정확한 LTV의 모델링과 계산을 위해서는 많은 데이터 처리, 분석, 모델링, 그리고 서비스화 작업이 필요하다. 그러나 마케팅을 위한 데이터 사이언티스트, 엔지니어들이 내 조직 내부에 존재하는 경우는 거의 없다. 따라서 고도화된 LTV 모델을 만드는 것은 꿈도 못 꾸는 경우가 대부분이다. 또한 있다고 하더라도 실무를 하다 보면 고도화된 모델링보다 빠른 계산이 필요한 경우가 많은데 이럴 때 사용할 수 있는 방법이다. 해당 방법들은 F2P 기반 모바일 게임에서만 적용하여서 사용해 봤기 때문에 다른 형태의 Monetization을 가지고 있는 서비스에 적용할 수 있을지는 검증되지 않았다.
*아래 모델에서의 ARPU는, 사용 중인 내부 BI에서 Cohort 기능을 통해서 집계하거나, 내가 사용하는 어트리뷰션 툴에서 Cumulative RPI/RPU 등의 이름으로 집계까 가능하다.
ARPU 증가폭을 사용한 LTV 모델링 및 예측
ARPU 증가폭 모델 다운로드
ARPU 트랜드 모델과 비슷하게 ARPU 추세를 보고 LTV를 계산하는 방식이나, Natural Logarithm Function에 한정되지 않기 때문에 사용하면 정확도를 높일 수 있는 방법이다. 단, 계산하기 원하는 일차만큼의 데이터를 가지고 있어야 계산할 수 있다 (360일차 LTV를 계산하려면 실제 360일차 ARPU가 필요). 작동 방법은, 각 일차 별 누적 ARPU의 상승폭을 가지고 예측 모델을 만들고 이 모델에 실제 ARPU를 삽입하여서 내가 원하는 일차의 LTV를 예측한다.
사용해보기
아래 샘플 데이터 세트로 ARPU 증가폭을 가지고 모델링을 통해 90일차 LTV를 예측해보자. 먼저, 실제 내 서비스의 누적 90일차 ARPU를 일별로 계산한다.
일차
누적 ARPU
1
199
2
369
3
465
4
541
5
629
6
693
7
783
8
865
9
909
10
963
11
992
12
1069
13
1129
14
1221
15
1264
16
1306
17
1392
18
1452
19
1479
20
1526
21
1577
22
1633
23
1652
24
1701
25
1731
26
1910
27
2004
28
2098
29
2194
30
2251
31
2304
32
2362
33
2420
34
2462
35
2527
36
2638
37
2651
38
2727
39
2737
40
2795
41
2859
42
2922
43
2950
44
2990
45
3069
46
3105
47
3153
48
3217
49
3241
50
3263
51
3305
52
3326
53
3358
54
3417
55
3437
56
3443
57
3472
58
3498
59
3507
60
3527
61
3545
62
3587
63
3603
64
3623
65
3636
66
3647
67
3649
68
3660
69
3672
70
3672
71
3682
72
3700
73
3723
74
3751
75
3767
76
3790
77
3818
78
3849
79
3866
80
3872
81
3880
82
3889
83
3908
84
3945
85
3956
86
3962
87
3970
88
3984
89
3987
90
4015
해당 값을 엑셀 파일의 실제 누적 ARPU (칼럼 C)에 기입하면 7일차 ARPU 부터 90일차 ARPU의 증가폭이 계산된다 (칼럼 D). 그 후에 내가 LTV를 계산하고 싶은 코호트의 7일차 ARPU를 입력한다 (칼럼 G). 7일차 ARPU가 800원이라고 가정하면 90일차 LTV가 4,102원으로 예측된다.
위의 모델은 고객이 유입된 후 7일차 ARPU를 보고 LTV를 계산하게 만들어져 있으나 더 빠른 예측이 필요하다면 7일차 전 ARPU를 사용하도록 모델을 수정하면 된다.
사용해보기
아래 샘플 데이터 세트로 ARPU 증가폭을 가지고 모델링을 통해 90일차 LTV를 예측해보자. 먼저, 실제 내 서비스의 누적 90일차 ARPU를 일별로 계산한다.
컨버젼 by 리메이크 
2 thoughts on “분석가 없이 LTV 계산해보기: 히스토리컬 데이터 있는 경우”