LTV 분석

---

왜 이 분석을?

문제: 마케팅에 얼마를 써야 하는지 모른다.

LTV(Lifetime Value, 고객 생애 가치)는 한 고객이 전체 관계 기간 동안 가져다 주는 총 가치다:

LTV = 100,000원
CAC = 30,000원
LTV:CAC = 3.3:1

→ 고객 1명 확보에 30,000원 써도 70,000원 이익
→ CAC 50,000원까지는 수익성 있음

핵심: LTV를 알아야 마케팅 예산, 고객 투자, 세그먼트 우선순위를 결정할 수 있다.

---

어떤 가설?

가설 예시

가설	검증 방법	예상 액션
Organic 유입이 Paid보다 LTV가 높다	채널별 LTV 비교	SEO 투자 확대, Paid 예산 재배분
첫 구매 금액이 높을수록 LTV가 높다	첫 구매 금액 vs LTV 상관관계	첫 구매 객단가 상승 유도
구독 전환 고객은 LTV가 2배다	구독 vs 일반 LTV 비교	구독 전환 인센티브 강화
프로모션 첫 구매자의 LTV가 낮다	프로모션 vs 정가 첫 구매 LTV	프로모션 구조 변경

---

분석 방법

1. 단순 LTV 계산

# 히스토리컬 LTV (과거 데이터 기반)
ltv_simple = df.groupby('user_id').agg({
    'revenue': 'sum',
    'order_date': ['min', 'max']
})

# 평균 LTV
avg_ltv = ltv_simple['revenue']['sum'].mean()

# 기간별 평균 (ARPU 기반)
monthly_arpu = df.groupby(['user_id', df['order_date'].dt.to_period('M')])['revenue'].sum().mean()
avg_lifespan = 12  # 평균 활동 개월
ltv_arpu = monthly_arpu * avg_lifespan

2. 코호트 기반 LTV

# 코호트별 누적 매출
df['cohort'] = df.groupby('user_id')['order_date'].transform('min').dt.to_period('M')
df['month_index'] = ((df['order_date'].dt.to_period('M') - df['cohort']).apply(lambda x: x.n))

cohort_revenue = df.groupby(['cohort', 'month_index'])['revenue'].sum().unstack()
cohort_size = df.groupby('cohort')['user_id'].nunique()

# 고객당 누적 매출
ltv_curve = cohort_revenue.divide(cohort_size, axis=0).cumsum(axis=1)

# 12개월 LTV
ltv_12m = ltv_curve[11]  # month_index 11 = 12번째 달

3. 확률적 LTV (BG/NBD + Gamma-Gamma)

from lifetimes import BetaGeoFitter, GammaGammaFitter
from lifetimes.utils import summary_data_from_transaction_data

# 요약 데이터 생성
summary = summary_data_from_transaction_data(
    df, 'user_id', 'order_date', 
    monetary_value_col='revenue',
    observation_period_end='2024-06-30'
)

# BG/NBD 모델 (구매 빈도 예측)
bgf = BetaGeoFitter()
bgf.fit(summary['frequency'], summary['recency'], summary['T'])

# 향후 12개월 예상 구매 횟수
summary['predicted_purchases'] = bgf.predict(
    12 * 30,  # 12개월
    summary['frequency'],
    summary['recency'],
    summary['T']
)

# Gamma-Gamma 모델 (구매 금액 예측)
returning_customers = summary[summary['frequency'] > 0]
ggf = GammaGammaFitter()
ggf.fit(returning_customers['frequency'], returning_customers['monetary_value'])

# 예상 평균 구매액
summary['expected_avg_revenue'] = ggf.conditional_expected_average_profit(
    summary['frequency'],
    summary['monetary_value']
)

# LTV 계산
summary['CLV'] = ggf.customer_lifetime_value(
    bgf,
    summary['frequency'],
    summary['recency'],
    summary['T'],
    summary['monetary_value'],
    time=12,  # 12개월
    discount_rate=0.01  # 월 할인율
)

---

LTV vs CAC

기본 공식

LTV:CAC 비율 = LTV / CAC

해석:
- 3:1 이상: 건강함 (투자 여력 있음)
- 1:1 ~ 3:1: 개선 필요
- 1:1 미만: 적자 (마케팅 즉시 재검토)

