[그로스 해킹]AARRR_4. 수익화 (Revenue) & 5. 추천 (Referral)

4. 수익화 (Revenue)

가입자가 아무리 많아도, DAU와 MAU가 아무리 높아도 이 모든 것들이 매출로 돌아오지 않는다면 서비스를 유지할 수 없기에 결국 사업의 성패를 가르는 것은 수익화라고 할 수 있다. 여기서 매출을 책임지는 것은 특정 부서의 역할이 아닌 서비스를 운영하는 모든 사람의 역할이라는 점을 명시해야 한다.

수익화와 관련된 주요 지표로는 ARPU, ARPPU, LTV, LTR등이 있다.

1. ARPU(Average Revenue Per User)

   구매자 수, 구매 건수, 매출과 같은 기본적인 지표를 제외하고 수익화 측면에서 우선적으로 봐야 하는 중요한 지표는 ARPU 인당 평균 매출이다.

   ARPU는 개념적으로 매출/사용자 즉 한 사람이 평균적으로 발생시키는 매출을 의미하는데 이는 이후 사용자가 늘어났을 때 매출이 어떤 속도로 증가할지 가늠하는 데 좋은 기준이 된다.

   하지만 ‘사용자’와 ‘매출’의 정의가 모호하기 때문에 이를 실제로 계산하는 과정은 수월하지 않다. 사용자는 누적 가입자 전체일까? 결제자를 봐야 할까? 매출은 언제부터 언제까지 확인해야 할까?

   ARPU는 특정 시점의 스냅숏이 아닌 특정 기간에 대한 지표다. 기준을 명확하게 세우지 않은 상태라면 ARPU가 굉장히 모호해지므로 전사적으로 통용되는 명확한 기준을 세우는 것이 우선이다. 회사마다 이를 정의하는 기준은 조금씩 다를 수 있지만 일반적으로는 월을 기준으로 집계한다.

• ARPPU(Average Revenue Per Paying User) ARPPU 결제자 인당 평균 매출은 ARPU와 비슷하지만 전체 사용자가 안인 ‘결제자’만을 대상으로 한다는 점에서 차이가 있다. ARPPU오 ARPU와 마찬가지로 기간에 대한 정의가 필요하며, 따로 정의되지 않았다면 월을 기준으로 계산하는 것이 일반적이다.
  
• 고객 생애 가치(Lifetime Value, LTV) 고객 생애 가치는 한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익으로 정의되며 일반적으로 LTV(Lifetime Valule) 또는 CLV(Customer Lifetime Value)라는 용어로 표현한다.
  $\frac{1인 평균 매출 - 1인 평균 비용}{1-고객유지비율+할인율} - 고객 획득 비용$
  고객 생애 가치는 위와 같은 공식이 활용되는데 이는 논리적으로는 완벽한 수식이지만 현실에서 이런 식의 게산은 사실상 불가능하다. 고객 1인당 비용(유지 비용, 획득 비용)을 계산할 수 없으며, 고객 1인당 평균 매출은 기간마다 일정하지 않고, 고객 유지비율(혹은 이탈비율) 또한 기간마다 일정하지 않다. 현실적으로 계산은 어렵지만 고객 생애 가치가 가지는 중요도는 매우 크다.
  
• 고객 생애 매출(Lifetime Revenue, LTR) 고객 생애 가치가 고객 한 명에 대한 수익이라면 고객 생애 매출은 한 명에 대한 기대 매출이다. 고객 생애 가치를 계산할 때는 매출과 비용을 모두 계산해야 하지만 고객 생애 매출은 매출만 살펴보면 되기에 계산이 비교적 간편하다.
  

수익화 분석하기

고객 생애 매출을 활용할 때 전체 회원을 대상으로 하나의 지표로 관리하기보다는 코호트를 잘 나눠 코호트별 고객 생애 매출의 추이가 어떻게 변화하는지 살펴보는 편이 훨씬 유용하다. 이때 가장 일반적으로 활용되는 코호트 분류 기준은 가입 시점이 된다.

가입 시점에 따른 코호트를 나누고 각 코호트별 고객 생애 매출의 변화 그래프를 그려 보면 시간의 흐름에 따른 증가 속도와 높이를 확인할 수 있다. 건강하게 성장하고 있는 서비스라면 LTR(고객 생애 매출)이 CAC(고객 획득 비용)를 빠르게 따라잡고 장기적으로는 CAC의 몇 배수까지 높아져야 한다.

