세미나 광고 이미지
  • 비즈니스 데이터 분석
  • 로그인 전용

매출 분석 (3) LTV(고객 생애 가치), LTR(고객 생애 매출) 왜 필요하고 어떻게 계산할까?

세미나 광고 이미지
세미나 광고 이미지
지금 간편하게 로그인하고 전문성 있는 정보를 확인해보세요.

데이터 분석가들이 직접 쓰는 다른 로그인 전용 글들도 무제한으로 이용할 수 있습니다.

 
 
LTV는 Lifetime Value의 약자로 여기에서 Lifetime(생애)는 고객이 서비스를 사용하는 기간을 뜻합니다. 그러니까 Lifetime Value란, 고객이 서비스를 사용하기 시작해서 이탈하기까지 기간 동안 서비스에 얼마의 수익(Value)를 가져다주었느냐를 뜻합니다.
 

고객 생애 가치(LTV)

LTV는 여러 가지 방법으로 계산할 수 있는데, 우리는 아래 공식을 이용해 LTV를 계산하는 방법을 먼저 알아보겠습니다.
  • : 1인당 평균 매출 (단위: 1년)
  • c: 1인당 들어가는 평균 서비스 비용 (단위: 1년)
  • r: 고객 유지 비율
  • AC: 고객 획득 비용 (Acquisition Cost)
 
언뜻 보기에는 복잡해보이지만, 공식에서 첫 항은 고객이 서비스를 이용하는 기간 동안 지불하는 금액에 그 서비스를 제공하는데 드는 비용을 차감하여 합산하는 부분이고, 두 번째 항은 주로 마케팅 비용으로 지출되는 고객을 획득하는데 든 비용()를 차감하는 것을 의미합니다. 아래 예시를 통해 쉽게 풀어서 설명해보겠습니다.
 
 

LTV 계산 예시

TMI이지만 대학생 때 한 찜닭 가게에서 5년간 아르바이트를 했는데요. 이 가게의 LTV를 대략 계산해보겠습니다.
대학가 후문에 있는 찜닭 가게였는데, 주로 단골 장사였고 두 달에 한 번은 방문하는 사람이 많았습니다. 일 년이면 한 사람이 6번 가게에 방문하는 셈입니다. 공기밥에 사이다까지 시켜먹으면 일 인당 10,000원정도 계산을 해야합니다. 일 년에 60,000원을 지불하는 셈이지요.
재료 원가는 정확하게 알 수 없어서 약 음식 가격의 35% 정도, 주방에서 일하시는 분들과 매장에서 서빙을 하는 아르바이트생의 인건비는 대략 음식 가격의 20%로 계산하겠습니다. 비용을 합산하면 33,000원(60,000원 X 0.55)이 되겠네요. 정리를 해보면, 매년 한 명의 고객이 27,000원(60,000원 - 33,000원)의 이익을 발생시킵니다.
대학가의 음식점이기 때문에 4년간 고객일 확률이 높습니다. 매년 27,000원을 4년 동안 발생시키고, 마케팅비는 0이기 때문에 고객 생애 가치는 108,000원으로 계산할 수 있습니다.
 
 
대학가의 찜닭 가게를 가정했기 때문에 고객의 생애를 4년으로 고정하여 LTV를 계산했는데요. 일반 서비스의 경우 ‘고객 유지 비율(다음 단위 기간에도 서비스를 이용할 확률)’을 산식에 이용합니다. 예를 들어, 작년 고객 중 올해에도 서비스를 사용하는 고객이 50%가 된다고 할 때, 고객 유지 비율은 50%입니다. 이 때에 이 서비스의 2년차 예상 수익은 입니다. 27,000원의 수익을 내는 고객이 다음 단위 기간에도 서비스를 사용해주어야 그 수익이 실현이 되는 것이니까, 2년차 기대 수익을 계산할 때 50%의 확률을 반영해주는 겁니다. ‘고객 유지 비율’을 ‘고객 유지 확률’이라고 보아도 무방합니다. 같은 원리로 3년차의 기대 수익은 가 됩니다. 이를 무한히 반복하면 무한 등비급수가 되지요. 이 무한 등비급수의 합으로 고객의 생애 주기안에 발생할 예상 수익을 계산할 수 있습니다.
 
