한 구독서비스에 세 명의 고객이 있다고 하자.
첫 번째 고객은 최근 한 달 동안 서비스 이용횟수가 급격히 줄었고, 두 번의 고객문의에도 충분한 답변을 받지 못했다. 결국 직접 해지를 신청했다.
두 번째 고객은 별다른 불만을 남기지 않았다. 다만 결제일이 지난 뒤에도 앱에 접속하지 않았고, 다음 달부터 경쟁서비스를 이용하기 시작했다.
세 번째 고객은 서비스를 계속 이용할 생각이었지만 등록된 신용카드가 만료되면서 자동결제가 실패했다. 기업이 적절한 안내를 하지 않아 계정이 종료되었다.
세 고객은 모두 기업의 고객명단에서 사라질 수 있다.
그러나 이탈한 이유는 서로 다르다.
- 첫 번째 고객은 서비스 경험에 불만을 느껴 자발적으로 떠났다.
- 두 번째 고객은 별도의 의견을 남기지 않고 관계를 종료했다.
- 세 번째 고객은 결제과정의 문제로 비자발적으로 이탈했다.
고객이탈은 단순히 “고객이 떠났다”는 하나의 결과가 아니다. 고객의 욕구 변화, 가격, 경쟁환경, 서비스 실패, 기술적 문제와 기업의 운영과정이 복합적으로 작용한 결과다.
따라서 다음과 같은 문장은 지나치게 단정적이다.
고객은 이탈하기 전에 반드시 신호를 남긴다.
일부 고객은 이용빈도 감소, 불만접수와 결제오류 같은 신호를 남긴다. 그러나 이사를 하거나 제품이 더 이상 필요하지 않게 된 고객, 경쟁사의 제안을 갑자기 선택한 고객처럼 기업이 사전에 관찰하기 어려운 이유로 떠나는 고객도 있다.
고객이탈 신호는 확정적인 예고가 아니라 이탈 가능성을 높이거나 낮추는 확률적 정보에 가깝다.
핵심은 다음과 같다.
고객이탈 관리는 떠날 가능성이 높은 고객을 찾는 일에서 끝나지 않는다. 누가 왜 떠나는지 정의하고, 기업이 실제로 변화시킬 수 있는 이탈을 구분하며, 개입의 효과와 비용을 검증하는 과정이어야 한다.
고객이탈은 무엇인가
고객이탈은 기존 고객이 기업과의 거래나 서비스 이용을 중단하는 현상이다.
하지만 업종에 따라 이탈의 의미가 달라진다.
계약형 비즈니스
통신, 보험, 구독서비스와 회원제 사업처럼 계약관계가 명확한 경우에는 해지나 갱신 실패 시점을 비교적 분명하게 확인할 수 있다.
예를 들어 다음 사건을 이탈로 정의할 수 있다.
- 구독 해지
- 보험계약 만료 후 미갱신
- 유료회원 탈퇴
- 통신계약 종료
- 자동결제 실패 후 복구되지 않음
비계약형 비즈니스
온라인 쇼핑몰, 음식점과 일반 소매업처럼 고객이 공식적으로 해지를 선언하지 않는 경우에는 이탈시점을 직접 알기 어렵다.
고객이 90일 동안 구매하지 않았다고 해서 완전히 떠났다고 단정하기 어렵다. 원래 구매주기가 긴 고객일 수도 있기 때문이다.
비계약형 환경에서는 다음 방법으로 이탈을 정의할 수 있다.
- 일정 기간 이상 미구매
- 고객별 예상 구매주기를 초과한 비활성
- 구매확률이 일정 기준 아래로 하락
- 확률모형으로 추정한 비활성 상태
- 다른 브랜드로의 전환이 확인된 경우
Fader 등(2005)은 비계약형 시장에서 고객이 여전히 활동 중인지 직접 관찰하기 어렵다는 점을 고려해 반복구매 행동을 확률적으로 분석하는 방법을 제시했다.
따라서 고객이탈률을 비교하려면 먼저 각 기업이 이탈을 어떻게 정의했는지 확인해야 한다.
자발적 이탈과 비자발적 이탈
고객이탈은 크게 자발적 이탈과 비자발적 이탈로 나눌 수 있다.
| 유형 | 의미 | 주요 사례 |
|---|---|---|
| 자발적 이탈 | 고객이 의도적으로 관계를 종료 | 가격 불만, 품질 문제, 경쟁사 전환 |
| 비자발적 이탈 | 고객의 명시적인 종료의도 없이 관계가 중단 | 결제실패, 카드만료, 시스템 오류 |
자발적 이탈에는 다음 원인이 포함될 수 있다.
