Posts

Categories

Tags

#1 on Inc. Magazine’s List of 50 Best Websites for Entrepreneurs
#2 on Forbes List of 100 Best Websites for Entrepreneurs

당신의 진짜 고객 생애 가치(LTV)는 무엇인가요?

Posts

Categories

Tags

개요

기존에 LTV(고객 생애 가치)를 구하는데 사용되던 오래된 공식(고객 당 평균 매출 총 이익을 Churn으로 나누는 것)은 고객의 수명이 길고, Negative Churn을 가지고 있을 때, 제대로 작동하지 않는다는 문제가 있습니다. LTV는 무한히 지속될 수도 있지만 실제 현실을 명확하게 반영하지는 않습니다. 이 글에서는 미래의 수익 위험성과 화폐의 시간 가치를 고려한 현금 흐름 할인법을 기초로 새로운 LTV 계산법을 소개합니다. 새로운 LTV 계산법은 회사가 미래의 매출 흐름을 이해 및 관리하는데 도움을 주며, 투자자가 미래의 현금 흐름을 고려하여 투자할 금액을 더 정확히 산정할 수 있게 합니다.

이 글의 내용 대부분은 반복적이고 수익성 높은 영업 프로세스 보유 단계를 지나 확장 단계에 접어 든 SaaS 회사들을 대상으로 합니다. 만약 여전히 시장에 맞는 제품을 만들기 위해 노력하고 있거나, 반복적이고 확장 가능한 마케팅, 세일즈 방법을 테스트 하고 있는 초기 단계의 스타트업이라면, CAC 및 LTV를 사용하는 것은 현재 당신이 회사가 어떤 상태인지 파악하는데 매우 유용합니다. 그러나 이러한 방법은 영업, 마케팅에 대한 프로세스와 비용을 예측하고, 확장 할 경우에만 유의미한 결과를 도출할 수 있다는 것을 유의해야 합니다. CAC와 LTV에 사로잡혀 너무 많은 시간을 낭비하는 대신에, 제품을 시장에 꼭 맞게끔 개선하고, 반복적, 확장적, 효과적으로 고객을 얻을 수 있는 방법을 찾는데 온 힘을 다하는 것을 권합니다.

먼저 이 글에 다소 복잡한 수식들을 사용한 점을 사과 드립니다. 이 글에는 핵심 개념에 대한 요약과 LTV 모델의 스프레드시트로 바로 이동할 수 있는 링크를 제공합니다. 이 모델의 이론을 이해하는데 관심 있는 분들을 위해 우리는 상세한 설명을 제공합니다.

이 작품을 저와 함께 공동 저술하였고, 수학적인 도움을 제공한 파트너 Stan Reiss에게 감사 드립니다.

*Spreadsheet updated 2/23/16 – errors corrected in Cell B78 on Real World Model tab.

요약

Negative Churn (고객 이탈로 인한 손실보다 큰 비율로 유보 고객으로부터 수익을 창출하는 것)을 가지고 있는 정기구독 모델 기반 비즈니스의 경우, 이 확장 비율과 이탈 비율을 모두 포함하고 있는 새로운 LTV 계산 수식이 필요합니다.

게다가, 미래에 발생할 수 있는 수익을 모델링 하기 때문에 위험과 화폐의 시간가치를 고려하여 할인율을 적용해야 합니다. 10 % 할인율을 적용하는 것을 추천하지만, 이는 당신 회사의 자본 비용에 따라 다를 수 있습니다.

이 접근 방법은 당신의 LTV를 정확한 관점에서 볼 수 있지만 다소 낮게 측정됩니다. 이전에 우리는 LTV가 CAC의 3배 이상이 되기를 권장했습니다. 그렇기 때문에 SaaS 회사와 협력하여 이 접근 방법으로 인해 다소 낮게 계산된 LTV가 어떤 영향을 끼치는지 파악하고, 새로운 LTV와 CAC의 권장 비율을 공개 할 것입니다.

투자 회수 기간이 변경되지 않고, 많은 자본에 쉽게 끌어 올 수 없다면 12 개월의 투자 회수 기간을 권장합니다. 이 경우 귀하의 투자 회수 기간은 18 개월 이상이 될 수 있습니다.

