12CODE
지금 읽는 곳 클래식(N-Day) 리텐션 — 가장 엄격한 기준 1 / 5
12code 라이브러리 아티클 표지. 세 가지 리텐션 측정 모델의 선택: 클래식 리텐션(N-Day) vs 범위 리텐션(Unbounded) vs 롤링 리텐션의 비즈니스 구매 주기별 매칭 규칙

세 가지 리텐션 측정 모델의 선택: 클래식 리텐션(N-Day) vs 범위 리텐션(Unbounded) vs 롤링 리텐션의 비즈니스 구매 주기별 매칭 규칙

같은 유저 데이터라도 어떤 리텐션 모델로 계산하느냐에 따라 숫자가 크게 달라집니다. 모델을 잘못 고르면 멀쩡한 서비스도 리텐션이 나쁜 것처럼 보입니다.

이 과목 04 / 11편 고급 3분
과목 ID122
트랙STEP 3 고급·전략
모듈3-3. 그로스해킹·CRM 전략
레슨04
난이도고급
플랫폼GA4·데이터 분석
발행일2026-08-29
검토일2026-08-29
관련 과목123 · 124 · 128
출처2건
핵심요약5개
01

클래식(N-Day) 리텐션은 가입 후 정확히 N일째 되는 날에만 재방문했는지를 본다

02

범위(Unbounded) 리텐션은 N일째 또는 그 이후 아무 날에나 재방문하면 잔존으로 카운트한다

03

롤링 리텐션은 N일부터 N+6일 같은 일정 구간 중 한 번이라도 방문하면 그 구간 전체를 잔존 처리한다

04

Unbounded 방식은 N-Day보다 항상 같거나 높은 수치가 나오고, 시간이 지날수록 과거 값이 계속 올라갈 수 있다

05

매일 접속을 유도하는 제품은 N-Day가, 구매 주기가 불규칙한 제품은 Unbounded나 Rolling이 더 적합하다

01

클래식(N-Day) 리텐션 — 가장 엄격한 기준

클래식 리텐션은 가입 후 정확히 N일째 되는 하루에 접속했는지 여부만 봅니다. 예를 들어 Day7 리텐션이 30%라면, 신규 가입자 중 정확히 7일째 되는 날 접속한 사람이 30%라는 뜻입니다. 6일째나 8일째 접속은 카운트하지 않습니다. 이 방식은 계산이 명확하고 시간이 지나도 값이 바뀌지 않는다는 장점이 있어(한 번 확정된 Day7 값은 나중에 다시 봐도 그대로), 여러 코호트를 같은 기준으로 비교하기에 가장 신뢰할 수 있는 지표입니다. 매일 접속하는 것이 자연스러운 제품(소셜, 뉴스, 게임)에서는 이 방식이 표준으로 쓰입니다.

다만 단점도 명확합니다. 유저가 8일째에 접속했다면 실질적으로 여전히 서비스를 쓰고 있는 것인데도, Day7 클래식 리텐션에서는 이탈로 잡힙니다. 접속 패턴이 불규칙한 서비스에 이 방식을 그대로 적용하면 실제보다 리텐션이 낮게 나오는 착시가 생길 수 있습니다.

02

범위(Unbounded/Rolling) 리텐션 — N일 이후 아무 때나

Unbounded(범위) 리텐션은 N일째 또는 그 이후 언제든 재방문하면 잔존으로 카운트합니다. Day7 Unbounded 리텐션이 50%라면, 가입 후 7일이 지난 시점까지 한 번이라도 다시 방문한 사람이 절반이라는 뜻입니다. 이 방식은 클래식 리텐션보다 항상 같거나 높은 수치를 보이며, 관찰 기간이 길어질수록 과거 시점의 값도 계속 갱신되어 올라갈 수 있다는 특징이 있습니다 — 즉 Day7 값이 90일이나 250일이 지난 뒤 다시 계산하면 달라질 수 있습니다.

