▲

웹 2.0때 바이럴 루프에 대해 배운 (그리고 잊어버린) 모든 것

 (andrewchen.substack.com)
21P by neo 2달전 | ★ favorite | 댓글 2개
  • 바이럴 루프(Viral Loop) 는 제품 자체에 설계된 성장 메커니즘으로, 초대·공유·추천 기능을 통해 측정 가능하고 최적화 가능한 사용자 획득 구조를 만듦
  • 웹 2.0 전성기에는 바이럴 루프를 이용해 수천만 사용자를 만든 제품이 쏟아졌지만, 이후 모바일 시대로 넘어가며 이 노하우 상당수가 사라진 상태임
  • 제품 안에 초대·공유·추천 기능을 설계하고 세션·코호트 단위로 바이럴 팩터(viral factor) 를 계량하면, 어느 정도까지 무료 사용자를 증폭시킬 수 있는지 수식으로 추적 가능함
    • 1.0 이상이면 자체적으로 성장 가속, 1.0 미만이면 결국 성장 둔화
  • 단순하고 강한 공유 루프에 의존하는 카테고리 1 제품과, 깊은 기능과 높은 리텐션 위에 여러 공유 루프를 얹는 카테고리 2 제품이 존재하며, 두 경우 성장 패턴과 한계가 크게 다름
  • 모바일 전환, 플랫폼 제약, 신기함 소멸, 시장 포화 등으로 첫번째 세션에서 바이럴 팩터가 1을 넘는 구조는 거의 불가능해졌고, 오늘날에는 리텐션이 높을수록 세션 전체를 합친 누적 바이럴 팩터가 커지는 구조가 중요해짐
  • AI 생성형 도구와 소셜에서 유행하는 시트포스팅·레이지베이팅·영상 클립은 일회성 스파이크에 가깝지만, 제품 안에 설계된 “만들고-공유하기” 루프와 결합될 때 장기적인 사용자 기반 확장에 기여 가능

웹 2.0 시대 바이럴 루프의 전성기

  • 2005~2010년 웹 2.0 시기에는 소셜 네트워크, UGC 플랫폼, 협업 도구, 메신저 앱들이 체계적으로 바이럴 루프를 설계해 수백만~수억 명 규모 사용자 기반을 형성함
    • 이메일 초대, 주소록 가져오기, 컨텐츠 공유 링크 등으로 유저가 유저를 불러오는 구조를 공학적으로 최적화함
    • A/B 테스트와 수식 기반으로 바이럴 팩터를 추적하며 “공학적으로 설계된 성장”을 추구한 시기임
    • Facebook, LinkedIn, YouTube, Spotify, Pinterest 등이 이렇게 성장
  • 이 시기에 성공한 바이럴 제품 창업자·팀은 이후 대형 테크 기업 임원·VC로 이동하며 바이럴 루프 구축 지식이 사실상 소실
  • 모바일 전환 이후 예전 방식이 통하지 않으면서 지식과 노하우 상당 부분이 실무 현장에서 희석된 상태임
  • 그러나, 현재의 Product-Led Growth, 마켓플레이스 추천, 생성형 AI 공유 플로우에도 같은 수학·사고방식이 그대로 적용 가능함

바이럴 팩터를 수식으로 보는 기본 구조

  • 여기서 다루는 바이럴은 트윗 하나가 터지는 수준이 아니라, 제품 안에 내장된 초대·태깅·링크 공유·추천 프로그램이 지속적으로 신규 사용자를 만들어내는 구조적 루프를 의미함
  • 이 루프의 특징은 측정 가능하고, 제품 변경으로 개선 가능하며, 초대·콘텐츠 공유·리퍼럴 등 다양한 형태에 동일한 수학적 구조가 적용되는 특성을 가지며, 중심에 바이럴 팩터(viral factor) 라는 비율 개념이 놓여 있음
  • 바이럴 팩터는 “특정 기간에 가입한 사용자 코호트”를 분모로 두고, 해당 코호트의 사용자들이 시간이 지나며 초대·공유를 통해 만들어낸 신규 사용자 수를 분자로 두는 비율
    • 예: 3개월 전 가입자 100명이 이후 50명을 데려오면 해당 시점 바이럴 팩터는 0.5임
    • 100명의 사용자가 150명을 데려오고, 그 150명이 225명을 데려오는 상황이라면 바이럴 팩터는 1.5
    • 1 이상이면 루프가 확장되고 1 미만이면 언젠가 멈추는 구조

