LTV에는 사각지대가 있습니다

핵심 요약

LTV는 어쩌면 SaaS에서 가장 중요한 지표일지 모릅니다. 고객이나 코호트가 앞으로 창출할 총매출, 즉 미래를 예측하기 때문입니다. 하지만 실제 결과는 그 예측과 얼마나 일치할까요? 그렇지 않다면, 지금 이 순간에도 수천 개 기업에서 잘못된 전략적 의사결정이 내려지고 있다는 뜻입니다.

LTV는 단순한 공식입니다. ARPA를 이탈률로 나눈 값이죠. 숫자 두 개를 넣으면 고객 관계의 총가치를 추정하는 숫자 하나가 나옵니다. SaaS의 근간이 되는 지표 중 하나로, 획득 예산과 페이백 기대치, 투자 유치 대화, 제품 전략까지 좌우합니다.

하지만 이 예측을 실제 결과와 비교하면, 얼마나 정확할까요?

이 질문에 답하기 위해 ChartMogul 기업 계정 3,331곳에서 나온 고객 코호트 35,512개를 대상으로 LTV를 실제 데이터와 비교해 스트레스 테스트했습니다. 구체적으로는 이렇게 물었습니다. 코호트가 형성된 시점에 LTV를 계산했다면, 그 예측은 12개월, 24개월, 36개월 뒤 실제 결과와 얼마나 가까웠을까?

결론은 직관에 반합니다. LTV 예측 오차는 무작위가 아닙니다. 체계적이기 때문에, 이 지표는 어떤 상황에서는 신뢰할 만하지만 다른 상황에서는 지속적으로 오해를 불러일으킵니다.

핵심 발견

• 예측 오차는 무작위가 아니라 체계적입니다. 이커머스 기업은 고객 가치를 꾸준히 과대평가하는 반면, 엔터프라이즈 비중이 큰 기업은 종종 과소평가합니다. 고객 규모와 리텐션, 확장이 서로 다르게 상호작용하기 때문입니다.
• 많은 코호트가 크게 빗나갑니다. 코호트의 28.3%는 실제 결과와 50% 넘게 차이가 납니다.
• 중앙값 오차가 작아 보이는 이유는 서로 반대 방향의 오차가 상쇄되기 때문일 뿐입니다. LTV는 비슷한 폭으로 너무 높거나 너무 낮게 나오는 경우가 많아, 전체 중앙값만 보면 정확해 보입니다.
• 예측 오차 대부분은 한 가지 가정에서 비롯됩니다. 신규 고객의 매출을 추정할 때 회사 전체 ARPA를 사용한다는 가정입니다.
• 직관과 달리, 저가 고객이 고가 고객보다 더 오래 유지되는 경우가 많습니다. 하지만 살아남은 고객들의 확장 매출이 결국 LTV를 과대평가에서 과소평가로 뒤바꿉니다.
• LTV는 정밀한 예측이 아니라 방향성을 보여주는 지표로 활용하는 것이 가장 좋습니다. 코호트 매출 곡선과 순 MRR 무브먼트가 빠진 맥락을 채워줍니다.

저희는 LTV가 "맞는지"를 묻는 대신, 어디에서 틀리는지를 물었습니다. 오차의 원인은 무엇일까요? 오차는 어떻게 누적될까요? 시간이 지나면서 어떻게 달라질까요? 그리고 이는 LTV를 어떻게 활용해야 하는지에 어떤 의미를 갖는 걸까요?

글: Thomas Anastaselos. 리서치 자문 및 편집 피드백: Jason Cohen.

LTV 공식이 전제하는 것

LTV = ARPA ÷ 이탈률은 변수 두 개로 이뤄진 모델입니다. 단순한 만큼 제약도 따릅니다.

어디서 틀리는지 이해하려면, 먼저 이 공식이 무엇을 전제하는지부터 살펴봐야 합니다.

