모바일 분석에서 WAU: 활동 메트릭 및 계산 방법

모바일 분석에서 WAU란?

WAU(Weekly Active Users)는 지난 7일 동안 앱과 상호작용한 고유 사용자 수를 나타내는 메트릭입니다. DAU(Daily Active Users)와 달리 WAU는 일일 변동에 덜 영향을 받으며 주간 활동의 더 안정적인 그림을 제공합니다.

WAU 메트릭이 필요한 이유

이 메트릭은 주간 제품 및 마케팅 활동의 효과를 평가하는 데 사용됩니다. DAU가 “오늘 몇 명이 왔는가”라는 질문에 답한다면, WAU는 “이번 주에 몇 명이 우리와 함께했는가”에 답합니다. 이는 며칠의 사용 주기를 가진 앱(피트니스 트래커, 교육 플랫폼, 뉴스 애그리게이터)에 매우 중요합니다.

DAU 대신 WAU를 사용해야 하는 경우

불규칙하지만 주간 사용 패턴을 가진 앱에서 DAU는 크게 변동할 수 있습니다. 예를 들어, 작업 계획 앱에서 사용자는 2-3일에 한 번 로그인합니다. DAU는 낮은 활동을 보이지만 WAU는 실제 참여를 적절히 반영합니다. DAU와 WAU의 선택은 제품과의 예상 상호작용 빈도에 따라 달라집니다.

제품 메트릭과 WAU의 관계

WAU는 7일차 유지율과 상관관계가 있습니다: 사용자가 7일차에 돌아오면 월에 최소 두 번 WAU에 포함됩니다. 팀은 새 기능의 효과를 추적하기 위해 WAU를 사용합니다: 월요일에 기능을 출시하고 다음 일요일에 WAU를 측정하면 주간 사용자에 대한 변경의 영향을 직접 평가할 수 있습니다.

SELECT
    DATE_TRUNC('week', event_date) AS week_start,
    COUNT(DISTINCT user_id) AS wau
FROM user_events
WHERE event_date >= CURRENT_DATE - INTERVAL '7 days'
    AND event_type IN ('session', 'purchase', 'content_view')
GROUP BY week_start
ORDER BY week_start DESC;

WAU는 어떻게 계산하나요?

WAU 계산은 간단한 공식을 따릅니다: 지난 7일 동안의 고유 사용자 수입니다. 그러나 실제로는 두 가지 접근 방식이 사용됩니다 — 고정 주(월요일-일요일)와 롤링 윈도우(rolling 7 days)입니다. 방법 선택은 데이터 해석과 보고서 비교 가능성에 영향을 미칩니다.

고정 주 vs 롤링 윈도우

고정 주는 정기 보고에 편리합니다: WAU는 월요일부터 일요일까지 계산됩니다. 롤링 윈도우는 각 날짜의 WAU를 지난 7일 동안의 고유 사용자 합계로 계산합니다. 두 번째 접근 방식은 더 부드러운 그래프를 생성하며 실시간 대시보드에서 사용됩니다. Amplitude(2025)에 따르면, 제품 팀의 73%가 WAU에 롤링 윈도우를 사용합니다.

타겟 이벤트별 필터링

모든 앱 열기가 WAU에 포함되어서는 안 됩니다. 팀은 종종 타겟 이벤트(콘텐츠 보기, 구매, 레벨 완료, 메시지 전송)로 사용자를 필터링합니다. 이는 실수로 앱을 연 “수동적” 사용자를 제외합니다. SQL에서는 event_type IN (...) 조건을 통해 이러한 필터가 추가됩니다.

