Grow: 마진기반 마케팅 2.0

Published in

MZC BizSol Blogs

11 min readJul 9, 2021

이 글은 BCG Digital Ventures에서 작성한 ‘GROW: Margin-Based Marketing 2.0’를 번역한 글입니다.

세계적인 코로나19와 이로 인한 잇단 휴업으로 기업들은 고객을 찾고 대하는 방법을 다시 생각하게 되었다. 보스턴컨설팅그룹(BCG)의 최근 조사에 따르면 임원의 75%가 팬데믹으로 디지털 전환의 필요성이 높아졌다고 한다. 미래에 적응하고 번영하기 위해서 대부분의 기업들은 그들이 보유한 마케팅 기술 스택을 재평가하고, 이러한 새로운 현실에서 승리하기 위해 올바른 도구와 방법이 있는지 확인할 필요가 있을 것이다.

<일반적인 마케팅 전략에서 무엇이 문제인가?>

오늘날, 많은 마케팅 팀들은 고객이 제품을 구매하는 기준으로 세분화한다. 여기에서 마케팅 팀들은 과거에 값비싼 제품을 구매했거나 아니면 비싼 물건을 구매할지도 모르는 선행지표를 갖는 고객을 획득하는데 더 주의를 기울일 것이다. 이 접근 방식에는 명백한 단점이 있다.

비싼 물건을 사는 일부 고객들은 종국적으로 사라지고, 미래 수익을 거의 가져다주지 못한다. 다른 고객들은 처음에는 중간급 물건을 사지만, 더 오래 남아있고, 시간이 지남에 따라 더 많은 수익을 일으킨다. 더 중요한 것은 일부 고객들은 처음에 가장 싼 제품을 구매하고, 푹 빠져서 결국에는 장기적으로 가장 수익성 있는 고객이 된다는 것이다.

문제는 마케터가 각각의 고객들이 얼마나 가치가 있는지를 모른다는 것이다. 즉, 마케터들은 대리지표 (proxy)를 사용한다. 그러나, 앞으로 15년 후 까지 모든 고객의 평생가치를 추정 할 수 있다고 상상 해 보자. 이러한 정보는 당신의 마케팅 전략에 어떻게 영향을 끼칠 수 있을까?

<마진기반 마케팅(MBM)과 고객평생가치 (CLV) 개념의 도입>

디지털 전환은 많은 이점이 있지만, 또한 모든 것이 단 몇 번의 클릭만으로 경쟁이 심화되고 시장이 평평해진다. 디지털 플랫폼에서 제품이나 서비스를 성공적으로 마케팅하기 위해서 소위 마진기반 마케팅(MBM), 즉 마케팅 자본을 최적 배분하여 이익을 최대화하거나 목표 이익 마진을 달성하는 프랙티스에 집중하는 것이 중요하다.

올바른 도구를 사용하면 고객획득비용(CAC)과 고객평생가치(CLV)를 추적하여 마케팅 프로그램에 투자된 달러당 최대 마진을 창출 하는데 집중할 수 있다. 이 데이터는 성과와 관련된 귀중한 피드백을 제공 할 뿐만 아니라 신규고객의 획득 비용을 줄이고 고가치 고객의 비율을 늘리고, 평생가치를 높이는데 도움이 될 수 있다.

<마케팅 투입과 순이익의 연결>

MBM 실행의 첫 단계는 마케팅 투입과 순이익을 연결하는 것이다. 이를 위해서는 두 가지 방법이 있다.

어트리뷰션 모델링 (Attribution modeling)

디지털 마케팅에서 어트리뷰션 모델은 바람직한 결과(가입 또는 구매) 에 대해 어떤 식으로 기여하는 일련의 사용자 행동을 확인하고, 이러한 이벤트들에 어떤 값을 부여하는데 이용된다.

마케팅믹스 모델링(MMM)

정확한 원인 귀인은 TV나 집밖 미디어 같은 오프라인 미디어에서 확인하기 어렵다. 그러한 경우 특정 마케팅 투입의 효과는 계량경제분석 기법이나 (이상적으로) 홀드아웃 실험을 통해 추정한다.