모든 신규 고객이 회사 평균과 같은 금액을 지불한다는 전제입니다. ARPA는 혼합된(blended) 수치입니다. 크든 작든, 신규든 장기든, 확장 중이든 축소 중이든 현재 계정에 있는 모든 구독자를 대표합니다. 이 수치로 신규 코호트가 창출할 매출을 예측한다는 것은, 방금 가입한 고객이 3년째 함께해 온 고객이나 지출을 여러 차례 늘려온 고객을 포함한 현재 전체 고객 기반과 비슷하다고 가정하는 셈입니다.

이탈률이 일정하게 유지된다는 전제입니다. 지난 6개월 평균 고객 로고 이탈률이, 고객이 누구인지, 어떻게 획득됐는지, 제품과 얼마나 잘 맞는지, 혹은 일부 고객이 이미 이탈했다는 사실과 무관하게 모든 신규 코호트에 동일하게 적용됩니다.

고객당 매출이 변하지 않는다는 전제입니다. 확장이나 축소는 개별적으로 반영되지 않고, 혼합 ARPA를 통해 간접적으로만 반영됩니다. 고객이 가입할 때 지불한 금액을 영원히 그대로 지불한다고 가정하며, 일찍 해지한 고객도 5년째 함께해 온 고객과 평균적으로 같은 금액을 지불한다고 봅니다.

이는 이미 알려진 트레이드오프입니다. 단순한 모델일수록 이해하기 쉽고 조작하기 어렵습니다. 문제는 이 트레이드오프가 실제로 얼마나 중요한가입니다. 데이터를 살펴보겠습니다.

검증 방법

데이터셋에 포함된 각 ChartMogul 계정에 대해, 특정 분기에 가입한 모든 고객을 코호트로 정의했습니다. 기준은 고객이 처음 유료 고객이 된 시점입니다. 2020년 1분기부터 2024년 4분기까지 20개 분기 코호트를 3,331개 계정 전체에 걸쳐 분석했고, 그 결과 (계정, 코호트 분기) 쌍이 총 35,512개 나왔습니다.

각 코호트가 생성된 시점에, LTV 공식이 하는 방식 그대로 해당 계정의 ARPA와 지난 6개월 이탈률을 기록했습니다. 그런 다음 해당 고객들에 대해 LTV 공식이 예측하는 12개월, 24개월, 36개월 매출을 계산했습니다.

다음으로, 같은 고객들이 실제로 창출한 매출을 측정했습니다. 고객별로 매월 MRR을 추적했고, 각 기간별로 실제 MRR을 합산했습니다. 관측 기간이 데이터 마감일(2026년 6월)을 넘어서는 코호트는 검열 편향(censoring bias)을 피하기 위해 제외했습니다.

이를 통해 같은 고객, 같은 기간을 기준으로 예측 매출과 실제 매출을 직접 비교할 수 있었으며, 이때 사용한 정보는 오직 그들이 처음 유료 고객이 된 시점에 알 수 있었던 정보뿐이었습니다.

언뜻 보면 공식은 꽤 정확해 보입니다

일반적인 코호트는 12개월 동안 LTV 예측보다 2.4% 적은 매출을 냅니다. 안심할 만한 수치처럼 들립니다.

하지만 전체 코호트의 28.3%는 어느 방향으로든 50%가 넘는 예측 오차를 보입니다.

이 공식은 기존 고객의 수년에 걸친 확장이 반영된 혼합 ARPA를 사용합니다. 이 고객들은 몇 달, 혹은 몇 년 동안 좌석을 늘리고, 플랜을 업그레이드하고, 지출을 키워 왔습니다. 신규 고객은 아직 그중 무엇도 하지 않았습니다. 그럼에도 공식은 신규 고객이 이미 평균적인 고객처럼 보인다고 가정합니다. 아직 그렇게 될 시간이 없었는데도 말입니다.

