목차
모바일 앱 광고로 유저 1,000명을 데려와도 D7 에 남는 건 보통 50명에서 100명 수준이에요. 광고비는 1,000명 전부에게 썼는데 남는 사람은 10% 안팎이라, 7일까지 살아남은 1명 기준으로 환산하면 광고비가 CPI 의 10배에서 20배 든 셈이에요. 손실이 이렇게 큰데, 왜 하필 유저가 앱을 처음 여는 그 첫 몇 분에 앱은 유저를 못 알아볼까요. 사실 이건 추천 시스템 쪽에서 2000년대 초부터 콜드스타트 문제 (Cold-start problem) 라고 불러온 오래된 질문이에요. 그때부터 20년이 넘었는데도 여전히 풀리지 않은 문제고요.
광고로 데려온 1,000명 중 D7 까지 남는 건 50에서 100명 수준이에요.
콜드스타트 문제는 쉽게 말하면 서비스가 "방금 들어온 사람" 에게 뭘 보여줘야 할지 모르는 상태예요. 이 글은 그 흐름을 한 번 정리해 보려고 해요. 다른 플랫폼들은 이걸 어떻게 풀어왔는지, 그리고 광고로 유저를 데려오는 앱이 쥐고 있는 가장 결정적인 재료는 뭔지, 두 가지를 묶어서요.
서두에서 봤던 그 손실, 데려온 1,000명 중 열에 아홉이 일주일 안에 사라지는 손실은 사실 유저가 앱을 처음 여는 그 몇 분에서 거의 다 결정돼요. 이 글의 중심을 거기에 두는 이유예요.
왜 콜드스타트 문제는 20년이 지나도 사라지지 않을까요
콜드스타트 문제는 보통 두 쪽으로 나눠서 다뤄요. 새 유저 (방금 가입한 사람) 쪽, 그리고 새 아이템 (방금 올라온 상품이나 콘텐츠) 쪽. 모바일 앱에서 가장 결정적이고 또 가장 풀기 어려운 쪽이 보통 새 유저 쪽이에요.
추천이든 개인화든, 결국 과거에 쌓인 기록을 재료로 삼아요. 유저 쪽이면 "이 유저가 과거에 뭘 했는지", 아이템 쪽이면 "이 아이템에 어떤 반응이 쌓였는지". 그 재료가 없으면 추천이 안 돌아가요. 그런데 서비스에는 매일 새 유저가 들어오고, 매일 새 아이템이 올라와요. 어느 쪽이든 과거 로그는 쌓이기 전엔 없고요. 그래서 콜드스타트 문제는 특정 서비스가 겪는 병이라기보다, 데이터로 돌아가는 서비스 구조 자체가 평생 안고 가는 공백이에요.
각 플랫폼이 풀어온 방식
지난 20년 사이에 큰 플랫폼들이 이 공백을 어떻게 메워왔는지 다섯 사례 (Spotify, Pinterest, Netflix, TikTok, DoorDash) 를 볼게요.
Spotify 는 신곡이 올라왔을 때 이렇게 풀어요. 신곡은 당연히 아무도 들어본 적이 없어요. 그래도 Spotify 는 노래 자체를 틀어보고 분위기, 템포, 밝기 같은 특징을 미리 뽑아 둬요. 음반 가게 점원이 처음 들어온 음반을 미리 들어보고 "잔잔한 발라드", "신나는 댄스" 식으로 분류해 두는 것과 비슷해요. 그러면 아무도 들어본 적 없는 신곡이어도 "이런 분위기 좋아하는 사람" 에게 바로 꽂아줄 수 있어요.
Pinterest 는 새 핀이 올라왔을 때 바로 분류해요. 노출된 기록이 없어도, 핀에 담긴 이미지와 설명을 보고 "이건 레시피 쪽", "이건 인테리어 쪽" 하고 미리 자리를 잡아줘요. 사람들이 그 핀을 보기 전부터 핀 자체의 성격이 분류돼 있으니, 처음 노출될 때부터 엉뚱한 피드가 아니라 그 핀이 어울리는 피드로 흘러가요.