이 새로운 LTV를 모델링 하는데 필요한 데이터 목록은 아래와 같다.

  1. 계정당 평균 계약 수익
  2. 총 마진 (여기에는 고객 유지 및 상향 판매에 투입되는 고객 지원 팀과 Account Manager의 시간이 포함 되어야 합니다)
  3. Churn Rate
  4. 유지 고객 성장률

**These #s can be monthly or annual #s, rates.

실제 모델

데이터 입력이 가능한 아래에 링크 된 스프레드 시트의 두 번째 모델은 고객 집단 (Cohort)의 전체 생애 기간 동안 이탈률 및 성장률이 어떻게 변화하는지 보여줍니다. 이 데이터는 당신이 보유한 기간 (1년, 18개월, 2년 등)에 상관없이 입력 할 수 있습니다. 그러나 이 데이터의 정확성에 집착하지 말고, 당신이 가지고 있는 최상의 데이터를 사용하세요. 이 모델은 다소 먼 미래의 데이터에는 결과값이 제대로 반영되지 않습니다. 그보다 당신이 세운 1년 또는 2년 내의 가설들이 정확한지 확인하는 것이 더욱 중요합니다.

스프레드 시트 첨부 자료

독자적인 LTV 모델링에 관심이 있는 독자를 위해 Excel 스프레드 시트가 첨부됩니다. 다운로드를 하려면 이 링크를 클릭하세요.

*Spreadsheet updated 2/23/16 – errors corrected in Cell B78 on Real World Model tab.

소개

제가 독자들에게 항상 강조하는 핵심 개념 중 하나는 바로 고객 수준에서 단위 경제를 측정하는 것입니다. 이것은 당신의 사업이 현재 좋은 방향으로 흘러가고 있는지 파악 할 수 있는 잣대이며, 그렇지 않은 경우 그것에 집중해야 합니다. 단위 경제학은 단순한 개념으로, 고객으로부터 평생 동안 얻는 이익 (LTV)이 고객 획득 비용 (CAC)보다 큰지 확인하는 것 입니다. 투자자와 이사회 구성원은 이 사업이 결국 큰 이익을 제공하는 좋은 비즈니스인지, 아니면 결코 이익을 창출 할 수 없는 나쁜 비즈니스인지 분별하고 싶어합니다. 그러나 전통적인 분석 도구들은 이를 제공할 수 없습니다. 따라서 투자자와 이사회 구성원은 고객 수준에서 단위 경제를 측정하는 방법과 같은 새로운 방식을 필요로 합니다. 따라서 초기에 급성장하고 있으며, EBITDA 손실이 클 수도 있는 SaaS/정기구독 비즈니스에 이 개념은 반드시 필요합니다. (이 항목에 대한 자세한 내용은 SaaS Metrics 2.0을 참조하세요.)

지난 몇몇의 포스트들에서 고객 유지의 중요성과 Negative Churn을 얻는 것에 초점을 맞췄습니다. 우리는 이제 미래 현금 흐름을 이해하기 위해서 Negative Churn의 복합적 측정을 개선해야 합니다.

전통적인 Churn and LTV

Churn을 학습하기 전에, 특정 기간에 가입한 특정 고객 그룹을 살펴봐야 합니다. 우리는 이런 고객 그룹을 Cohort 라고 부릅니다. 따라서 2014년 1월에 가입 한 모든 고객은 2014년 1월 Cohort가 됩니다. 우리는 얼마나 많은 고객들을 유지하고, 각 Cohort 별 이익이 시간이 지남에 따라 어떻게 변하는지 추적하길 원합니다. 다음은 월별 Customer Chrun 세 가지를 사용하여, 수년 동안 특정 Cohort에 어떤 변화가 생겼는지를 보여주는 그래프입니다

그래프는 기하급수적으로 감소하고 있고 있으며, 이런 상황에서 간단한 공식을 통해 평균 고객 생애 기간 (Average Customer Lifetime)을 구할 수 있습니다.

위의 수식으로부터 우리는 평균 고객 생애 기간 (Average Customer Lifetime)을 매년 각 고객으로부터 얻는 평균 총 이익과 곱함으로써 LTV를 구할 수 있습니다.