배달·이커머스처럼 방문 주기가 불규칙한 서비스는 Unbounded 방식이 실제 잔존을 더 잘 반영한다는 것이 업계 통설입니다. 한 달에 한두 번 주문하는 유저에게 '정확히 N일째 접속했는가'를 묻는 것은 애초에 그 서비스의 사용 패턴과 맞지 않기 때문입니다.

03

롤링 리텐션 — 구간으로 묶어서 보는 방식

롤링 리텐션은 특정 기간(예: Day1부터 Day7까지 7일 구간) 중 한 번이라도 방문하면 그 구간 전체를 잔존으로 처리하는 방식입니다. 구독 서비스나 주 1회 사용이 정상인 서비스(주간 결제 리포트 확인, 주간 콘텐츠 소비형 앱)에서 특히 유용합니다. 매일 접속을 강제하지 않아도 되는 서비스에 클래식 리텐션을 적용하면 실제 활성 유저조차 계속 이탈로 잡히는데, 롤링 리텐션은 이런 왜곡을 줄여줍니다.

04

어떤 모델을 언제 써야 하는가 — 구매·사용 주기별 매칭

모델 선택의 핵심 원칙은 '측정 주기를 서비스의 자연스러운 사용 주기에 맞추는 것'입니다. 매일 습관적으로 쓰는 제품(소셜, 뉴스, 캐주얼 게임)은 클래식(N-Day) 리텐션이 적합합니다 — 하루라도 빠지면 이탈 신호로 봐야 관리가 정확해집니다. 주 1~2회 사용이 정상인 제품(구독형 콘텐츠, 주간 리포트형 SaaS)은 롤링 리텐션(7일 구간)이 자연스럽습니다. 구매 주기가 며칠에서 몇 주까지 들쭉날쭉한 이커머스·배달 서비스는 Unbounded 리텐션이 실제 잔존을 가장 왜곡 없이 보여줍니다.

한 조직 안에서도 여러 모델을 병행할 수 있습니다. 예를 들어 습관형 앱이라도 초반 온보딩 성공 여부는 클래식 Day1·Day7로 엄격하게 보고, 장기 생애주기 전체 관점은 Unbounded로 함께 트래킹하는 식입니다. 중요한 것은 같은 대시보드나 같은 보고서 안에서 서로 다른 모델의 수치를 섞어 비교하지 않는 것입니다 — 모델이 다르면 숫자의 의미 자체가 다르기 때문에, 반드시 어떤 모델로 계산한 값인지 라벨을 명시해야 합니다.

05

세 모델을 같은 데이터에 적용하면 숫자가 어떻게 달라지는가

같은 가입자 코호트라도 세 모델을 적용하면 숫자가 눈에 띄게 벌어집니다. 예를 들어 Day7 시점에 클래식 리텐션이 20%라 해도, 그사이 6일째나 8일째 접속한 유저까지 포함하는 Unbounded 리텐션으로 계산하면 35~40%까지 올라가는 경우가 흔합니다. 이 차이 자체가 나쁜 것이 아니라, 두 숫자가 서로 다른 질문에 답하고 있다는 점을 이해하는 것이 중요합니다 — 클래식은 '정확히 그날 습관적으로 돌아왔는가'를, Unbounded는 '결국은 돌아왔는가'를 답합니다.

이 차이 때문에 팀 간에 리텐션 수치를 놓고 오해가 생기는 일이 흔합니다. 마케팅팀은 Unbounded 기준으로 "리텐션 40%"를 보고하고, 프로덕트팀은 클래식 기준으로 "리텐션 20%"를 보고하면, 같은 서비스를 두고 정반대의 인상을 주게 됩니다. 이런 혼선을 막으려면 조직 차원에서 '공식 리텐션 지표'로 어떤 모델을 쓸지 하나로 통일하고, 나머지 모델은 보조 지표로만 참고하는 규칙을 정해두는 것이 좋습니다.

다음 행동

자사 리텐션 대시보드에 지금 쓰고 있는 지표가 세 모델 중 어느 것인지 먼저 확인하세요. 서비스의 자연스러운 재방문 주기와 지금 쓰는 모델이 어긋나 있다면, 그 불일치가 지금까지 리텐션을 실제보다 나쁘게(혹은 좋게) 보이게 만들었을 수 있습니다.