입력값 두 개, 틀릴 수 있는 방식 두 가지

이 공식에는 입력값이 두 개이므로, 틀릴 수 있는 지점도 두 곳입니다. 분자의 ARPA, 그리고 분모의 이탈률입니다. 둘 다 틀리지만, 방향도 다르고 정도도 다르며 이유도 다릅니다.

실패 유형 1: 신규 고객은 평균적인 고객이 아닙니다.

이 공식은 회사의 혼합 평균 고객당 매출을 사용합니다. 신규 고객은 거의 항상 이 평균보다 적게 지불합니다. 막 가입했다는 것은 좌석 확장도, 플랜 업그레이드도, 여러 해에 걸친 성장도 없었다는 뜻입니다. 혼합 평균에는 그 모든 것이 포함돼 있습니다. 그래서 공식은 신규 고객이 아직 만들어내지 않은 매출을 이미 만들어낸 것처럼 가정합니다.

중앙값 기준으로 보면, 이 ARPA 불일치가 예측 정확도에 미치는 영향은 -4.9%로 크지 않습니다. 하지만 중앙값은 이 불일치가 코호트마다 얼마나 다르게 나타나는지를 가려버립니다. 각 코호트의 예측 오차를 ARPA 요인과 리텐션 요인으로 분해했을 때, ARPA 불일치가 예측 정확도 변동의 84.9%를 설명했습니다. 다르게 말하면, 전형적인 ARPA 효과 자체는 작지만, ARPA 불일치의 차이야말로 어떤 코호트는 LTV 예측이 더 정확하고 어떤 코호트는 그렇지 않은 주된 이유 중 하나입니다.

실패 유형 2: 코호트는 평균 이탈률로 이탈하지 않습니다.

이 공식은 회사의 지난 6개월 이탈률을 사용해 매달 몇 명의 고객이 남을지 예측합니다. 하지만 특정 코호트는 이와 매우 다른 비율로 이탈할 수 있습니다. 신규 엔터프라이즈 구매자, SMB 전환 고객, 트라이얼에서 유료로 전환한 고객은 같은 분기에 가입했더라도 서로 다른 생존 곡선을 그립니다. 회사 평균은 지금 눈앞에 있는 특정 코호트에 대해 알려주는 바가 거의 없습니다.

중앙값 기준으로는, 이 두 오차(ARPA와 이탈)가 부분적으로 서로 상쇄되곤 합니다. -2.4%가 작아 보이는 이유입니다.

생존의 역설

가장 놀라운 발견 중 하나는 실제로 어떤 고객이 가장 오래 남는가입니다.

SaaS 업계의 통념은 더 많이 지불하는 고객이 더 오래 남는다는 것입니다. 엔터프라이즈 고객은 락인, 다년 계약, 전담 계정 관리를 갖추고 있습니다. 저가 고객은 대안이 더 많고, 전환 비용이 낮으며, 조직적 관성도 약합니다. 예를 들어 WP Engine에서는 실제로 이 패턴이 나타납니다. 더 큰 기업일수록 더 끈끈하게 남습니다.

ChartMogul의 데이터셋은 SMB 쪽으로 치우쳐 있고, B2C 비중도 상당합니다. 이 데이터셋 안에서는 패턴이 뒤집힙니다. 가입 시점 MRR을 기준으로 고객을 네 그룹으로 나누고, 12개월 후에도 활성 상태인 비율을 측정했습니다. 결과는 뜻밖이었습니다. 상대적으로 가격이 높아질수록 12개월 리텐션은 오히려 낮아집니다. 가장 저렴한 사분위는 74%가 남았고, 가장 비싼 사분위는 45%만 남았습니다.

두 번째 검증에서도 같은 이야기가 나왔습니다. 여전히 활성 상태인 고객의 가입 시점 MRR 중앙값은 시간이 지나면서 오르지 않고 오히려 떨어집니다. 코호트 안에서는 더 많이 지불하는 고객이 먼저 떠나는 경향이 있습니다. 이는 이전 연구에서 설명한 "사냥감을 닮아간다(become what you hunt)" 패턴과 일부 맞닿아 있을 수 있습니다. 많은 SaaS 기업이 상위 시장으로 밀고 올라가기 전에 SMB 고객을 성공적으로 확보하지만, 정작 상위 시장에서는 더 큰 고객을 유지하기가 더 어려워집니다.

