12CODE
지금 읽는 곳 마의 구간은 어떻게 찾는가 — 기울기로 읽는 코호트 표 1 / 7
12code 라이브러리 아티클 표지. 이탈 예측선(Churn Threshold) 포착: 코호트 데이터 분석 상 가입 후 몇 번째 주차에 유저 이탈이 가장 가파른지 '마의 구간'을 찾아내어 CRM 방어선 구축

이탈 예측선(Churn Threshold) 포착: 코호트 데이터 분석 상 가입 후 몇 번째 주차에 유저 이탈이 가장 가파른지 '마의 구간'을 찾아내어 CRM 방어선 구축

전체 이탈률 하나만 보면 어디서부터 손써야 할지 알 수 없습니다. 이탈이 가장 가팔라지는 정확한 구간을 짚어야 CRM 리소스를 그 구간에 집중할 수 있습니다.

이 과목 08 / 11편 고급 3분
과목 ID122
트랙STEP 3 고급·전략
모듈3-3. 그로스해킹·CRM 전략
레슨08
난이도고급
플랫폼GA4·데이터 분석
발행일2026-08-29
검토일2026-08-29
관련 과목123 · 124 · 128
출처2건
핵심요약5개
01

일반적인 리텐션 패턴은 Day0 100%, Day1 30~50%, Day7 10~25%, Day30 5~10%로 이어지는 우하향 형태다

02

코호트 표에서 인접 구간 간 하락폭(기울기)이 가장 큰 구간이 곧 '마의 구간'이다

03

이탈은 서비스 초반, 특히 첫 체험 직후나 첫 구매 직후에 집중되는 경향이 있다

04

마의 구간이 확인되면 CRM은 그 구간 직전에 메시지·리마인드를 배치해 방어선을 세운다

05

마의 구간은 온보딩이 개선되면 뒤로 밀리거나 하락폭이 완만해지므로 개선 효과 측정의 기준점으로도 쓸 수 있다

01

마의 구간은 어떻게 찾는가 — 기울기로 읽는 코호트 표

일반적인 리텐션 패턴은 Day0(설치·가입 당일)에 100% 사용, Day1(다음날)에 30~50% 복귀, Day7(7일 후)에 10~25% 복귀, Day30(30일 후)에 5~10% 복귀하는 우하향 형태를 보입니다. 마의 구간을 찾는 방법은 절대 수치가 아니라 인접한 두 시점 사이의 하락폭(기울기)을 비교하는 것입니다. 예를 들어 Day0에서 Day1로 넘어가며 전체 유저의 절반 이상이 빠진다면 이 구간이 가장 가파른 하락 구간이고, Day7에서 Day14로 넘어가는 구간은 하락폭이 완만하다면 이미 위기 구간을 지난 것으로 볼 수 있습니다. 코호트 표의 각 열(경과일)마다 전 열 대비 하락률을 별도로 계산해 나열하면, 어느 구간에서 하락률이 가장 크게 튀는지 숫자로 바로 확인됩니다.

02

왜 이탈은 초반에 집중되는가

이탈은 서비스 이용 초반, 특히 첫 체험 직후나 첫 구매 직후에 집중되는 경향이 있습니다. 이는 이 시점의 유저 대부분이 아직 제품의 핵심 가치를 경험하지 못한 상태이기 때문입니다. 신규 고객을 유치하는 데 드는 비용은 기존 고객을 유지하는 것보다 5배에서 많게는 25배까지 든다는 연구도 있어, 이 초반 이탈 구간을 방치하면 마케팅으로 어렵게 모은 유저를 그대로 흘려보내는 셈이 됩니다. 반대로 리텐션을 5%p만 높여도 영업이익이 크게 증가할 수 있다는 벤치마크가 마케팅 업계에 널리 인용되는 것도, 초반 이탈 구간의 방어가 그만큼 레버리지가 크기 때문입니다.

