주요 컨텐츠로 이동

레이크하우스에서 고객 생애 가치 (Customer Lifetime Value) 추정하기

Samaya Madhavan
Div Saini
Bryan Smith

in

이 포스트 공유하기

Map with geographic information system elements.

Driving Digital Strategy에서 Sunl Gupta 박사는 "20%의 고객이 수익의 200%를 차지한다"고 지적합니다. 이는 일부 고객이 회사에 비용보다 더 많은 수익을 가져다주는 반면, 다른 고객들은 오히려 손실을 초래한다는 의미입니다. 정확한 비율은 비즈니스마다 다를 수 있지만, 소매 및 소비재 기업들은 고부가가치 고객을 식별하고 이들과 장기적인 관계를 구축하여 이러한 수준의 고객을 더 많이 유치하는 한편, 수익성이 낮은 고객에 대한 투자를 제한하는 것이 중요합니다.

 

특정 고객의 잠재적 수익성을 항상 예측하기는 어렵습니다. 비구독 모델에서는 고객이 자유롭게 드나들 수 있어, 한 순간 잠재력이 높은 고객으로 보였다가 다음 순간 사라질 수 있습니다. 그러나 종합적으로 볼 때, 고객의 거래와 관련된 최근성, 빈도, 금전적 가치(지출)를 비교적 예측 가능한 패턴으로 파악할 수 있으며, 이는 고객의 의도를 명확하게 나타낼 수 있습니다. 이를 통해 회사에 대한 고객의 장기적(생애) 가치에 대한 확률적 추정치를 도출할 수 있습니다 (그림 1). 

Figure 1. Three different customers indicating three different potentials for future profits
Figure 1. Three different customers indicating three different potentials for future profits

고객 평생 가치가 중요한 이유는 무엇인가요?

고객 생애 가치(CLV)는 현대 마케팅의 핵심 지표입니다. 남성 패션, 수제 주류 또는 차량 공유 서비스를 판매하든, 고객의 미래 지출에 대한 순 현재 가치는 고객 유지를 위한 투자를 안내하고 전반적인 마케팅 효과를 측정하는 데 도움이 됩니다. 개별 수준에서 계산된 CLV는 우수 고객과 불량 고객을 구분하고 그 사이의 모든 고객을 포지셔닝하는 데 유용합니다.

다양한 고객의 잠재력에 대한 인식과 개인 선호도에 대한 이해는 효과적인 개인화의 기반이 됩니다. 2019년 소매, 여행 및 숙박 업계의 시니어 마케터 600명을 대상으로 실시한 설문조사에 따르면, 개인화를 통해 가장 높은 ROI를 달성한 기업은 그렇지 않은 기업에 비해 고객 생애 가치를 주요 비즈니스 목표로 꼽은 비율이 두 배나 높았습니다. 팬데믹으로 인한 온라인 이동 증가로 효과적인 개인화의 중요성이 더욱 커졌고, 점점 더 많은 기업이 고객별 생애 가치 지표를 도출하는 데 투자하고 있습니다.

고객 생애 가치 측정 

 

고객 생애 가치는 정확하게 측정하기 어려운 지표입니다. 가장 간단한 CLV 공식은 연평균 매출(또는 수익)에 평균 고객 수명을 곱하여 일반적인 고객으로부터 얻을 수 있는 총 잠재 수익을 산출하는 것입니다. 이러한 단순 평균 기반 CLV 공식은 CLV의 두 가지 핵심 요소인 고객 수명과 고객 지출에 대한 방향을 제시하지만, 장기간에 걸친 고객의 잠재력을 정확하게 추정하지는 못합니다.

현대 CLV 추정의 아버지라 불리는 Peter Fader의 재미있는 프레젠테이션을 시청했다면, 시간이 지남에 따라 고객 참여도가 점점 낮아지고 개별적인 지출 패턴이 왜곡된 곡선(그림 2)을 따르는 경향이 있다는 사실을 알고 계실 것입니다 (즉, 고객은 가끔 높은 금액을 지출하지만 일반적으로는 훨씬 낮은 금액으로 돌아가는 패턴을 보입니다.).

Figure 2.  The skewed distribution of customer spend
Figure 2.  The skewed distribution of customer spend

CLV를 제대로 추정하기 위해서는 2000년대 중반에 대중화된 BTYD(Buy 'til You Die) 모델과 같은 복잡한 수학적 모델이 필요합니다. 이러한 모델은 현재 다양한 프로그래밍 라이브러리를 통해 비즈니스 분석가와 데이터 사이언티스트가 쉽게 접근할 수 있게 되었습니다.

엔터프라이즈에 고객 생애 가치 (CLV) 도입하기

CLV 계산을 위한 기술적 장애물 중 가장 시급한 것은 고객별 최근성, 빈도, 기간 및 금전적 가치와 같은 BTYD 모델에 필요한 입력 지표를 도출하는 것입니다. 이러한 지표는 계산이 간단하지만, 장기적인 고객 거래 내역에서 도출하려면 대규모 데이터 세트 분석이 필요합니다. 데이터브릭스 레이크하우스 플랫폼과 같은 확장 가능한 데이터 처리 솔루션이 이러한 문제 해결에 적합합니다.

레이크하우스를 통해 조직은 비즈니스 분석가의 데이터 탐색을 지원하고, 데이터 사이언티스트가 CLV 추정이나 예측 워크로드를 위해 데이터를 복제하지 않고도 시스템을 활용할 수 있게 합니다. 이는 조직의 가치 창출 시간을 단축하고 데이터 거버넌스를 더 효율적으로 관리할 수 있게 해줍니다.

 

데이터브릭스는 모델 관리 및 배포를 위한 사전 구성된 기능을 제공하여 MLOps 팀이 배치 및 스트리밍 ETL 워크플로우 내에서 CLV 모델을 신속하게 배포할 수 있게 합니다. 이를 통해 학술적인 데이터 사이언스 결과물을 조직의 마케팅 워크플로우에 통합되는 생산 자산으로 전환할 수 있습니다.

이러한 CLV 추정 및 활용 방법에 대해 더 자세히 알고 싶다면, 메트릭 도출, 모델 훈련, 워크플로우 배포 방법을 보여주는 상세한 코드가 포함된 무료 CLV 추정 솔루션 액셀러레이터를 참고하시기 바랍니다.

Translated by HaUn Kim - Original Blog Post

Databricks 무료로 시작하기

관련 포스트

Customer Lifetime Value Part 1: Estimating Customer Lifetimes

Download the Customer Lifetimes Part 1 notebook to demo the solution covered below, and watch the on-demand virtual workshop to learn more. You...

Customer Lifetime Value Part 2: Estimating Future Spend

Check out the notebook referred throughout the blog and watch the on-demand virtual workshop to learn more. You can also go to Part...

The Lakehouse for Retail

January 13, 2022 작성자: Rob Saker, David LeGrand in
Every morning, as people are just beginning to rise, the business of retail is already in full motion. Delivery trucks are beginning their...
모든 산업 포스트 보기