이 글은 고객 이탈(Churn)에 대한 기본적인 개념부터 실무적으로 활용할 수 있는 계산법까지 안내하는 입문서입니다. 앞으로 연재될 시리즈에서는 고객 이탈 예측(Churn Prediction)과 고객 생애 가치(LTV, Lifetime Value)의 관계까지 함께 살펴볼 예정입니다.

고객 이탈과 고객 생애 가치(LTV, Lifetime Value)

이번 글에서는 다음과 같은 주제를 다룹니다:

• 고객 이탈 개요: 이탈이란 무엇이며, 어떻게 활용되고 쉽게 계산할 수 있는지

• LTV 소개: 고객 생애 가치란 무엇인지

• 이탈률과 LTV 계산을 위한 통계 모델, 생존 분석, 머신러닝 기법 등 다양한 접근 방법

용어 정리

먼저 자주 사용되는 핵심 용어들을 정리해보겠습니다.

• Recency (최종 구매로부터의 경과일): 현재 날짜와 고객의 마지막 구매일 사이의 일수. 고객이 마지막으로 구매한 날로부터 오늘까지 며칠이 지났는지를 나타냅니다. 어떤 고객이 최근 3일 전, 또 다른 고객이 300일 전 마지막 구매를 했다면, 이 숫자만으로도 고객의 현재 상태를 파악할 수 있는 유의미한 기준이 됩니다.

• Tenure (관계 지속 기간): 첫 구매일과 마지막 구매일 사이의 일수. 고객의 첫 구매부터 마지막 구매까지의 기간입니다. 단순히 "이 고객은 우리 브랜드와 얼마나 오랫동안 관계를 유지해왔는가"를 확인하는 데 쓰이며, 이 데이터를 통해 충성 고객과 이탈 위험 고객을 구분할 수 있는 단서가 됩니다.

• Lifespan (고객 생애 기간): 첫 구매일부터 ‘예상되는’ 마지막 구매일까지의 일수. 현재 고객은 아직 마지막 구매일을 알 수 없기 때문에, 보통 이탈률을 기반으로 예측합니다.

출처: https://www.gong.io/blog/what-is-churn/

• Churn Rate (이탈률): 특정 기간 동안 서비스를 중단한 고객 비율. 때로는 특정 고객이 이탈할 확률을 의미하기도 하며, 1 - 유지율(Retention Rate) 으로 정의되기도 합니다. 이탈률은 유지율(retention rate)의 반대 개념으로, 1에서 이탈률을 뺀 값이 유지율이 됩니다. 실무에서는 이탈률을 '문제 고객'의 탐색이 아닌, '지금 개입해야 할 우선순위'로 보는 것이 중요합니다.

• Customer Lifetime Value (CLTV 또는 LTV): 고객이 기업에 가져다주는 누적 수익. 실제값, 예측값, 또는 이 둘의 조합으로 계산 가능하며, 총매출이 아닌 이익 기준으로 계산하기도 합니다. 고객 생애 가치(CLTV 또는 LTV)는 한 명의 고객이 우리 기업에 기여하는 전체 매출 혹은 이익입니다. 이 값은 과거 실적 기준으로 계산할 수도 있고, 미래 기대값으로 예측할 수도 있습니다. 이탈률이 제대로 계산되지 않으면 LTV도 엉터리가 될 수밖에 없습니다.

• Cohort (코호트): 특정한 공통 속성을 가진 고객 그룹. 가장 일반적으로는 '유입 월' 기준으로 구분하지만, 마케팅 채널, 캠페인 등 다양한 기준으로도 나눌 수 있습니다. 코호트를 기준으로 데이터를 분해해 보면 '무엇이 효과 있었는가'를 시계열로 명확히 볼 수 있는 장점이 있습니다.

이탈률이 비즈니스에 중요한 이유

출처: https://www.plytrix.io/blog/introduction-to-ltv

많은 기업들이 고객을 유입시키기 위해 광고 예산을 늘리고 마케팅 채널을 다각화합니다. 그런데 그 고객들이 떠나는 이유에는 무관심한 경우가 많습니다. 아이러니하게도, 신규 고객 확보는 기존 고객 유지보다 5배 이상 비용이 더 든다는 연구 결과가 이미 여러 차례 반복돼 왔습니다. 그럼에도 여전히 많은 팀이 이탈률을 계산조차 하지 않습니다.