03

마의 구간에 맞춰 CRM 방어선을 세우는 방법

마의 구간이 확인되면 CRM 캠페인은 그 구간이 시작되기 직전에 개입하도록 설계해야 합니다. 예를 들어 Day1~Day3 사이의 하락이 가장 가파른 서비스라면, 가입 당일 밤이나 Day1 아침에 푸시 알림이나 인앱 메시지로 핵심 기능 사용을 리마인드하는 식입니다. 이미 이탈이 시작된 이후(예: Day5)에 메시지를 보내는 것은 방어가 아니라 재유치에 가까워 효과가 크게 떨어지므로, 반드시 마의 구간 진입 이전 시점에 개입 타이밍을 맞추는 것이 핵심입니다.

메시지의 내용도 구간별로 달라야 합니다. 초반(Day0~Day1) 이탈은 대개 제품 사용법 자체를 이해하지 못해서 발생하므로 튜토리얼 리마인드나 핵심 기능 안내가 효과적이고, 중반(Day7 전후) 이탈은 이미 한 번 써봤지만 습관으로 자리잡지 못해서 발생하므로 재방문을 유도하는 혜택성 메시지가 더 적합한 경우가 많습니다.

04

마의 구간을 개선 효과 측정의 기준점으로 쓰는 법

온보딩을 개선한 뒤에는 마의 구간의 위치와 하락폭이 어떻게 바뀌었는지로 개선 효과를 판단할 수 있습니다. 개선이 성공적이라면 하락이 가장 가팔랐던 구간이 뒤로 밀리거나(예: Day1에서 Day3로), 같은 구간이라도 하락폭 자체가 완만해집니다. 이 변화를 코호트별로 나란히 겹쳐 보면, 온보딩 변경 전 코호트와 변경 후 코호트의 마의 구간이 실제로 달라졌는지를 시각적으로도 확인할 수 있습니다. 변화가 없다면 온보딩 개선이 근본 원인을 건드리지 못했다는 뜻이므로, 다른 가설(예: 다른 기능 유도)로 방향을 바꿔야 합니다.

05

마의 구간 분석에서 놓치기 쉬운 함정

마의 구간을 지나치게 좁게 정의하면 우연한 노이즈를 진짜 패턴으로 착각할 수 있습니다. 하루 단위로 촘촘하게 하락률을 비교하면 특정 요일(주말·공휴일)의 접속 패턴 차이 때문에 일시적으로 튀는 구간이 마의 구간으로 잘못 지목될 수 있습니다. 이를 피하려면 여러 코호트(최소 4~8개 이상)에서 반복적으로 같은 구간이 가파르게 나타나는지를 확인한 뒤에 그 구간을 공식적인 마의 구간으로 확정하는 것이 안전합니다.

06

마의 구간이 여러 개일 수도 있다

많은 조직이 마의 구간을 단 하나로 단정하지만, 실제로는 서비스에 따라 마의 구간이 두세 개 존재하는 경우도 흔합니다. 예를 들어 Day1 전후로 한 번(제품 이해 실패로 인한 이탈), Day7 전후로 또 한 번(습관화 실패로 인한 이탈), Day30 전후로 마지막 한 번(장기 가치를 못 느껴 발생하는 이탈)이 각각 다른 원인으로 나타날 수 있습니다. 이 경우 CRM 방어선도 한 번이 아니라 각 구간 진입 직전마다 서로 다른 메시지 전략을 배치해야 합니다. 하나의 구간만 막고 나머지를 방치하면, 첫 번째 방어선을 통과한 유저가 다음 마의 구간에서 다시 대거 이탈하는 결과로 이어집니다.

07

CRM 방어선의 효과를 측정하는 법

방어선을 세운 뒤에는 그 캠페인이 실제로 마의 구간의 이탈률을 낮췄는지 검증해야 합니다. 가장 간단한 방법은 캠페인을 받은 코호트와 받지 않은 코호트(또는 캠페인 도입 전후의 코호트)의 해당 구간 하락률을 나란히 비교하는 것입니다. 하락률이 눈에 띄게 줄었다면 방어선이 효과가 있다는 뜻이고, 차이가 없다면 메시지의 타이밍이나 내용을 다시 점검해야 합니다. 이 검증 없이 캠페인을 계속 운영하면, 실제로는 효과가 없는 메시지에 CRM 발송 리소스를 계속 낭비하게 됩니다.