Netflix 는 새 유저에게 직접 물어봐요. 가입하면 "좋아하는 작품 몇 개 골라 주세요" 하고 짧은 설문을 띄워요. 유저가 직접 고른 몇 개의 선택이 그 사람에 대해 아는 전부지만, 그 작은 신호를 발판 삼아 "비슷하게 고른 다른 사람들이 뭘 봤는지" 쪽으로 바로 넘어가요.
TikTok 은 새 영상이 올라오면 조금씩 뿌려봐요. 새로 올라온 영상을 처음부터 모두에게 보여주지 않아요. 작은 그룹 (수백에서 수천 명 수준으로 알려져 있어요) 에게 먼저 보여주고 반응을 봐요. 완시청률이 높고 공유가 많이 나오면 그다음 그룹으로 넓혀가고, 반응이 약하면 거기서 멈춰요. 라디오 PD 가 신곡을 심야 시간대에 먼저 틀어보고 전화 반응을 보는 것과 비슷해요.
DoorDash 는 다른 카테고리에서 힌트를 가져와요. DoorDash 는 레스토랑 배달과 식료품 배달을 함께 해요. 식료품을 처음 쓰는 유저라도 레스토랑에서는 이미 단골일 수 있어요. 그 유저가 레스토랑 쪽에서 뭘 자주 시켰는지, 어떤 식당을 좋아했는지를 참고해서 식료품 쪽 첫 화면을 짜요. 한 카테고리의 과거가 다른 카테고리의 "지금" 을 채워주는 식이에요.
다섯 플랫폼이 콜드스타트 문제의 공백을 메우는 다섯 가지 방법.
공통 패턴, 과거가 없으면 다른 데서 가져와요
다섯을 나란히 놓고 보면 공통점이 하나 보여요. 알고 있는 게 없을 때 플랫폼들은 다른 데서 재료를 끌어다 써요. 크게 세 가지 방식이에요.
첫째, 콘텐츠 자체의 성질. 유저에 대해 아는 게 없더라도 콘텐츠 자체는 미리 분석해 둘 수 있어요. Spotify 가 노래 자체를 분석하는 방식, Pinterest 가 핀 자체의 성격을 보는 방식이 여기 속해요. 콘텐츠 쪽을 알고 있으면 "이런 느낌의 콘텐츠를 좋아할 사람" 쪽으로 매칭이 돌아가거든요.
둘째, 유저 자신에게서 가져오기. Netflix 의 설문처럼 가입할 때 유저가 직접 골라준 선호가 여기 속해요. DoorDash 처럼 유저가 다른 카테고리에 이미 남긴 과거를 끌어오는 방식도 같은 결이에요. 둘 다 그 유저 본인에게서 나온 신호를 발판 삼는 접근이에요.
셋째, 비슷한 사람들에게서 빌려 오기. TikTok 이 작은 그룹에 먼저 뿌려서 반응을 보는 방식이 여기 속해요. "이 유저랑 비슷해 보이는 다른 사람들이 뭘 했는지" 를 참고하는 접근이에요. Netflix 도 유저가 직접 알려준 선호를 가지고 결국 비슷한 사람들을 찾아 이 방식까지 걸쳐요.
이걸 서두의 분류로 다시 묶으면 첫째는 새 아이템 쪽을 푸는 방법이고, 둘째와 셋째가 새 유저 쪽이에요. 그리고 더 풀기 어려운 쪽은 보통 새 유저 쪽이에요. 새 아이템 쪽은 오래전부터 연구가 활발해서, 콘텐츠 자체를 분석하거나 메타데이터로 미리 분류하는 식으로 꽤 성숙한 방법들이 쌓여 있거든요.
그런데 새 유저 쪽 두 방식에는 조용히 깔고 가는 전제가 하나 있어요. 그 유저가 누군지는 어느 정도 알고 있다는 전제요. 비슷한 사람을 찾으려면 비교 대상이 누군지는 알아야 하고, 유저에게 뭘 물어보거나 다른 카테고리의 과거를 가져오려면 그 유저가 로그인이든 가입이든 식별은 돼 있어야 하거든요.