- 기대에 미치지 못한 품질
- 불친절한 고객응대
- 가격인상
- 더 좋은 경쟁대안
- 불편한 앱이나 구매절차
- 브랜드 신뢰 훼손
- 제품이나 서비스의 필요성 소멸
비자발적 이탈에는 다음 문제가 포함될 수 있다.
- 카드 유효기간 만료
- 결제한도 초과
- 자동이체 오류
- 청구정보 불일치
- 시스템 장애
- 계정 인증 실패
비자발적 이탈은 비교적 쉽게 복구할 수 있는 경우가 많다.
결제 실패 전에 카드정보 갱신을 안내하거나, 실패 직후 여러 결제수단을 제공하고, 일정 기간 서비스 이용을 유지하면 불필요한 이탈을 줄일 수 있다.
하지만 자발적 이탈과 비자발적 이탈만으로 모든 문제를 설명할 수는 없다.
통제 가능한 이탈과 통제하기 어려운 이탈
기업이 실무적으로 구분해야 하는 것은 자발성뿐 아니라 통제 가능성이다.
고객이 자발적으로 떠났더라도 기업이 통제하기 어려운 이유가 있을 수 있다.
- 고객이 해외로 이주했다.
- 관련 제품이 더 이상 필요하지 않다.
- 사업체가 폐업했다.
- 일회성 프로젝트가 종료되었다.
- 고객의 생활환경이 바뀌었다.
반대로 비자발적 이탈이라도 기업의 운영개선으로 상당 부분 예방할 수 있다.
- 결제실패 안내 부족
- 카드정보 갱신 절차의 불편
- 자동결제 오류
- 비정상적인 계정정지
- 잘못된 고객정보 처리
따라서 이탈원인을 다음과 같이 구분할 수 있다.
| 구분 | 고객 의도 | 기업 통제 가능성 |
|---|---|---|
| 서비스 불만으로 해지 | 자발적 | 비교적 높음 |
| 가격인상 후 경쟁사 전환 | 자발적 | 일부 가능 |
| 고객의 필요 소멸 | 자발적 | 낮음 |
| 카드만료로 결제실패 | 비자발적 | 비교적 높음 |
| 사망·이주·폐업 | 비자발적일 수 있음 | 매우 낮음 |
고객이탈을 모두 기업 실패로 해석하면 잘못된 전략이 만들어질 수 있다.
기업이 바꿀 수 없는 자연이탈까지 막으려 하면 불필요한 비용이 발생한다. 반대로 결제오류와 불친절한 응대처럼 예방 가능한 이탈을 자연스러운 현상으로 받아들여서도 안 된다.
고객은 불만이 있어도 말하지 않을 수 있다
불만을 제기한 고객은 기업이 문제를 발견할 수 있게 해준다.
그러나 불만이 없다는 사실이 만족을 의미하지는 않는다.
Hirschman(1970)은 조직이나 기업의 성과가 악화될 때 고객이 취할 수 있는 반응을 이탈, 의견표출과 충성의 관점에서 설명했다.
고객은 불만이 있을 때 다음과 같이 반응할 수 있다.
- 기업에 직접 항의한다.
- 공개적으로 부정적 후기를 남긴다.
- 가족이나 지인에게 불만을 공유한다.
- 일정 기간 참고 계속 이용한다.
- 아무 말 없이 떠난다.
고객이 불만을 말하지 않는 이유도 다양하다.
- 설명하는 데 시간이 든다.
- 문제가 해결될 것이라고 기대하지 않는다.
- 다른 대안으로 이동하는 편이 쉽다.
- 직원과 갈등을 만들고 싶지 않다.
- 불만제기 방법을 찾기 어렵다.
- 손실이 크지 않아 대응할 필요를 느끼지 못한다.
Knox와 Van Oest(2014)는 고객불만과 기업의 회복조치를 실제 고객행동과 연결해 분석하면서, 불만을 제기한 고객만으로 전체 고객경험을 판단하기 어렵다는 점을 보여주었다.
기업이 고객센터의 불만 건수가 적다는 이유로 서비스가 좋다고 판단하면 말없이 떠나는 고객을 놓칠 수 있다.
불만은 고객경험의 전체 모습이 아니라 기업이 관찰할 수 있었던 일부 반응이다.