ARPA를 부풀리는 것은 생존이 아니라 확장입니다

언뜻 보면 이는 ARPA 이야기와 모순되는 것처럼 보입니다. 저가 고객이 더 오래 남는다면, 코호트 ARPA는 시간이 지나며 오르기보다 떨어져야 하지 않을까요? 한 가지 가능한 설명은, SMB 비중이 큰 시장에서는 저가 구독자가 떠날 이유가 별로 없다는 것입니다. 소프트웨어가 이미 업무 흐름에 녹아들어 있고, 비용은 의도적으로 해지를 결정할 만한 임계값보다 낮습니다.

더 많이 지불하는 기업은 ROI에 더 신중합니다. 가치가 분명하지 않으면 갈아탑니다. 대형 B2B 고객을 끈끈하게 만드는 엔터프라이즈 락인 효과는 월 500달러를 지불하는 SMB 구매자나 월 29달러를 지불하는 소비자에게는 적용되지 않습니다.

이것이 ARPA에 의미하는 바. 저가 고객이 더 오래 남는다면, 코호트가 성숙해질수록 평균 MRR은 떨어져야 합니다. 이는 ARPA 인플레이션과 반대되는 현상이며, 실제로 고객 단위에서는 이런 일이 일어나는 것으로 보입니다.

그렇다면 회사 단위의 ARPA 인플레이션은 어디서 오는 걸까요? 바로 확장입니다. 남아 있는 고객이 업그레이드하기 때문입니다. 이를 직접 측정해 보니, 2020~2021년에 가입해 살아남은 고객의 현재 MRR 중 45.6%는 원래 구독이 아니라 가입 이후 확장에서 나온 것이었습니다. 살아남은 고객이 확장하기 때문에 혼합 ARPA가 부풀려지는 것입니다.

이것이 LTV에 어떤 의미가 있을까요? 신규 코호트의 매출을 예측하는 데 쓰이는 ARPA는 기존 고객이 이미 경험한 확장으로 부풀려져 있지만, 신규 고객은 아직 그런 확장을 이룰 시간이 없었습니다.

지금까지는 LTV가 초기에 왜 신규 고객 가치를 과대평가하는지를 설명했습니다. 하지만 이런 오차의 원인은 고정돼 있지 않습니다. 코호트가 성숙해지면서 고객은 확장을 시작합니다. 이에 따라 초기 ARPA 불일치의 비중은 점점 줄고 확장의 비중은 점점 커집니다. 같은 코호트를 더 긴 기간에 걸쳐 비교해 보면 이 변화를 확인할 수 있습니다.

시간이 지나면서 예측은 어떻게 달라질까요

초기에는 혼합 ARPA가 LTV를 지나치게 낙관적으로 만듭니다. 시간이 지나면서 고객 확장이 이 초기 편향을 뛰어넘습니다. 24개월 시점 중앙값 예측 오차는 +6.9%, 36개월 시점에는 +14.4%입니다. 24개월이 되면 LTV는 매출을 과대평가하는 대신 과소평가하게 됩니다.

이유는 확장입니다. 12개월 시점에는 ARPA 불일치와 확장이 대체로 서로 상쇄됩니다. 24개월이 되면 충분히 많은 고객이 좌석과 플랜을 업그레이드해 확장이 우위를 점합니다. 36개월이 되면 누적된 확장이 수치를 한층 더 밀어 올립니다.

36개월이 되면 결과의 편차도 거의 두 배로 늘어나, LTV의 신뢰도는 훨씬 떨어집니다.