그런데 생각해 보면 이게 좀 묘해요. 콜드스타트 문제라는 게 애초에 "유저에 대해 아는 게 없는 상태" 를 가리키는 말인데, 이 두 방식은 "유저가 누군지는 알고 있다" 를 깔고 들어가거든요. 결국 콜드스타트 문제의 한 단면만 풀고 있는 셈이에요. 가입이나 로그인은 돼 있거나, 다른 카테고리에 뭐라도 남겼거나, 설문에 한 번은 답했거나. 뭐라도 하나는 걸려 있어야 돌아가요.
그래서 정말 어려운 건 유저가 누군지조차 거의 모르는 상황이에요. 로그인도 안 되어 있고 과거 기록도 없는, 걸려 있는 게 아예 없는 그런 경우요.
그런데 광고로 데려온 유저가 설치하고 앱을 처음 여는 그 몇 분이 정확히 이 상태예요. 앱은 그 유저에 대해 아는 게 거의 없고, 앞서 본 두 방식도 걸려 있는 게 없으니 돌릴 수가 없어요. 서두에서 짚은 "7일까지 열에 하나밖에 안 남는" 그 손실이 바로 이 자리에서 결정되고요.
최근 Airbnb 가 바로 그 상황, IP 라는 최소 단서 하나만 쥔 조건에서도 "비슷한 사람들에게서 빌려 오기" 로 풀어낸 사례를 공개했어요.
유저에 대해 아는 게 없어도 세 가지 중 하나라도 있으면 추천은 돌아가요.
최근, 비슷한 사람들의 평균을 그대로 가져다 쓰는 사례가 나왔어요
최근 Airbnb 가 로그인 없이 들어온 유저에게도 개인화된 추천을 보여주는 방법을 공개했어요. "비슷한 사람들에게서 빌려 오기" 의 2026년 버전인 셈이에요. 2026년 9월에 에어비앤비 테크 블로그에 올라온 "Personalization Without User Identity" 라는 글이에요.
Airbnb 가 다루는 유저는 로그인 없이 들어오거나, 들어와도 과거 검색이나 예약 기록이 없는 사람이 많아요. 둘러보러 왔다가 그냥 나가는 그런 유저들이에요. 이들에게도 개인화된 추천을 보여줘야 전환이 올라가는데, 누군지도 모르고 과거 기록도 없으니 보여줄 근거가 없어요. 그래서 Airbnb 가 꺼낸 방법이 근접 특징 (Proximity Features) 예요. 유저의 IP 로 대략 어디에서 접속했는지 알아낸 다음, 같은 지역에서 들어온 사람 약 1,000명씩 묶어 익명 그룹을 만들어요. 그 1,000명이 과거에 많이 검색한 지역, 많이 예약한 숙소의 집단 평균을 바로 그 유저의 추천 재료로 가져다 쓰는 거예요.
원래 "비슷한 사람에게서 빌려 오기" 는 유저가 누군지 알아야 돌아가는 방식이었어요. 비슷한 사람을 찾으려면 그 유저가 누군지, 과거에 뭘 했는지는 알아야 비교가 되니까요. Airbnb 는 로그인조차 안 한 유저에게도 이걸 돌렸어요. 물론 완전히 깜깜한 상태에서 푼 건 아니에요. 하지만 IP 라는 추론이 쉬운 최소 단서 하나를 발판 삼아 "같은 지역에서 접속한 1,000명" 이라는 집단을 만들고, 그 집단 평균을 추천 재료로 써서 이 어려운 상황에 접근해본 거예요. 유저 프로필 하나 없이 IP 하나로 집단을 꾸린 셈이고요.
같은 지역 1,000명의 평균이 한 사람의 정보처럼 작동해요.
광고로 유저를 데려오는 앱에는 가장 중요한 재료가 있어요
여기까지의 사례들은 전부 서비스 안쪽에서 재료를 꺼내 썼어요. 콘텐츠 자체의 성격을 미리 뽑아 두거나, 유저에게 직접 묻거나, 비슷한 사람들의 평균을 쓰거나 하는 식이었어요.