평균 고객 생애 기간 (Average Customer Lifetime)과 계정 당 총 이익을 채운다면 우리는 아래와 같은 공식을 얻습니다.

             (APRA은 계정당 평균 수익을 말합니다)

지금까지는 가장 단순한 단계의 Churn만 살펴 보았습니다. 그러나 이 수식은 Churn이 있을 때,  수익에 어떤 영향을 주는지 살펴 볼 경우 더욱 복잡합니다.

왜 Dollar Retention Rate (DRR)은 Customer Retention Rate와 다른가?

매출이 작은 고객 한 명과 큰 고객 한 명이 새 해를 시작하는 상황을 상상해봅시다.

이제 고객 1(매출이 작은 고객)을 잃으면 어떻게 될지 살펴 보겠습니다.

Customer Churn은 50%나 되는 것에 비해, Dollar Churn은 17% 밖에 안됩니다. 우리는 이 두 수치가 다르게 작동하고 있다는 것을 알 수 있고, 현재 비즈니스가 어떻게 동작하고 있는지 전체적으로 살펴보기 위해 각각을 분리해서 추적할 필요가 있습니다. 이는 ‘매출이 작은 고객을 보유하는 것보다 더 큰 고객을 보유하는 것이 중요하다’라는 명백한 사실을 말해줍니다.

이제 고객 2가 얻는 수익을 $ 5k에서 $ 7k로 증가 시킨다면 어떠한 상황이 벌어질지 살펴보겠습니다.

매우 흥미로운 부분이 보입니다. 유지 된 고객으로부터 얻은 $ 2k 달러의 추가 수익은 이탈 고객으로부터 손실 된 $ 1K 달러보다 컸으며, Customer Churn이 50 %임에도 불구하고 Negative Dollor Churn을 갖고 있습니다.

이것은 이전에 ‘왜 SaaS에서 성공하기 위해 Churn이 중요한가?’에 담았던 매우 중요한 개념입니다. 이 글에서는 현재 고객을 확장하려면 어떤 방법이 있는지 살펴보는 것과 함께, 가변적인 가격 책정 또는 추가 제품 모듈 판매를 대안으로 제시합니다. 다중 가격 축에 대해서는 이전 게시물에서 자세히 다뤘습니다.

CRR과 DRR

지금까지 우리는 Customer Churn과 Dollar Churn 에 대해 이야기했습니다. 여기에 Churn에 반대되는 두 개의 다른 용어가 사용되고 있습니다.

  • CRR (Customer Retention Rate)은 Customer Churn Rate와 반대 개념 입니다.
  • DRR (Dollar Retention Rate) 은 Dollar Churn Rate와 반대 개념 입니다.

Negative churn 을 가지고 비즈니스들은 Dollar Retention Rate가 100%보다 큽니다. 이런 경우는 SaaS 비즈니스의 최상의 경우이며, 일부에 불과합니다. DRR이 100%를 초과하는 예로는 Zendesk : 123%, NewRelic 115%, Box : 130%, Rally Software 127%가 있습니다. (더 많은 공개 기업 유지율을 보려면 Pacific Crest에서 이 기사를 확인해보세요.)

LTV 수식을 무력화 Negative Churn

위의 LTV 수식에서는 “Churn Rate”이라는 용어를 사용하여 간단히 했습니다. 그러나 Customer Churn Rate와의 혼란을 피하기 위해 Dollor Churn Rate라는 보다 정확한 용어를 사용해야 했습니다. 하지만 이제 LTV 수식에 음의 값을 대입하면 정확한 답을 얻을 수 없게 되는 문제가 발생합니다. 그리고 Cohort가 해마다 16 % 씩 성장한다면, (이것은 Negative Churn rate가 16%임을 말합니다) 우리는 수식 없이도 이 Cohort로부터 지속적으로 성장하는 무한한 미래 수입원을 가질 것이라는 말할 수 있습니다.