단일 지표를 살피는 것도 중요하지만 여러 지표의 관계를 통해 인사이트를 얻을 수도 있는데 특히 LTR과 CAC는 함께 확인할 때 매우 유용한 지표들이다.

위 수식은 비즈니스의 성공과 실패를 구분할 수 있는 수식으로 사용할 수 있다. 건강한 서비스라면 LTR이 CAC보다 충분히 커야 하기에 위 수식에서 alpha값은 굉장히 큰 숫자여야 한다. 일반적으로는 LTR이 CAC의 5~10배 정도는 되어야 어느 정도 안정적인 서비스를 기대할 수 있다. 물론 절대적인 수치를 비교하는 것과 함께 LTR이 CAC를 넘어가기까지의 기간도 고려할 필요가 있다.

수익화 상황을 개선하기 위해서는 고객 생애 매출을 늘리는 것과 고객 획득 비용을 줄이는 것 중 어떤 방법이 효과적일까? 수익을 높이기 위해서는 비용을 줄이는 것도 중요하지만 사용자들이 지속적으로 결제하는 구조를 만드는 것이 더 중요하다고 할 수 있기에 고객 생애 매출을 늘리는 편이 더 효과적이다. 다만 현실적으로는 마케팅 채널이나 소재를 쉽게 테스트 할 수 있는 고객 획득 비용이 조금 더 변화 시키기 쉬운 지표이기 때문에 여기에 집중하는 경우가 많다.

수익화를 쪼개서 확인함으로써 많은 인사이트를 얻을 수 있는데 여기서 몇 가지 방법을 알아보자.

1. 아이템별 매출의 합계

   판매하는 아이템별 매출 합계를 통해 전체 매출을 계산한다.

   실제 많은 서비스에서 이러한 방식으로 매출에 기여하는 아이템, 판매량이 증가한 아이템 등을 파악한다.

2. 사용자별 매출의 합계

   사용자 세그먼트를 분류한 후 각 세그먼트별 매출 합계를 통해 전체 매출을 계산한다.

   성별, 연령대, 가입 기간, 활동 여부 등을 기준으로 나눠 볼 수 있다.

3. 결제자 수 * ARPPU

   결제자 수와 결제자 인당 결제액을 곱해 전체 매출을 계산한다.

   이 때 결제자 수를 퍼널에 따라 쪼개 보면 매출의 증감 패턴을 더 세부적으로 파악할 수 있다. 특히 가입 기간에 따른 코호트를 기준으로 데이터를 쪼개서 확인하면 간단한 시뮬레이션을 통해 향후 트렌드를 반영한 매출 에측도 가능하다.

여기서 독립적인 결제 이벤트가 발생하는 서비스가 아닌 구독형 서비스에서는 매출을 어떻게 분석할 수 있을까? ott, 음악 감상 등 구독형 서비스는 월별 반복 매출(Monthly Recurring Revenue, MRR)이라는 개념을 사용한다. 구독 형태의 비즈니스 모델을 가진 서비스는 매출을 구성하는 여러가지 요소를 나눠서 분석할 수 있다.

• 기준 MRR : 전월 기준 매출
• 신규 MRR : 신규 고객으로 인해 증가한 매출
• 이탈 MRR : 이탈 고객으로 인해 감소한 매출
• 업그레이드 MRR : 기존 고객 대상 크로스셀, 업셀로 인해 증가한 매출
• 다운그레이듸 MRR : 기존 고객의 요금제 하향조정 등으로 인해 감소한 매출

이렇게 매출의 증감 원인을 세부적인 수준에서 확인한다면 이에 대응하기 위한 다음 행동을 구체적으로 계획할 수 있게 된다.

정리

실제로 수익화 정도는 사용자마다 엄청나게 다양해 지표를 계산했을 때 개인별 편차가 상당히 크게 나타난다. 흔히 파레토 법칙응로 알려진 2:8 비율처럼 전체 사용자의 20%가 전체 매출의 80%를 결제하는 패턴을 흔히 볼 수 있으며, 이 비율이 극단적인 경우도 많다. 이러한 맥락에서 고액 결제자 몇 명의 행동 변화에 따라 ARPU나 ARPPU가 흔들릴 수 있기 때문에 매출에서의 평균값은 굉장히 주의해서 사용해야 한다. 따라서 요약된 수익화 지표 하나만 보고 의사결정을 내리기보다는 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다.

