LTV 계산 및 예측 모델링

LTV 계산은 실제 값 (후행성)과 예측 값 (선행성)으로 나뉜다. 필자는 데이터 사이언티스트가 아니기 때문에 LTV를 예측하기 위한 데이터 모델링에 직접 참여하지는 않았고, 모델링 된 LTV를 사용하게 될 마케터의 입장에서 자문을 해본 경험이 있다. 이 시각에서 예측 LTV 계산에 필요한 Input 및 Output의 대해서 적겠다.

지난 고객의 실제 LTV 계산

유입된 한 명의 고객이 X일차까지 지출한 누적 매출을 계산한다. LTV는 평균 한 명의 고객이 발생시킬 매출이기 때문에 아래와 같이 누적 매출이 있다면
유입 일자 유입 숫자 1일차 누적 매출 7일차 누적 매출 30일차 누적 매출 180일차 누적 매출
01월 01일 100          40,000          80,000        1,600,000          4,000,000
01월 02일 80          30,000          50,000        1,500,000          3,500,000
아래와 같이 LTV를 계산해 볼 수 있다.
유입 일자 1일차 LTV 7일차 LTV 30일차 LTV 180일차 LTV
01월 01일     400 (40,000/100)                       800 (80,000/100)          16,000 (1,600,000/100)            40,000 (4,000,000/100)
01월 02일     375              625          18,750            43,750
평균     389              722          17,222            41,667
여기서, “유입 숫자”는 구매 고객의 숫자가 아닌 구매+비구매 유저 전체 숫자이다. 이유는, 앞서 LTV의 정의를 한 명의 고객을 유치하는데 투입할 수 있는 최대 금액이라 하였고 마케팅을 통해서 들어오는 고객 중에 구매 고객으로 전환할 수도 있고 안 할 수도 있기 때문에 마케팅을 통해 유치했지만 매출을 발생시키지 않는 비구매 유저도 있을 것을 고려하여서 LTV를 계산하여야 하기 때문이다. 위의 예에서 내 서비스의 유저 생애를 180일로 한정 짓는다면, 내 서비스의 LTV는 41,667원 이다. LTV라는 거창한 이름이 붙었으나, 결국 LTV = ARPU (Average Revenue Per User) = RPI (Revenue Per Install) 이다. 여기서 주의할 점은, 통계학적으로 의미 있는 숫자를 얻으려면 큰 모수를 가지고 계산을 해야 한다. 실전에서 느낀 바로는, 최소 20명의 구매 유저 모수가 모여야 의미 있는 지출 성향이 보이고 LTV를 유추할 수 있다. F2P 모바일 게임의 예를 들자면, 구매 유저 전환율을 2% 가정하면 1,000명중 20명이 구매를 할 것이기 때문에 코호트 숫자가 1,000명이 되어야 해당 코호트에서 의미 있는 LTV가 나온다.

