[인사이트] 그로스 루프란?

 

그로스 루프 (Growth Loop)란? 유저가 유저를 데려오는 성장 루프 만들기

  

---

 

1) 퍼널이란 : 일방통행의 깔대기 구조 

- 장점 : 한 사람의 여정을 잘 보여줌

- 단점 : 구매까지만 다루기 때문에 그 이후의 행동이 다시 유입으로 이어지지 않음 → 성장을 위해 새로운 유저를 외부에서 데려와야 함

 

2) 그로스 루프 : 순환 구조

- 한 번 유입된 유저가 지속적으로 다른 유저를 데려오며 루프는 돌아감

- 노션의 사례

  ㄴ 누군가 노션 문서를 제작

  ㄴ 이 문서를 다른 사람과 공유

  ㄴ 공유 받는 사람이 노션에 가입

  ㄴ 그 사람도 문서를 만들고 또 공유

 

※ 퍼널의 레퍼럴과의 차이점 

- 공통점 : 유저가 다른 유저를 데려온다는 점

- 차이점

: 레퍼럴은 친구를 초대하거나 링크를 공유해서 한 번 유저를 데려오는 방식 → 일회성

: 유저의 행동이 또 다른 유입을 만들고, 그 유입이 다시 행동을 하면서 계속 이어지는 구조 전체

출처 : 마켓핏랩 솔루션즈 블로그

 

3) 퍼널과 그로스루프 상호보완 활용팁

- 퍼널

: 유저가 유입되고, 전환되고, 구매하는 흐름을 한 방향으로 보여줌

: 흐름이 끝나면 성장은 정지. 광고를 하지 않으면 유입이 끊기고 새 유저를 외부에서 모객해야 함

- 그로스 루프

: 유저의 행동이 다음 유입을 만드는 구조 → 콘텐츠 작성 > 공유 > 신규 유입 > 작성

: 유저의 사용자 경험이 뒷받침 되어야 함 

 

그로스 루프의 장점

1) 성장의 순환 고리 : 자동으로 반복되며 성장

2) CAC를 줄일 수 있음 : 광고비나 마케팅 비용 없이 기존 유저의 행동으로 신규 유저 유입 가능 

3) 더 많아질수록 더 빨라짐 : 사용자 수가 많아질수록 자주 돌아감 → 네트워크 효과까지 발생 

4) 어떤 모교는 맞춤 설계 가능 : 지표에 맞춰 설계 가능 

    ㄴ 리텐션 문제) 유저가 만든 콘텐츠를 통해 또 다른 유저의 방문 유도 구조 작성 

 

대표적인 그로스 루프 모델

1) 바이럴 루프 : 자발적으로 다른 유저를 데려오는 구조 > 초대 링크나 공유하기 버튼

2) 획득 루프 : 초대한 사람과 초대받은 사람 모두에게 보상을 주는 구조 

3) 콘텐츠 루프 : 콘텐츠를 보면 볼수록, 만들면 만들수록 플랫폼이 더 좋아지는 구조 → 추천 알고리즘

4) 리텐션 루프 : 유저가 계속 사용하면서 제품에 익숙해지고, 자연스럽게 다른 사람에게 추천 

5) 수익화 루프 : 유저가 돈을 쓰고, 그 수익으로 서비스를 더 좋게 만들거나 마케팅을 강화해서 유저를 끌어오는 구조 

 

그로스루프 예시 : 핀터레스트

1) 유입 

- 새로운 사용자가 가입

- 기존 사용자가 관심 있는 이미지를 보러 다시 방문

2) 행동

- 유저는 자신의 관심 분야 콘텐츠를 검색

- 직접 이미지를 저장하거나 업로드 

3) 결과

- 축척된 콘텐츠가 핀터레스트 플랫폼에 쌓이고,

- 핀터레스트는 검색엔진에 노출

- 외부의 새로운 유저가 콘텐츠 발견 

출처 : 마켓핏랩 솔루션즈 블로그

 

그로스 루프 설계하고 실행하는 5단계

 

1) 루프의 핵심 흐름 정의

- 우리 제품에서 사용자가 할 수 있는 행동 나열해보기

- 다음 유저 유입으로 이어질 수 있는 행동을 찾아 핵심 흐름 잡기

  ㄴ 설문 만들기 > 공유 > 응답자가 유입되어 가입하는 구조 

 

2) 인풋 > 액션 > 아웃풋으로 단계 나누기

- 인풋 : 사용자가 어떻게 처음 들어오는가 (검색, 초대, 광고 등)
- 액션 : 핵심 유저 행동은 무엇인가 (공유, 작성, 초대 등)

- 아웃풋 : 이 행동이 어떻게 유입으로 이어지는가 

 

3) 루프가 작동하도록 도구 설계하기 

- 사용자가 핵심 행동을 쉽게 하도록 싶어지는 도구 필요

  ㄴ UI/UX 개선 (공유 버튼 위치, 초대 흐름 간편화)

  ㄴ 인센티브 제공 (친구 초대 보상 등)

  ㄴ 알림, 이메일 등 리마인드 장치 

 

4) 지표로 루프 흐름 진단하기

- 각 단계에서 전환율을 측정하고, 어디서 루프가 끊기는지 확인 → 초대 링크 클릭률, 초대 후 가입률, 공유 콘텐츠 반응 등

- 바이럴 계수

 

5) 작은 실험 후 반복 개선 

- 실험을 통해 루프 검증 : 작은 단위로 실행 > 데이터를 보고 잘 되는 루프에 집중 > 잘 안되는 루프 개선

- 빠른 실험과 반복적인 최적화