다음 행동

자사 코호트 표에서 인접 구간별 하락률을 계산해 가장 가파른 구간을 찾아보세요. 여러 코호트에서 반복적으로 같은 구간이 나타난다면, CRM 메시지의 발송 타이밍을 그 구간 진입 직전으로 재조정하는 것부터 시작하세요.

다음 글 · 레슨 09→실험 설계 기반 검증: 리텐션 개선 온보딩 UI 적용 전 코호트 기수 데이터 vs 적용 후 코호트 기수 데이터의 30일 잔존율 수치 통계적 유의성 검증

← 이전 글 · 레슨 07 기능 활용 코호트 분석(Behavioral Cohort): 특정 기능(리뷰 작성, 친구 추가)을 실행한 유저 집단이 그렇지 않은 집단 대비 리텐션 커브가 얼마나 상향되는지 판정

출처

facts 항목 기준 · 본문 인라인 미표기2건
F-01Wegrowth — 고객 이탈과 LTV의 실무 활용법업계
F-02핵클(Hackle) 서비스 가이드 — 리텐션 분석업계

플랫폼 기능·심의 기준·가격·법률은 바뀝니다. 이 글은 2026-08-29에 위 출처를 기준으로 확인했습니다.

CHALLENGE

배운 걸 실전 문제로 확인

카테고리별 Level Test로 실무 레벨을 점검해보세요.

챌린지 보기 →
이 과목의 게시글11편
01시간의 흐름 속 고객 행동 분석: 동일한 경험/시점(예: 3월 가입 동기)을 공유하는 사용자 집단을 추적하는 코호트(Cohort) 분석의 거시적 가치02데이터 요건 및 매트릭스 시각화: GA4 탐색 보고서 및 자사 DB 기반 가로축(시간 경과: Day 0~Day 30), 세로축(가입 코호트 기수) 표 구조 설계03리텐션 커브(Retention Curve) 해석의 정석: 커브 곡선이 하향을 멈추고 평탄화(Flattening)되는 시점의 유무가 비즈니스 제품-시장 적합성(PMF)을 증명하는 원리04세 가지 리텐션 측정 모델의 선택: 클래식 리텐션(N-Day) vs 범위 리텐션(Unbounded) vs 롤링 리텐션의 비즈니스 구매 주기별 매칭 규칙05[실패 사례 분석] 가짜 리텐션 수치에 속은 서비스 고사: 출석체크 이벤트로 '앱 오픈 리텐션' 지표만 인위적으로 올렸다가 실제 '결제 리텐션'이 처참해 망가진 원인 진단06유입 채널별 코호트 분석: 네이버 파워링크 발 가입자 기수 vs 인스타 인플루언서 발 가입자 기수의 가입 후 12주간 잔존 가치 및 매출 퀄리티 비교07기능 활용 코호트 분석(Behavioral Cohort): 특정 기능(리뷰 작성, 친구 추가)을 실행한 유저 집단이 그렇지 않은 집단 대비 리텐션 커브가 얼마나 상향되는지 판정08이탈 예측선(Churn Threshold) 포착: 코호트 데이터 분석 상 가입 후 몇 번째 주차에 유저 이탈이 가장 가파른지 '마의 구간'을 찾아내어 CRM 방어선 구축09실험 설계 기반 검증: 리텐션 개선 온보딩 UI 적용 전 코호트 기수 데이터 vs 적용 후 코호트 기수 데이터의 30일 잔존율 수치 통계적 유의성 검증10[확인 항목] 글로벌 기업들의 핵심 리텐션 벤치마크 지표: 이커머스, SaaS, 모바일 게임 카테고리별 글로벌 안정권 리텐션 수치 가이드라인 아카이빙11[레슨] 리텐션 데이터를 활용한 장기 가치(LTV) 예측 모델 설계: 가입 초반 7일간의 잔존율 데이터를 기반으로 1년 뒤 기대 매출액 연산 공식 수립 과목 전체 보기 →

MKT TOOLS

실무자를 위한 무료 도구

카피 글자수 검사, CPC·ROAS 계산기, UTM 생성기까지.

워크스페이스 열기 →