K-팩터란 무엇인가요?
앱 마케팅에서의
K-팩터는 추천 프로그램을 통해 앱이 전파되는 비유성 비율이나, 그 어떤 은밀한 전파 즉, 구어로 이야기되는 것을 말합니다.
일반적으로 K-팩터는 앱의 "전염성" (기존 고객에 의해 초대를 통해 얼마나 많은 새로운 사용자가 "감염"되는지)와 각 초대의 효과적인 변환율(i의 연결된 변환율)의 조합으로 이해될 수 있습니다.
즉, K-팩터가 높을수록 앱에 대한 좋은 소식이 많은 사람들에게 퍼지는 것입니다.
K-팩터를 어떻게 계산하나요?
다양한 공식이 존재하지만 가장 일반적인 공식은 i * c = k입니다:
- i = 고객 당 보내는 앱 초대 횟수입니다. 예를 들어, 각 새로운 고객이 다섯 명의 친구를 초대하면 i = 5입니다.
- c = 각 초대의 변환율입니다. 예를 들어, 초대받은 다섯 명 중 하나가 새로운 고객으로 전환된다면, c = 0.2입니다.
- 이 두 가지를 합치면 이 곳의 K-팩터는 = i * c, 즉 5 * 0.2 = 1이 됩니다.
조금 더 설명하면, 우리는 데이팅 앱이 있고, 우리는 충성스러운 사용자에게 가입 친구를 초대하도록 인센티브를 제공하기로 결정했습니다. 평균적으로 각 사용자가 한 명의 친구를 초대한다고 가정하면 (i = 1), 참가자 중 세 명이 성공적으로 등록한다면 (c = ⅓), 이 경우 K-팩터 = 1 * ⅓ = 33.3%가 됩니다.
모든 것이 잘 진행된다면, 이는 데이팅 앱이 처음에 100명의 활성 사용자를 가지고 있었다면, 이 숫자가 곧 133명, 그리고 178명 등으로 성장할 것임을 의미합니다. 이 모델에 따르면, 33번의 초대 주기 이후에는 활성 사용자 수가 100만 명을 초과할 것입니다.
유기적 사용자와 UA 캠페인 간의 격차를 좁히는 방법
그러나 현실에서는 이러한 것들이 그렇게 간단하지 않을 수 있습니다.
시간이 지나면서 유기적 사용자가 앱을 설치한 정확한 이유를 파악하는 것이 어려울 수 있기 때문에 K-팩터에 대한 정확한 값을 얻는 것은 어려울 수 있습니다.
구두 마케팅은 멋지지만 측정하기가 매우 어렵습니다. 게다가, 모든 앱이 추천 프로그램을 홍보하지는 않으며, 모든 사용자가 추천 프로그램을 받아들이지 않을 수도 있습니다.
그러나 K-팩터를 사용자 확보(UA) 캠페인에 적용하면, 유기적 사용자가 어디서 오는지 이해하기 쉬울 수 있습니다:
예를 들어, 우리의 데이팅 앱이 특정 지역에서 거의 유기적 다운로드가 없다고 가정해봅시다. 우리는 1만 명의 사용자를 구입하기로 결정하고, 일정 기간 후에 우리의 사용자 기반이 1만 2천 명으로 성장했다는 사실을 발견합니다. 우리가 추천 프로그램을 적극적으로 홍보한다는 가정하에, 이것은 유로 미디어 캠페인의 간접적인 결과로 2천 명의 새로운 사용자가 왔다는 것을 의미하고, 이 경우에는 K-팩터가 1.2입니다.
하지만 K-팩터와 "유기적 배율" 또는 "유기적 증대" 사이에는 혼동이 있을 수 있으며, 이 두 개념은 부분적으로 겹치지만 정확히 같지는 않습니다.
K-팩터를 측정하는 것이 왜 중요한가요?
UA 투자 케이크의 토핑으로 생각해보세요. K-팩터는 비-유기성 성장이 유기적 성장에 어떤 영향을 미치는지 이해하는 데 도움이 되며, UA 캠페인에 더 효과적으로 돈을 투자할 수 있게 도와줄 수 있습니다.
성공적인 UA 캠페인은 앱 스토어 랭킹 상승을 의미하며, 유기적 사용자 노출 확률을 향상시키지만, 더욱 많은 사용자가 구두전파와 추천 프로그램을 통해 앱에 대한 소식을 퍼뜨릴 수도 있습니다.
두 가지 시나리오 모두 투자 수익률(ROI) 및 더 높은 K-팩터로 이어집니다.
K-팩터를 적절하게 파악하는 또 다른 이점은 앱의 내장 공유 기능의 효과성과 기존 사용자가 친구에게 앱을 추천하기 전에 어떤 인센티브에 가장 효과적으로 반응하는지에 대한 더 나은 통찰력을 가질 수 있는 능력입니다.
K-팩터가 좋은지 어떻게 알 수 있나요?
1 이상의 K-팩터는 오차가 있을지라도 기하급수적인 성장을 증명하며, 바이러스 전파로 간주됩니다.
하지만, 실제로 바이러스 전파가 되는 것은 매우 드문 일입니다.
반면에, K-팩터가 1과 같다는 것은 안정 상태이며, 성장도 하지 않고 감소하지 않는다는 것을 의미합니다. 1보다 작은 K-팩터는 앱의 바이러스성이 기하급수적으로 감소한다는 것을 의미합니다.