컨텐츠 공유 루프와 데이터 설계

  • 대표적인 바이럴 루프 예시는, 사용자가 AI·필터·툴로 무언가를 만들고 링크로 공유하면, 이를 본 일부가 스스로 가입해 같은 것을 만드는 구조
    • Instagram 필터, 블로그 글, 요즘의 AI 동영상 생성 도구 등이 같은 패턴에 해당함
  • 이를 계량하려면 공유 링크에 sharer_id를 포함한 URL을 붙여 추적해야 함
    • 예: product.com/vid/[video_id]?sharer_id=[user_id] 형태로 공유하고, 이 링크를 통해 가입한 사용자의 row에 sharer_id를 저장함
  • 이후 특정 코호트의 id 목록을 가져와, 이들이 다른 유저의 sharer_id로 몇 번 등장했는지를 집계하면 바이럴 팩터를 계산할 수 있음
    • sharer_id가 비어 있는 사용자는 “Gen 1/onramp 사용자”로 보고 계산에서 제외하고, Gen N 대비 Gen N+1의 비율을 보는 방식이 더 안정적
  • 바이럴 팩터를 계산하고 나면 자연스럽게 “이 숫자를 어떻게 키울 것인가, 1을 넘길 수 있는가” 라는 질문으로 이어짐
    • 온보딩에서 초대를 요청하는 플로우 추가, 복사하기 쉬운 초대 링크, 공유 UI 개선
  • sharer_id 기반으로 계산이 가능해지면 대시보드 지표로 고정해두고 A/B 테스트로 변화량을 관찰하는 운영 방식이 가능
    • 실험 변수로는 공유 기능을 사용하는 비율, 공유 횟수, 공유를 받은 쪽의 가입 전환율 등이 있으며, 이 조합이 일종의 “바이럴 팩터 cookbook” 처럼 작동
  • 즉 바이럴 팩터는 초대(invite) 루프뿐 아니라 공유·협업·리퍼럴 등, 기존 사용자가 새 사용자를 만들어내는 모든 구조에 일반적으로 적용 가능

“초대 수 × 전환율” 공식과 그 한계

  • 인터넷에 널리 알려진 “바이럴 팩터 = 초대 수 × 전환율” 공식은 직관적으로는 맞지만, 이 방식은 초대형 루프에만 국한된다는 한계가 있음
    • 실제로는 컨텐츠 공유, 협업 초대, 추천 코드 등 다양한 루프가 존재함
  • 무엇보다 진짜 알고 싶은 것은 두 사용자 코호트 사이의 비율이므로, 코호트 기반 정의가 더 본질에 가까움
  • 초대 수×전환율에만 매달리면 최대한 많은 친구에게 초대 메일을 보내게 만드는 방향, 즉 스팸에 가까운 설계로 유도되고, 사용자 피로도를 키움
    • Bebo, Tagged, Hi5, MySpace 등 과거 소셜 네트워크들은 핫메일·야후메일 주소록 가져오기 기능으로 초대 메일을 200개 이상 날리게 해, 바이럴 팩터를 인위적으로 끌어올렸음
    • 이런 방식은 유효하지 않은 주소로의 발송 증가 → 전환율 감소 → 이메일 제공자들의 스팸 판정으로 이어지고, 약 10년간은 먹혔지만 결국 이메일 초대 루프 시대가 끝나게 됨