그런데 광고로 유저를 데려오는 앱에는, 어쩌면 그 안쪽 재료들보다 더 결정적인 재료가 하나 있어요. 유저 본인이 앱 바깥에서 이미 흘려 두고 온 흔적이에요. 유저가 광고 플랫폼의 피드를 넘기다가 세일 광고를 보고, 몇 번 더 노출된 뒤 클릭하고, 스토어로 넘어가서 설치하고, 몇 분 뒤 앱을 열어요. 이 전체 흐름 중에서 앞의 세 단계가 매체 쪽에 터치포인트로 쌓여 있는 상태예요. 앱 안에서는 아직 아무것도 안 한 유저지만, 매체 쪽에는 이미 본인의 흔적이 꽤 쌓여 있는 거예요.
생각해 보면 광고라는 것 자체가 매체 플랫폼이 그 유저가 좋아할 만한 걸 미리 추려서 보여준 결과예요. 그리고 유저는 그 중에서 자기가 관심 가는 것만 골라서 보고 클릭했고요. 그래서 "어떤 광고를 몇 번 봤는지, 그 중 어떤 소재에 반응했는지, 얼마나 빨리 설치까지 갔는지" 같은 신호에는 그 유저의 관심사와 의도가 꽤 농축돼 있어요.
예시 두 쌍만 볼게요. 짧은 영상 광고를 3번 보고 클릭한 유저 A 와 1번 보고 클릭한 유저 B, 노출 횟수만 달라도 D7 구매율이 4배 벌어져요. 클릭 후 30초 만에 설치한 유저 C 와 3분 뒤에 설치한 유저 D, 설치까지 걸린 시간만 봐도 D7 구매율이 3배 넘게 갈라져요.
노출 횟수, 설치 지연 같은 매체 쪽 신호 하나로 D7 구매율이 몇 배씩 갈라져요.
이 신호들은 모두 유저가 앱을 처음 열기 전에 매체 쪽에 발생한 신호예요. 매체, 캠페인, 애드그룹, 크리에이티브 수준까지 내려가면 이런 신호가 한 유저당 수백 개씩 쌓여요.
문제는 이 터치포인트가 여러 매체에 흩어진 채로 각자 묶여 있다는 점이에요. 각 매체는 자기 쪽 신호를 알고 있는데, 앱은 그걸 한 유저 단위로 모아서 실시간으로 받지는 못해요. 매체 API 로 뽑으면 어제자 집계 리포트 수준으로는 받을 수 있어요. "어제 CPI 가 올랐네" 같은. 그런데 유저 개인이 그 광고를 몇 번 봤고, 어떤 소재에 반응했고, 설치까지 얼마나 뜸을 들였는지가 지금 그 유저가 앱을 여는 바로 그 순간에 앱으로 흘러들어오진 않아요. 그때가 그 흔적이 가장 필요한 순간인데도요.
매체 쪽에는 이미 그 유저 본인의 흔적이 쌓여 있어요.
이 공백을 메우려면 결국 그 유저 본인의 매체 쪽 흔적을 첫 오픈 순간의 앱으로 흘려줘야 돼요.
Airbridge CUE 가 하는 일
여기서 Airbridge CUE 가 하는 일을 짚으면 이래요. CUE 는 광고로 데려온 유저가 앱을 처음 여는 바로 그 순간을 다뤄요.
그 유저가 앱을 여는 그 순간, Airbridge CUE 는 매체 쪽에 쌓여 있던 그 유저의 흔적을 실시간으로 모아서, 네 개 필드로 앱에 흘려줘요. 그 유저가 어디서 왔는지, 앞으로 어떻게 움직일지. 이 네 개는 랜딩페이지에서 소개하는 그 네 개 그대로예요.
- 유저 아이디. 매체, 광고 서버, 앱 서버, CRM 같은 여러 시스템에 흩어져 있는 흔적을 한 사람으로 묶어주는 열쇠예요.
