챕터별 상세
앱 주요 지표 및 수익 현황
출시 2개월 차에 월간 반복 매출(MRR) 1,504달러를 기록했다. 유료 구독자는 148명이며 인당 월평균 10달러를 지불한다. 최근 28일간 총 매출은 1,968달러로 집계됐다. 초기에는 높은 AI 호출 비용으로 인해 수익성이 낮았으나 운영 최적화를 통해 이를 개선했다.
AI 비용 70% 절감을 위한 모델 라우팅 전략
월 700달러에 달하던 AI 비용을 221달러로 낮췄다. 기존에는 모든 요청에 Perplexity Sonar(회당 0.5센트)를 사용했으나, 단순 수량 변경이나 편집 요청은 Gemini 2.5 Flash-Lite(회당 0.05센트)로 분기 처리했다. 자연어 처리(NLP)를 통해 요청의 성격을 분류하고 적절한 모델로 라우팅하는 방식을 적용했다. 이를 통해 모델 호출 비용을 10분의 1 수준으로 절감했다.
LLM 라우팅은 요청의 복잡도에 따라 서로 다른 성능과 가격의 모델을 선택하여 실행하는 최적화 기법이다.
캐싱 도입을 통한 효율 극대화
Supabase를 활용한 캐싱 레이어를 구축하여 동일한 음식 입력에 대한 중복 호출을 방지했다. 사용자가 이전에 입력한 음식 데이터를 데이터베이스에서 먼저 조회하고, 존재할 경우 LLM 호출 없이 결과값을 반환한다. 전체 API 호출의 60~70%가 캐시에서 처리되는 결과를 얻었다. 이 조치로 인해 사용자 수가 늘어났음에도 불구하고 전체 비용은 오히려 감소했다.
신규 기능: 메뉴판 스캔 및 데이터 추출
식당 메뉴판 사진을 찍으면 메뉴와 설명을 자동으로 추출하는 기능을 추가했다. Gemini 2.5 Flash-Lite를 사용하여 이미지 내 텍스트를 구조화된 데이터로 변환한다. 추출된 메뉴를 클릭하면 즉시 칼로리 계산이 이루어지는 워크플로우를 구현했다. 비용 효율적인 모델을 사용했기에 마진 손실 없이 고급 기능을 제공할 수 있게 됐다.
리텐션 향상을 위한 UX 및 데이터 전략
1주일 리텐션을 8%에서 10.2%로 끌어올렸다. 사용자가 직접 사진 설명을 수정할 수 있는 명시적 버튼을 추가하여 UX 마찰을 줄였다. 체중 기록 및 변화 사진 저장 기능을 도입하여 사용자가 앱에 개인 데이터를 축적하도록 유도했다. Apple Health와의 양방향 동기화를 강화하여 단백질, 당류 등 상세 매크로 데이터를 전송함으로써 앱의 활용도를 높였다. 또한 이미 로그를 기록한 사용자에게는 중복 알림이 가지 않도록 스마트 알림 시스템을 개선했다.
용어 해설
- 월간 반복 매출(MRR)
- — 구독 기반 서비스에서 매달 정기적으로 발생하는 매출 지표이다. 서비스의 성장세와 수익성을 판단하는 핵심 지표로 활용되며, 이 영상에서는 1,504달러를 달성했음을 밝힌다.
- 사용자 유지율(Retention)
- — 특정 시점에 서비스를 시작한 사용자가 일정 시간이 지난 후에도 여전히 서비스를 이용하는 비율이다. 앱의 가치를 증명하는 가장 중요한 지표이며, 1주일 유지율(Week 1 Retention)이 주요 분석 대상이다.
- 캐싱(Caching)
- — 자주 사용하는 데이터를 임시 저장소에 보관하여 동일한 요청 시 API 호출 없이 빠르게 응답하는 기술이다. LLM API 호출 비용을 절감하기 위해 Supabase 데이터베이스를 캐시 레이어로 활용했다.
- 전환 비용(Switching Cost)
- — 사용자가 현재 이용 중인 서비스에서 경쟁 서비스로 옮겨갈 때 발생하는 유무형의 비용이다. 체중 기록이나 사진 같은 개인 데이터를 축적하게 함으로써 사용자가 앱을 떠나기 어렵게 만드는 전략이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 10.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