바이럴 제품의 핵심 지표와 PMF 조건

  • 일시적인 바이럴 스파이크 이후에도 남는 제품을 가려내기 위해서는, 다음과 같은 리텐션·습관화·네트워크 효과·수익화 지표들이 유용한 기준임
    • 코호트 리텐션 곡선이 일정 수준에서 평평해지는지(붙잡혀 있는 사용자 비율)
    • actives/registered > 25% 수준으로, 가입자 대비 실제 활동 사용자가 충분한지
    • 파워 유저 커브가 “웃는 얼굴 모양(smile)”을 그리는지(중심에 강하게 붙은 유저층 존재 여부)
  • 추가로 다음과 같은 지표들이 지속 가능한 비즈니스를 가려내는 기준으로 유효함
    • 바이럴 팩터 > 0.5(다른 채널을 증폭시켜 줄 만큼의 수준)
    • DAU/MAU > 50%(일상적인 사용 습관 형성 여부)
    • 시장·로고 단위로 오래된 네트워크일수록 참여가 높아지는지(네트워크 효과)
    • D1/D7/D30이 60/30/15 수준을 넘는지(초기 안착과 사용 빈도)
    • 유저당 매출·활동량이 시간이 갈수록 늘어나는지(더 깊게 쓰이기 시작하는지)
    • 유의미한 규모에서 60% 이상이 유료 마케팅이 아닌 자연 유입(organic) 인지
  • 많은 Web 2.0·Facebook 플랫폼 시대 바이럴 앱들은 매우 높은 초기 바이럴 팩터와 입소문을 확보했지만, 리텐션이 받쳐주지 않아 스파이크 이후 사라짐
    • 바이럴 루프를 통해 떠나간 유저를 반복해서 재획득할 수는 있지만, 제품-시장 적합성과 스틱한 사용 구조가 없으면 성공적인 비즈니스로 이어지지 않음

두 가지 유형의 바이럴 제품: 카테고리 1과 2

  • 바이럴 제품은 대체로 두 가지 카테고리로 나뉨
    • 카테고리 1: 한 가지 동작에 집중한 단순 앱으로, 그 결과물이 매우 쉽게 공유되는 초단순 앱(초기 Instagram, YouTube, 각종 퀴즈·익명 앱 등)
    • 카테고리 2: 깊은 기능과 강한 리텐션을 가진 제품에 여러 공유·협업 기능이 들어 있는 복잡한 제품(Figma, Slack, 초기 Facebook 등)
  • 카테고리 1은 짧은 플로우와 높은 전환 덕분에 폭발적인 성장과 “하룻밤 사이에 뜨는” 패턴을 만들기 쉽지만, 스파이크 후 이탈과 낮은 누적 리텐션 문제를 안고 있음
  • 카테고리 2는 구축에 시간이 오래 걸리고 초기 성장은 완만하지만, 획득한 유저가 잘 떠나지 않기 때문에 많은 세션 동안 누적 바이럴 팩터를 쌓을 수 있는 구조
  • 현재 AI 컨텐츠 생성 도구 상당수는 카테고리 1 패턴(간단한 생성→공유) 을 따라가고 있어, 과거 사진 필터·동영상 서비스와 비슷한 강점(빠른 성장)과 약점(스파이크 후 유지 문제)을 같이 가지고 있음

