리퍼럴 실험과 전파 한계
추천 고객의 가치와 보상 설계 실험, 바이럴 전파 규모를 논문으로 확인하고 K가 1을 넘는다는 가정이 왜 위험한지 설명합니다
글·검토 Eric Han · 리옵트 공동창업자·CTO
핵심 요약
- 계획에서 K가 1을 넘는다고 가정하지 마세요. 대규모 데이터에서 온라인 확산의 73~95%는 시드에서 끝나고, 콘텐츠 평균 캐스케이드 크기는 1.3입니다. 추천 프로그램의 K를 직접 잰 대규모 공개 자료는 찾지 못했습니다.
- 추천 고객의 가치 우위는 6년 CLV 기준 +16%, 관측 약 3년(33개월) 기준 +25%이며 독일 은행 한 곳의 비무작위 자료입니다.
- 관찰 데이터는 동료 효과를 크게 과대평가합니다. Facebook에서 317~498% 과대 추정이 확인되었습니다.
- 문구 하나로 상대 효과가 납니다. 추천 유입 고객에게 추천으로 들어왔다는 사실을 함께 알린 문구가 일반 추천 권유보다 2일간 추천을 약 21% 늘렸습니다. 절대 증가는 매우 작습니다.
- 양면과 단면 보상의 우열은 맥락에 따라 다릅니다. 하나의 정답으로 정리되어 있지 않습니다.
전파는 대부분 1세대에서 끝납니다
| 자료 | 수치 | 규모 | 등급 |
|---|---|---|---|
| Goel·Watts·Goldstein 2012 | 73~95%가 시드에서 확산 없음, 노드 7개 초과는 1% 미만 | 7개 온라인 도메인 | B |
| Goel 외 2016 | 평균 캐스케이드 1.3, 채택의 약 99%가 루트 또는 직속 팔로워 | Twitter 약 10억 사건 | B |
| Leskovec 외 2007 | 고객 기반이 선형으로 성장, 구매자 중 다시 전달한 비율 27.8% | 추천 1,565만 건 | B |
| Gershon·Jiang | 고객당 관측 시점 누적 성공 추천 0.18~0.30(일반 유입·추천 유입) | 4,120만 명 | B |
Leskovec의 온라인 소매 자료에서는 받은 추천 수가 늘어도 효과가 금방 포화했습니다. 도서는 2건에서 구매 확률이 가장 높았고 DVD는 약 10건에서 포화했습니다.
Twitter 콘텐츠는 구매 전환이 아닙니다. 전파 구조의 앵커로만 쓰세요.
지수 성장 모델의 함정
초기 10명, 초대 10건, 전환 20%라면 K=2입니다. Skok의 예시는 이 값으로 20일 후 2만 명을 계산합니다. 원리를 설명하는 예시이고 현실 예측으로 쓸 수 있는 값이 아닙니다. 위 표의 대규모 자료는 대부분 콘텐츠 공유이고, 큰 캐스케이드만 골라 보면 재생산수 약 1.8이라는 값도 있습니다(Cheng 외 2018). 다만 선택된 표본의 일시적인 값입니다.
추천 고객의 가치
Schmitt·Skiera·Van den Bulte(2011)의 독일 은행 고객 약 1만 명 자료입니다(2006년 획득, 약 33개월 관측, 비무작위, 등급 B).
| 지표 | 추천 고객 차이 |
|---|---|
| 일일 공헌이익 | +25%(시간이 지나며 축소) |
| 이탈 위험 | 약 -18% |
| 관측 기간 내 고객 가치 | 약 +25%, 획득비 차이 반영 시 약 +35% |
| 6년 예측 CLV | 약 +16%(40유로) |
| 보상 ROI | 약 60%(6년, 보상 25유로 기준) |
"추천 고객은 16% 더 가치 있다"는 문장은 이 중 한 조건만 떼어낸 것입니다. 또 비무작위 비교라 원래 좋은 고객이 추천 경로로 왔을 수 있습니다. 뒤따른 Van den Bulte 외(2018)는 추천인이 남아 있는 동안에만 추천받은 고객 이탈이 낮다고 보고하며, 추천인으로는 획득 6개월 이상·고마진·저이탈 고객을 권합니다.