모든 비즈니스가 이렇게 움직이지는 않습니다

전반적인 패턴, 즉 저가 고객이 더 오래 남는다는 것은 실제로 나타나지만 보편적이지는 않습니다. 모든 기업이 이렇게 움직이는 것은 아니므로, 이 패턴이 어디서 나타나고 어디서 나타나지 않는지 살펴보겠습니다.

각 기업에 대해 고객 가입 시점 MRR과 12개월 생존 사이의 상관관계를 측정했습니다. 양(+)의 상관관계는 더 큰 고객이 더 오래 남는다는 뜻이고, 음(-)의 상관관계는 더 큰 고객이 더 빨리 이탈한다는 뜻입니다.

결과는 다음과 같습니다.

예상되는 엔터프라이즈 패턴, 즉 클수록 더 오래 남는다는 패턴은 기업의 14%에서만 성립합니다. 37%는 그 반대입니다.

B2C 기업은 음의 상관관계 그룹의 37.8%를 차지하지만, 양의 상관관계 그룹에서는 6.6%에 불과합니다. 많은 소비자 비즈니스에 대한 직관과 맞아떨어지는 결과입니다. 제품이 일상에 녹아들어 있고, 비용이 해지를 정당화할 만큼 크지 않기 때문입니다. 반면 더 많이 지불하는 구독자는 더 신중하고, 가치가 분명하지 않을 때 이탈할 가능성이 더 높습니다. 소형 B2B 기업도 같은 패턴을 보입니다. 음의 상관관계 그룹의 77%는 ARR 50만 달러 미만입니다.

양의 상관관계 그룹(더 큰 고객이 더 오래 남는 그룹)은 93%가 B2B이며, 대형 기업이 주를 이룹니다. 이는 전형적인 엔터프라이즈 패턴입니다. MRR이 높을수록 통합도가 깊어지고, 전환 비용이 커지며, 조직적 의존도도 깊어집니다.

이런 고객 행동의 차이는 LTV 정확도의 차이로 곧바로 이어집니다.

LTV는 더 큰 고객이 더 빨리 이탈할 때 가장 정확하고, 더 오래 남을 때 가장 부정확합니다.

이 모델은 두 가지 오류가 서로 상쇄될 때 가장 정확합니다. 신규 고객의 가치를 과대평가하지만, 더 많이 지불하는 이 고객들이 더 빨리 이탈하면서 실제 매출이 예측에 가까워지기 때문입니다. 반대로 오류가 겹쳐 쌓일 때 가장 부정확해집니다. 더 많이 지불하는 고객이 처음부터 더 가치 있고 더 오래도 남으면, 공식은 이들을 두 번 과소평가하게 됩니다. 가입할 때 한 번, 그리고 시간이 지나며 확장할 때 또 한 번입니다.

어디서 가장 크게 틀릴까요

중앙값 오차는 고르게 분포하지 않습니다. 가장 큰 차이는 업종, 기업 규모, 비즈니스 모델에 따라 나타납니다.

업종별:

이커머스는 과대예측 폭이 가장 큽니다. 신규 고객이 평균보다 훨씬 적게 지불하고 확장도 거의 보이지 않아, 초기 ARPA 불일치를 상쇄할 요인이 별로 없습니다.

표의 반대쪽 끝에서는 정반대의 이야기가 펼쳐집니다. 비즈니스 인텔리전스는 확장 효과가 가장 커서(1.18배), 분석 도구가 시간이 지날수록 업무에 더 깊이 자리잡고 사용량이 늘어나면서 고객이 업그레이드하는 모습을 보입니다. 가입 이후 확장이 강한 업종은 ARPA 불일치가 비슷하더라도 꾸준히 더 작은 LTV 오차를 보입니다.

이런 차이는 업종보다는 비즈니스 모델을 반영하는 것으로 보입니다. LTV는 신규 고객이 기존 고객 기반과 비슷하게 시작해 가입 이후 확장할 때 가장 정확합니다. 신규 고객이 평균보다 한참 낮은 수준에서 시작해 그 격차를 끝내 좁히지 못할 때 가장 부정확합니다.