고객은 왜 떠나는가
고객이탈에는 하나의 보편적인 원인이 존재하지 않는다.
업종, 고객관계와 구매주기에 따라 원인이 달라진다.
제품과 서비스 품질
제품고장, 성능저하, 배송지연과 반복적인 서비스 실패는 고객이탈로 이어질 수 있다.
중요한 것은 실패가 한 번 발생했는지보다 다음과 같은 조건이다.
- 실패가 얼마나 심각했는가
- 같은 문제가 반복되었는가
- 기업이 책임을 인정했는가
- 해결과정이 공정했는가
- 고객의 손실이 복구되었는가
가격과 지각된 가치
가격인상 자체보다 고객이 얻는 가치에 비해 가격이 과도하다고 느낄 때 이탈이 발생할 수 있다.
고객은 다음을 비교한다.
- 현재 가격과 과거 가격
- 경쟁사의 가격
- 제품의 실제 성과
- 제공되는 혜택
- 전환에 필요한 비용
경쟁대안
현재 서비스에 크게 불만이 없더라도 더 좋은 대안이 등장하면 고객은 이동할 수 있다.
따라서 이탈은 항상 불만족의 결과가 아니다.
사용상의 불편
가입, 로그인, 주문, 결제, 해지와 고객지원 과정에서 반복되는 작은 불편은 누적될 수 있다.
개별 문제는 작아 보여도 고객여정 전체에서는 큰 부담이 된다.
관계와 신뢰의 훼손
숨겨진 비용, 일방적인 정책변경, 개인정보 오용과 책임회피는 브랜드 신뢰를 약화시킬 수 있다.
고객의 상황 변화
고객의 소득, 직업, 가족구성, 거주지와 제품필요가 바뀌면 기업의 품질과 무관하게 이탈할 수 있다.
따라서 이탈분석에서는 고객경험 자료와 함께 고객상황과 경쟁환경을 살펴야 한다.
신규 고객 확보비용은 유지비용의 다섯 배일까
“신규 고객 확보비용은 기존 고객 유지비용의 다섯 배다”라는 문장은 마케팅 자료에서 자주 반복된다.
그러나 이를 모든 업종과 기업에 적용되는 보편적인 실증법칙으로 사용해서는 안 된다.
고객 확보비용과 유지비용은 다음 요소에 따라 달라진다.
- 광고채널
- 시장의 경쟁강도
- 제품가격과 마진
- 고객의 구매주기
- 이탈방지 혜택
- 고객지원 비용
- 고객의 미래가치
- 자연유입 비중
- 추천효과
- 계약구조
어떤 기업에서는 신규 고객 확보가 매우 비쌀 수 있다.
반대로 기존 고객을 유지하기 위해 큰 할인과 보상을 반복하면 유지비용이 신규 고객 확보비용보다 높아질 수도 있다.
East 등(2006)은 고객유지 마케팅을 둘러싼 여러 통념을 검토하면서 모든 장기고객이 수익성이 높거나 고객유지가 언제나 신규 고객 확보보다 유리하다는 단순한 가정에 주의해야 한다고 설명했다.
고객유지의 경제성은 고정된 배수로 판단하지 말고 다음과 같이 계산해야 한다.
\[
\text{유지의 기대가치}
=
\text{유지로 얻는 추가 공헌이익}
–
\text{개입비용}
\]
고객을 유지할 수 있다는 사실과 유지해야 한다는 판단은 서로 다르다.
고객이탈률은 어떻게 계산하는가
가장 기본적인 고객이탈률은 다음과 같이 계산한다.
\[
\text{고객이탈률}
=
\frac{\text{기간 중 이탈한 기존 고객 수}}
{\text{기간 시작 시점의 기존 고객 수}}
\]
월초 고객이 1,000명이고 그중 80명이 월말까지 이탈했다면 다음과 같다.
\[
\frac{80}{1000}=0.08
\]
월간 고객이탈률은 8%다.
하지만 이 계산이 의미를 가지려면 분모와 분자의 고객이 같은 코호트에 속해야 한다.
기간 중 새로 가입한 고객을 분모에 무조건 포함하면 이탈률이 인위적으로 낮아질 수 있다.
| 항목 | 고객 수 |
|---|---|
| 월초 기존 고객 | 1,000명 |
| 월중 신규 고객 | 200명 |
| 기존 고객 중 이탈 | 80명 |
| 월말 고객 | 1,120명 |
올바른 기존 고객 이탈률은 다음과 같다.
\[
\frac{80}{1000}=8%
\]
신규 고객을 포함한 1,200명을 분모로 사용하면 다음과 같다.
\[
\frac{80}{1200}\approx6.7%
\]
분모 정의에 따라 결과가 달라진다.
