모바일 헬스 앱 사용자 참여와 이탈 예측 프레임워크

본 논문은 저소득·중간소득 국가에서 숙련된 산부인과 보건인력을 지원하는 모바일 학습 도구인 Safe Delivery App의 사용 로그를 분석해, 사용자 참여와 이탈( churn) 위험을 정량화하는 종합적인 프레임워크를 제시한다. 연구는 먼저 기존 문헌을 검토하며, 디지털 헬스 분야에서 사용자 참여를 측정한 연구는 대부분 일반 대중을 대상으로 했고, 보건인력 전용 앱에 대한 체계적 분석은 부족함을 지적한다. 이를 보완하기 위해 저자는 ‘의미 있는 참여(meaningful engagement)’라는 개념을 도입하고, 이를 다차원적으로 측정하기 위한 네 가지 이분법적 관점을 정의한다: 빈도 vs. 강도, 일반 vs. 특수, 내생적 vs. 외생적, 역사적 vs. 스냅샷, 그리고 분석적 vs. 예측적 접근법이다. 데이터는 2018년 1월부터 2021년 8월까지 58,195명의 사용자(인도 95%, 에티오피아 5%) 로그를 일일 단위로 전처리한 결과이며, 각 사용자는 ‘수명’, ‘일일 연결 시간’, ‘액션 카운트’, ‘e‑learning 액션 카운트’, ‘진행도(통과한 테스트 수)’, ‘동영상 시청 횟수·시간’, ‘충성도 지수(로그인 일수 비율)’, ‘마지막 로그인 이후 일수’ 등 9개의 일일 메트릭을 갖는다. **1. 이탈 정의와 반환 이탈자 분석** ‘k일 연속 비로그인’ 기준을 기반으로 반환 이탈자 비율과 놓친 메트릭 비율을 각각 30%·10% 이하로 제한하는 최적 k값을 탐색한다. 반환 이탈자는 이후에 다시 로그인한 사용자를 의미하며, 이들의 활동량이 전체 메트릭에 미치는 영향을 최소화하는 것이 목표다. 이는 이탈 탐지의 정확도와 조기 대응 가능성 사이의 균형을 보여준다. **2. ECDF 기반 참여 확률** 비모수적 ECDF를 이용해 개별 사용자의 과거 행동(내생적)과 전체 집단의 행동(외생적) 분포를 추정한다. 예를 들어, 로그인 간격이 과거 분포의 10번째 백분위수 이하이면 비정상적으로 긴 비활동 기간으로 판단해 이탈 위험을 표시한다. ECDF‑endo, ECDF‑exo, ECDF‑snapshot 세 가지 변형을 통해 시간적·집단적 맥락을 동시에 고려한다. 이 방법은 직관적인 확률 해석을 제공하지만, 여러 지표를 하나의 통합 점수로 결합하기 어렵다는 한계가 있다. **3. 참여 점수(Engagement Score)** 여러 지표를 조화 평균으로 결합해 0~1 사이의 단일 점수를 만든다. 스케일링 기준을 개인 과거(내생적) 혹은 전체 집단(외생적)으로 선택함으로써 점수의 의미를 상황에 맞게 조정한다. 점수는 강도 지표가 0이면 자동으로 0이 되므로, 활동이 전혀 없을 경우에도 저참여 상태를 명확히 드러낸다. 다만, 점수가 무엇을 의미하는지 직관적으로 파악하기 어려워 해석에 주의가 필요하다. **4. 생존 분석을 통한 예측** 시간‑가변 공변량을 포함한 앙상블 생존 모델을 구축해 ‘시간‑대‑이탈’ 확률을 예측한다. 검열된 데이터를 자연스럽게 처리할 수 있어, 아직 이탈이 확인되지 않은 장기 사용자까지 모델에 포함한다. 이 접근법은 순수히 현재 행동을 분석하는 ECDF·점수와 달리 미래 행동을 예측함으로써 사전 재참여 개입 시점을 정량적으로 제시한다. **5. 실험 결과 및 비교** 섹션 3에서는 다양한 이탈 정의를 적용해 반환 이탈자 비율과 놓친 메트릭 비율을 비교한다. ECDF 기반 방법은 0.1 이하의 확률 임계값을 사용해 높은 이탈 위험 사용자를 효과적으로 식별했으며, 참여 점수는 낮은 점수(0~0.1) 구간이 높은 이탈 위험과 강하게 연관됨을 확인했다. 생존 모델은 시간‑가변 공변량을 포함함으로써 기존 정적 모델보다 AUC가 5~7% 향상되었다. **6. 논의와 한계** 연구는 모바일 헬스 앱에서 사용자 참여를 다차원적으로 측정하고, 이탈을 조기에 탐지할 수 있는 방법론을 제공한다. 그러나 점수와 ECDF 지표를 단일 통합 지표로 변환하기 어려운 점, 문화·언어·인프라 차이에 따른 외생적 기준의 일반화 가능성, 그리고 데이터가 주로 인도 사용자에 편중된 점 등이 한계로 남는다. 향후 연구에서는 다양한 국가·언어 환경에서의 검증, 실시간 개입 전략과의 연계, 그리고 강화학습 기반 맞춤형 리마인더 시스템 개발을 제안한다. 결론적으로, 본 논문은 확률적·생존 분석을 결합한 프레임워크를 통해 모바일 헬스 앱 사용자의 의미 있는 참여를 정량화하고, 이탈 위험을 조기에 감지함으로써 보건인력에게 맞춤형 디지털 지원을 제공할 수 있음을 입증한다. 이는 궁극적으로 보건 서비스 품질 향상과 생명을 구하는 데 기여할 수 있다.