brunch

매거진 퍼포먼스 마케팅 노트

라이킷 8 댓글 2

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 해건 Sep 27. 2018

#002 UA 캠페인에서 LTV 구하기

캠페인 운영에 이정표가 되어주는 LTV 계산하기

RnC 모바일의 UA캠페인을 시작한 지 얼마 되지 않았습니다. 지난 6월부터 본격적으로 시작했으니 아직 4개월 정도밖에 되지 않았네요. 세상사 무슨 일이던 다 그렇겠지만 처음 시작하는 캠페인은 굉장히 조심스럽게 접근할 수밖에 없습니다. 과거에 쌓아 둔 데이터가 없으니 유저의 Life Time Value(이하 LTV)를 예측하기가 더욱 힘들기 때문이죠.

LTV에 대한 정의는 어떤 문맥에서 사용되는가에 따라서 약간 다르기는 하지만 게임 UA 마케팅에서는 대부분 사람들이 유입된 유저가 게임을 이탈하기 전까지 발생시킬 것으로 예상되는 매출의 총량으로 이해하는 것 같습니다. 자연스럽게 LTV는 진행 중인 UA 캠페인이 손익분기점을 넘길 수 있는가에 대한 아주 중요한 판단 근거가 됩니다.

그런데 저희 게임처럼 IAP의 수익모델을 가진, 게다가 소수 고래유저들이 매출에서 큰 비중을 차지하는 앱들은 유저의 LTV를 예측하기가 쉽지 않습니다. 유저의 구매가 언제 일어날지 모르고, 유저가 얼마짜리 상품을 구매할지도 정확하게 예측할 수 없습니다.

하지만 유저의 LTV를 알 수 없으면 Return On Ad Spend(ROAS) 100%를 달성할 수 있을지, 혹은 언제 달성할 수 있을지 또한 예측할 수 없습니다. 그래서 다소 정확성이 떨어지더라도 게임에서 바라보는 유저의 라이프사이클(RnC는 유저의 라이프사이클을 길게 봅니다. 소셜카지노 장르의 특성이기도 하고 게임 기획의 원칙이기도 하죠) 보다 더 짧은 기간의 데이터를 이용해서 LTV를 예측합니다.

판단을 위한 최소한의 근거 찾기

LTV를 예측하는 데 사용할 수 있는 다양한 방법이 있습니다. Retention을 계산해서 유저들의 평균 이용기간을 계산하고 평균 이용기간에 ARPU를 곱해서 LTV를 구하는 방법이 많이 사용되는 것 같고요, 누적 ARPU 그래프를 피팅해서 LTV를 구할 수도 있습니다. 유저의 구매 패턴을 특정 분포의 확률로 모델링해서 유저의 LTV를 예측하는 방법도 있고, 좀 더 복잡하게는 더 다양한 데이터를 활용해서 머신러닝으로 LTV를 계산하는 방법도 있습니다.

그런데 쌓아둔 기간이 충분하지 않고 고래 유저들에 의한 영향 때문에 편차도 큰 데이터는 오히려 Simple한 모델이 잘 맞는 경우가 많은 것 같습니다. 그래서 일단 다른 변수들은 무시하고 하고 Retention을 이용한 방법과 누적 ARPU를 이용한 단순한 방법으로 LTV를 예측해 보고 있습니다.

Retention을 이용한 LTV 계산은 다음과 같습니다. 일단 캠페인 기간의 30일까지의 리텐션 그래프를 적당한 함수 식으로 피팅하여 아래와 같이 아름답게 줄어드는 180일까지의 예측값들을 얻어내었습니다. 여기서 180일을 정한 것은 180일 이내에 광고비를 회수할 수 있을지 판단해 보기 위해서입니다. 함수 식으로는 엑셀의 거듭제곱의 추세선 식을 사용했는데요. 실측치와 예측치의 잔차가 가장 작은 수식을 사용하였습니다.

(ex : 100명의 유입이 있었고 리텐션이 20%씩 줄어들고 평균 ARPDAU가 0.1이었을 경우, 100*0.1 + 80*0.1 + 64*0.1 ..... 이런 식의 계산이 되겠죠 )

그런데 이 방법은 DAU와 ARPDAU를 둘 다 정확하게 예측해야 정확도가 올라간다는 문제가 있습니다. DAU는 그럭저럭 예측이 되는데 사실 ARPDAU를 매일매일 정확하게 예상하는 게 쉽지 않습니다. 편차가 매우 크기 때문입니다. 유저의 구매패턴을 정확하게 모델링할 수 없으면 정확도가 떨어집니다. 그래서 저는 이 단순한 모델도 지금 데이터로는 사용하기에 복잡도가 크다고 생각을 했습니다.

그래서 또 다른 방법으로 Appsflyer Cohort 대시보드에 있는 기간별 누적 ARPDAU를 활용해 보았습니다. 누적 ARPDAU에는 사실 Rentention에 대한 정보가 포함되어 있는 것이나 다름이 없습니다. 분모가 되는 유저의 수는 특정 기간에 유입된 유저의 총 수로 고정되어있고 분자의 누적 매출만 기간별로 변화하기 때문이죠. 누적 ARPDAU의 증가속도가 줄어드는 것은 결국 유저 이탈에 대한 정보를 반영할 수밖에 없습니다. 이 모델은 너무 단순합니다. 그래도 실측치와 예측치를 비교해 보았을 때 꽤나 쓸만한 모델입니다.

이번에도 역시 ARPUDAU의 그래프를 엑셀을 이용해서 피팅해 보았습니다. 선형적으로 증가하면 좋겠다는 바람과는 다르게 로그함수의 증가 형태를 보입니다.

캠페인의 운영은 떨려도 믿음을 갖고

LTV를 분석할 때 분석의 단위는 일(day) 보다는 주(week) 단위 혹은 월(month) 단위로 진행하는 것이 좋은 것 같습니다. 일 단위로 할 계산 할 경우 편차가 심해서 정확한 인사이트를 얻기 힘든 부분이 있습니다. 확률과 통계의 세계에서는 늘 우연에 의한 결과들을 염두 해 두어야 합니다.

하지만 UA 마케터는 매일매일 캠페인을 최적화해야 합니다. 예산이 제대로 사용되고 있는지 판단하기 위해 일주일, 한 달씩 기다릴 수 없습니다. 그래서 저는 Daily로 캠페인을 최적화하기 위해 Level이나 Spin 횟수 같은 구매보다는 빈도가 높게 발생하는 인게임 지표들을 보조 지표로써 활용하고 있습니다. 예를 들어 유저가 특정 Level이나 Spin횟수까지 잘 인게이지 되면 구매가 발생될 가능성이 높다고 판단하는 것입니다. 물론 이러한 이벤트들과 구매와의 상관관계가 항상 잘 맞는 것은 아니기 때문에 더 많은 데이터 포인트를 심어서 예측을 정확도를 올리는 시도를 계속해야 합니다.

그리고 종종 캠페인의 성과 분석을 하다가 이런 상황을 보게 됩니다. 누적 ARPU(LTV)가 절대 CPI(유저 획득 비용)에 까지 도달하지 못할 것 같은 그런 상황...