LTV

LTV(Lifetime Value, 고객 생애 가치)는 1980년대 데이터베이스 마케팅이 자리잡으면서 본격적으로 쓰이기 시작한 개념입니다. 단일 거래의 마진만 보던 시대에서 '고객 한 명을 평생 보유하면 얼마짜리인가'로 시야를 옮기게 만든 지표라서, 현대 그로스·CRM·구독 비즈니스의 거의 모든 의사결정의 출발점이 됩니다. 신규 획득에 얼마까지 써도 되는지, 어떤 고객 세그먼트에 더 투자해야 하는지를 LTV가 사실상 결정합니다.

계산법은 비즈니스 모델에 따라 크게 달라집니다. 이커머스에서는 보통 '평균 주문 금액(AOV) × 연 구매 빈도 × 평균 유지 기간(년)'으로 잡고, SaaS에서는 'ARPU ÷ 월 churn rate'로 단순화하거나, 마진까지 반영하려면 'ARPU × 매출총이익률 ÷ churn'으로 확장합니다. 더 정확한 추정이 필요하면 코호트별 누적 매출을 실측해 곡선을 외삽하는 방법을 쓰는데, 한국 SaaS에서는 데이터가 1~2년 치만 쌓인 경우가 많아 12개월 LTV로 의사결정하는 게 현실적입니다.

실무에서 LTV는 거의 항상 CAC와의 비율로 읽힙니다. 'LTV:CAC = 3:1'이라는 SaaS 가이드라인이 너무 유명해서 절대 기준처럼 받아들여지지만, 사실은 회수 기간(payback period)을 함께 봐야 의미가 살아납니다. LTV:CAC가 3:1이어도 회수에 36개월이 걸리면 현금흐름이 무너지고, 1.5:1이어도 6개월 안에 회수되면 광고비를 더 풀어도 되는 신호입니다. 토스나 토스증권처럼 빠르게 성장한 한국 핀테크들이 초기에 적극적으로 광고를 쓸 수 있었던 배경에는 짧은 회수 기간이 있었습니다.

AI 시대에 LTV는 두 가지 방식으로 더 복잡해지고 있습니다. 첫째, AI Referral Traffic이 늘면서 채널별 LTV 어트리뷰션이 어려워집니다. ChatGPT 답변에서 우리 브랜드를 알게 된 사용자가 며칠 뒤 직접 검색으로 들어와 가입하면, 어트리뷰션 도구는 그 매출을 'organic search'에 넣지만 진짜 출발점은 AI 인용입니다. 둘째, AI 추천이 의사결정 시간을 단축시켜 첫 구매까지의 funnel은 짧아지지만, 동시에 비교가 쉬워져 retention 곡선이 더 가팔라지는 패턴이 관찰됩니다. LTV 추정 모델 자체를 다시 짜야 하는 시점에 와 있다고 봐도 무방합니다.

흔한 오해 하나를 정리하면, LTV는 '확정된 숫자'가 아니라 '가정의 합'이라는 점입니다. 기간을 무한대로 잡고 churn 가정만 살짝 바꿔도 LTV가 두 배로 뛸 수 있어서, 보고할 때는 반드시 (1) 기간 (2) 매출 기준인지 이익 기준인지 (3) 어느 코호트의 데이터인지를 명시해야 합니다. 외부 투자자에게는 보수적으로 12~24개월 LTV를 쓰고, 내부 광고 예산 결정에는 회수 기간을 함께 보는 식으로 용도를 분리하는 게 안전합니다.