지난 7월 13일 서울 삼성동 코엑스 그랜드볼룸에서 개최된 모던 그로스 스택(Modern Growth Stack 2022, 이하 MGS 2022) 컨퍼런스의 주요 세션 내용을 정리하여 시리즈로 소개합니다.
MGS 2022는 AB180에서 개최한 애드테크&마테크 컨퍼런스로, 온오프라인 2,000여 명이 참여, 국내외 40여 명의 연사의 20여 개 세션으로 디지털 프로덕트 시대를 이끌어가는 주역들의 철학과 가치, 비즈니스 노하우를 공유하였습니다.
👉 MGS 2022 컨퍼런스의 전반적인 내용을 담은 현장 스케치는 여기 링크에서 확인해보세요.
이번 포스트에서는 조경상 NNT 대표가 진행한 “MMP 데이터를 활용한 리텐션 예측과 LTV 추산” 세션의 내용을 소개합니다. 마케팅 의사 결정 시 반드시 고려해야 하는 고객 생애 가치의 개념과 그 예측 방법을 함께 알아보았습니다.
조경상 대표는 지난 2년간 NNT를 이끌며 여러 고객사와 다양한 마케팅 문제를 해결하기 위해 협업을 해 왔습니다. 이 가운데에는 고객 생애 가치(Lifetime Value, LTV)에 주목한 고객사도 여럿 있었습니다.
조경상 대표는 마케팅에서 LTV가 중요해진 이유로 크게 세 가지를 들었습니다. 첫째, 노출이나 고객 만족도와 같은 전통적인 마케팅 지표로는 마케팅 ROI를 계산할 수 없습니다. 둘째, MAU, 회원 가입 수, 앱 설치 수 등의 지표를 통해 비즈니스 문제를 해결할 수 없습니다. 셋째, 정보 기술의 발전 덕분에 샘플링, 서베이에 의존하지 않고 유저 행동 데이터를 실시간으로 확보할 수 있게 되었습니다.
과거에는 마케팅 관련 의사결정에 참고할 수 있는 데이터가 제한적이었습니다. 대표적으로 TV 시청률 데이터, 설문조사, 리테일 PoS 데이터 등이 있었습니다. 하지만 오늘날에는 훨씬 많고 다양한 데이터를 참고할 수 있습니다. 예를 들어 앰플리튜드를 통해 유저 행동 데이터를, 브레이즈를 통해 CRM 데이터를, 에어브릿지를 통해 페이드(paid) 마케팅 데이터를 수집하고 활용할 수 있습니다. 이러한 데이터를 바탕으로 풍부한 정보를 습득하고 복잡한 비즈니스 문제를 해결하는 것이 가능해졌습니다.
LTV의 개념을 다루기에 앞서 유저 획득 비용(Customer Acquisition Cost, CAC)에 대해 먼저 알아보겠습니다. CAC는 한 명의 유저를 획득하는 데 들어가는 비용으로, 유저 유입에 지출된 비용을 이를 통해 유입된 유저의 숫자로 나누어 계산할 수 있습니다. 예를 들어, 지난 한 달 간 구글 광고에 100만 원을 지출했고, 500명이 구글을 통해서 유입되었다면 CAC는 2,000원이 됩니다.
LTV는 유저 한 명이 서비스를 이용하는 기간 전체에 걸쳐 창출하는 가치의 총합입니다. 만약 LTV가 CAC보다 높다면, 다시 말해 유저가 기업에 가져다 주는 수익이 유저를 획득하는 데 소요되는 비용보다 크다면, 합당하고 효율적인 마케팅 캠페인을 진행하고 있다고 볼 수 있습니다. 또한, 한 명의 유저가 유입되어 이탈할 때까지 얼마를 투자할지 결정할 때에도 LTV를 기준으로 삼을 수 있습니다.
