서비스를 운영하거나 마케팅 성과를 볼 때 자주 등장하는 지표가 바로 잔존율입니다. 처음에는 “사용자가 다시 왔는지 보는 숫자 아닌가?” 정도로 이해하기 쉽지만, 실제로는 제품 경쟁력, 첫 경험의 품질, 고객 유지 전략까지 함께 보여주는 매우 중요한 지표입니다.
특히 앱, 웹서비스, 커머스, 구독형 비즈니스에서는 신규 유입만큼이나 얼마나 많은 사용자가 계속 남아 있는지가 성장의 핵심이 됩니다. 이 글에서는 초보자도 이해할 수 있도록 잔존율의 뜻, 계산 공식, 측정 방법, 해석 팁, 개선 전략까지 한 번에 정리해보겠습니다.
잔존율은 일정 시점에 유입된 사용자 중에서, 시간이 지난 뒤에도 다시 방문하거나 서비스를 계속 이용한 사용자의 비율을 뜻합니다. 쉽게 말해 **“처음 들어온 사람 중 얼마나 남아 있었는가”**를 보여주는 지표입니다.
예를 들어 어떤 앱에 오늘 100명이 처음 가입했고, 7일 뒤 그중 32명이 다시 앱을 사용했다면 7일 잔존율은 32%입니다. 숫자는 단순하지만, 이 수치 안에는 많은 의미가 담겨 있습니다.
즉, 잔존율은 단순한 방문 통계가 아니라 서비스의 건강 상태를 보여주는 핵심 지표라고 볼 수 있습니다.
신규 사용자 수와도 다릅니다. 신규 사용자 수는 새로 들어온 사람의 양을 보여주고, 활성 사용자 수는 특정 기간 동안 활동한 전체 인원을 의미합니다. 반면 잔존율은 “같은 출발선에 있던 사용자들이 시간이 지난 뒤 얼마나 남았는가”를 보는 개념입니다.
예를 들어 이번 주 활성 사용자가 많다고 해서 잔존율이 높은 것은 아닙니다. 광고나 이벤트로 신규 유입이 크게 늘면 활성 사용자 수는 증가할 수 있지만, 기존 사용자가 빠르게 이탈하고 있다면 잔존율은 낮을 수 있습니다. 그래서 서비스 성장성을 제대로 보려면 단순 유입보다 잔존율을 함께 확인해야 합니다.
또한 제품 개선과 마케팅 효율 판단에도 유용합니다. 광고로 많은 사람을 데려와도 대부분 바로 떠난다면 획득 비용 대비 효율이 낮습니다. 반대로 초기 잔존율이 꾸준히 좋아지고 있다면, 제품이 시장에 맞아가고 있다는 긍정적인 신호로 해석할 수 있습니다.
잔존율은 특히 다음과 같은 서비스에서 자주 활용됩니다.
여기서 한 가지 중요한 점은 “남아 있는 것”과 “단순히 한 번 다시 온 것”은 완전히 같지 않다는 것입니다. 어떤 사용자는 알림을 보고 한 번 들어왔다가 바로 이탈할 수 있고, 어떤 사용자는 꾸준히 핵심 기능을 사용하며 고객으로 남을 수 있습니다.
그래서 잔존율을 볼 때는 단순 방문뿐 아니라, 서비스에 맞는 의미 있는 행동을 함께 정의하는 것이 좋습니다. 예를 들어 커머스라면 재방문보다 재구매, 협업툴이라면 로그인보다 문서 작성 또는 공유, 콘텐츠 서비스라면 접속보다 콘텐츠 소비 완료가 더 중요한 기준이 될 수 있습니다.
잔존율의 기본 계산식은 매우 간단합니다.
잔존율 = 특정 시점에도 남아 있는 사용자 수 ÷ 처음 유입된 사용자 수 × 100
예를 들어,
이라면,
잔존율 = 32 ÷ 100 × 100 = 32%
즉, 7일 뒤에도 처음 가입한 사람 중 32%가 남아 있었다는 뜻입니다.