단순 컨텐츠 생성 루프의 단계별 구조와 수식

  • 단순한 컨텐츠 생성·공유 루프는 다음 단계를 거침
    • 누군가 만든 결과물을 온라인에서 봄 →
    • 결과물을 시청·감상함 →
    • 결과물에 달린 링크를 눌러 제작 도구로 이동함 →
    • 직접 도구를 써서 무언가를 만들어 봄 →
    • 만든 결과물을 다시 소셜·메신저 등으로 공유함 →
    • 더 많은 사람들이 이를 보고 같은 과정을 반복함
  • 각 단계에는 시청 비율, 클릭률, 생성 비율, 공유 비율, 노출된 사람 수 같은 퍼널 지표가 존재하며, 이들을 곱한 값과 “한 번 공유될 때 평균 몇 명이 보는지(X)”를 곱한 값이 1을 넘으면 루프가 폭발적으로 커지는 구조
  • 예시로 다음과 같은 수치를 두면, 0.5(시청) * 0.1(클릭) * 0.2(생성) * 0.5(공유) * X가 1을 넘어야 바이럴이 일어남
    • 앞 네 항을 곱하면 0.005이므로, 루프를 1 이상으로 만들려면 한 번 공유할 때 200명 이상이 결과물을 봐야 하는 상황이 됨
    • 수치가 민감하게 변하므로, 작은 UI·콘텐츠 변경이 전체 루프에 큰 영향을 줄 수 있음
  • 바이럴 팩터(v)를 기준으로 보면, 세대별 유입을 기하급수적 합으로 본 총 사용자 증폭률은 1/(1-v) 구조를 따름
    • 바이럴 팩터가 작을 경우, 실제 데이터에서는 노이즈 속에 묻혀 육안으로 구분하기 어려운 수준의 증가만 보이는 경우가 많음
    • 예: 하루 100명 유입, 바이럴 팩터 0.1이면 최종 증폭은 1.11배라 추가 11명 수준에 그침
    • v=0.5이면 1/(1-0.5)=2가 되어, 유료로 데려온 100명의 위에 바이럴로 100명을 더 얹는 꼴이 됨
  • 즉, v=0.5이면 2배, v=0.75면 4배, v=0.9면 10배의 유저 증폭 효과가 생기는 구조
    • 같은 100명 유입이 최종 200명(2배)·400명(4배)·1000명(10배) 처럼 체감 가능한 증폭으로 이어져, 유료 마케팅 비용을 크게 상쇄하는 효과를 냄
  • 이 때문에 실제 설계에서는 “조금이라도 바이럴이 있으면 좋다” 수준보다는, 0.5 이상으로 끌어올릴 수 있는 구조를 만들어야함

시간이 지나며 바이럴 성능이 떨어지는 이유

  • 바이럴 루프는 시간이 지날수록 성능이 자연스럽게 감소하는 방향으로 움직이는 경향이 있음
    • 신기함(novelty) 효과가 사라지고, 시장 포화가 진행되며, 플랫폼의 규제가 강해짐
  • 새로운 형태의 컨텐츠·툴이 등장했을 때는 사람들이 더 잘 보고·눌러보고·써보는 경향이 강하지만, 시간이 지나면서 같은 형식의 공유가 흔해지면 동일 지표가 전반적으로 떨어지는 패턴이 반복됨
    • 일례로 초창기 AI 이미지 공유는 손가락이 여섯 개인 사진도 새롭다며 많이 공유됐지만, 지금은 훨씬 높은 기준의 놀라움이 필요하게 됨
  • 시장 포화가 진행될수록, 유저가 초대하고 싶은 상위 친구 목록 중 상당수가 이미 가입자거나 관심이 없는 상태가 되어, 유효 초대 수가 감소함
    • 또한 후반부에 유입되는 유저는 늦은 수용자이자 입소문이 약한 경향이 있어 전반적인 바이럴 팩터가 떨어짐
    • 이메일 주소록 초대 사례에서, 200개 이상의 연락처에 보내면서 높은 오픈·클릭률이 나왔지만, 수천만 사용자를 모은 뒤에는 연락처 수 자체가 줄고, 오픈/클릭률이 함께 떨어짐
  • 모든 바이럴 루프는 기저 플랫폼(이메일, Facebook, TikTok 등) 위에서 작동함
    • 워터마크·링크가 과도하게 붙은 콘텐츠가 많아지면 플랫폼이 이를 억제하는 정책을 적용도 가능
    • 즉, 플랫폼이 워터마크·링크가 붙은 컨텐츠를 싫어하거나 경쟁 기능을 내기 시작하면, 특정 단계의 전환율이 급락하며 루프 전체가 붕괴될 수 있음