이 경우를 모델링 한 것을 살펴보면 Customer Churn이 매출 감소 지점에 있음을 보여줍니다. 아래는 한 달에 100 달러를 지불하기 시작한 고객이 100명이 있고, 잔존하는 고객들이 매달 5달러 씩 지불액을 늘리는 경우에 발생하는 상황을 보여주는 그래프입니다. 월별 Customer Churn은 3 %입니다.

clip_image013_thumb.png

이 그래프를 계산하는 수식은 다음과 같습니다.

clip_image014.png

a = initial ARPA per month x GM %

m = 계정 당 ARPA의 월간 성장률 고정 금액 (배합하지 않음)

c = Customer Churn Rate % (in months)

이 수식은 연간 값에도 똑같이 적용됩니다.

(참고 : 우리가 나중에 다룰 이 수식은 크게 단순화했습니다. 수익에서 시간이 지남에 따라 고정 된 선형 확장이 있다고 가정하였고, 대부분의 경우 확장 수익이 발생하지는 않습니다.)

DCF를 사용하여 위험과 화폐의 시간가치 계산

이러한 상황에서 고객 가치의 상당 부분은 시장 변화, 새로운 경쟁자, 기술 플랫폼의 변화 등의 여러 위험성을 가진 미래에서 발생합니다. LTV를 계산할 때 어떤 식으로든 위험을 감수해야 한다는 것은 중요한 사실입니다. 비슷하게, 만약 10년 후에 1달러를 제공 받기로 했다면, 우리는 그것이 오늘의 1달러보다 낮은 가치라는 것을 알고 있습니다. 이 현상을 모델링 하는데 미래 현금 흐름에 할인을 적용하는 것이 허용됩니다.

다음은 연간 Dollar Churn이 10% 인 SaaS 비즈니스의 현금 흐름에 연간 10%의 할인을 적용한 경우입니다.

수직 축은 초기 Cohort 계약 값의 백분율을 나타내며, 연간 Churn rate가 10% 일 때 시간 경과에 따라 어떻게 하락 하는지를 나타냅니다. 그리고 오렌지색과 녹색 선은 파란색 기준선에 미래 현금 흐름에 할인 효과를 적용했을 경우를 나타냅니다.

이것은 우리가 기대했던 바를 그대로 보여줍니다. 시간이 지날수록 더 낮아지는 현금 흐름의 가치는 미래의 위험과 화폐의 시간 가치를 반영합니다.

True LTV : Negative Churn에 DCF를 적용

아래의 그래프는 Negative Churn이 있는 상황에서 현금 흐름이 어떻게 나타나는지 보여줍니다.

  • 다음의 두 변수의 결과로 Negative Chrun Rate는 10%입니다.
  • Customer Churn은 매년 10% 입니다.
  • 남은 고객은 매년 원래 지불했던 금액보다 22% 증가한 금액을 지불합다. (이 증가 폭은 기하급수적이지 않고 선형적입니다)

이제 우리는 LTV 계산을 위한 새로운 수식이 필요합니다.

LTV Formula

여기서 G는 Churn이 없는 고객 성장률이고, K는 아래의 수식으로 정의됩니다.

LTV - 2

여기서Churn은 Customer Churn rate입니다.
이 공식을 사용하면 총 마진이 $1로 시작된 계약에 대한 LTV는 다음과 같이 변합니다.

LTV Table

LTV Graph

가장 왼쪽의 그래프는 할인률이 적용되지 않았을 때의 LTV를 보여줍니다. 저와 이야기를 나눈 모든 CFO들은 이 수치가 너무 높다고 말했습니다. 다음 오른쪽에 있는 네 개의 막대 그래프는 미래 현금 흐름에 할인율을 적용 했을 경우, LTV가 어떻게 되는지 보여줍니다.

할인율은 어느 정도가 적당한가?

모든 금융 이론은 한 가지 사실과 일치합니다. 관리자는 돈을 사용하게 되는 매 순간마다, 회사의 자본 비용을 고려해야 합니다. 자금 출처가 많을 수도 있으며, 이러한 자금 출처의 가중 된 평균을 WACC (가중 평균 자본 비용)라고 합니다. 대부분의 회사들에게 이것은 단지 부채와 자기 자본의 가중 평균이지만 일부는 두 가지 구성 요소 이상을 가진 기이한 구조 일 수도 있습니다.

DCF에서 사용되는 할인율이 당신 회사의 가중 평균 자본 비용 (WACC)이어야 합니다.