보통 잔존율은 기간별로 많이 계산합니다.
이렇게 보면 사용자가 언제 많이 이탈하는지, 그리고 초기 경험이 좋은지 장기적으로 유지되는지를 구분해서 볼 수 있습니다. 많은 서비스에서 Day 1, Day 7, Day 30은 기본 지표처럼 사용됩니다.
하지만 정확한 해석을 위해 가장 중요한 것은 코호트 기준으로 계산하는 것입니다. 코호트란 같은 시점, 같은 조건으로 유입된 사용자 집단을 뜻합니다. 예를 들어 “5월 1일 가입자 100명”, “5월 첫째 주 광고 유입자”, “이벤트 배너를 통해 가입한 사용자”처럼 묶을 수 있습니다.
왜 코호트가 중요할까요? 전체 활성 사용자를 섞어서 보면 실제로는 새로 들어온 사람과 오래된 사용자가 한데 섞여 버립니다. 그러면 “처음 유입된 사용자가 얼마나 남았는지”를 정확히 볼 수 없습니다. 잔존율은 같은 출발점의 집단을 시간 흐름에 따라 추적해야 의미가 있습니다.
가장 쉬운 예시로 살펴보겠습니다.
이 경우 **7일 잔존율은 32%**입니다.
여기서 초보자가 자주 헷갈리는 부분이 있습니다.
만약 7일차 전체 활성 사용자가 80명이라고 해서 잔존율이 80%는 아닙니다. 그 80명 안에는 다른 날 새로 가입한 사람도 섞여 있을 수 있기 때문입니다. 잔존율은 반드시 처음 가입한 100명만 기준으로 봐야 합니다.
또 같은 데이터라도 기준일이 바뀌면 해석이 달라집니다.
예를 들어 5월 1일 가입자 코호트의 7일 잔존율과, 5월 10일 가입자 코호트의 7일 잔존율은 서로 다른 의미를 가질 수 있습니다. 전자는 특정 캠페인 유입의 질을 보여줄 수 있고, 후자는 제품 업데이트 이후의 개선 효과를 보여줄 수 있습니다.
즉, 숫자 하나만 보는 것이 아니라 언제 유입된 누구의 잔존율인지를 함께 봐야 제대로 해석할 수 있습니다.
잔존율을 계산할 때 흔히 발생하는 실수는 아래와 같습니다.
1. 전체 활성 사용자를 섞어서 계산하는 경우
이건 가장 대표적인 오류입니다. 잔존율은 특정 코호트 기준으로 계산해야 하는데, 전체 활성 사용자 수를 넣어버리면 완전히 다른 지표가 됩니다.
2. 재방문과 재구매를 같은 뜻으로 해석하는 경우
커머스에서는 단순 방문보다 구매가 더 중요할 수 있습니다. 앱 접속은 했지만 구매하지 않았다면, 유저 잔존은 있었지만 고객 잔존은 약할 수 있습니다.
3. 기간 설정이 제각각인 경우
어떤 코호트는 7일 기준, 어떤 코호트는 10일 기준으로 보면 비교가 어렵습니다. 같은 기준으로 계산해야 추세를 읽을 수 있습니다.
4. 의미 없는 이벤트를 기준으로 잔존을 보는 경우
앱 실행만으로 잔존을 잡으면 실제 가치 행동과 거리가 있을 수 있습니다. 서비스 특성에 맞는 핵심 행동을 함께 정의하는 것이 좋습니다.
잔존율은 하나의 방식으로만 측정하지 않습니다. 서비스의 사용 주기와 분석 목적에 따라 여러 방식이 있습니다. 대표적으로 많이 보는 방법은 다음 세 가지입니다.
핵심 차이는 “정확히 그날 다시 왔는지”, “그 기간 안에 한 번이라도 왔는지”, “그 시점 이후 다시 온 적이 있는지”에 있습니다. 어떤 방식이 더 좋다기보다, 서비스 특성에 맞는 방식을 선택해야 합니다.