따라서 보고서에는 다음 내용을 밝혀야 한다.
- 기간 시작 고객을 사용했는가
- 평균 고객 수를 사용했는가
- 신규 고객을 포함했는가
- 일시정지 고객을 어떻게 처리했는가
- 결제실패 고객을 이탈로 보았는가
- 재가입 고객을 어떻게 처리했는가
유지율과 이탈률은 항상 더해서 100%가 될까
동일한 코호트와 기간을 사용하고 모든 고객이 유지 또는 이탈 가운데 하나로만 분류된다면 다음 관계가 성립한다.
\[
\text{유지율}=1-\text{이탈률}
\]
이탈률이 8%라면 유지율은 92%다.
그러나 실제 업무에서는 다음 고객들이 존재할 수 있다.
- 일시정지 고객
- 결제유예 고객
- 휴면 고객
- 상태를 확인할 수 없는 고객
- 계약을 일부만 축소한 고객
이들을 별도 상태로 관리한다면 유지율과 이탈률을 단순히 더해 100%로 만들 수 없다.
상태 정의를 먼저 명확하게 정해야 한다.
고객이탈률과 매출이탈률은 다르다
고객 수가 줄어드는 것과 매출이 줄어드는 것은 같은 현상이 아니다.
고객이탈률은 고객계정의 손실을 측정한다.
매출이탈률은 기존 고객에게서 발생하던 반복매출의 감소를 측정한다.
총매출이탈률은 다음처럼 계산할 수 있다.
\[
\text{총매출이탈률}
=
\frac{
\text{이탈 매출}+\text{축소 매출}
}{
\text{기간 시작 반복매출}
}
\]
예를 들어 월초 반복매출이 1억 원이고 다음 변화가 발생했다고 하자.
- 완전 이탈로 감소한 매출: 500만 원
- 요금제 축소로 감소한 매출: 300만 원
총매출이탈률은 다음과 같다.
\[
\frac{500+300}{10000}=0.08
\]
8%다.
기존 고객의 추가구매와 상위요금제 전환까지 반영한 순매출유지율은 다음과 같이 계산할 수 있다.
\[
\text{순매출유지율}
=
\frac{
\text{기초 반복매출}
-\text{이탈 매출}
-\text{축소 매출}
+\text{확장 매출}
}{
\text{기초 반복매출}
}
\]
확장매출이 1,200만 원이라면 다음과 같다.
\[
\frac{10000-500-300+1200}{10000}=1.04
\]
순매출유지율은 104%다.
일부 고객이 떠났더라도 남은 고객의 추가구매가 손실을 초과하면 순매출유지율이 100%를 넘을 수 있다.
고객이탈률과 매출이탈률을 함께 봐야 하는 이유다.
전체 평균보다 코호트 분석이 중요하다
전체 이탈률만 보면 언제 가입한 고객이 떠나는지 알기 어렵다.
코호트 분석은 가입시점이나 첫 구매시점이 같은 고객을 묶어 유지율을 추적한다.
| 가입 코호트 | 1개월 유지율 | 3개월 유지율 | 6개월 유지율 |
|---|---|---|---|
| 1월 가입 | 82% | 65% | 51% |
| 2월 가입 | 85% | 70% | 58% |
| 3월 가입 | 90% | 79% | 관찰 중 |
이 표에서는 최근 코호트의 초기 유지율이 개선되는지를 확인할 수 있다.
전체 고객 유지율이 같아도 다음 상황은 매우 다르다.
- 신규 고객이 초기에 빠르게 이탈한다.
- 장기고객이 가격인상 후 이탈한다.
- 특정 가입캠페인의 고객만 이탈한다.
- 특정 요금제에서 이탈이 집중된다.
코호트 분석에서는 다음 기준을 사용할 수 있다.
- 가입월
- 첫 구매월
- 획득채널
- 요금제
- 프로모션
- 지역
- 첫 사용경험
- 영업담당자
획득한 고객의 수만 평가하면 품질이 낮은 고객을 대량으로 모집하는 캠페인이 성공처럼 보일 수 있다.
획득 이후의 유지와 수익성을 함께 봐야 한다.