하이퍼심플 앱의 한계와 네트워크 효과

  • 하이퍼 심플·하이퍼 바이럴 앱은 소수의 화면과 몇 가지 UI만으로 구성된 제품 구조를 가지며, 이 구조 자체는 콘텐츠·네트워크가 충분할 경우 매우 깊은 리텐션을 낼 수 있는 잠재력을 가짐
    • YouTube, Instagram은 매우 단순한 코어 UI와 방대한 콘텐츠 네트워크로, 작은 앱처럼 보여도 끝없이 몰입감을 주는 예
  • 이런 제품은 시간이 지나며 기능이 많이 추가되더라도, 콘텐츠 양과 네트워크 효과 덕분에 작은 앱 구조만으로도 끝없이 새로운 것을 보여줄 수 있음
  • 반대로, 단순히 바이럴 트릭만 있고 콘텐츠·그래프·습관이 쌓이지 않는 앱은, 스파이크가 지난 뒤 사용자 기반이 거의 남지 않는 패턴을 반복함

현대 소셜 바이럴 기법(시트포스팅 등)의 한계

  • 최근 소셜에서 말하는 “바이럴”은 레이지베이트(ragebait,분노 유도), 시트포스팅(shitposting), 멋진 런칭 영상, 틱톡 클립, 빌보드, 인플루언서 바이럴, 창업자의 인플루언서화 등 다양한 전술을 섞은 형태임
  • 이런 기법은 일회성 트래픽 스파이크를 만들기에는 좋지만,
    • DAU가 커질수록 신규 유저 수 / DAU 비율을 유지하며 기하급수적으로 확장시키는 구조와는 거리가 멀다는 한계가 있음
    • 같은 포맷을 월·주 단위로 반복하면 관성·피로감 때문에 점점 효과가 떨어지는 경향이 강함
  • 그럼에도 불구하고, 이 전술들로 들어온 트래픽이 제품 내부의 “만들고-공유하기” 루프와 결합되면, 스파이크가 반복 가능한 성장의 씨앗으로 전환될 수 있다는 점에서 여전히 유효한 도구로 남아 있음

웹 2.0 바이럴의 종말과 모바일 전환

  • 웹 2.0 전성기에는, 이메일 초대·주소록 가져오기·Facebook 앱 등을 활용해 “제로에서 수백만 사용자” 에 이르는 사례가 다수 등장했음
    • Facebook·LinkedIn·YouTube·Spotify·Pinterest 등 많은 서비스가 이 기반에서 성장
    • BirthdayAlar(생일 알림 이메일), Plaxo(연락처 업데이트 요청) 같은 서비스는 친구의 생일·연락처를 최신으로 유지해준다는 명분으로 초대 루프를 돌렸고, 이 메커니즘은 이후 소셜 네트워크 등장으로 이어짐
  • 시간이 지나며 사용자들이 이런 패턴에 익숙해지고, 이메일 제공자들은 스팸 필터를 강화했으며, 결정적으로 세상의 중심이 이메일에서 모바일로 이동하면서 같은 구조를 재현하기 어려워짐
  • 모바일에서는 연락처 접근 자체는 가능하지만, 번호를 하나씩 골라 초대하는 UX 때문에 이메일처럼 200명 단위로 대량 초대하기가 어려웠음
    • Twilio 같은 서버에서 문자(SMS)를 대신 보내도록 하는 시도도 있었지만, 이는 SMS 스팸 이슈와 법규·벌금 리스크로 이어져 지속 가능하지 않았음
  • 그 결과, “첫 세션에서 바이럴 팩터 1을 넘기는” 하이퍼심플·하이퍼바이럴 앱의 시대는 사실상 끝났으며, 현재는 대부분 0.2~0.3 수준의 바이럴 팩터가 일반적인 상황