실제 자본 비용을 살펴본다면, 다음과 같은 할인율을 권합니다.

  • 상장 기업은 10%
  • 예측대로 확장하고 있는 민간 기업은 15% (ARR이 $10m을 넘고, 전년 대비 40% 이상 성장하는 기업)
  • 규모적으로 예측한 성장에 아직 도달하지 못한 민간 기업의 경우 20-25 %

초기 단계의 스타트업과 위험 부담이 큰 비즈니스에서는 할인 폭이 조금 더 커집니다.

그러나 신생 SaaS 스타트업은 상장한 SaaS 기업과 다른 할인율을 적용하기 힘들다는 논쟁이 있습니다. 신생 스타트업들의 목표는 궁극적으로 기업이 상장 될 수 있을 정도로 탄탄한 단위 경제가 있음을 증명하는 것입니다. 그래서 이사회 멤버들과 경영자들은 LTV 수치를 다른 대기업과 비교하기를 원할 것입니다. 그렇다면 업계 전체가 할인 된 현금 흐름을 적용하여 LTV를 계산하는 동일한 방법으로 표준화하고, 10 %의 동일한 할인율을 적용하는 것이 좋을 수도 있습니다. 그렇게 하면 민간 기업의 LTV 수치와 공개 기업의 LTV 수치를 비교할 수 있습니다. 우리는 이 분석을 통해 새로운 영역을 개척하고 있으므로 이 부분에 대한 독자들의 의견을 듣고 싶습니다. 다음 페이지에서 이 수치들 뒤에 숨겨진 공식과 계산 방법을 자세하게 제공합니다.  “DCF에서 사용 할 할인율을 계산하는 방법” 에서 WACC를 계산하는 방법을 설명합니다. WACC의 핵심 구성 요소는 자본 자산 결정 모형(CAPM)을 사용하여 계산 된 자기 자본 비용입니다. 이 부분에 궁금증을 표하는 사람들을 사람들을 위해 이 글에 더 자세히 설명되어 있습니다.

DCF과 LTV와CAC 비율에 미치는 영향

예전부터 SaaS 스타트업의 경우 LTV : CAC 비율이 3 이상이어야 한다고 권장해 왔습니다. 이제는 DCF로 인해 LTV 수치가 낮을 것으로 예상되므로 이 권장 사항을 더 낮은 수치로 변경할 필요가 있습니다. 나는 아직 어느 정도 비율이 권장 사항으로 적절하지 파악하지 못했기 때문에, LTV공식의 DCF 버전을 사용하기로 한 많은 회사들과 시간을 보내면서 무엇이 LTV : CAC 비율에 영향을 미치는지 지켜 보며 최종 권장 사항을 결정 할 것 입니다.

그러나 SaaS 회사가 CAC를 복구하기 위해 소요되는 개월 수를 측정해야 한다는 사실은 회사의  단위 경제를 판단하는 데 매우 중요한 척도입니다. 현금 흐름을 최적화하고자 하는 회사의 경우 12 개월 이내에 CAC를 복구할 것을 권장합니다. 그러나 당신의 스타트업이 쉽게 많은 자금을 조달 할 수 있다면 18 개월 내 혹은 그 이상의 기간일 지라도 손쉽게 CAC를 회복할 수 있습니다.

CORE 소개 – 유지 확장 비용

고객 유지 및 확장 수익을 얻기 위해서 Account Manager들에게 시간과 노력, 그리고 추가적인 영업 행위가 필요로 합니다. 대부분의 조직에서 이 비용은 판매 비용의 일부입니다. 이는 회계 목적으로는 괜찮지만 CAC와 LTV 계산에는 올바르게 반영되지 않고, 잘못된 CAC 수치가 계산될 수 있습니다. 예를 들자면, 사용자를 많이 확보한 SaaS 회사가 약 1 억 달러의 매출을 창출하고 있다고 생각해봅시다. 기존 사용자를 최대한 유지하기 위해서는 수 많은 Account Manager가 있어야 합니다. 새로운 고객을 얻기 위한 CAC에 이러한 Account Manager의 비용이 포함된다면, CAC 수치가 실제보다 더욱 커집니다.