예를 들어 매일 사용이 중요한 앱이나 게임은 특정 날짜 복귀 여부가 중요하므로 N일 잔존율이 유용합니다. 반면 사용 주기가 길거나 불규칙한 서비스는 구간 잔존율이나 롤링 잔존율이 더 현실적인 해석을 제공합니다.
N일 잔존율은 특정 날짜에 다시 돌아온 사용자를 기준으로 보는 방식입니다.
예를 들어 Day 7 잔존율은 가입 후 정확히 7일차에 다시 사용한 사용자의 비율입니다.
이 방식은 다음과 같은 경우에 특히 유용합니다.
장점은 초기 반응을 매우 선명하게 보여준다는 점입니다. 예를 들어 Day 1 잔존율이 낮다면, 첫 경험이나 가입 직후 가치 전달에 문제가 있을 가능성이 큽니다.
다만 사용 주기가 긴 서비스에는 다소 엄격할 수 있습니다. 사용자가 6일차나 8일차에 돌아왔더라도 Day 7 잔존율에는 포함되지 않기 때문입니다.
구간 잔존율은 일정 기간 안에 한 번이라도 돌아오면 잔존으로 보는 방식입니다.
예를 들어 7일 이내 재방문, 2주~4주 내 재방문처럼 설정할 수 있습니다.
이 방식은 사용 주기가 일정하지 않거나 상대적으로 긴 서비스에 적합합니다.
예를 들어 식료품 구매 앱은 사용자가 정확히 7일차에 돌아오지 않아도, 5일차나 9일차에 구매할 수 있습니다. 이런 경우 N일 잔존율만 보면 실제 사용자 행동보다 낮게 보일 수 있어, 구간 잔존율이 더 현실적인 판단을 돕습니다.
즉, 구간 잔존율은 **“정해진 주기보다 사용 리듬”**을 읽는 데 강점이 있습니다.
롤링 잔존율은 특정 시점 이후 다시 방문한 사용자를 포함해 보는 방식입니다.
예를 들어 Day 7 롤링 잔존율은 7일차 또는 그 이후에 한 번이라도 돌아온 사용자를 잔존으로 계산할 수 있습니다.
이 방식은 다음과 같은 상황에서 유용합니다.
다만 롤링 잔존율은 보통 수치가 더 높게 보일 수 있습니다. 왜냐하면 특정 날만 보는 것이 아니라, 그 뒤에 돌아온 사용자까지 포함하기 때문입니다. 그래서 다른 방식과 단순 비교하면 오해가 생길 수 있습니다.
예를 들어 N일 잔존율이 15%인데 롤링 잔존율이 40%라면, “정확히 그날 돌아오는 사용자는 적지만 나중에라도 다시 오는 사용자는 많다”는 뜻일 수 있습니다. 따라서 롤링 잔존율은 단독으로 보기보다 N일 잔존율, 구간 잔존율과 함께 해석하는 것이 좋습니다.
잔존율을 분석하면 단순히 “사용자가 다시 왔는가”만 아는 것이 아닙니다. 제품과 서비스가 실제로 사용자 문제를 해결하고 있는지, 그리고 어떤 구간에서 이탈이 발생하는지까지 파악할 수 있습니다.
가장 먼저 알 수 있는 것은 제품의 지속 가치입니다. 사용자가 첫 방문 이후에도 계속 돌아온다면, 그 서비스는 단발성 호기심을 넘어서 일정한 가치를 제공하고 있다는 뜻입니다. 반대로 유입은 많은데 잔존율이 낮다면, 유입은 성공했지만 제품 경험이 기대를 충족하지 못했을 가능성이 큽니다.
또한 잔존율은 첫 경험과 온보딩의 품질을 판단하는 데 매우 유용합니다. 특히 Day 1, Day 7 잔존율은 아래 질문에 답을 줍니다.