이탈률을 추적하고 개선하는 과정은 단지 '고객 유지'를 넘어서, 전체 비즈니스의 단위 경제성(Unit Economics)을 좌우하는 핵심 지표입니다. 특히 구독 서비스나 커머스 사업에서 이탈률이 높다는 것은, 광고비는 고정인데 수익은 줄어드는 구조가 지속된다는 신호입니다.

또한 이탈률은 고객 생애 가치(LTV) 예측의 뼈대를 형성합니다. 고객의 예상 이탈 시점을 알아야 그들이 앞으로 우리에게 얼마나 기여할 수 있는지 계산할 수 있기 때문입니다. 이 수치는 곧 마케팅 투자 회수율(ROAS), 제품 개선 방향, 고객 세분화 전략 등 모든 판단의 기준이 됩니다.

실제로 많은 성공적인 마케팅 전략은 이탈률이 높은 고객 집단을 먼저 식별하고, 그 집단을 타겟으로 리텐션 캠페인을 실행한 후 개선된 수치를 통해 마케팅 효율을 극대화하는 방식으로 작동합니다. 코호트별 이탈률 변화를 추적하면, 어떤 프로모션이나 캠페인이 긍정적인 영향을 미쳤는지도 쉽게 파악할 수 있습니다.

고객 이탈을 줄이는 방법

실무에서 고객 이탈률을 줄이기 위해 무엇을 해야 할까요?

가장 먼저 점검해야 할 것은 '처음부터 잘못된 고객을 유입시키고 있지는 않은가'입니다. 마케팅 효율 지표만 보고 전환률이 낮은 채널을 무조건 배제하기보다는, 고객 유입 직후의 이탈률을 함께 봐야 진정으로 효과적인 유입 전략을 세울 수 있습니다.

대부분의 이탈은 사용 초반, 특히 첫 체험 이후나 첫 구매 이후에 집중됩니다. 이 시점에서 고객이 우리 제품이나 서비스를 제대로 이해하고 경험하지 못했다면, 그들은 영영 돌아오지 않을 확률이 높습니다. 따라서 온보딩이 핵심입니다. 계정을 만들고, 첫 구매를 하기까지의 전 과정을 꼼꼼하게 설계하고 점검해야 합니다.

기존 고객 관리도 소홀히 해서는 안 됩니다. 제품이나 서비스가 아무리 훌륭해도, 고객이 불편을 느낀 순간 이탈로 이어질 수 있습니다. 고객센터 응답 속도, 문제 해결의 명확성, 셀프서비스 문서 제공 등은 이탈률을 낮추는 중요한 인프라입니다.

출처: https://www.statflo.com/blog/how-to-reduce-customer-churn-in-telecom-industry

지나치지 않게 고객에게 리마인드 드리세요. 단, 지나치게 자주 푸시 알림을 보내거나 이메일을 남발하면 오히려 역효과가 날 수 있습니다. 유용한 콘텐츠를 포함한 유의미한 소통으로 리마인드를 자연스럽게 이어가야 합니다. 여기서 보통 뉴스레터를 활용하시곤 합니다. 제품을 잊지 않도록 적절하게 상기시키는 것이 중요합니다.

무엇보다 중요한 건, 이탈한 고객에게 왜 떠났는지를 묻는 것입니다. 단순히 "떠난 고객은 버린 고객"이 아니라, 이탈의 이유가 곧 개선의 기회가 될 수 있습니다.

고객 이탈 계산 방법

고객 이탈률을 계산하는 방법은 크게 세 가지입니다.

1. 전체 고객 기반 기준 계산

• 기간 시작 시점의 활성 고객 수 = Customers0

• 기간 종료 시점의 활성 고객 수 = Customers1

• 해당 기간 동안의 신규 고객 수 = NewCustomers

이탈률 공식:

예시:

4월 초 21,000명 → 4월 말 40,000명

신규 고객 수 29,000명(해당 기간동안 고객 이탈 10,000명)

CR = (21,000 - (40,000 - 29,000)) / 21,000 = 48

으로 고객 이탈률을 계산할 수 있습니다. 단점은, 모든 고객을 하나로 묶어서 계산한다는 점입니다. 예컨대, 가입 2개월 된 고객과 1년 된 고객은 이탈 행동이 매우 다르지만 같은 집단으로 취급됩니다.