원인이 귀인되면, 마케팅 예산 배분에서 해당 투자로 창출된 가치를 훨씬 명확하게 파악할 수 있다.

<자료수집, 처리 및 분석>

고객평생가치를 계산하는 방법에는 몇 가지가 있다. CLV 계산 방법을 들어가지 전에 먼저 과거 CLV (Historical)와 예측 CLV (Predictive)의 차이를 구분해보자.

과거 CLV는 첫 거래 구매 이후 고객이 창출하는 실제 가치이다. 이는 중요한 척도이지만 몇 가지 이유로 완전한 설명을 하지 못한다. 첫째, 과거 CLV는 오랜 실적 자료가 있어야만 계산할 수 있다. 몇 가지 과거 데이터가 있더라도 완전한 일생(예를 들어 그 고객들이 다시 구매할 가능성)을 보여주는데 충분하지 않다. 마지막으로 과거 데이터는 몇 달 또는 몇 년 전에 획득한 고객이 어떻게 행하는지는 말해줄 것이지만, 오늘 획득한 고객이 어떻게 행하는지는 반드시 말해주지 않을 것이다. 따라서 CLV를 말할 때는 예측 CLV, 즉 특정 경로를 통해 오늘 획득한 고객의 미래 평생가치의 예측을 언급한다.

고객에 대해 계산하고 부여하는 가치는 또한 순수익이다. 즉, 수익을 넘어서 제품판매비용(COGS)이나 서비스 비용(예: 판매/지원) 등의 변동비를 제거하는 것이 중요하다. 평균 고객생애(Customer Lifetime)가 특별히 길다면 (예를 들어 몇 년), 화폐의 시간가치를 고려하기 위해 미래에 대해 할인하는 것이 좋다.

CLV 방정식의 생애 비중은 계산하기 어려울 수 있다. 생애를 분석하기 위해 사용자를 획득 집단 기준으로 추적해야 한다. 이는 자료를 거래 일자가 아니라 고객의 첫 구매 일자로 데이터를 분류하는 것이다. 이 방식으로 유지 커브를 관찰하고 그로부터 신규 획득 고객에 대한 평균 기대 생애를 도출할 수 있다.

CAC, CLV, 및 총고객마진(Gross Customer Margin)을 추적하는 것에 더해 이러한 각 측정 항목들은 기초적인 입력값들로 더 세분화될 수 있다. CAC 측면의 입력값으로는 노출 당 비용(CPM), 클릭 후 비율(Click-through rates) 및 구매 전환 비율 등을 들 수 있다. CLV 측면의 입력값으로는 평균 생애 기간, 리텐션 커브, 평균 주문 규모, 기간별 거래 수, 거래별 마진 등을 들 수 있다.

<예측 분석과 자동화를 활용한 대규모 실행>

위에서 언급한 지표들을 전체 고객이나 고차원 그룹화(예를 들어 유료 채널을 통한 획득 대 유기적이고 직접적인 트래픽으로 도달)에 각각에 대해 간단하고 통합적인 방식으로 계산할 수 있지만, 이러한 단순한 방법은 행동으로 옮기기 어렵다. 이상적인 설정은 본래 상향식이며, 이를 통해 실행 가능한 인사이트를 줄 수 있는 무수히 많은 방법으로 세분화될 수 있는 개별 고객 수준의 예측이 가능하다.

예를 들어, 마케팅 지출 배분 결정에 영향을 미치기 위해 CAC와 CLV를 획득 채널 별로 세분화하여 보는 것이 일반적이다. 또 다른 옵션은 고객들을 구매 패턴과 행동에 따라 세분화하는 것인데, 이는 고객 리텐션과 생애주기 마케팅 활동을 할 때 더 유용하다.

이러한 전략을 대규모를 실행하려면 사용자 단위의 데이터와 고급 예측분석법과 자동화 기법을 필요로 한다. 다행히 지난 십여 년간 가장 작은 회사도 MBM을 쉽게 실행할 수 있도록 하는 수많은 도구들이 등장 했다.