신규 고객의 LTV 예측

LTV를 예측하는 것은 어렵다. 내 서비스의 상태, 경쟁 상황, 그 외 경제 상황까지 내 서비스의 매력도 및 BM에 영향을 미친다. 전문적 Data Analytics, Data Modeling 그리고 이를 서비스화하기 위한 개발이 필요하다. 또한 LTV를 구하는 하나의 방법은 없다. 서비스에 따라서 BM이 다양하기 때문에 하나의 모델이 다 적용될 수 없다. 많은 방법 중에서, F2P 게임은 신규 고객의 행동 패턴과 가장 흡사한 기존 유저의 패턴을 찾고 해당 기존 유저의 실제 LTV를 가지고 예측 LTV를 배정하는 방법을 사용하는 것을 많이 보았다. 아래와 같은 절차를 밟는다.
  1. 기존 고객의 개인별 행동 패턴을 분석한다.
  2. 기존 고객의 개인별 실제 LTV를 계산한다.
  3. 신규 고객이 유입되면 해당 고객의 행동 패턴을 분석한다.
  4. 신규 고객의 행동 패턴과 가장 흡사한 행동 패턴을 보였던 기존 고객을 찾는다.
  5. 기존 고객의 실제 LTV를 신규 고객의 예측 LTV로 적용한다.
이 방식으로 LTV 모델을 만들 때 고려해야 하는 사항들은 아래와 같다.
  1. 최적화된 관찰 기간을 정한다: 특정 코호트의 LTV를 예측하기 위해서는 관찰 기간이 필요하다. 즉, 고객이 서비스에 유입된 후 X시간 혹은 X일 동안 관찰을 하고 이 관찰의 결과를 가지고 미래의 LTV를 계산한다. 관찰 기간을 정하는 데는 퍼포먼스 마케팅 실무의 의견도 필요하고 (예를 들어, 관찰 기간이 30일이 필요하다면, 퍼포먼스 마케터는 30일 이전의 집행한 캠페인의 대한 LTV를 받게 되는데 이는 캠페인 최적화에 사용하기에는 너무 늦다는 의견이다.) 추가적으로 LTV모델의 정확도도 고려되어야 한다 (유저 유입 후 1시간만 관찰하고 앞으로 360일간의 매출을 예측해내려 한다면 정확도가 많이 떨어질 것으로 생각된다). 필자는 8시간~7일의 다양한 관측 기간을 사용한 LTV 모델을 봤다.
  2. 매출 외에 어떤 행동을 보고 LTV를 예측할 것인지 정한다: 대부분의 F2P 게임들은 고객이 유입되고 바로 매출을 발생시키지 않기 때문에 순수 X시간 혹은 X일 동안의 구매 패턴만 가지고 LTV를 계산하기는 힘들다. 따라서 매출 외에 어떤 행동들이 미래 구매 패턴에 영향을 미치는지 파악하고 회귀 분석을 통해 의미 있다고 판단되는 행동들을 LTV 모델에 적용해야 한다. 구매 외에 게임 접속 빈도, 접속 시간, 등의 데이터가 LTV에 영향을 미칠 것으로 생각된다.
  3. 실제 LTV가 없는 기간은 LTV 계산을 할 수 없다:  예를 들어, 내 게임에 실제 180일 LTV가 없으면 신규 고객의 예측 180일 LTV도 계산할 수 없다. 즉, 신규 게임은 게임이 성숙해 질 때까지 LTV 예측을 할 수 없다.
  4. 개인별로 LTV를 계산할 수 있는 모델을 만들어야 한다: LTV를 세그먼트 하여서 볼 수 있는 방법은 무궁무진하다. 그리고 세그먼트를 나누는 방식은 지속적으로 변화할 것이다. 따라서, LTV 모델은 실무에서 필요로 하는 방식으로 고객을 세그먼트 하고 해당 세그먼트의 LTV를 구할 수 있어야 한다. 이를 위해서는 개인화된 LTV 측정 모델이 꼭 필요하다. 내가 실제로 타게팅 할 수 있는 세그먼트 별로 LTV를 계산하는 게 중요하다. 아래가 실전에서 사용하게 되는 세그먼트 들의 예이다:
    1. Demographics (20대 남성, 50대 여성)
    2. 기기 Type (Tablet, Phone)
    3. 기기 OS Version (Android 7, 6)
    4. 기기 Model (Galaxy S8, S5)
    5. 이통사 (Verizon, Cricket)
  5. 나의 위험 감수 성향에 따라서 LTV 측정의 정확도를 고려해야 한다: LTV 예측은 정확할 수 없다. 따라서 얼마나 많은 오차를 감수할 것인지를 정의하여야 한다. 경험상 ±20% 내외의 오차를 가진 모델은 실전에서 사용할 수 있다고 생각된다.
  6. 몇일차 LTV까지 예측할 것인가를 정한다: 몇일차 LTV까지 예측할 것인지는 ROAS 100%를 언제 달성하기를 목표하는지에 따라 다를 것이다. 만약 내 캠페인이 ROAS 100% 360일을 목표로 한다면 LTV 예측도 360일까지 해야 한다.

리메이크 디지털 에이전시

“디지털 광고를 새롭게 만듭니다”

https://remakedigital.com

2 thoughts on “LTV 계산 및 예측 모델링

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s