- 마지막 광고. 앱을 열기 직전에 반응한 광고예요. 매체와 캠페인, 애드그룹, 크리에이티브 수준까지 담겨 와요. 세일 광고 보고 들어온 유저에겐 홈을 세일 큐레이션으로. 특정 브랜드 크리에이티브를 보고 들어온 유저에겐 그 브랜드를 상단에.
- 3일 내 구매 확률. 앞으로 3일 안에 결제할 가능성을 높음/중간/낮음 세 단계로 돌려줘요. 높음이면 프리미엄 오퍼를 정면에, 중간이면 쿠폰 배너를 상단에 고정, 낮음이면 무료 체험이나 저가 오퍼부터 보여줘요.
- 3일 내 이탈 확률. 앞으로 3일 안에 앱을 떠날 가능성, 역시 세 단계. 높음이면 다음 날 아침에 리마인더 푸시를 자동 발송. 이탈과 구매 가능성이 둘 다 높으면 결제를 되살리는 캠페인을 바로 걸고요.
이 네 개는 사실 성격이 조금씩 달라요. 유저 아이디는 그 자리에서 유저가 누군지 알아본 결과고요. 마지막 광고는 매체 쪽에 이미 쌓여 있던 그 유저 본인의 흔적을 가져온 거고요. 3일 내 구매 확률과 이탈 확률은 "비슷한 사람들에게서 빌려 오기" 에 여러 가지 머신러닝 기법을 더해서 만들어진 숫자예요. 비슷한 유저들의 과거 결제, 이탈 패턴을 모델에 학습시켜서 뽑아낸 확률이거든요.
이 네 개짜리 응답은 앱 첫 화면 분기, CRM 세그먼트, 애널리틱스 (GA4) 세션 속성, 광고 리타겟 오디언스처럼 연동할 수 있는 어디로든 동시에 흘려 보낼 수 있어요. 한 번의 호출로 여러 시스템이 같이 움직이는 구조예요.
Airbridge 는 어트리뷰션 쪽으로 오랫동안 매체에서 유저가 광고를 보고 반응한 흔적을 모아 왔어요. 매체 쪽 흔적이 어디서 어떻게 쌓이는지, 그 흔적을 그 유저와 어떻게 연결하는지에 대한 바탕이 이미 깔려 있는 거예요. CUE 는 그 바탕 위에서 콜드스타트 문제를 매체 쪽 데이터로 푸는 접근이에요. 매체에 이미 쌓여 있는 그 유저의 흔적을 앱 서버로 실시간으로 흘려주고, 그 위에 머신러닝으로 뽑은 확률 두 개를 얹어서 네 개 필드로 완성해요.
유저가 누군지, 유저 본인의 매체 흔적, 비슷한 사람들의 패턴이 네 개 필드로 함께 와요.
콜드스타트 문제가 20년 넘게 이어진 이유를 다시 요약하면 이래요. 데이터로 돌아가는 서비스는 어디서나 매일 새 유저를 받고, 그 새 유저에게는 과거가 없어요. 플랫폼들은 각자 다른 데서 힌트를 끌어다 그 공백을 메워 왔어요. 콘텐츠 자체의 성질, 유저가 직접 알려준 신호, 비슷한 사람들에게서 빌려 오기, 그리고 최근에는 비슷한 사람 약 1,000명의 평균까지요.
저희 팀이 광고로 유저를 데려오는 앱들을 오래 지켜본 끝에 내린 결론은 하나예요. 매체에서 넘어오는 그 유저 본인의 흔적이 앞에서 본 어떤 재료보다 결정적이라는 것. 그리고 그 흔적이 첫 오픈 순간에 앱으로 바로 흘러들어와야 그 캄캄한 몇 분이 사라진다는 것.
Airbridge CUE 가 돌려주는 네 개 필드가 바로 그 재료를 첫 오픈 순간의 앱으로 꺼내 주는 통로예요. 응답 스펙과 통합 가이드는 cue.airbridge.io 에서 확인하실 수 있어요. Airbridge SDK 를 이미 쓰고 계시면 연결은 간단해요.