리텐션 중심 현대 바이럴 전략: 채널 믹스와 세션 합산

  • 오늘날 앱의 성장은 과도한 초대 유도 대신, 크게 두 요소의 조합으로 정리됨
      1. 여러 개의 상단 퍼널(SEO, 소셜, PR, 유료 광고, 추천 등)
      1. 강한 리텐션으로 인해 세션 전체에 걸쳐 누적되는 바이럴 팩터
  • 첫 번째로, 유료 마케팅, 리퍼럴, 구전, SEO, 언론, SNS 등 여러 채널에서 꾸준히 신규 사용자를 흘려보내는 구조가 필요
    • Uber의 경우 첫 번째 트립의 약 절반이 유료 마케팅, 10~20%는 리퍼럴, 나머지는 구전·SEO 등에서 나옴
  • 두 번째로, 제품이 많은 사용자 세션을 생성하는 강한 리텐션을 가지면,
    • 각 세션에서 조금씩 공유·초대·리퍼럴을 유도해 세션별 바이럴 팩터를 모두 합산한 총 바이럴 팩터를 만들 수 있음
  • “초대 수 × 전환율” 대신, 세션 1의 바이럴 팩터 + 세션 2의 바이럴 팩터 + … 형태의 무한 합으로 바라봐야함
    • 단순 공식인 초대 수 × 전환율은 모든 바이럴이 첫 세션에만 일어난다는 암묵적 가정을 깔고 있지만, 실제로는 유저가 수십·수백 번의 세션을 가지며 매번 조금씩 공유·초대를 할 수 있음
    • 따라서 현실에 더 가까운 관점은, 각 세션마다의 바이럴 팩터를 리텐션 곡선 전 구간에 걸쳐 합산한 값으로 보는 것

온보딩과 이후 세션에서의 바이럴 역할 분담

  • 경험적으로 보면 전체 바이럴 팩터의 절반은 첫 세션, 나머지 절반은 이후 세션에서 생성됨
    • 첫 세션에는 사용자가 워크스페이스 설정, 친구·동료 초대 등 ‘셋업’ 모드에 있기에, 초대 기능을 자연스럽게 전면에 배치할 수 있음
    • 두 번째 이후 세션에서는 사용자가 이미 가치 제공을 기대하는 모드라, 바이럴 플로우로 끌고 가기 위해서는 맥락상 유용한 기능이어야 함
  • 실제 제품에서는 여러 종류의 바이럴 루프가 공존하며, 각 루프가 서로 다른 시점·컨텍스트에서 작동
    • Dropbox 예시: 폴더 공유, 초대 기능, 리퍼럴 프로그램, 다른 Dropbox 앱들의 바이럴 루프 등이 각각 다른 형태로 기여함
    • Uber 예시: 앱 내 리퍼럴 크레딧뿐 아니라 친구와 함께 타는 경험, ETA 공유 등 IRL·기능 기반 노출이 새로운 유저를 유도하는 루프로 작동함
  • 각 루프의 성능은 제각각이지만, 전체적으로 보면 유저가 여러 세션에 걸쳐 다양한 방식으로 다른 사람을 제품 안으로 끌어들이는 구조가 형성됨
  • 리텐션이 높을수록 유저가 여러 루프에 노출될 기회가 늘어나므로, 스팸성 UI를 쓰지 않고도 장기적으로 바이럴 팩터를 키울 수 있는 기반이 됨