생존분석은 이탈시점을 어떻게 다루는가
일반적인 이탈모형은 특정 기간 안에 떠났는지를 0과 1로 분류한다.
생존분석은 고객이 언제까지 관계를 유지하는지를 분석한다.
생존함수는 고객이 시점 \(t\)보다 오래 유지될 확률이다.
\[
S(t)=P(T>t)
\]
위험함수는 시점 \(t\)까지 유지한 고객이 그 직후 이탈할 순간적인 위험과 관련된다.
\[
h(t)
=
\lim_{\Delta t\rightarrow0}
\frac{
P(t\leq T<t+\Delta t\mid T\geq t)
}{
\Delta t
}
\]
생존분석의 중요한 장점은 아직 이탈하지 않은 고객을 분석에서 버리지 않는다는 점이다.
연구 종료 시점까지 활동 중인 고객은 정확한 이탈시점을 알 수 없다. 이를 우측 중도절단이라고 한다.
Van den Poel과 Larivière(2004)는 금융서비스 고객자료에서 시간에 따라 변화하는 고객행동을 포함한 비례위험모형으로 이탈을 분석했다.
Braun과 Schweidel(2011)은 고객이 여러 원인으로 이탈할 수 있다는 점을 반영해 경쟁위험 관점의 고객생애모형을 제시했다.
생존분석은 다음 질문에 도움이 된다.
- 고객의 중앙 유지기간은 얼마인가
- 어느 시점에서 이탈위험이 높아지는가
- 요금제별 유지곡선이 다른가
- 결제실패와 서비스불만이 이탈시점에 어떤 관계가 있는가
- 고객이 아직 활동 중이라는 정보를 어떻게 활용할 것인가
고객이탈 신호에는 무엇이 있는가
기업이 관찰할 수 있는 대표적인 이탈 신호는 다음과 같다.
| 신호 | 가능한 의미 |
|---|---|
| 접속빈도 감소 | 서비스 필요성과 참여도 하락 |
| 핵심기능 사용 감소 | 제품가치 인식 약화 |
| 구매간격 증가 | 비활성 또는 경쟁사 이용 가능성 |
| 결제실패 | 비자발적 이탈 위험 |
| 고객문의 증가 | 반복적인 불편과 문제 |
| 불만 후기 | 서비스 실패와 신뢰 저하 |
| 요금제 축소 | 비용부담 또는 가치평가 하락 |
| 마케팅 수신거부 | 관계 피로 또는 관심 감소 |
| 배송지연 반복 | 운영실패 누적 |
| 계약갱신 문의 | 가격과 조건 비교 가능성 |
| 경쟁사 관련 검색 | 대안 탐색 가능성 |
| 반품률 증가 | 품질 불만 또는 부적합 |
이러한 신호는 이탈을 확정하지 않는다.
이용빈도가 줄어든 고객이 단지 휴가 중일 수도 있고, 고객문의가 많은 고객이 오히려 적극적으로 서비스를 활용하는 고객일 수도 있다.
신호의 의미는 고객의 정상적인 행동수준과 비교해야 한다.
예를 들어 모든 고객에게 “10일 미접속”이라는 동일한 기준을 적용하면 다음 문제가 생긴다.
- 매일 사용하는 서비스에는 너무 느린 신호일 수 있다.
- 월 1회 사용하는 서비스에는 정상적인 행동일 수 있다.
고객별 이용주기와 제품특성을 반영해야 한다.
예측모형은 무엇을 예측해야 하는가
고객이탈 예측모형을 만들기 전에 예측대상을 명확히 정의해야 한다.
예를 들어 다음 질문은 서로 다른 문제다.
- 앞으로 30일 안에 해지할 것인가
- 다음 계약갱신 때 떠날 것인가
- 90일 이상 구매하지 않을 것인가
- 결제실패 후 복구되지 않을 것인가
- 경쟁사로 완전히 전환할 것인가
- 매출이 일정 수준 이상 감소할 것인가
예측기준일도 필요하다.
1월 31일의 정보를 사용해 2월 중 이탈을 예측한다면, 2월에 발생한 행동을 설명변수로 사용해서는 안 된다.
이를 데이터 누출이라고 한다.
다음 변수는 예측모형에 잘못 포함될 수 있다.
- 해지 후 발송된 이메일
- 계정종료 코드
- 이탈 이후 0으로 기록된 이용량
- 해지상담 완료 여부
- 미래 시점의 결제상태
모형의 정확도가 매우 높더라도 미래정보가 포함되었다면 실제 운영에서는 사용할 수 없다.
