LTV의 이탈율 계산하기
유닛 이코노믹스 분석의 시작, LifeTime Value 이탈율 계산
모바일앱 기반 비즈니스가 증가하면서 단순히 순방문자수, 실행횟수 만으로 고객 분석이 힘들다는 점을 발견할 수 있다. 이미 많은 모바일앱 게임 업체들 같은 경우에는 Saas 비즈니스에서 활용하던 LTV(customer LifeTime Value) 개념을 핵심 지표로 활용하는 것으로 알려져 있다.
유닛 이코노믹스?LTV 지표를 활용하면 비즈니스 운영시 마케팅 비용에 어느정도 소요해야할지 예측할 수 있기 때문에 유용하다. 흔히 알려진 LTV 계산 공식은 다음과 같다.
LTV = MRR * GPM * N
여기서 MRR(monthly recurring revenue)은 매월 발생하는 매출, GPM(gross profit margin)은 운영 비용을 제외한 마진율, N은 고객생애 주기 (LifeTime, 단위: 월)이다. 고객생애 주기는 현재 보유한 고객이 언제 서비스 이용을 중단하고 이탈할지 정확히 모르기 때문에 예측값(expected months)을 기반으로 한다. 흔히 일반적으로 알려진 고객생애 주기(N)계산법이 이탈율(c: cancellation rate)을 활용한 N = 1/c 이다. 예를 들면 매월 이탈하는 사용자 비율이 약 2%라면 고객생애 주기(N=50)는 50개월 이다.
여기서 문제점은 매월 이탈율이 일정하지 않다는 점이다. 따라서 매월 동일한 이탈율을 적용해 고객생애주기(LifeTime)를 예측하는 것에 무리가 있다. 개인적으로 업무를 진행해보면 코호트 분석을 통해 클라이언트 데이터를 분석해보면 가입 초반에 이탈율을 높고 어느정도 시점이 지나가면 매월 일정한 비율이 유지된다는 것을 알 수 있다. 단순히 N=1/c를 기반으로 한 계산 공식을 바로 활용하기 보다 비즈니스 사업자 환경에 맞게 일부 방식을 수정하는 것이 필요하다.
또한 기존 Saas 비즈니스의 LTV 계산의 이슈는 대부분 Saas 사업자들이 subscription 기반의 정액제 과금을 취하기 때문에 월간 발생하는 매출이 일정하다는 것이다. 하지만 시장 환경 및 경쟁사 현황에 따라 월간 매출이 불안정한 스타트업 같은 경우 이와 같은 계산 방식을 그대로 취하는 것에 한계가 있다.
SaaS? 언제적 키워드를 꺼내시나요... 어쨌든 한국에서 SaaS 비즈니스를 한다면? ㅠㅠ워드프레스 호스팅 솔루션을 제공하는 WP Engine의 창업자 Jason Cohen은 LTV 관련해서 의미있는 포스팅을 많이 작성했다. Jason Cohen이 LTV 계산에 있어 이탈율 계산에 대해 노하우를 공개한 포스팅이 있어 이를 요약해본다.
앞서 설명했듯이 LTV 계산에 있어 가장 애매한 부분이 고객생애 주기(N, 즉 LifeTime)을 예측하는 것이다. 즉 고객이 이탈할 때까지 몇 개월이 걸리지 예측하는 것이다. 일반적으로 알려진 LTV계산법은 다음과 같다.
3월에 200명의 유료 가입자가 있고 10명이 이탈했다고 가정한다면 월간 이탈율 p=0.05이다.
N명 고객이 있다고 가정한다면 잔존하고 있는 고객 숫자는 N(1-p)로 표현할 수 있다.
신규 고객이 없다고 가정한다면 한달이 지난후 잔존 고객은 N(1-p), 두번째 달이 지난후 잔존 고객은 N(1-p)(1-p), 세번째 달이 지난후 잔존 고객은 N(1-p)(1-p)(1-p)로 계산할 수 있다.