기업 규모별:

가장 큰 기업(ARR 3,000만 달러 이상)은 과대예측 폭이 가장 크지만, 크게 빗나가는 경우는 가장 적습니다. 오차는 중앙값 -19%로 크지만 일관적입니다. 이런 기업은 오래 운영되어 기존 고객이 큰 폭으로 확장할 시간이 있었고, 그 결과 혼합 ARPA가 신규 코호트가 실제로 지불하는 금액보다 훨씬 높게 부풀려져 있습니다. 하지만 이 신규 고객들도 가입 이후 상당히 확장하는 경향이 있어, 시간이 지나며 격차를 어느 정도 좁힙니다.

소규모 기업(ARR 50만 달러 미만)은 이제 살짝 과소예측(중앙값 오차 +0.5%) 쪽으로 나타납니다. 공식이 가장 작은 기업의 매출을 살짝 과소평가하는 것인데, 아마도 이들의 확장 궤적이 평균이 암시하는 수준을 앞지르기 때문일 수 있습니다. 하지만 이들은 신뢰할 수 없는 코호트 비중도 가장 높습니다(29.5%). 오차가 체계적이라기보다는 잡음에 가깝습니다. 평균적으로는 공식이 대체로 맞지만, 개별 코호트 예측은 편차가 큽니다.

비즈니스 모델별:

B2B와 B2C는 근본적으로 다른 정확도 프로파일을 보입니다.

B2B 비즈니스에서 가장 큰 문제는 ARPA 불일치입니다. 기존 고객이 확장을 거듭해, 평균이 신규 고객이 지불하는 금액보다 높아졌습니다.

B2C 기업은 전체적으로 거의 중립적이며(중앙값 오차 +0.4%), 크게 빗나간 코호트 비율도 가장 낮습니다(20.2%). B2C 가격 체계는 더 단순하고 균일해서, 공식의 핵심 가정이 더 잘 들어맞습니다. 소비자 시장에서는 공식의 사각지대가 더 작습니다.

경고 라벨만 붙인다고 해결되지 않습니다

코호트가 생성되는 시점에 확인할 수 있는 가장 강력한 신호인 ARPA 비율을 사용해 이를 검증했습니다. 이 지표는 신규 코호트의 고객당 매출이 공식에서 사용하는 회사 전체 평균과 얼마나 다른지를 측정합니다. 즉시 관측할 수 있으므로, 리텐션 데이터가 쌓이기 전에도 사용할 수 있습니다.

논리는 단순합니다. 신규 고객이 평균보다 훨씬 많거나 적게 지불하고 있다면, 공식의 ARPA 가정은 이미 틀린 것입니다. 그것만으로도 결과로 나오는 LTV 추정치는 신뢰할 수 없게 될 수 있습니다.

이런 코호트를 플래그하기 위한 여러 임계값을 시험하며, 정밀도와 재현율 사이의 트레이드오프를 측정했습니다. 즉 이 플래그가 잘못된 추정치를 얼마나 정확히 찾아내는지, 그리고 잘못된 추정치를 얼마나 많이 잡아내는지입니다.

정밀도와 재현율의 최적 균형점에서 크게 틀린 예측의 57%를 잡아내려면, 전체 기업의 37%를 플래그해야 합니다. 가장 극단적인 사례만 잡도록 임계값을 높이면(임계값 1.00), 정밀도는 81%까지 올라가지만 잘못된 예측의 10%밖에 잡아내지 못합니다.

이는 근본적인 현실을 반영합니다. 신규 고객이 평균과 완전히 같은 경우는 거의 없으므로, ARPA 가정은 사실상 거의 모든 기업에서 어느 정도는 틀립니다. 경고 라벨을 도입하면 결국 상당수 기업이 플래그되어, 실행 가능하지도 않고 특별히 신뢰할 만하지도 않은 결과가 될 것입니다.