다음 글 · 레슨 05→[실패 사례 분석] 가짜 리텐션 수치에 속은 서비스 고사: 출석체크 이벤트로 '앱 오픈 리텐션' 지표만 인위적으로 올렸다가 실제 '결제 리텐션'이 처참해 망가진 원인 진단

← 이전 글 · 레슨 03 리텐션 커브(Retention Curve) 해석의 정석: 커브 곡선이 하향을 멈추고 평탄화(Flattening)되는 시점의 유무가 비즈니스 제품-시장 적합성(PMF)을 증명하는 원리

출처

facts 항목 기준 · 본문 인라인 미표기2건
F-01Amplitude — Why N Day Retention is the Metric that Matters for Mobile Games업계
F-02GoPractice — Demystifying Retention Metrics업계

플랫폼 기능·심의 기준·가격·법률은 바뀝니다. 이 글은 2026-08-29에 위 출처를 기준으로 확인했습니다.

CHALLENGE

배운 걸 실전 문제로 확인

카테고리별 Level Test로 실무 레벨을 점검해보세요.

챌린지 보기 →
이 과목의 게시글11편
01시간의 흐름 속 고객 행동 분석: 동일한 경험/시점(예: 3월 가입 동기)을 공유하는 사용자 집단을 추적하는 코호트(Cohort) 분석의 거시적 가치02데이터 요건 및 매트릭스 시각화: GA4 탐색 보고서 및 자사 DB 기반 가로축(시간 경과: Day 0~Day 30), 세로축(가입 코호트 기수) 표 구조 설계03리텐션 커브(Retention Curve) 해석의 정석: 커브 곡선이 하향을 멈추고 평탄화(Flattening)되는 시점의 유무가 비즈니스 제품-시장 적합성(PMF)을 증명하는 원리04세 가지 리텐션 측정 모델의 선택: 클래식 리텐션(N-Day) vs 범위 리텐션(Unbounded) vs 롤링 리텐션의 비즈니스 구매 주기별 매칭 규칙05[실패 사례 분석] 가짜 리텐션 수치에 속은 서비스 고사: 출석체크 이벤트로 '앱 오픈 리텐션' 지표만 인위적으로 올렸다가 실제 '결제 리텐션'이 처참해 망가진 원인 진단06유입 채널별 코호트 분석: 네이버 파워링크 발 가입자 기수 vs 인스타 인플루언서 발 가입자 기수의 가입 후 12주간 잔존 가치 및 매출 퀄리티 비교07기능 활용 코호트 분석(Behavioral Cohort): 특정 기능(리뷰 작성, 친구 추가)을 실행한 유저 집단이 그렇지 않은 집단 대비 리텐션 커브가 얼마나 상향되는지 판정08이탈 예측선(Churn Threshold) 포착: 코호트 데이터 분석 상 가입 후 몇 번째 주차에 유저 이탈이 가장 가파른지 '마의 구간'을 찾아내어 CRM 방어선 구축09실험 설계 기반 검증: 리텐션 개선 온보딩 UI 적용 전 코호트 기수 데이터 vs 적용 후 코호트 기수 데이터의 30일 잔존율 수치 통계적 유의성 검증10[확인 항목] 글로벌 기업들의 핵심 리텐션 벤치마크 지표: 이커머스, SaaS, 모바일 게임 카테고리별 글로벌 안정권 리텐션 수치 가이드라인 아카이빙11[레슨] 리텐션 데이터를 활용한 장기 가치(LTV) 예측 모델 설계: 가입 초반 7일간의 잔존율 데이터를 기반으로 1년 뒤 기대 매출액 연산 공식 수립 과목 전체 보기 →

MKT TOOLS

실무자를 위한 무료 도구

카피 글자수 검사, CPC·ROAS 계산기, UTM 생성기까지.

워크스페이스 열기 →