전통적으로 LTV를 구할 때에는 아래 공식을 사용해 왔습니다.
t라는 기간 내에서 p는 유저가 서비스에 지불한 값, c는 유저에게 서비스를 제공하는 데 필요한 비용으로, p값에서 c값을 빼면 수익을 알 수 있습니다. 여기에 해당 유저의 재구매율(retention rate)을 곱하고, 이를 서비스의 현재 가치로 환산한 다음, CAC를 빼면 LTV를 알 수 있습니다. 더 쉽게 설명하자면, 유저가 평생 발생시킬 수익을 전부 더한 것에서 해당 유저를 유입시키기 위해 투자한 비용을 빼면 LTV가 나옵니다.
다만, 조경상 대표는 이러한 방식으로 LTV를 구하는 데에 치명적 단점이 있다고 말합니다. 바로, 개별 유저 혹은 특정 매체를 통해 유입된 유저에 대한 LTV를 구할 수 없다는 점입니다. 유저 수준에서의 예측이 불가하면 페이드 마케팅을 진행할 때 유저별 특성을 반영하여 제대로 된 의사 결정을 하기가 어렵습니다. 특정 시점의 재구매율, 특정 시점의 할인율 등을 정확히 알 수 없기 때문에 여러 변수를 가정해야 하는 점 역시 아쉬운 점입니다.
따라서 이러한 전통적인 방식을 넘어서는 시도의 필요성이 대두되고 있습니다. 이에 조경상 대표는 NNT에서 고객사의 LTV를 추산하는 방법을 공유했습니다. NNT에서는 우선 아래 다섯 가지 질문에 대한 답변을 통해 비즈니스의 복잡도를 파악하고 어떤 예측 모형을 쓸지 결정합니다.
조경상 대표는 이 중 첫 번째 질문에 특히 주목했습니다. 재구매율 예측이 용이한 서비스에는 만보기 앱, 알람 앱, 게임 앱과 같이 유저가 매일 또는 정기적으로 방문해야 하는 서비스가 있습니다. 이러한 서비스는 또한 수익화의 허들이 낮은 편입니다. 예를 들어 광고를 통해 수익화를 하는 만보기 앱이라면 유저가 앱에 접속하기만 해도 수익화가 가능합니다. 게임 앱과 같이 디지털 재화를 통해 수익화하는 서비스 역시 그 허들이 낮습니다.
반면, 재구매율 예측이 어려운 서비스는 방문이 상대적으로 임의적입니다. 대표적으로 커머스 앱과 여행 앱이 있는데, 이러한 서비스는 유저가 필요에 의해 방문한다는 특징이 있습니다. 그런데 유저마다 그 필요성이 다르기 때문에 이에 대한 예측이 필요하여, 이로 인해 재구매율 예측이 한층 더 복잡해집니다. 수익화의 허들 역시 상대적으로 높습니다. 물리적인 제품을 구매하거나 호텔 및 항공권 예약 등은 구매까지의 심리적 장벽이 높기 때문에 수익화가 어렵고, 재구매율을 예측하기 쉽지 않습니다.
재구매율 및 LTV 예측에는 확정적(deterministic) 모형, 확률적(stochastic) 모형, 통계적(statistical) 모형, 머신러닝의 네 가지 모형을 사용할 수 있습니다. 조경상 대표는 이 중 확정적 모형과 확률적 모형의 활용 방법을 소개했습니다.
에어브릿지와 같은 MMP 및 어트리뷰션 솔루션은 재구매율 관련 미가공 데이터(raw data)를 수집 및 제공합니다. NNT는 이러한 과거의 데이터를 유저 수준에서 수집하고, 필요한 방식으로 가공합니다.
과거 데이터에 기반한 확정적 모형을 통해 LTV를 예측할 때에는 아래 공식을 사용합니다.
ARPU(Average Revenue Per User)는 유저당 평균 수익을 의미합니다. 유저가 1년 동안 잔존한다는 가정 아래, ARPU에 각 시점의 재구매율을 각각 곱한 값을 모두 더하면 LTV를 추산할 수 있습니다.