2. 코호트 기반 계산

각 고객을 유입 시점(예: 1월, 2월, 3월)에 따라 나누고, 각 코호트별 이탈률을 따로 계산합니다.

예를 들어, 전체 48% 이탈률이라고 해도 실제로는:

• 1월 코호트: 10%

• 2월 코호트: 30%

• 3월 코호트: 53%

처럼, 이탈률이 코호트에 따라 다를 수 있습니다.

또한 코호트 생애 기준(유입 후 1개월차, 2개월차 등)으로 테이블을 재구성하면, 각 코호트의 유지율 차이를 보다 명확히 확인할 수 있습니다.

이 데이터를 기반으로, Retention Curve(유지 곡선) 도 그릴 수 있으며, 예를 들어 "3개월 후에는 평균적으로 고객의 ⅓만 남는다"는 통찰을 얻을 수 있습니다.

3. 개별 고객 단위 계산

가장 복잡하지만 정밀한 방식입니다. 각 고객의 이탈 확률을 개별적으로 예측합니다.

예시: A 고객은 2021년 1월 유입되었고, 현재 4개월 차입니다. 과거 데이터를 보면, 4개월 차 고객의 평균 30%가 다음 달 이탈했습니다. 이 정보를 기반으로 A 고객의 이탈 확률은 30%입니다.

이는 단순화된 예이고, 실제로는 아래와 같은 다양한 모델을 사용할 수 있습니다:

• 평균 휴리스틱

• Pareto/NBD 모델

• 생존 분석(Survival Analysis)

• 머신러닝 기반 예측 모델 등

장점은 다음과 같습니다:

• 실시간 예측 가능 → 마케팅 반응성 ↑

• 이탈 위험이 높은 고객만 정밀 타겟 가능

• 고객 생애 가치(LTV) 정밀 추정 가능

이 방법을 사용할 때는 ‘이탈’을 어떻게 정의할지 명확히 해야 합니다:

• 기본 기준: 최근 1년간 아무 활동 없으면 이탈로 간주

• 보완 기준: 고객의 평균 생애 기간을 기준으로 조정

• 구독 기반 서비스라면: 해지가 곧 이탈

• 비구독 서비스라면: 일시적 구매 중단일 수도 있음

한 가지 주의점은, 정의된 기준에 따라 ‘이탈 처리’한 고객이 다시 활동할 가능성도 있습니다. 이런 고객은 재활성화 고객(reactivated customer) 으로 분류하고 별도 트래킹하면 좋습니다.

또한, 빠른 구매를 위해 회원가입을 건너뛴 비회원 고객도 있을 수 있으므로, 그들의 행동을 분석하거나 주문 정보를 연결할 방법도 고려해야 합니다.

마무리

이번 글은 고객 이탈의 개념과 계산법에 대한 입문이었습니다. 이탈률은 고객의 행동과 비즈니스 전략의 결과를 보여주는 지표입니다. 이를 이해하고 정밀하게 관리한다면, 수익성 개선은 물론 고객 생애 가치 극대화에도 큰 도움이 될 것입니다.

정확한 이탈률 계산 없이는 LTV도, 퍼널도, 전략도 모두 방향성을 잃게 됩니다. 지금 이 시점에서 중요한 것은, 고객의 ‘마지막 구매’가 언제인지 놓치지 않는 것입니다.

다음 콘텐츠에서는 LTV에 대한 이해와 고객 이탈 데이터를 기반으로 한 고객 생애 가치 예측과 데이터 기반의 실행 전략을 소개할 예정입니다. 이탈률을 활용한 LTV 추정부터, 실제 그로스 마케팅 실행에 적용하는 방법까지 깊이 있게 다룰 계획입니다.

위그로스에서 퍼널 병목 구간 진단, 고가 고객의 이탈 예측, 마케팅 자동화 연결 등 즉시 적용 가능한 실무 중심의 인사이트를 가져가시기 바랍니다.