고객사례

구매

재미도 데이터로 증명한다, 스캐터랩 제타는 어떻게 주간 사용시간 20시간을 만들었을까?

2026-10-28

by.

MarketFitLab Solutions

Example H2

Example H3

이번 글은 AI 인터랙티브 서비스 '제타'를 운영하는 스캐터랩의 Mixpanel(믹스패널) 도입 사례예요.
스캐터랩이 Mixpanel로 데이터 기반 의사결정 문화를 만들고, 온보딩부터 LLM, 캐릭터 콘텐츠까지 데이터 실험으로 개선해온 과정을 인터뷰로 정리했어요.

1. 유저가 세계관을 만들어가는 AI 서비스, 스캐터랩 제타

제타(zeta)는 스캐터랩이 선보인 AI 인터랙티브 서비스예요. 사용자가 직접 캐릭터를 만들고, AI와 대화하며 자신만의 세계관과 이야기를 만들어갈 수 있어요.
‘상상이 현실이 되는 AI 채팅'이라는 슬로건처럼, 사용자의 상상력을 AI와 함께 하나의 이야기로 만들어간다는 점이 특징이에요.
스캐터랩은 제타를 단순한 AI 채팅 서비스가 아닌, AI를 통해 가능해진 새로운 형태의 엔터테인먼트로 정의하고 있어요. 게임과 콘텐츠의 경계에 있는 'Interactive Story'라는 새로운 경험을 제공하는 것이죠.

이러한 경험을 바탕으로 제타는 현재 한국과 일본에서 유저당 체류시간 1위를 기록하고 있어요.

그렇다면 제타는 어떻게 데이터를 활용해 서비스를 성장시키고 있을까요?

이번 인터뷰에서는 제타의 데이터 분석과 기획을 담당해온 스캐터랩의 데이터 분석가를 만나 이야기를 나눠봤어요.
4년 넘게 데이터 분석 업무를 해왔으며, 최근에는 조직 내 데이터 활용이 자리 잡으면서 서비스 기획과 PO(Product Owner) 역할까지 함께 맡고 있다고 해요.

제타는 어떤 데이터를 살펴보고, 이를 어떻게 서비스 개선으로 연결하고 있을까요? 지금부터 그 이야기를 들어볼게요.

2. Mixpanel 도입 전: 데이터 분석가에게 의존하던 의사결정 구조

스캐터랩이 프로덕트 애널리틱스 툴 Mixpanel을 처음 도입한 건 2022년, 이루다 서비스를 운영하던 시기였어요.
이루다는 AI 캐릭터와 친구처럼 일상적인 대화를 나눌 수 있는 AI 챗봇 서비스로, 스캐터랩이 제타에 앞서 선보인 서비스예요.

당시 스캐터랩은 새로운 아젠다가 생길 때마다 필요한 데이터를 별도로 수집하고, 구글의 대시보드 기능을 활용해 분석 화면을 새로 만들어야 했어요.

그런데 이런 방식에는 한 가지 문제가 있었어요. 아젠다마다 새로운 대시보드가 만들어지다 보니 링크를 찾기도 어려웠고, 시간이 지날수록 대시보드를 잘 들여다보지 않게 된 거예요. 관리되지 않는 대시보드가 늘어나면서 구성원들이 데이터를 접할 기회도 점점 줄어들었어요.

결국 데이터를 직접 확인하고 판단하기보다는, 필요할 때마다 데이터 분석가에게 요청해야 하는 구조가 만들어졌어요. 데이터를 확인하는 과정에 요청과 응답이라는 단계가 추가되면서, 데이터 기반 의사결정이 일상적인 업무 문화로 자리 잡기 어려웠던 거죠.

3. Mixpanel을 선택한 이유: 유저 단위 과금부터 데이터 민주화까지

그렇다면 스캐터랩은 왜 여러 프로덕트 애널리틱스 툴 중 Mixpanel을 선택했을까요?처음부터 Mixpanel만 고려했던 건 아니라고 해요.
다른 분석 도구들도 함께 검토했지만, 채팅형 AI 서비스라는 특성이 선택에 중요한 영향을 미쳤어요.