이탈이 많이 발생하는 구간을 찾는 데도 효과적입니다. 예를 들어 Day 1은 괜찮은데 Day 7부터 급격히 떨어진다면, 첫인상은 나쁘지 않지만 반복 사용할 이유가 부족하다는 뜻일 수 있습니다. 반대로 Day 1부터 급격히 낮다면 회원가입, 권한 요청, 첫 실행 경험 등 초기 장벽을 먼저 점검해야 합니다.
제품에서 특정 기능을 한 번 써보는 것과 계속 반복 사용하는 것은 다릅니다. 여기서 채택률과 잔존율의 차이가 드러납니다.
예를 들어 새로운 추천 기능을 많은 사용자가 한 번 눌러봤다면 채택률은 높을 수 있습니다. 하지만 그 기능을 써본 사용자들의 Day 7, Day 30 잔존율이 개선되지 않았다면, 실제 장기 가치로 이어졌다고 보기 어렵습니다.
그래서 제품 채택률을 높이려면 단순 클릭 수보다 잔존 구간별 원인 분석이 필요합니다. 어떤 기능이 첫날 사용은 잘 되지만 반복 사용으로는 이어지지 않는지, 어떤 기능은 소수만 쓰지만 잔존율을 크게 높이는지 봐야 합니다.
초보자가 자주 헷갈리는 지표가 바로 고착도입니다.
둘은 비슷해 보이지만 보는 관점이 다릅니다.
고착도는 보통 DAU/MAU 같은 방식으로 많이 봅니다. 즉, 한 달 사용자 중 매일 사용하는 비중이 얼마나 되는지를 보는 개념입니다.
예를 들어,
따라서 두 지표를 함께 보면 충성도와 사용 습관을 더 입체적으로 이해할 수 있습니다.
잔존율을 높이려면 사용자가 서비스의 핵심 가치를 빠르게 경험하고, 다시 돌아올 이유를 느끼며, 이탈할 만한 불편을 최소화해야 합니다. 단순히 푸시 알림을 많이 보내는 방식만으로는 한계가 있습니다.
가장 기본은 가입 직후 핵심 가치 경험 설계입니다. 사용자가 “이 서비스가 왜 필요한지”를 첫 세션 안에서 이해하게 만들어야 합니다.
예를 들어,
다음으로 중요한 것은 첫 1주일 내 재방문 이유 만들기입니다. 많은 서비스에서 초기 잔존율이 장기 성과를 좌우합니다. 이 시점에는 메시지, 혜택, 추천 콘텐츠, 개인화 알림이 큰 역할을 합니다.
마지막으로는 이탈 구간별 맞춤 대응이 필요합니다. 모든 사용자에게 같은 알림을 보내기보다, 어느 단계에서 이탈하는지에 따라 UX와 커뮤니케이션을 다르게 설계해야 합니다.
초기 이탈을 줄이는 데는 다음 요소가 효과적입니다.
회원가입 절차 단순화
너무 많은 입력 항목은 첫 진입 장벽이 됩니다. 소셜 로그인, 단계적 정보 수집 등이 도움이 됩니다.
첫 행동 유도 문구와 화면 흐름 개선
사용자가 처음 들어왔을 때 무엇을 해야 하는지 바로 알 수 있어야 합니다. CTA 문구가 모호하면 이탈이 커집니다.
너무 이른 과금 유도 줄이기
아직 가치를 느끼기 전부터 결제를 강하게 요구하면 잔존율이 떨어질 수 있습니다.
과도한 권한 요청 최소화
첫 실행 직후 위치, 알림, 연락처 권한을 한꺼번에 요청하면 거부감이 커집니다.
첫 성취 경험 제공
체크리스트 완료, 첫 구매 쿠폰, 첫 콘텐츠 저장 등 즉각적인 성공 경험이 재방문 동기를 만듭니다.
장기 잔존은 초반 온보딩만으로 해결되지 않습니다. 시간이 지나도 다시 찾아올 이유를 만들어야 합니다.
