2,800만 MAU를 이해하는 유저 Segmentation, TUES

토스가 2,800만 MAU의 유저 이용 패턴을 이해하기 위해 개발한 세그멘테이션 시스템 TUES(Toss User Engagement Segment)의 설계와 V1에서 V2로의 진화 과정을 다룬다. Hard Clustering에서 Soft Clustering으로 전환하고 서비스별 관여도 차원을 추가해 분석 정밀도를 높인 실전 사례다.

핵심 포인트

TUES는 서비스 이용 패턴 기반 클러스터링으로 유저를 고관여·서비스지향·단순방문으로 분류해 Growth 전략과 타겟 마케팅에 활용한다
V1은 K-Means 기반 Hard Clustering이었고, V2는 한 유저가 여러 세그먼트에 동시에 속할 확률을 부여하는 Soft Clustering으로 전환했다
V2에서 측정 지표를 "앱오픈 시 이용 확률"에서 "서비스별 이용 횟수"로 바꿔 이용 깊이를 반영했다
3층 구조(서비스별 관여도 → 앱 전체 관여도 → 주 이용 서비스)로 세그멘테이션 단계를 분리했다
Retention, Cross Activation, 탑라인 MAU 분석, 타겟 마케팅 등 전사 의사결정 도구로 활용된다

상세 정리

배경: 2,800만 MAU를 단순 숫자로 보는 게 아니라 어떤 서비스를 주로 이용하는지를 파악해야 Growth 전략과 제품 방향 설정이 정교해질 수 있었다
V1 구조: K-Means Clustering으로 고관여(여러 서비스 두루 이용) / 특정서비스지향(토스뱅크·증권·조회 중심) / 단순방문(실질 이용 없음) 세 군으로 분류했다
V1 한계: Hard Clustering이라 한 유저는 반드시 하나의 군에만 속해야 해 복합적 이용 패턴을 포착하지 못했다
V2 측정 지표 변경: "앱오픈 시 이용 확률(binary)"을 "서비스별 이용 횟수(frequency)"로 바꿔 얼마나 깊이 이용하는지를 반영했다
Soft Clustering 도입: 한 유저가 여러 세그먼트에 속할 확률을 동시에 부여한다. 고관여 70% + 증권지향 30%처럼 혼합 멤버십이 가능하다
3층 계층 구조: 서비스별 관여도 산출 → 앱 전체 관여도 집계 → 주 이용 서비스 규명의 단계적 설계로 세그멘테이션 근거를 명확히 했다
전사 활용: 세그먼트별 Retention Rate 분석, 세그먼트 간 Cross Activation 전략, 제품 Growth 방향 설정, 타겟 마케팅 효율화에 사용된다
향후 계획: 세그먼트 Transition 분석 프레임워크 구축, 유저 프로파일링 결합, MTVi 통합을 통한 세그먼트별 가치 정량화 예정이다

왜 읽나대규모 슈퍼앱의 유저 세그멘테이션을 K-Means에서 Soft Clustering으로 고도화한 실전 사례를 찾는 데이터 애널리스트·ML 엔지니어에게 유용하다

토스 SLASH 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

2,800만 MAU를 이해하는 유저 Segmentation, TUES

이 글과 비슷한

에이전틱 SDLC를 QA 엔지니어링 마인드셋으로 구축하기

보안 업무를 위한 AI 에이전트 플랫폼 「SAGE」 개발기 1편: 판단은 사람에게 남기는 설계

실리콘투의 사내 지식 MCP 게이트웨이 구축기