AI 채팅 서비스는 유저가 대화를 주고받는 과정에서 많은 이벤트가 발생해요.
그만큼 이벤트 발생량이 많기 때문에 이벤트 단위 과금보다 유저 단위 과금 방식이 비용 측면에서 더 효율적이라고 판단한 거예요. 이것이 스캐터랩이 Mixpanel을 선택한 초기 이유였어요.
그런데 지금까지 Mixpanel을 계속 사용하는 이유는 단순히 비용 때문만은 아니에요.

Mixpanel이 조직에 자연스럽게 정착하면서 데이터를 활용하는 방식 자체가 달라졌기 때문이에요.

대표적인 변화가 바로 '데이터 민주화'예요.데이터 민주화란 데이터 분석가가 아니더라도 누구나 필요한 데이터에 직접 접근하고, 이를 바탕으로 의사결정할 수 있는 환경을 의미해요.

이전에는 데이터를 확인하려면 분석가에게 요청해야 했다면, 이제는 구성원들이 직접 Mixpanel을 열어 필요한 지표를 살펴볼 수 있게 된 거예요.
여기에 또 하나 중요한 변화가 있었어요. 바로 모두가 같은 기준으로 데이터를 볼 수 있게 되었다는 점이에요.
스캐터랩은 전사 지표 회의에서 BigQuery에 쌓인 데이터를 함께 확인하기도 하는데요.
데이터를 직접 조회하다 보면 활성 유저를 집계할 때 스태프 계정을 제외하는지 등 세부적인 기준이 사람마다 달라질 수 있어요.

하지만 Mixpanel에 지표 기준을 미리 정의해두면 누가 확인하더라도 같은 기준으로 데이터를 살펴볼 수 있어요.

단순히 데이터에 쉽게 접근하는 것을 넘어, 조직 전체가 같은 숫자를 보고 이야기할 수 있는 환경이 만들어진 거죠.

4. Mixpanel 활용 방식: 데이터 기반 의사결정이 일상이 되다

그렇다면 이렇게 자리 잡은 Mixpanel은 실제 업무에서 어떻게 활용되고 있을까요?

스캐터랩에서는 모든 팀이 각자의 목표 지표를 설정하고, 이를 대시보드로 만들어 관리하고 있어요.
매주 진행하는 위클리 회의에서도 이 대시보드를 함께 살펴보는데요.
회의에서 가장 중요한 질문은 바로 "이번 주 지표가 왜 이렇게 나왔을까?"예요.

예를 들어 회의 중 누군가 "추천 모델을 바꿔야 하지 않을까요?"라는 의견을 제시했다고 가정해 볼게요.
이때 단순히 의견을 주고받는 데서 끝나지 않아요.
바로 Mixpanel을 열어 유저들의 추천 모델 클릭률과 전환율을 한국과 일본으로 나눠 확인해요
만약 일본의 전환율이 상대적으로 낮다는 사실이 확인된다면, 이를 근거로 추천 모델을 더 고도화해야 한다는 제안을 할 수 있겠죠.

누군가의 감이나 추측이 아니라, 실제 유저 행동 데이터를 바탕으로 다음 액션을 결정하는 거예요.

이처럼 스캐터랩은 다양한 지표를 활용해 서비스 개선 방향을 결정하고 있는데요.
그중에서도 제타 팀이 특히 중요하게 살펴보는 지표가 있어요. 바로 '사용시간'이에요.

제타는 광고와 구독이라는 두 가지 비즈니스 모델을 함께 운영하는 엔터테인먼트 서비스예요.
그렇기 때문에 제타가 중요하게 생각하는 질문은 "유저가 우리 서비스를 정말 재미있게 즐기고, 몰입하고 있을까?"예요.

이 질문에 답하기 위해 전체 유저의 주간 총 사용시간은 물론, 신규 유저와 기존 유저의 유저당 체류시간도 함께 확인하고 있어요.

