같은 값에 데려온 고객이 같은 고객은 아니다

미디어 코호트 분석: 유입 매체별 고객 품질 진단

미디어 코호트 분석은 퍼포먼스 마케팅과 그로스 마케팅의 관점을 연결하는 실천적 방법론이다. 전통적인 코호트 분석이 '가입 시점'을 기준으로 사용자 집단을 나눈다면 미디어 코호트 분석은 '유입 매체·캠페인·키워드'를 기준으로 코호트를 만들며, 동일한 전환 단가(CPA)로 획득한 고객이라도 어느 채널·캠페인을 통해 왔느냐에 따라 이후 행동 패턴이 근본적으로 다를 수 있다는 가설을 데이터로 검증하는 구조이다.

미디어 코호트 분석의 핵심 산출물은 채널별 리텐션(잔존율) 곡선(retention curve)이다. 예컨대 브랜드 검색광고로 획득한 코호트와 광범위 관심사 타겟팅 소셜 광고로 획득한 코호트의 30일·60일·90일 리텐션을 비교하면 전자가 후자보다 초기 이탈률이 낮고 장기 리텐션이 높다는 패턴이 나타날 수 있는데, 이 발견은 단순히 CPA를 비교하던 기존의 채널 평가 기준을 뒤집는다. CPA가 낮더라도 이탈이 빠른 채널은 실질 수익성이 낮고, CPA가 높더라도 장기 리텐션이 높은 채널이 LTV 기준으로는 더 효율적일 수 있기 때문이다.

미디어 코호트 분석에서 리텐션과 함께 추적해야 할 지표는 코호트별 누적 공헌 이익이다. 코호트 획득 이후 발생한 모든 구매 금액에서 변동 비용을 제거한 누적 공헌 이익이 통상 3개월·6개월·12개월 같은 특정 시점에 CAC를 초과하면 그 시점이 투자 회수 시점(CAC payback period)이 되며, 채널별로 이 회수 기간을 비교하면 단기 ROAS가 아니라 장기 수익성의 관점에서 채널 효율을 평가할 수 있다. 회수 기간이 짧고 이후 누적 공헌 이익의 기울기가 가파른 채널이 가장 효율적인 채널인 것이다.

미디어 코호트 분석의 기술적 요건은 유입 채널 정보를 사용자 ID에 연결해 BigQuery·Snowflake 같은 데이터 웨어하우스에 저장하는 것이다. MMP를 통해 수집한 광고 플랫폼의 어트리뷰션 데이터와 이벤트 트래킹으로 수집한 서비스 내 행동 데이터를 사용자 ID 기준으로 결합하면 '특정 캠페인으로 유입된 사용자 집단이 30일 후 구매를 얼마나 하는가'를 집계할 수 있으며, 이 파이프라인이 자동화되면 새로운 캠페인을 론칭할 때마다 초기 코호트 품질을 실시간으로 모니터링하고 예산 조정에 반영하는 운영 체계가 가능해진다.

미디어 코호트 분석이 고도화된 조직에서는 '어떤 키워드로 유입된 고객의 LTV가 가장 높은가'를 분석한다. 예를 들어 '브랜드명 + 후기' 키워드, '제품 카테고리 + 비교' 키워드, '경쟁사 브랜드명' 키워드로 유입된 사용자의 코호트를 비교하면 검색 의도의 유형에 따라 LTV 분포가 뚜렷이 달라지는 패턴이 나타나며, 이 결과는 LTV가 높은 키워드에 더 높은 입찰가를 적용하는 입찰가 최적화와 랜딩 페이지 차별화 전략의 직접적 근거가 될 것이다.

실적 기반 LTV의 한계와 pLTV의 필요성

고객 생애 가치(LTV, lifetime value)는 특정 고객 또는 고객 집단이 서비스와의 관계를 유지하는 전체 기간 동안 창출하는 순 현재 가치를 뜻한다. 평균 구매 금액에 평균 구매 빈도를 곱하고 이탈률로 나누는 LTV의 단순 추정 공식은 직관적이고 계산이 쉽다는 장점이 있지만, 실무에서 마케터가 정작 필요로 하는 시점에는 결정적인 한계를 드러낸다. 이 공식은 과거 데이터를 집계해 평균값을 제공할 뿐 오늘 유입된 신규 고객의 미래 가치에 대해서는 아무것도 말해 주지 못하기 때문이다.

가장 큰 한계는 시간 지연(time lag) 문제이다. 실적 기반 LTV(historical LTV)는 과거에 획득한 고객들의 실제 행동 데이터를 집계해 산출하는데, 신규 유입 고객의 LTV를 정확히 알려면 그 고객이 서비스를 충분히 사용한 이후, 즉 통상 3~12개월의 데이터가 쌓여야 한다는 구조적 한계를 갖는다. 그러나 마케팅 의사결정은 '지금' 이루어지며 오늘 집행한 캠페인의 소재·채널·타겟팅이 효과적인지를 판단하려면 오늘 유입된 고객의 장기 가치를 미리 추정할 수 있어야 한다. 실적 기반 LTV는 이 요구를 충족하지 못하며 바로 이 간극이 예측적 LTV(pLTV) 모델의 등장을 필연적으로 만든 핵심 원인이다.

두 번째 한계는 개인 수준의 이질성을 무시한다는 점이다. 집단 평균 LTV는 한 번 구매하고 이탈하는 고객과 수년간 반복 구매하는 충성 고객을 동일한 평균값으로 뭉뚱그리는데, 이 평균값을 기준으로 광고 입찰가를 설정하면 고가치 고객을 데려올 수 있는 채널과 캠페인에도 평균 수준의 입찰가만 적용되어 기회를 놓치고, 저가치 고객을 다수 유입하는 채널에도 동일한 예산이 낭비된다.

이 두 한계를 극복하기 위해 등장한 개념이 예측적 고객 생애 가치(pLTV, predictive LTV)이다. pLTV는 가입 후 1일·7일·30일 동안의 구매 횟수·구매 금액·앱 사용 빈도·특정 기능 활용 여부 같은 신규 고객의 초기 행동 데이터를 입력값으로 삼아 그 고객의 12개월 또는 24개월 후 LTV를 통계 모델로 추정한다. 캠페인을 론칭한 직후 초기 코호트의 pLTV를 실시간으로 계산할 수 있다면 수개월의 실제 데이터를 기다리지 않고 채널·소재·타겟팅의 효율을 조기에 평가하고 최적화할 수 있으며, 이는 데이터 기반 마케팅의 실시간성이라는 핵심 가치를 LTV 분석의 영역까지 확장하는 것이라 할 수 있다.

<표 4-4-4> LTV 측정 방식 유형별 특성 비교