 
 

LTV 계산이 실무에서 어려운 이유

위의 사례를 일반화 하면 우리가 처음에 보았던 공식이 도출됩니다.
 
  • : 1인당 평균 매출 (단위: 1년)
  • c: 1인당 들어가는 평균 서비스 비용 (단위: 1년)
  • r: 고객 유지 비율
 
을 ‘이탈율’이라고 표현하기도 하니까 혹시 다른 표기 방법을 보더라도 헷갈리지 않길 바랍니다. 미래 가치를 현재 가치로 할인하는 할인율(이자율) 가 포함된 공식도 있습니다.
 
이 계산 방법은 이론상으로 완벽하지만, 1인당 평균 매출, 1인당 평균 서비스 비용, 고객 유지 비율 등 주요 지표들이 시간이 지남에 따라 계속 변화하고 추산을 하기에도 까다롭기 때문에 실무에서 자주 사용되지는 않습니다. (위의 음식점 예시처럼 서비스 비용이 명확한 경우에는 이 방법도 좋습니다.)
 
 

고객 생애 매출(LTR, Lifetime Revenue)

실무에서는 추산이 들어가야 하는 1인당 평균 서비스 비용, 고객 유지 비율을 생략하고 고객 당 매출을 빠르게 계산하는 경우가 많습니다. 이를 고객 생애 매출(LTR)이라고 합니다.
 
  • : 특정 고객 집단에 속하는 고객 수
  • : 위 고객의 서비스 이용 기간 동안 발생한 총 매출액
 
일반적으로 마케팅 비용의 지출 규모가 적정 수준인지 확인하기 위해 분석을 할 때에는 특정 기간에 가입 또는 서비스를 첫 이용한 고객들을 대상으로 고객 집합을 분리하여 계산합니다. 좀 더 자세한 분석을 위해 유입 채널 별로 나누어 분석하기도 합니다. 어디에 이 데이터를 활용할 것인가에 따라 기준은 달라질 수 있습니다.
매출액은 특정 고객 집단에 속하는 고객들의 서비스 이용 기간 동안 발생한 총 매출액을 의미합니다. 흔히 매출액을 계산할 때 사용하는 기간으로 구분한 매출액(예. 2024년 1월 총 매출액)이 아닌, 특정 고객 집단에게서 발생한 매출액을 추적하여 합계를 계산해야 한다는 점을 기억해주세요. 아래 계산 예시를 보면 쉽게 이해할 수 있을거예요.
 
 

LTR 계산하기

예시 데이터를 이용해 2019년 1월 가입자 2000명을 대상으로 LTR을 계산해보겠습니다.
 
가입자 수
2000
결제 금액 (단위: £, 파운드)
4892970.392
LTR
2446.485196
 
2019년에 가입한 2,000명의 결제 금액을 추적해보았더니 규모가 약 4,892,970 파운드였고, 이를 가입자 수로 나눈 LTR은 약 2,446 파운드입니다.
이 데이터와 함께 1월에 지출한 고객 획득 비용과 서비스를 제공하기 위해 들어간 변동비, 고정비 등 다양한 제반 비용들을 고려하면 비즈니스가 흑자로 진행되고 있는지, 적자로 진행되고 있는지 파악할 수 있겠지요. 일반적으로 LTR이 CAC(Customer Acquisition Cost, 고객 획득 비용)보다 3배 ~ 10배 수준으로 많아야 성공적인 비즈니스라고 판단합니다. 반대로 한 명의 고객 유치를 위한 적정 투자 금액(CAC)은 LTR의 1/10 ~ 1/3 수준이어야 합니다.
위 표에서 결제 금액은 2019년 1월 가입자의 서비스 이용 기간 동안 결제 금액을 합산한 것입니다. 이를 결제 시점을 기준으로 펼쳐서 볼 수도 있습니다. 가입 이후 점점 결제 금액이 줄어들다가 0으로 수렴하는 것을 볼 수 있습니다.
 