사용시간은 단순히 유저의 몰입도를 보여주는 지표에 그치지 않아요. 유저가 서비스를 오래 이용할수록 전면 광고가 노출될 기회도 늘어나기 때문에, 서비스의 재미와 비즈니스 성과를 함께 살펴볼 수 있는 중요한 지표이기도 해요.

이렇게 매주 데이터를 살펴보고, 궁금한 점을 직접 분석하는 문화가 자리 잡으면서 또 다른 변화도 생겼어요.팀원들이 하나둘 SQL을 배우기 시작한 거예요. 데이터를 더 깊이 이해하고 싶다는 관심이 자연스럽게 분석 역량을 키우는 계기로 이어진 거죠.그렇다면 이렇게 데이터를 일상적으로 활용하는 제타 팀은 실제로 어떤 문제들을 해결했을까요?

지금부터 Mixpanel을 활용한 세 가지 사례를 살펴볼게요.

5. Mixpanel로 진행한 데이터 실험 사례

사례 1) 액티베이션을 새로 정의하고, 이탈 지점을 찾아내다

제타 팀이 먼저 고민한 건 "우리 서비스에서 액티베이션은 어떤 순간일까?"라는 질문이었어요.
액티베이션(Activation)은 유저가 서비스의 핵심 가치를 처음 경험하는 순간을 의미해요. 쉽게 말해, 유저가 서비스의 진짜 재미를 느끼기 시작하는 시점이라고 볼 수 있어요.

예를 들어 넷플릭스에서는 첫 에피소드를 끝까지 시청하는 순간, 카카오톡에서는 친구와 첫 대화를 주고받는 순간을 생각해 볼 수 있겠죠.
제타 역시 유저가 어떤 행동을 했을 때 서비스의 재미를 충분히 경험했다고 볼 수 있을지 정의해야 했어요.

중요한 건 이 기준을 단순히 감으로 정하지 않았다는 점이에요. 실제로 어떤 행동을 한 유저들이 이후에도 서비스를 오래 이용하는지 데이터를 통해 확인했어요.

그렇게 찾아낸 핵심 행동은 바로 'Play'였어요.

하지만 대화를 한 턴 주고받거나 30초 정도 플레이한 것만으로는 서비스의 재미를 충분히 느꼈다고 보기 어려웠어요.

여러 기준을 비교한 끝에 제타 팀은 '30분 이상 플레이를 3일 안에 한 번이라도 하는 것'을 액티베이션 기준으로 정했어요.

기준이 정해지자 이제는 신규 유저가 액티베이션에 도달하기까지 어떤 과정을 거치는지 살펴볼 차례였어요.

제타 팀은 이 과정을 다섯 단계로 나눠 분석했어요.

가입
캐릭터 클릭
대화방 생성
Play 시작
30분 달성

분석 결과, 특히 유저 이탈이 많이 발생하는 구간이 두 곳 있었어요. 바로 캐릭터를 선택하는 단계와 실제로 30분 이상 플레이하는 단계였어요.

여기서 제타 팀이 내린 결론은 "신규 유저들이 자신이 플레이할 캐릭터를 잘 찾지 못한다"는 것이었어요.

그렇다면 신규 유저에게 어떤 캐릭터를 보여줘야 할까요?

소수의 선택지만 보여주려면 두 가지 조건이 필요했어요.
신규 유저도 쉽게 플레이할 수 있을 만큼 퀄리티가 좋아야 하고, 동시에 대부분의 유저 취향을 만족시킬 수 있어야 했어요.

이를 위해 활용한 기능이 Mixpanel의 Group 기능이에요.

Group 기능은 개별 유저가 아닌 캐릭터와 같은 특정 단위를 기준으로 데이터를 묶어 분석할 수 있는 기능이에요.
제타 팀은 이 기능으로 캐릭터별 지표를 확인하고, 퀄리티 좋은 캐릭터를 추출했어요. 이후 남성·여성 각각의 최종 캐릭터 선택지를 정해 온보딩 화면에 반영했어요.