좋은 K-팩터를 생각하는 다른 방법은 앱의 전염성이 사용자 유실을 커버할 수 있어야 한다는 것입니다.
다시 말해서:
- K-팩터가 사용자 이탈률보다 높으면, 나가는 사용자보다 더 많은 사용자가 참여하며 앱은 기하급수적으로 성장합니다.
- K-팩터가 사용자 이탈율과 동일하면, 앱의 전파성이 사용자 유실에 대응합니다.
- K-팩터가 사용자 이탈율보다 낮으면, 앱의 대상이 점진적으로 감소합니다.
앱의 K-팩터를 증가시키는 방법은 무엇인가요?
1. 공유 가능성 향상
가장 바이러스성이 높은 제품은 공유되는 경우에만 작동하는 제품입니다.
Skype를 생각해보세요. 초기에는 친구들에게도 사용하도록 설득해야만 사용할 수 있었습니다. 사용자들이 진행 상황, 점수 또는 경험을 친구나 동료와 공유하는 것을 장려하기 위해 앱 내에서 트래픽 드라이버를 구현할 때 몇 가지 사고를 추가해보세요. 이를 위해 예를 들어, 게임 세계에서 지금 잃은 생명이라면 친구를 설치하도록 안내하는 기회를 제공할 수 있습니다.
공유플랫폼(Facebook 같은)을 활용하여 더 많은 가능성을 창출할 수도 있습니다. 사용자의 친구들이 어떤 앱을 사용하는지 알 수 있게 하는 기능을 사용하세요. 피드 및 상태 업데이트는 확실하고 매우 효과적인 바이러스 전파 지역입니다.
중요한 것은 공유 가능성을 과도하게 복잡하게 만들지 않는 것입니다. 가능한한 공유 과정을 간단하고 불편하지 않게 만들기 위해 여러 가지 권한이나 추가 로그인을 제거하세요.
2. 듣고, 배우고, 테스트하고 최적화하기 - 검증된 성장 해킹을 활용하세요
시장은 효과적인 추천 프로그램 및 바이러스 전파 마케팅 전략에 관한 통찰론 자료로 가득합니다. 몇 가지 예를 들어 보면:
- How Referrals Built The $10 Billion Dropbox Empire, by Visakan Veerasamy for Referral Candy
- The Best Referral Program Examples, by Brandon Gains at Referral SaaSquatch
- Customer Acquisition & Monetization, by David Skok for For Entrepreneurs
- 'Startup Growth Engines: Case Studies of How Today's Most Successful Startups Unlock Extraordinary Growth', by Sean Ellis & Morgan Brown
여러 가지 방법을 테스트하기 시작한 후에는 A/B 테스트를 사용하여 최고의 변환율과 가장 큰 영향을 주는 방법과 창작물을 알아내세요.
3. 사용자에게 인센티브 제공하기
앱 내 통화, 할인 또는 기타 혜택으로 사용자 행동에 대한 보상은 매우 효과적일 수 있습니다.
특별 코드나 추천 번호를 교환한 후 사용자에게 조직된 가입 승인 상태를 모니터링하고 측정하여 가장 높은 변환율과 가장 큰 영향을 주는 사용자를 식별하고 그에 따라 보상하세요.
4. 사용자의 친구에게 인센티브 제공하기
기존 사용자는 초대자에 대한 보상이 제공되는 경우에만 친구에게 앱을 추천할 가능성이 높습니다.
새로운 사용자에게 설치 보상을 제공할 때, 의미 있는 및 관련이 있는 제스처를 확장하도록 해야 합니다. 다시 말해서, 새로운 사용자들은 앱 코인의 가치를 이해할 가능성이 적으므로, 재미있는 프리미엄 기능이나 앱 내 구매에 대한 할인 등이 더 흥미를 끌 수 있습니다.
5. 좋은 앱을 제공하세요
이것은 분명한 말이지만 실제로는 그렇지 않습니다. 바이러스성 전파는 독립된 마케팅 전략이 아니며, 앱에 내장되어야 하는 기능입니다. 제품 설계자가 신중하게 생각하고 엔지니어에 의해 생명을 불어넣어야 하는 실제 기능입니다.
사용자는 원활하고 즐거운 가치 있는 사용자 경험을 제공하는 앱을 공유하기를 더욱 기쁘게 생각할 것이므로, 앱을 빛나게 만들어야 합니다!
6. 적절한 대상층을 겨냥하세요
K-팩터를 이해하기 시작하면 이 정보를 활용하여 UA 비용을 최적화할 수 있습니다. 가장 많은 K-팩터를 발생시키는 사용자 유형을 알고 있다면 캠페인 비용을 조정하고 높은 점수를 얻는 세그먼트로 초점을 옮길 수 있습니다.
다시 데이팅 앱으로 돌아가, UK 사용자가 평균적으로 1.8의 K-팩터를 보인다는 결과가 나왔다면(A 그룹), 동시에 독일 사용자가 1.2의 K-팩터를 보인다면(B 그룹), 우리의 UA 광고 비용은 A 그룹에 투자하는 것이 더 많은 유기적 사용자를 가져올 가능성이 있으므로 그쪽으로 향하는 것이 가장 좋습니다.
COVID-19 UPDATE 