LTV를 어떻게 활용해야 할지에 대한 의미

이 데이터가 보여주는 결과에 대응하는 방법은 세 가지입니다. 현재 수치를 읽는 방식을 조정하거나, 공식 자체를 고치거나, 보완 지표에 의존하는 것입니다.

현재 수치를 읽는 방식을 조정하세요.

LTV를 정밀한 수치가 아니라 방향성 지표로 다루세요. 중앙값 오차는 작지만, 그 주변의 분포는 넓습니다. 특정 코호트라면 실제 결과가 예측보다 25~30% 위 또는 아래로 얼마든지 벗어날 수 있습니다. LTV:CAC 목표에 이미 안전 마진을 포함시켜 두었다면, 그 마진 중 일부는 이미 LTV의 정상적인 불확실성에 흡수되고 있을 수 있다는 점을 기억하세요.

데이터가 보여주는 내용을 바탕으로 한 몇 가지 세그먼트별 조정안입니다.

• 이커머스: 여기서는 ARPA 가정이 체계적으로 지나치게 낙관적입니다(중앙값 오차 -10.9%). 획득 관련 의사결정에 사용하기 전에 LTV를 10~15% 할인해서 고려하세요.
• 대형 기업(ARR 3,000만 달러 이상): 오차는 예측 가능하고 한 방향으로만 나타납니다. LTV는 대략 20% 정도 과대평가하는 경향이 있으며, 이는 혼합 ARPA에 기존 고객의 수년간에 걸친 확장이 반영되어 있기 때문입니다.
• 엔터프라이즈 비중이 큰 분기: 신규 고객이 기존 고객 기반보다 훨씬 크다면, 반대 문제를 예상해야 합니다. LTV는 그들의 가치를 과소평가할 가능성이 큽니다.

한 가지 유의할 점이 있습니다. 이는 각 세그먼트의 전형적인 기업을 설명할 뿐, 모든 기업에 해당하지는 않습니다. 어떤 조정이든 적용하기 전에, 자사의 과거 LTV 예측이 실제 결과와 얼마나 가까웠는지 먼저 확인하세요.

공식 자체를 고치세요.

가장 효과가 큰 구조적 해법은 회사 단위의 혼합 ARPA를, 신규 코호트가 실제로 가입 시점에 지불한 매출로 대체하는 것입니다. ARPA 불일치가 오차 분산의 가장 큰 비중을 차지하므로, 이것만으로도 정확도가 눈에 띄게 개선될 것이며, 필요한 데이터(가입 시점 MRR)는 이미 존재합니다.

확장은 이런 방식으로 고치기가 더 어렵습니다. 가입 시점에는 알 수 없는 값인 데다, 남은 오차의 상당 부분을 차지하기 때문에, 공식을 수정하더라도 두 번째로 큰 오차 원인은 여전히 놓치게 됩니다. 실무적인 비용도 있습니다. 코호트의 실현 ARPA는 코호트가 마감될 때까지 확정되지 않으므로, 계산이 지연되고 복잡성이 커집니다.

보완 지표를 활용하세요.

단기 유닛 이코노믹스를 보려면 페이백 기간이 더 신뢰할 수 있는 대안일 수 있습니다. 무한한 시계열이 아니라 범위가 정해져 있고(보통 12~24개월), 실제로 움직이는 변수(마진, 초기 이탈, CAC)에 민감합니다. 다만 비용이 큰 획득 캠페인 한 번으로 일시적으로 왜곡될 수 있습니다.

더 긴 시계열을 보려면, 코호트 매출 곡선이 과거 코호트가 실제로 창출한 매출을 보여줍니다. 이는 예측이 아니라 실제 기록입니다. 24~36개월 구간에서 곡선이 상승한다면 건강한 리텐션과 확장을 뜻하고, 초반에 평평해지거나 하락한다면 눈에 보이고 시점을 특정할 수 있는 문제입니다.