매월 고객당 매출이 $R이라고 가정한다면 첫달 얻는 매출은 $RN, 두번째 달에 얻는 매출은 $RN(1-p), 그 다음 달 매출은 $RN(1-p)(1-p)로 계산할 수 있다.
따라서 LTV는 $RN + $RN(1-p) + $RN(1-p)(1-p) + $RN(1-p)(1-p)(1-p) + ...
다시 계산하면 $RN X [1 + (1+p) + (1-p)(1-p)+ ... ]
괄호 안 무한급수를 계산하면 1/p이 된다.
LTV는 $RN/p로 축약해서 표현할 수 있다.
이밖에 고객당 평균 기대 매출은 $R/p, 고객당 생애주기는 1/p로 계산할 수 있다.
따라서 이탈율 p = 0.05일때 고객생애 주기는 1/0.05 = 20개월이 된다. 그리고 매월 $50 매출이 발생한다면 전체 LTV는 $1000(20 X 50)로 계산할 수 있다.
하지만 앞서 설명했듯이 매월 발생하는 이탈율이 일정하지 않기 때문에 이 부분을 각 사업자의 비즈니스 환경에 맞게 고칠 필요가 있다. Jason Cohen는 hybrid approach를 제안하는데 꽤 실용적인 방법론 같다. 앞서 설명했듯이 이탈율은 고객 가입 초창기에 어느정도 높다가 몇 개월 경과하면 일정하게 유지되는 경향이 있다.
Jason Cohen은 단기(short-term)와 장기(long-temr)를 구분한 LTV 계산법을 제안하고 있다. 가입 초기 3개월간 이탈율을 15%/월, 이후 이탈율을 3%/월로 가정한다. 1개월 경과후 가입자 85%가 여전히 서비스를 유지하고 있다. 3개월이 지나면 (0.85)X(0.85)X(0.85) = 0.61, 즉 61% 가입자가 잔존하고 있다. 이탈한 39%가 발생한 매출도 있을 것이지만 초기 가입자 대부분은 영업을 위해 투자한 비용들을 고려하면 무시해도 될만한 수준인 경우가 많다. 이 계산에서는 과감하게 해당 매출을 제외한다.
이제 남아있는 61% 고객들이 장기적으로 얼마나 남아있을지 예측하는 작업이 남았다. 앞서 장기에 걸친 월별 이탈율을 3%로 가정한다고 했다. 따라서 고객 생애주기, 즉 라이프타임은 1/0.03 = 33개월로 계산할 수 있다. 앞서 이탈율 15%로 계산한 3개월치까지 합친다면 36개월이 계산된다. 여기서 모든 고객에 대해 36개월을 적용할 필요가 없다. 잔존한 61%는 36개월 동안 매출이 지속적으로 발생할 것으로 예측됐다. 이를 기반으로 고객 생애주기는 0.61 X 36 = 22개월이 나온다. 이를 공식화하면 다음과 같다. Jason Cohen은 이를 기간으로 구분하는 이탈율(cancellation by age)이라 표현했다.
r = 단기 이탈율 (short-term cancellation rate)
p = 장기 이탈율 (long-term cancellation rate)
s = 단기로 지정한 개월수 (number of months in the "short-term" age group)
고객생애주기 (LifeTime) 예측값 = (1-r)^s * (s+1/p)
따라서 (1-0.15)^3*(3+1/0.03) = 22 계산이 나온다.
단기를 얼마나 길게 셋팅할지 혹은 단기 이탈율, 장기 이탈율을 각각 어떻게 설정할지는 고객 그룹군에 따라 차이가 있을 것이다. 이는 코호트 분석같은 분석 방법론을 이용해 각 세그멘테이션에 속한 고객이 어느 시점에 잔존율/이탈율이 안정되는지 분석하면 단기와 장기의 경계선이 상대적으로 명확할 것이다.
결국 이 계산법도 하나의 방법론일뿐 계산을 적용하기 전에 내가 보유하고 있는 고객이 어떤 특성을 보유하고 있는지 면밀히 파악하는 것이 그 이전에 이루어져야할 것이다.
