# 고객 사용 패턴 분석: 닷 플롯으로 개별 사용자 행동 추적하기

> 2026-07-09 · Y Combinator · 큐레이션 김태우
> https://challengekim.com/insights/customer-usage-pattern-analysis-dot-plot-track-individual-user-behavior-ko
> 원문: https://www.youtube.com/watch?v=e5-6rEwzxLs

## 핵심 요약

- **집계 지표의 한계**: DAU, MAU 같은 전체 사용자 통계는 개별 사용자의 실제 행동 패턴을 숨긴다
- **닷 플롯의 개념**: 각 행은 사용자, 각 열은 시간 기간(보통 일 단위)으로 이루어진 2차원 그리드에 점으로 가치 창출 이벤트를 표시
- **패턴 발견**: 주중/주말 사용 패턴, 일회성 사용자, 불규칙한 활동 등 집계 차트로는 볼 수 없는 세부 패턴 포착
- **실제 사례**: B2B 계약에서 실제로는 3명만 활용하는 문제를 미리 파악할 수 있었던 사례

## 왜 개별 사용자 행동을 봐야 하는가

창업자들은 종종 **DAU(일일 활성 사용자)** 나 **MAU(월간 활성 사용자)** 같은 집계 데이터에 의존합니다. 그러나 이 지표들은 모든 사용자를 한데 묶어버려서 **누가 실제로 제품을 얼마나 사용하는지**, **어떤 기능과 상호작용하는지** 알 수 없게 만듭니다.

더 문제가 되는 것은, 제품이 성장할 때 이런 집계 그래프가 사용자들이 진정으로 제품을 즐기지 않더라도 상승하는 경향을 보인다는 점입니다. 이것만으로는 제품이 정말 원하던 것을 만족하는지 판단하기 어렵습니다.

## 닷 플롯: 개별 행동을 한눈에 보기

닷 플롯은 스프레드시트처럼 생긴 **2차원 그리드** 입니다:

- **각 행**: 개별 사용자 (예: "Dave", "User 2" 등)
- **각 열**: 시간 기간 (보통 1일 단위, 1\~2주 범위)
- **점**: 사용자가 가치를 창출하는 특정 이벤트를 수행했을 때 해당 셀에 표시

예를 들어 음악 스트리밍 앱을 분석한다면, **"노래 듣기"** 라는 이벤트를 추적합니다. 사용자가 특정 날짜에 곡을 재생하면 그 셀에 파란색 점을 표시합니다. 추가로 사용자의 **온보딩 날짜** 를 표시하기 위해 고리 같은 기호를 사용해 더 많은 정보를 전달할 수 있습니다.

## 닷 플롯으로 발견할 수 있는 패턴

닷 플롯을 채워나가면서 **개별 사용자의 시간대별 사용 행동이 고밀도로 시각화** 됩니다. 이를 통해 집계 차트나 개별 로그만으로는 절대 발견하지 못했을 패턴이 드러납니다.

**구체적인 사례:**

- **주중 vs 주말 사용**: "Dave"는 주중에만 사용하고, "User 2"와 "User 5"는 주말에 주로 사용
- **일회성 사용자**: "User 4"처럼 앱을 한 번 사용하고 돌아오지 않는 패턴이 여러 행에 걸쳐 반복된다면 **온보딩이나 초기 가치 전달에 문제가 있다는 신호**
- **활동 빈도의 차이**: DAU로만 보면 "성장하고 있다"는 단순한 결론만 나오지만, 닷 플롯은 실제로 어떤 사용자가 활발하고 어떤 사용자가 사라지는지 명확히 보여줍니다

## B2B에서도 닷 플롯이 필요한 이유

B2B 계약에서도 닷 플롯은 강력한 도구입니다.

한 스타트업의 실제 사례를 보면:

- 고객사가 **연간 8만 달러 규모로 10개 좌석** 을 구매했습니다
- 하지만 닷 플롯으로 확인해보니 **실제로는 3명만 사용** 중이었습니다
- 그 3명의 활동도 **주 2일 이상 사용하지 않고 매우 산발적** 이었습니다
- 결국 제품에 열정적이던 핵심 인물이 회사를 떠나자, 새로운 담당자가 "왜 이 소프트웨어를 사용하는가?"라며 계약을 갱신하지 않았습니다

닷 플롯을 미리 확인했다면 이 **고위험 계약** 이 위태로웠다는 것을 조기에 파악할 수 있었을 것입니다.