순 MRR 무브먼트는 이 두 지표를 보완합니다. 확장, 축소, 이탈, 재활성화를 각각 분리해 보여줌으로써 그 곡선이 왜 그런 모양인지 설명해 주기 때문입니다. 반면 LTV는 이 모든 것을 하나의 숫자로 압축해 버립니다.

어느 하나만으로는 완전하지 않습니다. 이들을 함께 활용하면 LTV 하나만 볼 때보다 고객 가치를 훨씬 더 정확하게 파악할 수 있습니다.

마지막 질문

LTV는 불안정한 가정 두 가지를 하나의 숫자로 압축하기 때문에 한계가 있습니다. 그 숫자 자체를 믿는 것보다, 그 가정들을 이해하는 것이 더 중요합니다.

이 공식은 여전히 유용할 것입니다. 이사회에서 설명하기에 충분히 단순하고, 시간에 따라 추적하기 쉬우며, 비즈니스를 하나의 숫자로 요약하는 데도 뛰어납니다. 방향성 지표로서 다른 지표들과 함께 활용한다면, LTV는 여전히 가치 있는 도구입니다.

방법론과 데이터

방법론 노트

• 데이터셋: 3,331개 기업 계정에서 나온 ChartMogul 플랫폼 데이터로, 2020년 1분기부터 2024년 4분기까지를 다루며 (계정, 코호트 분기) 쌍 35,512개를 만들어냅니다. 코호트는 첫 신규 매출(new-business) 무브먼트가 같은 분기 내에 발생한 모든 고객으로 정의됩니다.
• 예측: 각 코호트가 형성될 때, 계정의 혼합 ARPA와 지난 6개월 로고 이탈률을 기준으로 ChartMogul의 공식을 사용해 LTV를 계산했습니다. 그런 다음 이후 12개월, 24개월, 36개월에 대한 LTV 기반 매출 예측치를 산출했습니다.
• 실제값: 고객별로 매월 MRR을 추적하고, 각 기간별로 실제 MRR을 합산했습니다. 관측 기간이 데이터 마감일(2026년 6월)을 넘어서는 코호트는 검열 편향을 피하기 위해 제외했습니다.
• 오차 지표: 예측 오차는 (실제값 - 예측값) / 예측값 × 100입니다. 음수는 공식이 과대예측했다는 뜻이고, 양수는 과소예측했다는 뜻입니다. 신뢰할 수 없는 코호트는 절대 오차가 50%를 초과하는 코호트입니다.
• 분산 분해: 각 코호트의 예측 오차를 ARPA 불일치와 리텐션 불일치, 두 요인으로 나눴습니다. 그런 다음 각 요인이 코호트 간 예측 정확도 변동을 얼마나 설명하는지 측정했습니다. 두 요인과 그 상호작용을 합치면 설명된 오차의 100%를 차지합니다.
• ARPA-리텐션 상관관계: 각 계정에 대해 고객 가입 시점 MRR과 12개월 생존 사이의 관계를 측정했습니다. 더 큰 고객이 더 오래 남는 경향을 보인 계정은 양(+)으로, 더 빨리 이탈하는 경향을 보인 계정은 음(-)으로, 나머지는 중립으로 분류했습니다. 표본이 작을 때 생기는 잡음을 줄이기 위해 최소 상관관계 임계값을 적용했습니다.

데이터에 관한 참고 사항

이 글은 2026년 6월 기준 ChartMogul의 실시간 플랫폼 데이터를 바탕으로 진행한 분석을 반영합니다. 이 작업의 이전 버전에서는 중앙값 오차와 분산이 다소 다르게 나타났지만, 근본적인 요지와 이에 영향을 미치는 요인은 동일하게 유지됩니다. 이런 변화는 기반 데이터셋이 계속 변화하고, 데이터셋에 기업 계정이 추가되거나 제거되기 때문입니다.