LTV는 Lifetime Value(고객생애가치)의 약자로 고객이 서비스로 유입되어 이탈하기 전까지 만들어내는 수익에 대한 지표입니다. 광고 LTV를 계산할 때는 유저의 lifetime을 일 단위로 환산하여 일별 광고 수익(ARPDAU)으로 곱하며 측정해 볼 수 있는데요. 이렇게 광고 LTV를 측정하여 광고 수익에 대한 모니터링을 하기 시작하면,
1) 광고 수익과 서비스 사용성의 관계를 한 지표에서 측정할 수 있고,
2) 유저 획득에 대한 가치를 보다 정교하게 측정할 수 있는 이점이 생깁니다.

광고 실험을 진행하며 수익을 핵심 지표로, 그리고 리텐션을 가드레일 지표로 잡아 실험 결과를 분석할 때 종종 수익과 리텐션의 tradeoff에서 딜레마에 빠지게 됩니다. 광고 수익이 오르고, 리텐션이 그대로라면 정말 좋겠지만, 실제로는 "광고 수익이 10% 올랐는데 리텐션은 3%p가 빠졌다면, 실험군을 유지해야 할까?", "리텐션 1%p 차이가 얼마 정도 수익 상승과 비슷할까?" 생각이 들게 되죠.

✔️ Lifetime = SUM(D+N일 Retention)

LTV는 이런 딜레마를 보다 쉽게 풀어나갈 수 있게 도와줍니다. LTV에서 Lifetime은 평균 생애주기로, 만약 일별 리텐션을 이미 측정하고 있다면, 일별 평균 리텐션의 총합으로 이를 대체할 수 있습니다. 즉 단순 특정 기간의 리텐션이 아니라, 전체 리텐션을 사용하여 Lifetime을 구해 이 차이를 계산할 수 있다면, Lifetime 증분량과 ARPDAU의 증분량을 비교하여, 실제 유저의 LTV가 상승하는지 가늠해 볼 수 있습니다.

마케팅 성과 측정을 위해 딱 한 가지 지표만 봐야 한다면 뭘 봐야 할까요?

• 캠페인을 많이 보여줬는지?

• 웹사이트에 많이 들어왔는지?

• 구매를 많이 했는지?

물론 캠페인의 목적에 따라 답이 달라질 수 있습니다. 브랜드를 알리는 게 목적인 캠페인도 있고, 회원 가입을 늘리는 캠페인도 있고, 상품 구매를 유도하는 캠페인도 있기 때문입니다. 하지만 결국 비즈니스 전체의 목적은 매출입니다.

사용자를 아무리 많이 데려와도 그 사용자들이 다 나가버린다면 아무 소용이 없겠죠. 광고로 데려온 사용자들이 이후에 어떻게 행동하는지, 우리 서비스에서 매출을 만들어내는지까지 확인해야 정확한 마케팅 성과 분석이 가능합니다.

✔️ 광고 매출 성과 2가지

1. 단기 성과: 광고를 보고 들어와 그 자리에서 바로 결제한 금액 확인
2. 장기 성과: 그 광고로 처음 들어온 사용자가 이후에 발생시키는 결제까지 계속 추적해 합산

• 고객 생애 가치 LTV (Lifetime Value)
  : 한 명의 고객이 누적해서 발생시키는 수익.
  = CLV(Customer Lifetime Value)

• 고객 생애 매출 LTR (Lifetime Revenue)
  : 한 명의 고객이 누적해서 발생시키는 매출.

LTV를 알면 우리가 데려온 고객이 얼마만큼의 수익을 발생시키는지, 우리가 쓴 마케팅 비용이 얼마의 가치가 되어 돌아오는지 확인할 수 있습니다. 그런데 수익은 결국 매출 − 비용입니다. 이 '비용'을 고객 한 명 단위로 떼어내는 게 생각보다 까다롭습니다. 서버 비용, 개발 인건비, 운영 인건비처럼 특정 고객 한 명 때문에 쓴 게 아니라 서비스 전체를 굴리기 위해 쓰는 비용까지 더해지면, 'A라는 고객 한 명에게 정확히 얼마가 들었나'를 깔끔하게 떼어내기가 정말 어려워집니다.

그래서 비용까지 반영해야 하는 LTV 대신, 실무에서는 매출만 보는 고객 생애 매출(LTR)을 먼저 계산하는 경우가 많습니다. LTR은 결제 기록만 있으면 비교적 정확하게 따라갈 수 있어서, 마케팅 성과를 빠르게 가늠해 보기에 더 실용적이거든요.

과거에는 데이터리안도 같은 문제를 겪었습니다. 당시 세미나 신청 흐름을 퍼널로 그리면 이렇습니다.

💬 과거 세미나 신청 흐름

세미나 페이지 보기 → 신청하기 버튼 클릭 → 신청서 작성(구글 폼) → 결제(토스 링크페이)

이 시기에는 결제 기능이 웹사이트에 연동돼 있지 않았습니다. 신청하기 버튼을 누르면 구글 폼이 열리고 다른 링크로 넘어가 결제하는 구조였죠. 즉, 신청 버튼 클릭 이후는 전부 웹사이트 밖에서 일어나는 일이라 GA4에 구매(purchase) 데이터가 없는 상황입니다.

페르미 추정 (Fermi Estimation)

이럴 때는 기초 지식과 논리만으로 대략의 근사치를 잡는 '페르미 추정'을 활용해 볼 수 있습니다. 물리학자 엔리코 페르미의 이름을 딴 말인데, 그는 데이터가 거의 없는 상황에서도 추정으로 답을 잘 내는 것으로 유명했습니다. 핵실험 때 종이를 찢어 날려 보내, 종이가 날아간 거리만으로 폭발 규모를 몇 분 만에 어림했다는 일화도 있죠. "서울에 치킨집은 몇 개일까?", "스타벅스 성수점 하루 매출은?" 같은, 컨설팅 면접에 자주 나오는 질문이 바로 페르미 추정 문제입니다. 결제 데이터에 있는 실제 매출 총액은 그대로 쓰고, "그 매출을 채널에 어떻게 나눌지"만 추정하여 실무에 활용해 볼 수 있어요.

흩어진 데이터로 ARPU 추정하기

1. 결제 데이터(PG사, 내부 DB 등)

• 누가 어떤 상품을 얼마에 샀는지 알 수 있습니다.
  = 실제 매출은 알지만, 유입 채널은 모름

2. 사용자 행동 데이터(GA4)

• 어떤 채널로 들어와 어떤 상품의 신청 버튼을 눌렀는지 알 수 있습니다.
  = 유입 채널과 클릭 수는 알지만, 실제 매출은 모름

결제 데이터와 GA4 데이터를 연결할 식별자(user_id 등)가 없기 때문에, "어떤 채널로 들어온 사람이 최종 결제를 했는지"는 정확히 알 수 없습니다. 그래서 결제 데이터의 '총매출'을 GA4의 '채널별 클릭 수'에 비례해 나누어 주는 방식을 씁니다. 클릭을 많이 발생시킨 채널이 매출도 그만큼 많이 냈을 것이라고 추정하는 것이죠.