해결책은 이러한 Account Manager와 확장 수익을 창출하는데 필요한 영업 직원의 비용을 방정식의 ltv쪽으로 이동시키는 것입니다. 이것은 실제 유지 확장 비용 (CORE)이며, 반복적인 수익에 대한 총 마진을 계산할 때, 매출원가(COGS)와 유사하게 다뤄져야 합니다. 따라서 위의 수식의 총 마진을 계산할 때, COGS와 CORE를 모두 포함해야 한다는 것을 잊지 마세요.

CORE와 Gross Margin을 계산하는 방법

당신은 한 사람의 Account Manager가 처리 할 수 있는 고객의 수를 알 수 있습니다. 또한 전문 Expansion Sales Reps 있는 경우에도 처리 할 수 있는 고객 수를 알 수 있습니다. 예를 들어, 조직에 Account manager와 Expansion Sales Reps 둘 다 있다고 가정하면 단일 고객에 대한 CORE는 다음과 같이 계산됩니다

CORE Formula

총 마진 %는 다음과 같습니다.

GM

여기서 COS는 단일 고객에게 서비스하는 비용입니다. (호스팅 비용 + 지원 비용).

확장 수익 판매 인력의 효율성 이해

확장 매출을 창출하는 데 전념하는 영업 사원이 있다면 그들은 Account Manager와 마찬가지로 CAC 및 LTV가 확장 수익에 어떤 영향을 미치는지 지켜보는 것에 흥미를 느낄 겁니다. 여러분에게 이 두 가지 요소를 추적하는 두 번째 병렬 추적 시스템을 만드는 것을 권합니다. 이를 통해 투자 수익을 계산하고, 이를 당신이 할 수 있는 다른 잠재적 투자와 비교할 수 있습니다.

실제는 더 복잡합니다

위의 수식은 모두 현실 세계에서 일반적으로 적용되지 않는 몇 가지 핵심 가정들이 존재합니다.

가정 1 : 고객은 매월 기하 급수적으로 이탈합니다.

실생활에서, Churn 곡선은 회사마다 아주 다른 모양을 가지고 있으며, 시간이 지남에 따라 향상됩니다. 예를 들어, 연간 계약을 사용하는 많은 회사는 계약 기간이 끝날 때까지 거의 변동이 없을 것입니다.

가정 2 : 나머지 고객은 선형 방식으로 수익을 확대합니다.

현실에서는 이럴 가능성이 희박하며, 회사마다 큰 차이가 있습니다. 시간이 지남에 따라 예측 가능하게 증가하는 user seats와 같은 가격 축을 가진다면 선형 증가가 나타날 수도 있습니다. 새로운 모듈에 의한 상향 판매와 같은 다른 요소는 매우 비선형 적이며, 불규칙적으로 발생할 것입니다. 몇몇 회사는 초기에 큰 확장을 하겠지만 시간이 지날수록 점점 확장 폭은 작아질 것 입니다.

가정 3 : 총 마진 %는 시간이 지남에 따라 일정하게 유지됩니다.

현실 세계에서 대부분의 SaaS 회사는 일정 규모에 도달하기 전까지 수년간 매출 총 이익을 크게 개선 할 수 있습니다. 총 마진이 예상대로 증가 할 것이라고 확신한다면, 이를 변화 변수로 설정하고 모델링 하는 것이 중요 할 수 있습니다.

수익 vs 과금

위의 수식은 수익의 시기에 초점을 맞추고 있으며, 이는 현금화 방법과 다를 수 있다는 것을 주목해야 합니다. 대부분의 스타트업은 1년 전에 미리 결제 할 수 있는데, 이럴 경우 현금 흐름은 실제로 수익 흐름과 상당히 다를 것입니다. 실제 현금 흐름 대신 DCF를 수익에 적용하면 해당 기업은 다소 불이익을 받게 됩니다. 이 점을 고려하여 수식을 만들려고 하면 너무 복잡해지고, 이 복잡성을 고려한다 해도 그것이 정확하다고 단정할 수 없습니다. 그러나 만약 당신이 정확하다고 판단한다면, 수익 대신 현금 흐름 (예 : 청구액)을 사용하도록 제공된 스프레드 시트를 사용할 수 있습니다.

