핵심 요약

  • 바이럴 루프는 기존 이용자의 초대·공유·추천이 새 이용자의 가입으로 이어지고, 그 이용자가 다시 같은 행동을 하는 제품 내 순환 구조다.
  • 바이럴 계수는 특정 기간에 가입한 이용자 집단이 이후 유입시킨 가입자 수를 그 집단의 인원으로 나눈 비율이다. 1보다 작으면 해당 루프만으로 이어지는 확산은 결국 줄어든다.
  • 단순한 콘텐츠 제작 앱은 빠르게 퍼질 수 있지만, 신선함의 감소·시장 포화·공유 플랫폼의 정책 변화에 영향을 받는다.
  • 앤드루 첸은 한 번의 초대보다 이용자가 여러 차례 돌아와 공유할 기회가 장기적인 바이럴 성장에 중요하다고 본다.

가입자로 이어지는 공유를 측정한다

첸이 말하는 바이럴 성장은 영상 하나가 화제가 되는 일회성 트래픽과 다르다. 제품에 초대, 콘텐츠 공유, 추천 기능을 넣고 기존 이용자가 새 이용자를 얼마나 데려오는지 추적하는 방식이다. 예를 들어 100명이 가입해 50명의 가입을 이끌었다면 바이럴 계수는 0.5다. 그 50명이 다시 25명을 데려오는 식으로 루프가 이어진다.

콘텐츠 제작 앱에서는 공유 링크에 공유자의 식별 정보를 담아 이를 측정할 수 있다. 링크를 받은 사람이 가입하면 누가 공유했는지 가입 기록에 남긴다. 이후 특정 시기에 가입한 100명이 유입시킨 가입자가 50명인지 확인하는 식이다. 첸은 스스로 찾아와 가입한 이용자를 별도로 보고, 공유로 유입된 이용자 세대 사이의 비율도 살펴보자고 설명한다. 이 방식은 이메일 초대뿐 아니라 AI 영상 공유, 협업 기능, 추천 프로그램에도 적용된다.

흔히 쓰는 ‘초대 수 × 가입 전환율’도 개선할 지점을 찾는 데 도움이 된다. 다만 첸은 모든 루프가 초대장 형태는 아니므로, 궁극적으로는 한 이용자 집단이 다음 가입자 집단을 얼마나 만들어냈는지 봐야 한다고 주장한다.

작은 전환율이 쌓여 확산을 결정한다

콘텐츠 공유 루프는 결과물을 보고, 제작 도구로 이동하고, 직접 만들고, 다시 공유하는 단계로 나뉜다. 첸의 예시에서는 각 단계에 50%, 10%, 20%, 50%의 비율을 가정한다. 이 값을 모두 곱하면 0.005다. 공유된 결과물 하나를 보는 사람이 200명을 넘어야 한 바퀴에서 새 제작자가 한 명을 넘는 계산이다. 어느 한 단계의 전환율이 내려가도 전체 결과가 크게 달라진다.

바이럴 계수가 0.1이라면 첸이 제시한 누적 가입자 배수는 약 1.11배다. 0.5라면 2배가 된다. 이는 첫 집단이 데려온 이용자도 다시 이용자를 데려오는 과정을 모두 합친 값이다. 따라서 계수가 1을 넘지 않더라도 다른 유입 경로로 확보한 가입자를 늘리는 효과는 있다. 첸은 계수가 낮을 때 이런 증가분이 일별 자연 유입의 변동에 묻혀 잘 보이지 않을 수도 있다고 지적한다.

빠른 확산은 유지율을 보장하지 않는다

첸은 바이럴 제품을 크게 두 부류로 나눈다. 생성형 AI 제작 도구나 초기 Instagram처럼 만들고 공유하는 핵심 기능이 단순한 제품은 짧은 루프를 통해 빠르게 성장할 수 있다. Figma, Slack, 초기 Facebook처럼 기능이 깊고 이용자가 오래 남는 제품은 공유가 조금씩 일어나더라도 시간이 지나며 효과가 쌓인다.

첫 부류의 성과는 시간이 흐르면서 약해질 수 있다. 새로운 형태의 AI 이미지가 처음 등장했을 때보다 익숙해진 뒤에는 같은 콘텐츠에 반응하는 비율이 낮아진다는 것이 첸의 설명이다. 초대할 만한 사람이 이미 가입했거나 앞선 초대에 응하지 않았다면 전환율도 떨어진다. 공유가 이뤄지는 외부 플랫폼의 정책이 바뀌어 링크를 통한 유입이 줄어들 가능성도 있다.