5. 추천 (Referral)

추천은 ‘서비스 내에 입소문을 통한 선순환 구조를 어떻게 구축할 것인가’라는 구조적인 문제에 가깝다. 추천을 위한 기능으로 가장 흔히 볼 수 있는 것은 친구 초대다. 친구 초대에 대한 보상은 일반적으로 유료 마케팅 채널을 활용한 고객 획득 비용의 50~70% 수준에서 결정되는 경우가 많다. 친구 초대는 다른 마케팅 채널보다 저렴한 비용으로 사용자를 데려올 수 있고 초대를 통해 들어온 사용자들은 진성 유저가 될 가능성이 높다는 점에서 굉장히 강력하고 중요한 추천 채널이다.

친구 초대는 세세한 프로세스와 화면 단위의 사용자 경험이 얼마나 잘 설계됐느냐에 따라 그 효과가 크게 달라진다.

• 초대 맥락 친구 초대를 해야 하는 맥락을 잘 설계하지 않고 단순 기능만 제공한다면 사용자들의 참여를 유도하기 어렵다. 친구 초대의 효과를 극대화 하기 위해서는 초대 맥락을 자연스럽게 구성하거나 친구 초대 자체에 게임화 요소를 추가하는 것을 고려할 수 있다.
  
• 매시지/보상 친구 초대에 대한 보상은 쿠폰, 적립금, 기프티콘 등 다양한 형태로 제공될 수 있는데 보상이 꼭 현금성이어야 하는 것은 아니다.(드롭박스의 경우 친구 초대에 대한 보상을 저장 공간으로 제공)
  
• 온보딩 프로세스 친구 초대 메시지를 전송하는 순간까지의 프로세스에 신경 쓰는 서비스는 많지만 막상 초대받은 친구가 메시지를 수신하고 가입하는 온보딩 프로세스에 관심을 두는 곳은 많지 않다. 온보딩 프로세스를 세심하게 설게하면 친구 초대의 효과를 크게 높일 수 있다. 에어비앤비는 초대받은 친구의 온보딩 프로세스 전환율이 매우 높은데 실제로 초대 받은 친구의 온보딩 화면을 주제로 굉장히 많은 실험을 진행했다고 한다.
  

바이럴 계수(Viral Coefficient)

추천에서 가장 핵심이 되는 지표는 바이럴 계수다. 바이럴 계수는 다음과 같이 계산된다.

바이럴 계수를 구성하는 요소는 사용자 수와 초대 비율, 인당 초대한 친구 수와 전환율인데 이를 고려한다면 다음과 같은 조건이 충족되어야 한 다.

• 추천 액션(EX.친구 초대)에 참여하는 사용자 비율 높이기
• 한 사람이 평균적으로 초대하는 친구의 수 늘리기
• 초대 받은 친구가 가입으로 전환되는 비율 높이기

위 세가지 조건에 대한 현재 지표를 확인한 후에 무엇을 먼저 개선할지 정의하고 그곳에 집중하는 것이 바이럴 경로의 효과를 높이는 방법이다. 이론적으로는 바이럴 계수가 1을 넘어가면 추천을 통한 신규 사용자 수가 기하급수적으로 증가한다.

바이럴 계수를 계산할 때 유입 회원이 늘어나는 속도가 고려되지 않는데, 추천 시스템에 대한 효과를 분석할 때는 바이럴 계수와 함께 ‘초대의 주기가 얼마나 빠른지’를 꼭 고려해야 한다. 초대의 주기를 빠르게 만들어서 같은 기간에 더 많은 사이클을 돌릴 수 있다면 추천 효과를 극대화할 수 있을 것이다. 다음으로 목표 시장에서의 포화도 수준을 고려할 필요가 있다. 바이럴 계수는 타깃 시장에 대한 포화도와 상관없이 계산되는 수치지만 실제 현실에서 초대받을 수 있는 사람은 무한하지 않다. 마지막으로 추천 단계를 통해 유입된 사용자의 장기적인 경험 수준은 바이럴 계수에 잘 드러나지 않는다는 점도 유의해야 한다. 추천 엔진이 밑 빠진 독이 되지 않으려면 추천을 통해 유입된 사용자들의 전체 활동 주기에 대한 장기적인 관점이 꼭 필요하다.