현실 모델링

첨부 된 스프레드 시트를 사용하면 변수들 중 두 가지가 어떻게 변할지에 대해 실제 경험을 모델링 할 수 있습니다. 스프레드 시트의 “Real World Model”탭으로 이동하여 데이터를 입력하면 cohort 분석으로 시간에 따라 변화하는 Churn 및 Expansion 값을 관찰 할 수 있습니다. 1년에서 3 년 이상의 데이터 값을 알기는 어려우므로, 알고 있는 값만 입력 한 다음, 잔존가치 수식을 사용하여 다른 연도를 예측하세요.

SaaS 스타트업은 이 글을 읽고 어떻게 행동해야 할까?

절대 정확도에 집착하지 마세요. 우리가 미래를 예측하기 위한 수식을 사용하고 있기는 하지만, 미래는 매우 불명확합니다. 이 분석의 가치는 어떤 요소가 수익성을 향상 시키는지, 어떤 고객 분류가 수익성 있는지, 어떤 문제를 해결해야 하는지 등과 같은 유용한 비즈니스 의사 결정을 내리기에 충분한 정확도를 얻는 것임을 인지하세요.

당신이 Churn, Expansion 및 LTV를 이해하는 데 필요한 데이터를 가지고 있는지 확인하세요

당신이 Churn, Expansion 및 LTV를 이해하는 데 필요한 데이터를 가지고 있는지 확인하세요. 위와 같은 개념들을 처음 접한 SaaS 업체가 이 글을 읽고 즉시 해야 할 일은 다음과 같습니다. 개별 고객의 월별 수익을 Cohort로 분석하고, 추적할 수 있는 데이터베이스를 구축하세요. 특정 Cohort에서 시작하는 모든 고객을 대상으로 시간 경과에 따른 고객 수와 수익의 변화를 추적할 수 있어야 합니다. 또한 각 고객을 “엔터프라이즈”, “SMB”와 같은 속성으로 태그를 지정하여, 다양한 유형의 고객이 시간이 지남에 따라 어떻게 이탈하고 확장하는지 그 변화를 볼 수 있습니다. 이 분석은 당신에게 가장 수익성 높은 고객 그룹과 해결할 문제 지점이 어디인지를 보여주기 때문에 가장 가치 있는 분석이 될 것입니다.

이 데이터를 통해 아래와 같은 Cohort 그래프가 나오는데, 이를 살펴보면 시간 경과에 따른 고객 수 및 매출 감소가 어떤 형태를 띄는지 이해할 수 있습니다. 이 그래프를 만들기 위해 여러 Cohort 데이터를 단순히 겹쳤으며, 시작 월을 0으로 동일하게 처리 했습니다. 이 곡선의 모형은 고객 생애 가치 (LTV)를 계산하기 위해 제공된 스프레드 시트 모델과 함께 사용할 수 있습니다.

image_thumb.png

결론

나는 SaaS 기업가들과 CFO들에게 Negative Churn을 가지고 있을 때 LTV를 계산하는 방법에 대해서 수년 동안 많은 질문을 해왔습니다. 이제 그들은 더 이상 계정 당 평균 매출 총 이익을 Churn으로 나눈 과거의 공식이 자신들의 상황에서 제대로 작동하지 않는다는 것을 분명히 알게 되었습니다. 이 글과 첨부 된 스프레드 시트는 이 문제를 해결하기 위해 노력하고 있습니다. 이 글에 다소 복잡한 몇 가지 공식이 있음을 사과 드립니다. 이러한 것을 꺼려하는 독자라면 스프레드 시트를 다운로드하고 LTV 계산기에 자신의 데이터를 입력하세요.

나는 이 글에 작성 된 내용에 대해 독자들의 의견을 듣는 것을 좋아합니다. 아래에 의견을 남겨주세요.

이 제품을 저와 함께 공동 저술하고 수학적으로 도움을 준 Stan Reiss에게 감사 드립니다. 또한 놀라운 통찰력을 제공해준 Zendesk의 Joe Ferrero, Sai Ho 및 Alan Black에게도 감사 드립니다.

No data was found