웹 2.0 시절 일부 서비스는 이메일 주소록을 가져와 한 이용자에게서 200건이 넘는 초대를 보낼 수 있었다. 초대 수는 늘었지만 응답하지 않는 주소로도 메일이 갔고, 메일 서비스가 이를 스팸으로 분류하기 시작했다. 첸은 이용자가 제품에 남지 않는다면 이런 방식으로 만든 가입 급증도 오래가지 않는다고 설명한다. 반면 YouTube와 Instagram처럼 단순한 기능 위에 많은 콘텐츠가 쌓여 지속적인 이용을 이끈 사례도 제시한다.

모바일 이후에는 여러 이용 세션이 중요해졌다

첸은 이메일 초대 중심의 웹 2.0 방식이 모바일 전환과 함께 힘을 잃었다고 본다. 모바일에서는 연락처에 접근할 수 있어도 번호를 하나씩 골라 초대해야 하므로 발송량이 줄었다는 설명이다. 이용자가 초대에 익숙해지고 스팸 필터가 작동한 점도 응답률을 낮췄다. 그는 오늘날 첫 이용 세션만으로 바이럴 계수가 1을 넘는 루프를 만들기는 사실상 어렵다고 평가한다.

그 대신 유지율이 높은 제품은 여러 번의 이용 과정에서 공유 기회를 만든다. 첫 방문 때 동료를 작업 공간에 초대하고, 나중에는 폴더를 공유하거나 추천 기능을 사용할 수 있다. 첸은 Dropbox의 폴더 공유·초대·추천을 서로 다른 루프의 예로 든다. 자신이 경험한 Uber에서도 친구 추천 외에 함께 차를 타거나 도착 예정 시간을 공유하는 과정이 서비스를 알리는 계기가 됐다고 설명한다.

이 관점에서 바이럴 계수는 첫 방문의 초대 수만으로 만들어지지 않는다. 각 이용 세션에서 여러 기능이 만들어낸 효과의 합이다. 첸은 대략 절반이 첫 세션에서, 나머지가 이후 세션에서 나온다는 경험칙을 제시한다. 첫 방문에는 계정을 설정하며 다른 사람을 초대할 이유가 생기고, 이후에는 이용자가 제품에서 얻는 가치가 다시 방문과 공유를 뒷받침해야 한다는 뜻이다. 매일 쓰는 제품과 추천 기능을 한 달에 한 번쯤 쓰는 제품은 비슷한 계수에 도달하더라도 가입자를 만들어내는 속도가 다를 수 있다.

일회성 화제도 유입 경로가 될 수 있다

첸은 화제를 노린 게시물이나 영상, 출시 홍보가 가입자를 한꺼번에 불러올 수는 있지만 같은 방식으로 반복하기는 어렵다고 본다. 그렇다고 쓸모가 없다는 뜻은 아니다. 소셜미디어, 검색, 언론 보도, 유료 마케팅에서 들어온 이용자가 제품 안에서 콘텐츠를 만들고 공유하면 첫 유입이 다시 증폭될 수 있다.

그는 자신이 Uber에 있을 당시 첫 탑승의 약 50%가 유료 마케팅, 10~20%가 추천 프로그램에서 왔을 수 있다고 회고한다. 나머지는 입소문과 검색 등에서 왔다는 설명이다. 이는 제품마다 유입 경로의 비중이 다르며, 바이럴 루프가 다른 경로를 대신하기보다 그 효과를 더할 수 있다는 사례다. 첸은 특히 시각적 결과물을 만드는 AI 도구가 제작·공유 루프와 짧은 영상 중심의 소셜 플랫폼을 함께 활용한다고 해석한다.

결론

첸의 논점은 바이럴 계수를 한 번 높이는 데서 끝나지 않는다. 누가 새 이용자를 데려왔는지 측정하고, 공유 과정의 전환율과 시간이 지나며 달라지는 반응을 살펴야 한다. 빠른 확산이 일어나더라도 이용자가 남지 않으면 성장 효과는 약해진다. 반대로 꾸준히 쓰이는 제품에서는 여러 공유 기능의 작은 효과가 이용 세션을 거치며 쌓일 수 있다.