그렇다면 실제 효과는 어땠을까요?

실험 결과, 새로운 온보딩을 경험한 실험군은 대조군보다 액티베이션 비율이 5.86%, 가입 첫 주 리텐션이 4.72% 높게 나타났어요.

지표	대조군 대비 변화율
액티베이션 비율	+5.86%
가입 첫 주 리텐션	+4.72%

사례 2) 자체 LLM 모델을 실험하며, 세션과 매출을 함께 살펴보다

제타의 핵심 경험은 AI 캐릭터와 대화를 나누는 것이에요. 그렇기 때문에 AI가 어떤 답변을 만들어내는지도 서비스의 재미에 큰 영향을 줄 수밖에 없겠죠.
제타는 자체 LLM(대규모 언어 모델)을 보유하고 있으며, 더 나은 대화 경험을 제공하기 위해 모델을 지속적으로 개선하고 있어요.

흥미로운 점은 답변 길이처럼 세세한 설정값까지 바꿔가며 실험을 진행한다는 것이에요.

그렇다면 어떤 설정이 더 좋은지는 어떻게 판단할까요?
제타 팀은 Mixpanel을 활용해 실험군별 유저당 매출과 플레이 시간을 함께 살펴봐요.

새로운 설정이 적용됐을 때 유저가 더 오래 대화하는지, 유저 한 명당 발생하는 매출에는 어떤 변화가 있는지 확인하는 거예요.
이 과정에서 최대 10개의 실험군을 동시에 운영하고, 며칠에 걸쳐 지표를 반복적으로 관찰한다고 해요.
이렇게 쌓은 실험 노하우는 자체 LLM 모델을 개선하는 데만 활용되는 건 아니에요. 외부 LLM과 비교할 때도 같은 방식으로 활용하고 있어요.

사례 3) 캐릭터는 번역만으로 안 통한다: 한국과 일본 콘텐츠의 온도차

제타는 현재 한국과 일본에서 각각 다른 캐릭터 콘텐츠를 운영하고 있어요.
그런데 한 가지 궁금증이 생길 수 있겠죠.

"한국에서 인기 있는 캐릭터를 일본어로 번역하면, 일본에서도 똑같이 인기를 얻을 수 있을까?"

제타 팀도 비슷한 질문에서 출발해 실험을 진행했어요.
콘텐츠를 더 빠르게 확장하기 위해 한 국가에서 반응이 좋았던 캐릭터를 번역해 다른 국가의 유저들에게 보여준 거예요.

그리고 Mixpanel로 캐릭터별 플레이 유저 수와 플레이 세션 시간 등을 비교했어요.

결과는 어땠을까요?
한 국가에서 인기를 얻은 캐릭터라고 해서 다른 국가에서도 똑같이 좋은 반응을 얻는 것은 아니었어요.

일본 캐릭터를 한국에 가져왔을 때는 비교적 반응이 좋았지만, 반대로 한국 캐릭터를 일본에 가져왔을 때는 상대적으로 반응이 낮았어요.

실험 방향	유저 반응
일본 캐릭터 → 한국	비교적 좋음
한국 캐릭터 → 일본	상대적으로 낮음

같은 캐릭터라도 국가에 따라 유저들의 반응이 달라질 수 있다는 사실을 확인한 거예요.
이 실험을 통해 제타 팀은 콘텐츠를 단순히 번역해 확장하기보다는, 각 시장의 실제 플레이 데이터를 바탕으로 캐릭터 전략을 다르게 가져갈 필요가 있다는 인사이트를 얻었어요.

6. 데이터 민주화 다음 단계, AI와 함께 데이터를 보는 방식으로

지금까지 살펴본 것처럼 스캐터랩은 Mixpanel을 통해 누구나 데이터를 직접 확인하고, 이를 바탕으로 의사결정하는 문화를 만들어왔어요.
이제는 여기서 한 단계 더 나아가 AI를 활용해 데이터 분석과 의사결정 과정을 더욱 효율적으로 만드는 것을 고민하고 있어요.