반복 사용 동기를 만드는 개인화와 리마인드
사용 이력 기반 추천, 맞춤형 알림, 관심사 콘텐츠 제안이 효과적입니다.
재방문 이후 만족도를 높이는 기능 개선
다시 왔는데 여전히 불편하면 금방 이탈합니다. 속도, 탐색 편의성, 검색 품질, 결제 흐름 등을 계속 개선해야 합니다.
휴면 직전 사용자를 다시 활성화하는 캠페인 운영
일정 기간 활동이 없는 사용자에게 쿠폰, 새 기능 안내, 맞춤 제안 등을 보내는 방식입니다.
사용 루프 설계
한 번의 행동이 다음 행동으로 자연스럽게 이어지도록 설계하면 장기 잔존에 도움이 됩니다. 예를 들어 저장 → 추천 → 재방문 → 구매 같은 흐름입니다.
고객 세그먼트별 다른 전략 적용
신규 사용자, 고가치 고객, 휴면 직전 사용자, 복귀 사용자에게 같은 메시지를 보내면 효율이 떨어집니다.
잔존율이 높다고 해서 무조건 좋은 서비스라고 단정할 수는 없습니다. 중요한 것은 어떤 기준으로 측정했는지, 그리고 업종 특성에 비해 어떤 수준인지입니다.
예를 들어 업무용 SaaS는 매일 접속하지 않아도 충분히 좋은 서비스일 수 있습니다. 반대로 메신저나 게임은 매일 혹은 자주 사용해야 경쟁력이 있다고 볼 수 있습니다. 즉, 잔존율은 항상 제품 사용 주기와 맥락 안에서 해석해야 합니다.
또 업종별 기준 수치가 다른 이유도 여기에 있습니다.
그리고 잔존율만 보면 놓치는 부분이 있습니다. 함께 보면 좋은 지표는 다음과 같습니다.
즉, 잔존율은 매우 중요하지만 혼자서 모든 것을 설명하는 지표는 아닙니다.
다음 상황에서는 잔존율 해석에 특히 주의해야 합니다.
이벤트 유입이 많아 일시적으로 수치가 흔들리는 경우
대형 프로모션이나 광고 이벤트로 유입이 급증하면, 평소보다 관심도가 낮은 사용자가 많이 들어와 잔존율이 일시적으로 떨어질 수 있습니다. 반대로 혜택만 노린 유입이 특정 시점 재방문을 만들어 수치가 잠깐 높아질 수도 있습니다.
표본 수가 적어 퍼센트가 과장되어 보이는 경우
처음 유입자가 10명뿐인데 3명이 남으면 잔존율은 30%입니다. 숫자만 보면 괜찮아 보이지만, 표본이 너무 작아 의미 있는 비교가 어려울 수 있습니다.
짧은 기간 성과만 보고 장기 추세를 놓치는 경우
Day 1 잔존율이 좋아도 Day 30이 급격히 무너지면 장기 경쟁력이 약할 수 있습니다. 반대로 초기 수치는 평범해도 장기 유지가 안정적일 수도 있습니다.
측정 기준이 바뀐 경우
이전에는 앱 실행을 기준으로 잔존율을 계산하다가, 이후 핵심 행동 완료로 기준을 바꾸면 숫자 차이가 생깁니다. 이때는 단순 전후 비교를 하면 안 됩니다.
채널별 유입 질이 다른 경우
검색 광고, 추천 링크, 자연 유입, 인플루언서 캠페인은 사용자의 기대치와 의도가 다르므로 잔존율도 다르게 나타날 수 있습니다. 전체 평균만 보면 원인을 놓치기 쉽습니다.
잔존율은 단순히 “얼마나 다시 왔는가”를 세는 숫자가 아닙니다.
그 안에는 첫 경험의 품질, 제품의 실질 가치, 마케팅 효율, 고객 유지 전략이 함께 담겨 있습니다.
정리하면 다음과 같습니다.