리텐션과 스팸성 바이럴의 관계

  • 세션 수가 많고 리텐션이 높은 제품은 각 세션에서 조금씩만 공유·초대를 유도해도 총합 바이럴 팩터를 크게 만들 수 있어, 스팸성 강제 초대에 의존할 필요가 적은 구조임
    • 반대로 평균 세션이 2~3회 수준인 저리텐션 제품은 그 안에 모든 바이럴을 쥐어짜야 해서 강하게·눈에 띄게·거의 스팸에 가깝게 초대를 요구하게 됨
  • 초기 Facebook은 경쟁 소셜 네트워크에 비해 우측 레일에 조용히 배치된 이메일 초대 기능만 두고도, 높은 리텐션 덕분에 장기 바이럴을 얻은 예
    • 반대로 스팸성 초대에 의존하던 경쟁 소셜 네트워크는 낮은 리텐션과 사용자 피로도로 인해 결국 Facebook에 밀려났음
  • 장기적으로는 리텐션이 높은 제품 + 덜 스팸성인 루프를 가진 쪽이, 사용자 경험과 성장 두 측면에서 모두 우위를 갖게 됨

바이럴 팩터가 1 미만일 때의 가치와 “속도”

  • 실제 환경에서는 바이럴 팩터가 1을 넘는 경우가 드물며, 0.2~0.3 수준에서 안정되는 경우가 많음
  • 그럼에도 v=0.2이면, 1000명을 유료·기타 채널로 데려왔을 때 200명을 무료로 추가 확보하는 셈이 되어, CAC 할인 효과가 꽤 의미 있게 작동함
  • 바이럴에는 속도(speed) 라는 개념도 중요함
    • 사용 빈도가 높은 소셜 앱은 매일 여러 번의 공유·초대가 일어나므로, 동일한 바이럴 팩터라 해도 성장 속도가 빠름
    • 반대로 파일 저장·백업처럼 백그라운드에서 쓰는 도구는, 추천 기능을 한 달에 한 번 정도만 쓰는 식이라, 누적 바이럴은 크더라도 성장 속도가 느릴 수 있음
  • 장기적으로 수억 사용자 규모를 목표로 하는 컨슈머·프로슈머 제품에서는, 유료 마케팅만으로는 도달하기 어려운 규모를 바이럴·SEO·스토어 최적화 등 “무료·저비용 채널” 이 메워주는 구조가 필수적임

AI 시대의 바이럴 루프와 상단 퍼널 스파이크

  • 정리하면, 시트포스팅·레이지베이팅·시네마틱 런칭 영상·빌보드·인플루언서 협찬 등은 반복 가능한 루프라기보다 상단 퍼널에서의 스파이크 생성 도구에 가까움
    • 다만 이 자체가 DAU 대비 신규 유저 비율을 장기적으로 끌어올리는 구조는 아니며, 제품 내부에 설계된 바이럴 루프만큼 재현성과 방어력이 높지 않음
  • 현재 세대의 많은 AI 생성형 도구는, 이 스파이크로 들어온 유저에게 “무언가를 만들고 → 공유하는” 루프를 제공함으로써, 단발성 관심을 제품 내부의 구조적 성장으로 일부 전환시키는 위치에 있음
  • AI 생성물이 짧은 동영상·임베디드 클립 등 현대 소셜 플랫폼에서 잘 먹히는 포맷과 매우 잘 맞아떨어져, 컨텐츠 공유 루프의 전파력이 높게 나타나고 있음
  • 즉 고전적 바이럴 이론(코호트 기반 바이럴 팩터, 리텐션, 여러 루프 합산, 채널 믹스) 은 여전히 유효하며,
    궁극적으로는, 다양한 상단 퍼널 스파이크 + 제품 내부의 구조화된 바이럴 루프 + 높은 리텐션의 조합이, AI 시대에도 지속 가능한 성장을 만드는 핵심 구조
▲
laeyoung 2달전  [-]

한달 전에 뉴욕타임즈에 "Is Going Viral Dead (바이럴은 사라졌을까?)" 라고 올라온 기사가 생각나서 링크 남겨 봅니다.

답변달기
▲
laeyoung 2달전  [-]

요약하자면, 개인화된 알고리즘 때문에 예전처럼 바이럴이 되어서 모든 사람이 같은 컨텐츠를 보는 경우가 10년 사이에 많이 사라졌다는 기사였어요.

답변달기