채널별 분석

채널	CAC	LTV	LTV:CAC	판단
Organic	0원	120,000	-	최고 효율
SEO/Content	5,000원	100,000	20:1	확대
Facebook Ads	25,000원	80,000	3.2:1	유지
Google Ads	35,000원	75,000	2.1:1	최적화 필요
Influencer	50,000원	60,000	1.2:1	재검토

Payback Period

# 몇 개월 만에 CAC 회수?
monthly_revenue = ltv_curve.diff(axis=1).fillna(ltv_curve.iloc[:, 0])
cac = 30000

cumsum = ltv_curve.copy()
payback_month = (cumsum >= cac).idxmax(axis=1)

# 평균: 4.5개월 만에 CAC 회수

---

비즈니스 액션

LTV 기반 의사결정

상황	LTV 활용	액션
마케팅 예산 책정	채널별 LTV:CAC	고효율 채널에 예산 집중
고객 세그먼트 우선순위	세그먼트별 LTV	고LTV 세그먼트 VIP 서비스
프로모션 설계	프로모션 고객 LTV	할인 상한선 설정
제품 개발	기능별 사용자 LTV	고LTV 유발 기능 강화
이탈 방지 투자	이탈 예상 고객 LTV	LTV 높은 고객 우선 리텐션

실제 적용 예시

문제: 마케팅 예산 1억 원, 어디에 쓸까?

분석:

채널별 분석
-------------------------------------------
채널          CAC      LTV(12M)   LTV:CAC   예상 ROI
Facebook     25,000   80,000     3.2:1     220%
Google       35,000   75,000     2.1:1     114%
Influencer   50,000   60,000     1.2:1     20%
네이버 DA    20,000   70,000     3.5:1     250%
-------------------------------------------

의사결정:

예산 배분
- 네이버 DA: 4,000만 원 (확대)
- Facebook: 3,500만 원 (유지)
- Google: 2,000만 원 (최적화 후 재평가)
- Influencer: 500만 원 (테스트 유지)

실행 후 모니터링: - 월별 채널별 CAC 추적 - 분기별 채널별 LTV 업데이트 - LTV:CAC 1.5:1 미만 시 채널 재검토

---

세그먼트별 LTV

분석

# RFM 세그먼트별 LTV
segment_ltv = df.merge(rfm[['segment']], left_on='user_id', right_index=True)
segment_summary = segment_ltv.groupby('segment').agg({
    'revenue': 'sum',
    'user_id': 'nunique'
})
segment_summary['avg_ltv'] = segment_summary['revenue'] / segment_summary['user_id']

세그먼트	고객 수	평균 LTV	전체 매출 비중
Champions	5,000	350,000원	35%
Loyal	15,000	150,000원	25%
At Risk	20,000	80,000원	18%
New	30,000	40,000원	12%
Lost	50,000	20,000원	10%

액션

Champions (350K)
→ 이탈 방지가 최우선
→ 이탈 시 매출 타격 큼
→ VIP 전담 CS, 이탈 징후 모니터링

At Risk (80K)
→ Champions 재활성화 시 잠재 가치 높음
→ 리텐션 캠페인 ROI 계산 후 투자

Lost (20K)
→ 재활성화 비용 > 예상 LTV면 포기
→ 신규 획득에 집중

---

주의사항

함정

1. 과거 = 미래 가정
2. 시장/제품 변화 시 과거 LTV가 미래를 대표하지 않음

3. 해결: 최근 코호트 가중치 높이기, 정기적 재계산

4. 평균의 함정

5. 평균 LTV 100,000원 (상위 10%: 500,000원, 하위 50%: 30,000원)

6. 해결: 분포 확인, 세그먼트별 LTV

7. 마진 무시

8. 매출 기반 LTV vs 이익 기반 LTV

9. 해결: 매출 × 마진율로 계산

10. 시간 가치 무시

11. 오늘의 1만원 ≠ 1년 후 1만원
12. 해결: 할인율(Discount Rate) 적용

보완 분석

한계	보완 방법
LTV 높은 고객 특성 모름	RFM, 행동 분석 결합
이탈 시점 예측	코호트 분석, 이탈 예측 모델
LTV 상승 방법	퍼널 분석, A/B 테스트