크로스 플랫폼 사용자 처리

사용자가 iOS와 Android 모두에서 활성 상태인 경우, 동일한 식별자(이메일, account_id)를 중복 제거해야 합니다. 중복 제거 없이 WAU는 15-25% 부풀려집니다. 올바른 계산을 위해 device_id 대신 내부 user_id를 사용하세요. Clickhouse와 Snowflake는 HyperLogLog 또는 Bloom 필터를 통한 중복 제거를 지원합니다.

import pandas as pd

# 지난 7일간 이벤트 로드 중
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# 롤링 윈도우를 사용한 WAU 계산
events['week_start'] = events['event_date'] \
    - pd.to_timedelta(events['event_date'].dt.dayofweek, unit='D')
wau = events.groupby('week_start')['user_id'] \
    .nunique().reset_index()
wau.columns = ['week_start', 'wau']
print(wau)

WAU 계산의 일반적인 실수

첫 번째 실수는 타겟 작업을 필터링하지 않고 모든 이벤트를 계산하는 것입니다. 모든 열기가 계산되면 WAU에는 5초 동안 앱을 열고 닫은 사용자가 포함됩니다. 두 번째 실수는 시간대를 혼동하는 것입니다: 7일 동안의 이벤트는 단일 시간대(일반적으로 UTC)에서 계산해야 합니다. 세 번째는 크로스 플랫폼 사용자 중복 제거 부족으로 실제 사용자 그림이 왜곡됩니다.

WAU vs DAU vs MAU: 차이점은?

세 가지 메트릭 — DAU, WAU, MAU — 은 시간 범위별로 활성 사용자의 계층 구조를 형성합니다. DAU는 일일 활동을, WAU는 주간 활동을, MAU는 월간 활동을 측정합니다. 각 메트릭은 사용자 행동에 대한 고유한 질문에 답하며 다양한 제품 분석 시나리오에서 사용됩니다.

시간 범위 비교

DAU(Daily Active Users)는 가장 실무적인 메트릭입니다. 오늘 몇 명의 사용자가 왔는지 보여줍니다. WAU는 일일 피크와 저점을 완화하고 MAU는 월간 변동을 완화합니다. 일일 사용 앱(메신저, 소셜 미디어)의 경우 DAU가 기본 메트릭입니다. 주 1-2회 사용되는 앱(피트니스, 배달)의 경우 WAU가 활동을 더 정확히 반영합니다. 계절적이거나 거의 사용되지 않는 앱(여행, 세금)의 경우 MAU가 사용됩니다.

스티키니스 비율

스티키니스(Stickiness)는 DAU와 MAU의 비율로 사용자가 얼마나 자주 돌아오는지 보여줍니다. 20% 이상의 값이 좋은 것으로 간주됩니다. WAU는 중간 모니터링에 사용됩니다: DAU/MAU가 떨어지면 WAU/MAU를 확인할 수 있습니다 — 안정적이라면 문제는 전체 활동이 아닌 일일 활동에 있습니다. 공식: Stickiness = DAU / MAU * 100%. 건강한 앱의 경우 이 지표는 20-50% 범위를 유지합니다.

각 메트릭이 더 중요한 경우

메트릭 선택은 제품의 비즈니스 주기에 따라 다릅니다. 성장 단계에서는 DAU에 초점을 맞춥니다 — 신규 사용자의 일일 역학을 확인하는 것이 중요합니다. 성숙 단계에서는 WAU가 핵심 메트릭이 됩니다: 주간 기준으로 얼마나 많은 사용자가 충성도를 유지하는지 보여줍니다. MAU는 투자자 보고서와 전체 도달 범위 평가에 중요합니다. 세 가지 메트릭을 결합하면 분석가가 사용자 라이프사이클의 완전한 그림을 얻을 수 있습니다.

def calculate_stickiness(dau, mau):
    return round((dau / mau) * 100, 2)

# 가상 앱의 DAU/MAU/WAU 계산 예시
daily = 15000
weekly = 45000
monthly = 80000

stickiness = calculate_stickiness(daily, monthly)
wau_mau_ratio = round((weekly / monthly) * 100, 2)

print(f"Stickiness: {stickiness}%")
print(f"WAU/MAU: {wau_mau_ratio}%")

앱 카테고리별 WAU 기준

기준은 앱 카테고리마다 크게 다릅니다. 보편적인 “좋은” 값은 없습니다 — 메트릭은 동일한 분야 내의 벤치마크와 비교해야 합니다. 소셜 미디어 앱은 MAU 대비 가장 높은 WAU를 보이는 반면, 이커머스 및 여행 앱은 불규칙한 사용 패턴으로 인해 낮은 값을 보입니다.