추천 유입 고객은 다시 추천도 더 많이 합니다. Gershon·Jiang에서 격차는 기본 모형 75%, 구매 횟수 통제 57%, 이중 머신러닝 31%로 통제를 강화할수록 줄었습니다. 관찰 자료의 효과를 할인해야 하는 이유입니다.
무작위 실험
| 실험 | 맥락 | 결과 | 등급 |
|---|---|---|---|
| Gershon·Jiang | 추천 유입 고객 1,000만 명 이상에게 문구 비교 | 일반 추천 권유 대비 약 +21%(2일, 절대 증가는 매우 작음) | A |
| Aral·Walker 2011 | Facebook 앱 9,687명 | 자동 브로드캐스트 +246%, 능동 초대 추가 시 +344%. 동료 채택 위험률 기준 | A |
| Li·Li·Belo 2026 | 중국 통신사 앱 16만 명 이상 | 추천인 쪽 불확실 보상 총 추천 +20.9%, 친구 쪽 -12.3% | A(요약) |
| Sun 외 2021 | 데일리딜 7.5만 명 이상 | 추천인 구매 사실 표시는 구매만, 보상 언급은 후속 추천만 늘림. 둘 다 표시하면 효과 없음 | A(요약) |
| Hinz 외 2011 | 소규모 실험 2개(무작위)와 이동통신 캠페인(사후 코호트 비교, 20만 명 이상) | 고연결 시딩은 무작위 시딩 대비 +39~52%, 저연결 대비 최대 8배(학회 원고). 활동량 때문이지 설득력이 더 높아서가 아님 | A(요약) |
| Gershon·Cryder·John 2020 | 앱 고객 6,364명, 5조건 | 친구 수혜가 추천인 수혜보다 전환율 약간 높음. 조건별 값 미확인 | A(요약) |
| Bapna·Umyarov 2015 | Last.fm 유료 채택을 무작위로 유도, 380만 명 | 친구 채택의 오즈 60% 이상 증가 | A(요약) |
시장의 보상 구조
Gershon 등이 조사한 추천 프로그램 351개 중 양쪽 수혜가 약 55%, 추천인 수혜가 40.5%, 친구 수혜는 2.6%였습니다. 실험에서 친구 수혜가 나쁘지 않은데도 거의 쓰이지 않습니다.
관찰 추정의 편향
| 근거 | 내용 | 등급 |
|---|---|---|
| Eckles·Kizilcec·Bakshy 2016 | 게시·타인 피드백은 관찰 추정이 실험 대비 317~498% 과대. 답글은 오히려 36%·68% 과소 | A |
| Aral 외 2009 | 관찰 방식이 동료 효과를 300~700% 과대 | B |
| Libai·Muller·Peres 2013 | 시뮬레이션에서 구전 가치의 약 26~32%는 단지 가속. 나머지가 시장 확장. 강한 브랜드일수록 가속 비중이 큼 | B(시뮬레이션) |
"가속"은 추천이 없어도 결국 왔을 고객을 더 빨리 데려온 몫입니다. 시뮬레이션의 증분율을 100%로 두면 안 되는 이유입니다. 다만 실제 프로그램의 증분율은 공개 수치가 없습니다.
보상 크기와 부작용
- 보상이 크면 양은 늘어도 추천 유입 고객의 수익성이 낮아진다는 연구가 있습니다(Wolters 외 2020, 재인용, 수치 미확인).
- 부정 의심 계정은 Gershon·Jiang의 캐시백 앱에서 약 3.8%였습니다.
- 충성 고객을 동원하는 전략이 늘 유효하지는 않습니다. Godes·Mayzlin 2009의 현장 테스트에서 충성 고객 381명은 추가 매출을 만들지 못했습니다.
시뮬레이션에 넣는 법
| 시나리오 | 앵커 | 사용 |
|---|---|---|
| 비관 | 라운드별 K를 분해식으로 계산(추천당 구매 0.5% 수준의 초대 전환) | 예산 승인 기준 |
| 점검 | 약 4년 누적 성공 추천 0.18~0.30 | 상한 점검용. 이미 성공 추천이므로 추천당 구매와 곱하지 않음 |
| 기준 | 자기 업종의 벤더 중앙값을 한 자료에서만 | 계획값 |
| 낙관 | ReferralCandy 상위 10% | 상한 확인용 |
세대 전파는 2세대까지만 넣고, 증분율은 시나리오로 둡니다. 구체 계산은 시나리오 예제에 있습니다.