결제월
결제 금액
2019-01
2574312.86
2019-02
339855.993
2019-03
408507.256
2019-04
323644.125
2019-05
338448.642
2019-06
315196.15
2019-07
206534.568
2019-08
159286.101
2019-09
120246.11
2019-10
74765.54
2019-11
32173.047
2019-12
0
합계
4892970.392
 

고객 생애 매출 계산의 어려움

위 사례는 아주 이상적으로(?) 2000명의 1월 가입 사용자들이 12개월 이후 모두 이탈하여 일 년치의 데이터만 가지고도 고객 생애 동안 발생한 매출을 집계할 수 있었는데요. 가입 이후 이용 기간이 매우 긴 서비스의 경우에 이 방법으로 LTR를 추정하려면 굉장히 긴 시간동안 LTR 계산을 하지 못하고 이탈할 때까지 기다려야 할거예요. 그러면 최근에 가입한 고객들의 LTR을 추산하지 못하게 되고, 관련 의사결정들이 너무 옛날 데이터를 기반으로 진행되거나 늦어지게 됩니다.
꼭 LTR 분석 뿐만 아니라 데이터 분석 전반에서 분석을 ‘정확’하게 하는 것과 ‘적시에’하는 것은 서로 상충되는 관계에 있습니다. 우리는 학계에서 논문을 쓰는 것이 아니기 때문에 ‘정확’한 숫자를 계산하는 것보다 ‘적시에’ 필요한 정보를 제공하는 것이 실무에서 더 중요할 때가 많습니다. LTR도 마찬가지로, 정확한 LTR 숫자를 계산하기보다 빠르게 최신 데이터 추이를 볼 수 있도록 필요에 따라 변형해서 볼 때가 많은 것 같아요.
예를 들어, 마케팅 비용의 회수 측면에서 LTR 데이터가 필요하다면 시간의 흐름에 따라 특정 고객 군의 매출 누적 차트를 그려보는 것이 좋습니다. 아래 차트는 2019년 1월 가입자의 결제 금액 누적 그래프입니다. x축이 2019년 1월에서 시작해서 2019년 12월까지 있고, 시간이 지날수록 누적 금액이 점점 수렴하는 것을 볼 수 있습니다.
 
notion image
 
이 차트에서 읽어야 할 것은 크게 2가지 입니다.
 
  1. LTV가 CAC의 몇 배수쯤에서 수렴하는지
  1. 누적 결제 금액이 CAC에 도달하기까지 시간이 얼마나 필요한지
 
비용 구조에 따라 다르겠지만 일반적으로 LTR이 CAC의 3~10배 정도는 되어야 안정적으로 수익을 내는 서비스라고 볼 수 있습니다. 따라서 누적 결제 금액이 CAC와 위로 멀리 떨어진 곳으로 수렴할수록 좋겠지요.
 
notion image
 
또한 같은 LTR을 내더라도 빠르게 CAC를 따라잡을 수 있는 것이 좋습니다. CAC는 고객을 데려오기 위해 지불한 일종의 투자금이라고 생각하는 것이 좋습니다. 이 투자금을 빠르게 회수하면 또 다른 투자를 하는데 활용할 수 있을거예요. 그래프에서 CAC와 누적 결제 금액 그래프가 만나는 지점에서 x축으로 수직선을 내리면 그 값이 CAC 투자 회수 기간(CAC Payback Period)입니다.
 