앱 카테고리별 WAU

Adjust Mobile Benchmarks 2025 보고서에 따르면, 다양한 카테고리의 중간 WAU/MAU 비율은 다음과 같습니다: 소셜 미디어 0.65, 게이밍 0.55, 이커머스 0.35, 핀테크 0.45, 건강 및 피트니스 0.40. 즉, 소셜 네트워크에서는 월간 사용자의 65%가 주간 활동하는 반면, 이커머스에서는 35%에 불과합니다. 중간값 이하의 값은 참여 문제 또는 부적절한 측정 간격을 나타냅니다.

WAU에 영향을 미치는 요인

계절성이 첫 번째 요인입니다. 음식 배달 앱은 금요일과 토요일에 WAU 피크를 보이고, 피트니스 앱은 1월과 여름 전에 피크를 보입니다. 푸시 알림이 두 번째 요인입니다: 잘 설계된 캠페인은 일주일 만에 WAU를 15-30% 높일 수 있습니다. 세 번째 요인은 앱 업데이트입니다: 주요 릴리스 후 WAU는 일반적으로 2주 내에 10-20% 성장한 후 새로운 수준에서 안정화됩니다.

모바일 앱에서 WAU를 높이는 방법

WAU를 높이는 것은 제품 및 마케팅 도구의 조합으로 해결되는 과제입니다. 일회성 프로모션으로 높일 수 있는 DAU와 달리, WAU는 주간 기준으로 사용자의 복귀에 대한 체계적인 작업이 필요합니다. 주요 모바일 제품의 사례를 통해 확인된 주요 전략을 살펴보겠습니다.

개인화된 푸시 알림

푸시 캠페인은 WAU에 영향을 미치는 가장 빠른 방법입니다. Airship(2025)에 따르면, 개인화된 푸시 알림은 첫 주에 WAU를 20-25% 증가시킵니다. 사용 빈도별로 사용자를 세분화하는 것이 중요합니다: “수면” 사용자(5일 이상 로그인하지 않음)에게는 동기 부여 메시지를, 활성 사용자에게는 정보 메시지를 보냅니다. 타이밍이 중요합니다: 피트니스 앱의 경우 아침, 게임의 경우 저녁이 가장 좋습니다.

주간 챌린지 및 이벤트

주간 활동의 메커니즘은 WAU의 가장 효과적인 동인 중 하나입니다. 게임은 특별 보상이 있는 주간 이벤트를, 피트니스 앱은 “7일 연속” 챌린지를, 이커머스는 구독자를 위한 주간 할인을 사용합니다. 핵심 원칙: 활동은 시간 제한(7일)이 있어야 FOMO를 만들어 사용자가 돌아오도록 동기를 부여합니다.

이메일 및 SMS 알림

모든 사용자가 푸시 알림을 허용하는 것은 아닙니다. 이러한 사용자를 위해 주간 다이제스트가 포함된 이메일 뉴스레터와 SMS가 효과적입니다: “주간 통계,” “새 블로그 게시물,” “본 제품.” 개인 통계가 포함된 이메일의 열기율은 표준 뉴스레터보다 40% 높습니다. 푸시 + 이메일의 조합은 최대 WAU 증가(월 최대 35%)를 제공합니다.

-- 5일 이상 비활성 사용자 (reactivation 대상)
SELECT user_id, MAX(event_date) AS last_active
FROM user_events
GROUP BY user_id
HAVING MAX(event_date) < CURRENT_DATE - INTERVAL '5 days'
    AND MAX(event_date) > CURRENT_DATE - INTERVAL '14 days';