<예측 분석법의 장점 활용>

디지털 마케팅의 효율성과 효과성을 높일 필요는 명확하다. 기업들은 경쟁에 뒤쳐지지 않기 위해 향상된 표적화와 라이프사이클 마케팅을 통해 CLV를 더욱 높여 가야 한다. 기업들은 점점 개별 고객평생가치를 산출 하는데 유용한 더욱 정교한 모델링 기법으로 돌아서고 있다.

“Buy ’Til You Die”는 매우 인기있는 모델이지만, 최고의 CLV 모델들은 가능한 빨리 가장 정확한 고객평생가치를 예측하는데 특화되어 있다. 예를 들어, Retina(레티나) AI는 고객평생가치를 첫 구매시점 또는 그 이전에 계산하는데 특화되어 있다. 따라서 그들의 고객들은 고객 획득 및 리텐션 마케팅에 대한 접근방식을 혁신하였다. CLV로 무장하면,

특히 고가치 고객을 끌어 낼 수 있는 유사 오디언스을 만든다
가치기반 경매 방법으로 각 잠재고객 또는 고객의 장기적 가치에 따라 CAC를 할당한다
최고가치 고객이 어떤 종류의 컨텐츠에 공감하는지 파악하고 메시지를 수정한다
리타게팅 캠페인을 개편하여 최고가치 잠재 고객만을 전환한다
CLV와 구매 행동에 기반 하여 할인 또는 프로모션대상 고객과 제외 고객을 결정한다.

<무엇을 찾아야 하는가?>

mParticle과 Segment 같은 고객데이터 플랫폼(CDPs)과 통합하는 기업들을 보라. CDPs는 레티나의 초기 CLV와 페르소나 모델을 강화하는 고객데이터를 수집, 표준화 및 통제한다. 이러한 통합으로 유사 오디언스에 대한 미디어 지출을 최적화하고, 가장 적절한 키워드를 선택하고, 맞춤형 사용자 경험을 생성하고, 높은 CLV 고객이 가장 공감하는 오퍼링과 제품 번들을 확인 할 수 있다.

나아가, 첫 거래에서 장기적으로 예측할 수 있는 공급자를 고려하라. 따라서 마케팅 전략에 사용하는 CLV는 거시 및 미시적 트렌드, 예상치 못한 사건, 그 리고 계절성(예를 들어, COVID-19, 휴일 등)에 탄력적이다. 다음으로 모델은 해석 가능해야 한다. 고객평생가치를 이끌어내는 행동과 이를 캠페인에 통합할 수 있는 방법을 정확히 이해해야 한다.

또한 전체가 아닌 개별 수준의 CLV가 필요하다. 전체 CLV는 각 갬페인의 이점을 최대화하기 위해 재관여 또는 획득 노력으로 표적화하는 대상을 조정할 수 없다. 좋은 CLV 모델은 당신의 비즈니스에 특화된 모든 고객들의 공통 부분을 평가하고, 해당 정보를 고객 별 행동과 결합하여 향후 구매 가능성과 지출 규모를 예측한다.

마지막으로, 개별 오차 20% 미만과 전체 오차 5% 미만의 모델이 필요하다. 이러한 조건이면 모든 시간 범위에서 예측된 CLV에는 신뢰성이 있을 것이다.

<CLV로 어떤 조치를 취하는가?>

획득

CLV를 계산했으면, 이를 이용하여 목표 고객획득비용을 결정 할 수 있다. 단지 높은 초기 수익을 가져다 주는 고객 대신 높은 CLV 고객에 대한 표적화 및 획득 노력에 집중해야 한다. 일부 첫 구매가 작더라도 장기적으로 더 많은 가치를 가져다줄 것이다.

더 구제척으로, 획득비용이 첫 구매 마진 뿐만 아니라 생애 마진을 초과한다면 고객획득은 수익성이 없다. 대부분의 비즈니스에서 CLV 대 CAC 비율을 각 마케팅 세분집단에 대해 약 3:1로 유지하는 것이 합리적이다. 너무 많이 지출하면(예: 1:1), 이러한 고객을 획득하는 것은 수익성이 없다. 그러나 지출이 너무 적으면(예: 7:1), 획득비용이 현재 비딩 한도를 넘어서는 수익성 있는 고객을 놓치게 된다.