 

LTR 계산시 ‘고객 수’의 기준

LTR 계산시 ‘고객 수’의 기준을 맞추는 것이 중요합니다. 위에서는 ‘가입자 수’를 기준으로 계산을 해보았는데, 비즈니스에 따라, 상황에 따라 다른 기준으로도 LTR를 계산할 수 있습니다.
 
 
  1. 특정 기간 내에 가입한 고객의 수 (일반적인 방법)
  1. 특정 기간 내에 첫 구매를 한 고객의 수
  1. 특정 기간 내에 서비스 이용을 시작한 고객 수
 

첫 구매를 기준으로 하는 경우

가입 대신 첫 구매를 기준으로 LTR을 계산할 수도 있습니다. LTR을 첫 구매 기준으로 보는 경우 CAC 또한 ‘1명의 고객을 가입시키는데 쓴 마케팅 비용’대신 ‘1명의 구매 고객을 만드는데 쓴 마케팅 비용’을 봐야한다는 점을 유의해주세요.
요즘 네이버 페이, 카카오 페이 같은 간편 결제가 늘어나면서 회원 가입을 하지 않아도 물건을 구매할 수 있는 쇼핑몰들이 많은데 이런 경우 ‘가입’을 기준으로 LTR을 계산할 수 없으니 ‘첫 구매’를 기준으로 LTR을 계산해볼 수 있습니다. 가입 기록이 없이 결제 기록만 있는 경우 이용자 수나 누적 결제 금액을 정확하게 트래킹하기는 어렵겠지만 주소, 이름 등을 조합하여 대략의 사용자 식별 방법을 만들어 추산이라도 해보는 것이 좋습니다.
또 다른 예시로 Freemium 서비스에서도 첫 구매를 기준으로 LTR을 계산할 수 있을 것 같아요. 기본적으로 무료로 서비스를 사용할 수 있는데, 서비스 안에 유료 부가 기능이 있는 비즈니스 모델을 Freemium이라고 부릅니다. 사실 요즘 많은 앱, 웹, 게임 서비스들이 Freemium 모델에 해당하지요. 이 경우 무료 사용자를 유료로 전환시키기 위해 하는 마케팅 캠페인의 규모를 결정할 때 첫 구매를 기준으로한 LTR 계산을 해볼 수 있습니다.
 

첫 서비스 이용을 기준으로 하는 경우

요즘에는 가입도, 구매도 없는 서비스도 있습니다. 제 머리속에 떠오른 대표적인 서비스는 ‘알라미’라는 앱인데요. 무료 사용자에게서 발생하는 광고 수익이 매출에서 중요한 비중을 차지합니다. 이 경우에는 사용자의 첫 서비스 이용을 기준으로 이탈까지 발생하는 광고 수익을 합산해 LTR 계산을 하는 것이 필요합니다. 이 경우에도 로그인을 하지 않은 사용자 데이터를 정확하게 계산하기는 어렵다는 한계가 있지만 기기 정보, 클라이언트 정보 등을 이용해 최대한 LTR을 추산해야 의사결정에 도움을 받을 수 있습니다.
 
 

마무리

LTV 수식 도출부터, LTR과 CAC 비교, 다양한 LTR 계산의 기준까지 고객의 생애를 기준으로 매출 분석을 하는 다양한 방법에 대해서 얘기해봤습니다. 기본적인 계산 방법을 알려드리는 것을 넘어서 실무 얘기를 많이 해보려고 노력했는데요. 이 글을 통해 고객 생애 매출에 대해 다각도로 바라볼 수 있게 되었기를 바랍니다.
 
 

추천 자료

윤선미데이터 분석가

어느새 7년차 데이터 분석가이고, 4년째 데이터 분석 교육을 하고 있습니다. 데이터리안 멤버들과 함께 일하면서 데이터의 힘을 더 믿게 되었습니다.

함께 읽어보면 좋은 글

주식회사 데이터리안