고통량 사이트에서 DAU 및 MAU 추적 효율화

인증 제공자로서 Logto는 매일 사용자 데이터의 산을 처리하게 됩니다. 우리가 뉘끼할 수 없는 중요한 지표 중 하나는 '일일 활성 사용자'(DAU)입니다. 이것은 우리에게 사용자들이 얼마나 참여하고 있는지에 대한 감을 줍니다. 그러나 DAU와 월간 활성 사용자(MAU)를 추적하는 것은 복잡해질 수 있습니다. 사용자 경험에 영향을 미치지 않고 대량의 데이터를 관리하는 것은 쉽지 않지만, 이것은 우리가 효율적으로 해결하기 위해 배운 것입니다.

이 글에서는 DAU 관련 개념을 설명하고, DAU, MAU, 그리고 월간 참여율이 어떻게 계산될 수 있는지를 설명하는 기회를 잡습니다.

DAU, MAU, 그리고 월간 참여율#

일일 활성 사용자 (DAU)#

DAU는 어느 날 플랫폼과 상호 작용하는 고유한 사용자를 의미합니다. 이러한 상호 작용은 로그인부터 게시물 또는 좋아요를 누르거나, 활동을 나타내는 다른 특정 행동까지 어떤 것이라도 될 수 있습니다. DAU를 추적하면 일별로 사용자 참여도를 측정하고 우리의 활성 사용자 베이스의 크기를 파악할 수 있습니다.

월간 활성 사용자 (MAU)#

MAU는 한 달 동안 최소 한 번 플랫폼과 상호 작용하는 고유 사용자의 지표입니다. DAU와 마찬가지로, 활성 사용자는 단순히 로그인한 사람부터 어떤 방식으로든 플랫폼과 상호 작용한 사람에 이르기까지 다양할 수 있습니다.

월간 참여율#

사용자가 한 달 동안 얼마나 자주 우리의 플랫폼과 상호작용하는지 이해하는 것에 있어서, 우리는 특정 지표인 월간 참여율(MER)에서 막대한 가치를 찾습니다. 이것은 단지 우리에게 수치가 아니라, 가격 설정 전략에 크게 영향을 미치는 중요한 요소입니다.

MER는 사용자의 참여 빈도를 한 달 동안 플랫폼에 로그인하거나 상호 작용하는 고유한 일수를 지정하여 나타냅니다. 이 통찰력은 단지 유용한 것이 아니라 우리에게는 중요한 차별화 요소입니다. 사용자가 한 달 내에 방문했는지 여부에만 초점을 맞추는 전형적인 접근법과 달리, 우리는 더 깊게 들어가서 '얼마나 자주'를 이해하려고 노력합니다.이 '얼마나 자주'는 우리가 사용자의 플랫폼과의 상호작용 깊이를 측정하고, 사용자에게 더 많은 가치를 제공하는 구체적인 지표를 제공해줍니다.

Logto에서, MER는 사용 기반 요금의 중요한 요인입니다. 가격을 MER에 맞춤으로써, 우리는 요금이 사용자의 참여 수준과 일치하도록 보장합니다. 다른 사람들은 일일 사용자와 같은 한 번만 로그인한 사용자를 동일하게 계산할 수 있지만, 우리는 실제 사용량과 제공되는 가치를 기준으로 가격을 실제로 구분합니다. 이를 통해, 우리는 더 투명하고, 공정하며, 궁극적으로는 눈에 띄는 가격 책정 방식을 보장합니다.

사용자 로그에서#

보통, DAU와 MAU는 사용자 로그에서 직접 계산됩니다. 그러나 이러한 로그가 쌓여 가면서, 프로세스는 비효율적이 되며 데이터 스케일링과 로그 보유와 같은 도전과제가 제기됩니다. 물론, 개인 정보 보호와 보안 규정으로 인해, 사용자 로그를 영원히 유지하는 것은 실용적이지 않습니다.

다른 접근 방식: DAU 테이블 만들기#

그래서 우리는 DAU 테이블이라는 개념을 도입하게 되었습니다. 이 테이블은 주로 두 개의 칼럼 - user_id와 date를 포함하고 있습니다. date는 하루의 시작으로 설정할 수 있습니다.

이 테이블을 업데이트하는 두 가지 방법이 있습니다. 첫 번째는 이전 날의 사용자 로그를 걸러내는 일일 자동화 작업입니다. 두 번째는 사용자 활동이 발생할 때마다 업데이트를 트리거합니다.

우리가 고유한 user_id를 발견할 때마다, 우리는 DAU 테이블에 새로운 항목을 추가합니다. 이 항목에는 user_id와 date가 포함됩니다. 이것은 user_id와 date의 고유 키를 필요로 하는 SQL "upsert" 연산을 사용하여 수행됩니다.

결과적으로, DAU와 MAU의 추적은 단지 테이블에서 행의 수를 세는 문제가 됩니다. 그리고 월간 참여율 계산은 group by와 count를 결합함으로써 수행될 수 있습니다.

결과 및 이점#

사용자 로그의 압축된 버전인 DAU 테이블은 우리의 DAU와 MAU 계산 과정을 크게 간소화했습니다. 이것은 단지 사용자 참여를 추적하는 것을 훨씬 쉽게 만들었을 뿐만 아니라, 우리의 시스템에 대한 부하를 크게 줄였습니다.

결론#

DAU와 MAU 계산을 최적화하는 여정에서, 우리는 항상 사용자 개인 정보와 법적 준수에 중점을 두었습니다. 우리는 DAU 테이블이 민감한 사용자 정보를 저장하지 않도록 전략을 구축했습니다. 대신, 우리는 익명의 식별자 (일반 user_id 의 해시 값)와 활동 일자를 저장하며, 모든 관련 데이터 보호 규정을 엄격하게 준수합니다.

저희는 이런 개인 정보 보호를 중심으로 한 접근 방식을 디지털 서비스 산업의 다른 기업들에게도 매우 추천합니다. 사용자 데이터의 규모나 양과 관계없이, 개인 정보 보호는 항상 최우선 순위를 가져야 합니다.

결국, 데이터 추적은 고투수 이러한 웹 애플리케이션에서라도 복잡할 필요는 없습니다. 안정적이고 효율적인 전략과 같은 저희의 전략은 중요한 사용자 참여 지표를 추적하는 것을 경건행진으로 만들 수 있습니다.

저희의 경험을 공유함으로써, 다른 디지털 플랫폼에서 영감을 얻고, 효과적이고 효율적인 데이터 추적에 대한 혁신적인 솔루션을 개발하는 방법에 대한 아이디어를 제공할 수 있기를 바랍니다.