리텐션

고객여정 과정에서 많은 고객들은 당신으로 부터 다시 구매 할 것인지 확신 할 수 없다고 느낀다. 미결정의 중요한 순간에 성공적인 고객 지원 활동은 고객의 여정을 이탈 가능 상황에서 장기적 유지 가능 상황으로 전환 할 수 있다. 그러나 그 정확한 순간을 종종 추측에 의존한다.

고객 차원의 이탈 예측을 통해 이탈 위험이 막 시작된 고객을 식별할 수 있다. 이러한 고객에게 아주 적시에 연락하면 비인적 대량 이메일을 보내는 것보다 유지율을 훨씬 더 효과적으로 높일 수 있다.

각 고객의 CLV 를 계산한 후 다음과 같은 더 나은 마케팅 전략을 전개할 수 있다.

가치기반 유사 오디언스
고가치/저가치 오디언스
가치기반 가격 책정

CLV 데이터를 광고 플랫폼에 연결하는 것은 수동으로 또는 변환 API를 통해 할 수 있다. 이 API는 광고주가 외부 데이터를 가져와 플랫폼에서 별도 오디언스를 만들게 해 주는 실용적인 방법이다. 예를 들어, Facebook Events Manager의 Data Source 탭에서 파트너를 Setting에서 선택할 수 있다. Facebook은 현재 다양한 고객데이터 플랫폼, 시스템통합 업체, 어트리뷰션 플랫폼 등과 협력하고 있다.

<사례 기업은?>

선도적 헤어케어 및 색조 브랜드인 Madison Reed(메디슨 리드)는 특정 고객 속성이 더 높은 고객평생가치를 만든다는 것을 이해했지만, 그러한 특성을 식별하기 어려웠다. 그들은 CLV 및 Product-Market Fit에 긍정적인 영향을 미치는 적절한 데이터 포인트와 제품을 찾아야 했다.

마찬가지로 비용 측면이나 타이밍 상 더 많은 데이터 과학자를 고용할 수 없다는 것을 알고 있었다. 처음부터 최첨단 모델을 구축하고, 데이터 파이프라인을 운영하고, 메디슨 리드 비즈니스에 CLV를 적용할 새로운 방법을 결정하는데 최소한 두 명의 데이터 과학자가 필요했을 것이다. 또한 HR(인사부서)이 헤드헌팅하고 새 데이터 과학자를 올리는데 상당한 시간이 걸린다. 레티나를 활용하여 메디슨 리드는 10분의 1 비용으로 이러한 전문가를 얻을 수 있었다.

메디슨 리드는 레티나를 활용하여 고객평생가치를 기반으로 한 페르소나로 고객들을 그룹화했다. CLV 기반 세분화로 Madison Reed는 자사 제품 일부가 고가치 고객과 맞지 않는다는 것을 발견했다. Product-Market Fit 이 더 높은 제품을 위해 해당 제품 가치를 낮춤으로써 회사는 평균 CLV에서 23% 증가를 이루었다.

또한 Madison Reed는 수익성 없는 고객을 식별하기 시작했고, Facebook에서 기치 기반 유사 오디언스를 사용하도록 마케팅전략을 재구성했다. 그 결과 메디슨 리드는 높은 LTV 전환에서 2.2배 상승, ROAS에서 34% 증가를 이루었고, LTV 대 CAC 비율은 150% 증가했다.

<결론>

2020년, 전례 없던 상황에 놓여진 많은 기업들은 디지털 전환 전략을 가속화 했고, 마진기반 마케팅에 집중했다. 고객평생가치를 높이는 것과 고객획득비용을 줄임으로서 기업들은 2021년 혹은 그 후 년까지도 성공을 위한 더 나은 위치에 있을 수 있다.

고객평생가치를 시작하려면 개별 및 통합 수준에서 정확한 모델과 고객 여정 초기에 예측 CLV 측정 항목을 제시 할 수 있는 모델을 선택하는 것이 중요하다. 이를 기반으로, 마케터는 유사 오디언스 및 가치 기반 입찰과 같은 전략을 통해 CLV를 대규모로 구현하여 획득, 리텐션 리타게팅 효율 등을 개선할 수 있다.