스캐터랩은 현재 전사적으로 Claude를 주력 AI 도구로 활용하고 있는데요.
앞으로는 전사 회의에서 공통으로 사용하는 Mixpanel 지표를 MCP(Model Context Protocol)를 통해 Claude와 연결할 계획이라고 해요.

MCP는 AI 도구가 외부 서비스의 데이터에 연결할 수 있도록 해주는 표준 방식이에요.
이를 활용하면 평소 사용하던 Claude에서도 Mixpanel의 데이터를 불러와 확인하고 활용할 수 있게 되는 거죠.

여기서 끝이 아니에요. 앞으로는 CRM 등 다른 도구까지 함께 연결해 여러 시스템에 흩어진 정보를 AI를 통해 유기적으로 활용하는 것도 목표로 하고 있어요.

과거에는 데이터가 필요할 때마다 분석가에게 요청해야 했다면, Mixpanel 도입 이후에는 누구나 직접 데이터를 확인할 수 있게 됐어요.
그리고 이제는 AI를 연결해 필요한 데이터를 더 쉽고 빠르게 활용하는 환경으로 발전시키려는 거예요.

7. 데이터로 '재미'를 개선한 결과, 주간 사용시간 20시간에 달하는 서비스로

제타가 지금까지 데이터를 활용해온 과정을 살펴보면, 결국 하나의 질문으로 이어져요.

"어떻게 하면 유저가 우리 서비스를 더 재미있게, 더 오래 즐길 수 있을까?"

제타 팀은 이 질문에 답하기 위해 유저의 사용시간을 꾸준히 살펴보고, 캐릭터 추천부터 자체 LLM 모델까지 다양한 영역을 데이터 기반으로 개선해왔어요.

그렇다면 현재 제타는 어떤 성과를 만들어내고 있을까요?

제타는 현재 글로벌 가입자 1,000만 명, MAU(월간 활성 사용자) 400만 명을 넘어섰어요.
특히 최근 방학 기간에는 유저의 주간 사용시간이 20시간에 달했다고 해요.

여기서 더 눈여겨볼 만한 지표도 있어요.
가입한 지 만 1년이 지난 유저들도 하루 평균 2.5시간씩 제타를 이용하고 있다는 점이에요.

신규 유저뿐 아니라 오랫동안 서비스를 이용해온 유저들도 여전히 높은 몰입도를 보이고 있는 거예요.

다른 엔터테인먼트 서비스와 비교해 봐도 흥미로운 결과를 확인할 수 있어요.

제타는 10~20대 총 사용시간 기준으로 유튜브, 인스타그램, X, 틱톡, 네이버웹툰 등 대형 엔터테인먼트 서비스와 함께 10위권에 자리하고 있으며, 10대에서는 6위까지 올라갔어요.

단순히 가입자 수를 늘리는 것을 넘어, 유저가 실제로 오래 머무르고 다시 찾는 서비스를 만드는 것. 제타가 데이터를 활용해 제품을 개선해온 방향과 그 결과를 함께 보여주는 지표예요.
스캐터랩의 사례에서 볼 수 있듯, 데이터는 단순히 서비스 성과를 확인하는 데 그치지 않아요.
유저가 어디에서 재미를 느끼고, 어떤 순간에 이탈하는지 이해하고, 더 나은 서비스 경험을 만드는 데 활용할 수 있어요.

특히 Mixpanel과 같은 행동 데이터 분석 툴을 활용하면 유저의 행동을 직관적으로 파악하고, 데이터에 기반해 서비스 개선 방향을 결정할 수 있어요.

우리 서비스는 지금 어떤 데이터를 바탕으로 의사결정하고 있나요?

데이터를 확인하는 것을 넘어, 실제 서비스 성장으로 연결하는 방법을 고민하고 있다면 Mixpanel과 함께 시작해 보세요.