초보자라면 처음부터 복잡하게 접근할 필요는 없습니다. 우선 Day 1, Day 7, Day 30 잔존율부터 코호트 기준으로 꾸준히 추적해보세요. 그다음 유입 채널, 기능 사용 여부, 구매 여부까지 연결해서 보면 잔존율이 단순한 수치가 아니라 성장을 읽는 지도처럼 보이기 시작할 것입니다.
비슷하게 쓰이기도 하지만 완전히 같지는 않습니다. 잔존율은 같은 시점에 유입된 사용자 집단이 시간이 지난 뒤 얼마나 남았는지를 보는 개념이라 코호트 기준이 중요합니다.
기본 공식은 특정 시점에도 남아 있는 사용자 수를 처음 유입된 사용자 수로 나눈 뒤 100을 곱하는 방식입니다. 예를 들어 가입자 100명 중 7일 뒤 32명이 다시 사용했다면 7일 잔존율은 32%입니다.
사용자 이탈이 언제 집중되는지 구간별로 확인할 수 있기 때문입니다. Day 1은 첫 경험과 온보딩, Day 7과 Day 30은 반복 사용 가치와 장기 유지 가능성을 읽는 데 유용합니다.
전체 활성 사용자 수를 섞어 보면 신규 유입과 기존 사용자가 함께 잡혀 해석이 왜곡될 수 있습니다. 같은 날짜나 같은 조건으로 유입된 사용자끼리 묶어야 실제 유지율을 정확히 볼 수 있습니다.
먼저 어떤 시점에서 급격히 이탈하는지 확인한 뒤 그 구간의 경험을 점검해야 합니다. 보통 온보딩, 핵심 가치 전달 속도, 알림과 재방문 이유, 서비스별 핵심 행동 정의를 우선 살펴보는 것이 좋습니다.
작성자
Seongbin
FanRuan에서 재직하는 고급 데이터 분석가
관련 기사
LTV란 무엇인가? 주택담보대출 뜻부터 계산법·한도 구조까지 한 번에
집을 살 때 가장 많이 듣는 금융 용어 중 하나가 바로 ltv 입니다. 뉴스나 은행 상담에서 자주 등장하지만, 막상 뜻을 정확히 설명하려고 하면 헷갈리는 경우가 많습니다. 특히 주택담보대출을 알아보는 단계에서는 ltv를 이해해야 내가 얼마까지 빌릴 수 있는지 , 자기자금은 얼마나 필요한지 , 실제 한도는 왜 생각보다 적게 나오는지 를 읽을 수 있습니다. 쉽게 말해 ltv는 주택의 담보 가치
Seongbin
2026년 5월 06일
운영계획이란? 전략계획과의 차이, 실무 문서 구성까지 한 번에 정리
조직이 목표를 세우는 것만으로 성과가 나지는 않습니다. 실제 현장에서는 무엇을 할지 보다 누가, 언제, 어떤 자원으로, 어떤 기준에 따라 실행할지 가 더 중요할 때가 많습니다. 이때 필요한 문서가 바로 운영계획 입니다. 운영계획은 회사, 공공기관, 학교, 비영리단체 등 어떤 조직이든 실무를 굴러가게 만드는 핵심 도구입니다. 그런데 현장에서는 전략계획과 운영계획을 혼용하거나, 운영계획과 운영계
Seongbin
2026년 5월 06일
데이터 분석 종류 총정리: 기술·진단·예측·처방 분석 4가지 한눈에 비교
데이터를 본다고 해서 모두 같은 분석은 아닙니다. 어떤 분석은 “무슨 일이 있었는가” 를 보여주고, 어떤 분석은 “왜 그런 일이 생겼는가” 를 파고듭니다. 또 어떤 분석은 “앞으로 무슨 일이 일어날까” 를 예측하고, 더 나아가 “그래서 무엇을 해야 하는가” 까지 제안합니다. 이처럼 목적에 따라 나뉘는 대표적인 $1 종류 가 바로 기술 분석, 진단 분석, 예측 분석, 처방 분석 입니다. 실무에
Seongbin
2026년 5월 06일