여기서 주의할 점은 재구매율이 매일 변화한다는 점입니다. 재구매율이 50%에서 점점 줄어들어 15%로 수렴하는 서비스가 있다고 가정해보겠습니다. 만약 이 서비스의 유저가 365일 동안 잔존하고, ARPU가 1,000원이라면, LTV는 55,320원이라고 계산할 수 있습니다.
확정적 모형을 사용하면 이렇게 간단하게 LTV를 구할 수 있습니다. 다만, 각 시점별 재구매율은 어떤 방식으로 예측할지, 유저 잔존 기간은 어느 정도로 가정해야 할지 등이 불명확하다는 점은 여전히 문제로 작용합니다.
확정적 모형은 유저별 이탈 확률이 다를 수 있다는 점 역시 고려하지 않습니다. 하지만 모든 유저는 각기 다른 행동 양식을 갖고 있으며, 이 점을 감안하여 재구매율을 계산하려면 확률적 모형을 사용해야 합니다.
유저가 단 한 번만 이탈한다고 가정했을 때, n일째 날에 이탈할 확률 P(n)에 대해 아래와 같은 공식을 도출할 수 있습니다. 여기서는 이탈할 확률을 가리킵니다.
매일 이탈하지 않을 확률을 40%라고 하면, 이탈할 확률은 60%가 됩니다. 그렇다면 5일째에 이탈할 확률은 1.536%가 됩니다.
이와 같은 방식으로 6일째, 7일째에 이탈할 확률도 구할 수 있으며, 확률론에서는 이를 기하 분포라고 부릅니다.
다만, a를 정할 때에도 확률의 개념을 빌려와야 합니다. 유저가 이탈할 확률 자체가 하나의 확률 변수이고, 이것을 유저별로 측정해야 하기 때문에 베타 분포라는 또 다른 확률 분포를 사용하게 됩니다. 베타 분포는 알파와 베타 두 개의 파라미터를 갖고 다양한 형태의 분포를 만들 수 있는 매우 유연한 분포입니다.
기하 분포와 베타 분포는 서로 궁합이 잘 맞는 분포입니다. 그래서 NNT는 이 두 가지를 합쳐 사용하여 개별 시점에 대한 이탈 확률과 재구매율, 궁극적으로 LTV를 산출합니다. 이렇게 확률적 모형을 활용하면 확정적 모형을 활용할 때에 비해 훨씬 상세하고 정확하게 LTV를 예측할 수 있습니다.
조경상 대표는 이날 세션을 마무리하며 CRM을 통한 재구매율 증가가 LTV 제고에 필수적이라고 말했습니다. CAC 감소 역시 중요하다고 밝히며, 이를 위해 검색 엔진 및 앱 스토어의 알고리즘을 이용하여 오가닉(organic) 유입을 늘려야 한다고 설명했습니다. 나아가, MMP 데이터는 굉장히 풍부하기 때문에 LTV 추산 외에도 다방면으로 활용할 수 있다는 점을 강조했습니다.
디지털 프로덕트의 성장에는 애드테크 및 마테크 솔루션이 함께합니다. CAC는 낮추고 LTV는 높이기 위해 고민하고 있다면, 이번 MGS 2022에서 소개된 그로스 스택에 대한 최신 트렌드와 인사이트를 참고하시어 프로덕트 및 비즈니스의 성장을 이루시길 바랍니다.
MMP 데이터를 통한 재구매율 예측 및 LTV 추산에 대한 자세한 내용이 궁금하시다면, 아래 버튼을 클릭하고 AB180 Academy에서 MGS 2022 다시 보기 영상을 확인해 보세요! 간단한 회원가입 후 즉시 무료로 녹화 영상 시청이 가능합니다.
*AB180 Academy는 AB180에서 만든 마케팅 솔루션 교육 플랫폼으로, AB180이 서비스하는 솔루션 사용법 및 마테크 실무 활용법을 무료로 배우실 수 있게 동영상 자료를 지원하고 있습니다.