## 닷 플롯을 더 정교하게 만드는 방법

### 다양한 기호로 세분화

단순 점 대신 다양한 기호를 사용해 사용자 상태나 특정 기능 사용을 추적할 수 있습니다:

- **"S"**: 검색 기능 사용
- **"P"**: 공개 플레이리스트 참여
- 디바이스: iPhone vs Android
- 지역: 프랑스 사용자 vs 미국 사용자
- 인구통계: 고소득층 vs 대학생

### 행 정렬로 세그먼트 집중

행을 선택한 속성으로 정렬하면 특정 그룹에 집중할 수 있습니다:

- iOS 사용자만 표시
- 특정 월요일에 온보딩된 사용자만 표시
- 웹 버전 사용자 필터링

이렇게 세분화된 닷 플롯을 보면, **뇌가 자동으로 기존 분석에서는 절대 발견하지 못했을 패턴을 인식** 하기 시작합니다.

## 닷 플롯의 역사: PayPal의 사기 탐지

이 개념은 PayPal의 공동 창립자 Max Levchin이 사기 탐지를 위해 **10년 이상 전에 설명한 접근 방식** 에서 비롯되었습니다. PayPal은 초기에 심각한 사기 문제에 직면했으나, 찾아야 할 패턴을 정확히 몰랐습니다.

그들은 **모든 거래를 시각적 그래프로 표현** 하고 팀원들에게 이 화면들을 계속 응시하게 했습니다. 결과적으로 사람들은 근본적인 메커니즘을 정확히 설명하지는 못했지만, **"저기서 뭔가 다른 일이 일어나고 있고, 아마도 사기일 것 같다"는 직관을 얻을 수 있었고**, 해당 사례들을 조사해 문제를 해결했습니다.

닷 플롯도 같은 원리입니다. 차트를 보면서 직관적으로 **"이 사용자들에게 뭔가 패턴이 보인다"** 는 것을 깨달을 수 있고, 특정 행동을 더 깊이 파고들 수 있습니다.

## 대규모 사용자 기반에서의 닷 플롯

초기에는 모든 사용자를 한 화면에서 볼 수 있지만, **대규모로 확장될 때도 닷 플롯은 유효** 합니다.

10억 명 이상의 사용자를 보유했을 때, 다음과 같은 방식으로 활용했습니다:

- **사용자를 샘플링** 하여 원하는 방식대로 닷 플롯에 표현
- 프랑스의 iOS 사용자, 미국의 웹 사용자(연봉 8만 달러 이상) 등 다양한 세그먼트에 대한 닷 플롯을 수십 장 인쇄
- 팀원들이 각각 다른 세그먼트의 종이를 받아 "이들이 무엇을 하는지 파악해달라"는 요청에 응함
- 사무실에서 함께 이 닷 플롯들을 검토하며 사용자 행동에 대한 결론을 도출

## 닷 플롯을 잘못 사용하는 방법

### 1. 잘못된 이벤트 선택

많은 창업자들은 **점을 많이 채우기 위해 의미 없는 이벤트** 를 추적합니다:

- ❌ "앱을 열었다"
- ❌ "제품에 로그인했다"

이런 이벤트는 사용자가 **실제로 가치를 얻는지** 측정하지 못하기 때문에 좋지 않습니다.

### 2. 너무 넓은 시간 단위 선택

차트를 더 좋게 보이기 위해 주(week) 단위로 설정하는 경우:

- ❌ "1주차", "2주차", "3주차"

이렇게 하면 **일 단위 또는 시간 단위의 세부 활동** 을 놓쳐 실제 상황을 파악하기 어렵습니다. **사용자가 수백 명에 이르기 전까지는 닷 플롯이 유일한 대시보드가 될 수 있을 정도로 중요합니다.**

## 닷 플롯의 기술적 장점

닷 플롯은 **단순히 로그 시각화 도구** 입니다:

- 복잡한 계산이 필요 없음
- 기본적으로 로그를 파싱하여 2D 그리드에 배치하기만 하면 됨
- 최신 AI 코딩 도구로 **10분 만에 구축 가능**

## 닷 플롯 vs 코호트 리텐션 곡선

두 도구는 **상호보완적** 입니다:

- **코호트 리텐션 곡선**: 특정 그룹의 사용자들이 시간이 지남에 따라 제품을 계속 사용하는지 여부를 **거시적으로** 보여줍니다 (필수 지표)
- **닷 플롯**: 사용자들이 제품을 **실제로 어떻게 사용하는지** 보여주며, 집계 지표만으로는 절대 알 수 없는 **미시적 인사이트** 제공

## 결론

닷 플롯은 집계 지표의 한계를 극복하고 **개별 사용자의 실제 행동 패턴** 을 이해하는 가장 강력한 도구입니다. 코호트 리텐션 곡선과 함께 사용할 때, 이 두 가지가 사용자를 진정으로 이해하기 위한 **가장 중요한 분석 도구** 가 됩니다. 작은 스타트업이든 거대한 플랫폼이든, 닷 플롯을 통해 당신의 제품 전략을 크게 개선할 수 있습니다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=e5-6rEwzxLs)