 키우면, 리워드만 노리는 저품질 초대(스팸성 계정, 리워드 파밍)가 늘어나 3강에서 다룬 활성화 도달율이 오히려 떨어지는 부작용이 생길 수 있습니다. K 하나만 보지 말고 초대로 들어온 유저의 활성화·리텐션까지 같이 봐야 하는 이유입니다.

리워드 루프를 설계할 때 핵심은 초대 버튼을 어디에, 언제 노출하느냐입니다. 유저가 서비스에서 가치를 실제로 느낀 직후(예: 원하는 결과를 얻은 순간, 저장공간이 부족해지는 순간처럼 리워드가 실질적으로 아쉬운 시점)에 자연스럽게 공유·초대 동선을 배치하면 전환율(c)이 올라갑니다. 반대로 가입 직후 아직 가치를 못 느낀 시점에 초대를 강요하면 전환율이 낮고, 유저 경험에도 부정적입니다.

리워드는 추천인과 피추천인 양쪽 모두에게 주는 양방향 구조가 한쪽에만 주는 구조보다 일반적으로 더 잘 작동한다고 알려져 있습니다. 피추천인 입장에서도 얻는 게 있어야 초대를 수락할 유인이 커지기 때문입니다. 메시지 문구도 "친구를 초대하세요" 같은 발신자 중심 문구보다, 받는 사람에게 어떤 이득이 있는지를 앞세운 문구가 전환율에 유리하다는 게 실무에서 반복적으로 관찰되는 패턴입니다.

업계에서 널리 인용되는 사례로 Dropbox의 추천 프로그램이 있습니다. 추천인·피추천인 모두에게 저장공간을 보상으로 주는 양방향 구조를 온보딩 과정과 저장공간이 부족해지는 시점에 결합해, 약 15개월 사이 가입자를 큰 폭으로 늘렸다고 알려져 있습니다. 일부 매체는 이 프로그램의 바이럴 계수를 1 미만(유저 10명당 신규 유저 3.5명 수준)으로 추정하면서도, 다른 채널과 결합해 전체 성장에 크게 기여했다고 설명합니다.

다만 이 사례는 Dropbox의 1차 공식 발표가 아니라 성장마케팅 업계에서 반복 인용되는 2차 재구성이라는 점은 감안해야 합니다. 여기서 얻을 수 있는 실무 교훈은 구체적인 수치보다 "K가 1을 못 넘어도 리워드 루프가 다른 채널과 결합해 유의미한 성장 기여를 할 수 있다"는 원칙 쪽입니다.

이런 이유로 K값 하나만 대시보드에 올려두고 관리하기보다, i와 c를 분해한 값과 초대로 유입된 유저의 활성화 도달율을 함께 놓고 보는 것이 실무적으로 더 안전합니다. K가 오르는데 초대 유입 유저의 활성화 도달율이 같이 떨어진다면 리워드가 과도하게 설계돼 저품질 초대를 유도하고 있다는 신호로 봐야 합니다.