어떤 예측모형을 사용할 수 있는가
고객이탈 예측에는 다음 방법이 사용될 수 있다.
- 로지스틱 회귀
- 의사결정나무
- 랜덤포레스트
- 그래디언트 부스팅
- 신경망
- 생존분석
- 잠재상태모형
- 시계열·패널모형
Lemmens와 Croux(2006)는 배깅과 부스팅 같은 분류방법을 고객이탈 예측에 적용해 방법별 성능을 비교했다.
Neslin 등(2006)은 고객이탈 예측모형의 정확성이 분석방법, 변수선택과 모형구축 과정에 따라 달라지며 그 차이가 캠페인의 수익성에 영향을 줄 수 있음을 보여주었다.
하지만 가장 복잡한 모형이 항상 가장 좋은 것은 아니다.
실무에서는 다음 조건을 함께 평가해야 한다.
- 예측력
- 확률의 보정 정도
- 해석 가능성
- 운영 안정성
- 계산비용
- 개인정보 위험
- 캠페인 수익성
- 시간이 지나도 유지되는 성능
정확도가 높으면 좋은 이탈모형일까
전체 고객의 95%가 유지되고 5%만 이탈한다고 하자.
모든 고객을 “유지”라고 예측하는 모형도 정확도 95%를 얻는다.
그러나 이탈 고객을 한 명도 발견하지 못한다.
따라서 불균형 자료에서는 정확도만으로 모형을 평가해서는 안 된다.
다음 지표를 함께 검토할 수 있다.
| 지표 | 주요 의미 |
|---|---|
| 재현율 | 실제 이탈고객 중 얼마나 발견했는가 |
| 정밀도 | 이탈로 예측한 고객 중 실제 이탈 비율 |
| ROC-AUC | 여러 임계값에서 구분능력 |
| PR-AUC | 희소한 이탈사건 탐지능력 |
| 리프트 | 무작위 접촉보다 얼마나 효율적으로 이탈자를 찾는가 |
| 보정도 | 예측확률과 실제 이탈률이 일치하는가 |
| 기대이익 | 캠페인 비용과 유지가치를 반영한 성과 |
Verbeke 등(2012)은 고객이탈모형을 통계적 성능만이 아니라 캠페인의 기대이익으로 평가해야 한다고 강조했다.
예측모형이 이탈 고객을 잘 찾더라도 연락비용과 할인비용이 너무 크면 경제적 가치가 낮을 수 있다.
이탈위험이 높은 고객이 최선의 표적은 아니다
고객이탈 관리에서 가장 흔한 접근은 이탈확률이 높은 고객부터 연락하는 것이다.
하지만 이 고객들이 반드시 가장 좋은 개입대상은 아니다.
고객은 개입에 대한 반응에 따라 다음과 같이 구분할 수 있다.
| 고객 유형 | 개입하지 않을 때 | 개입할 때 |
|---|---|---|
| 설득 가능한 고객 | 이탈 가능 | 유지 가능 |
| 원래 유지할 고객 | 유지 | 유지 |
| 개입해도 떠날 고객 | 이탈 | 이탈 |
| 개입이 역효과인 고객 | 유지 가능 | 이탈 가능 |
이탈확률이 매우 높은 고객이 이미 결정을 끝낸 상태라면 할인쿠폰을 제공해도 떠날 수 있다.
반대로 위험도가 중간인 고객이 적절한 안내나 서비스 개선에 크게 반응할 수 있다.
Ascarza(2018)는 현장실험과 머신러닝 분석을 통해 이탈위험이 가장 높은 고객이 유지캠페인의 최적 대상이 아닐 수 있음을 보여주었다. 중요한 것은 이탈확률 자체보다 개입 때문에 유지확률이 얼마나 증가하는지다.
이를 개인 (i)의 증분 유지효과로 표현하면 다음과 같다.
\[
\tau_i
=
P(Y_i=1\mid T_i=1)
–
P(Y_i=1\mid T_i=0)
\]
여기서 다음과 같다.
- \(Y_i=1\): 고객이 유지됨
- \(T_i=1\): 유지캠페인을 받음
- \(T_i=0\): 캠페인을 받지 않음
- \(\tau_i\): 캠페인의 개인별 증분효과
유지캠페인의 기대가치는 다음처럼 생각할 수 있다.
\[
EV_i=\tau_iV_i-C_i
\]
여기서 다음과 같다.
- \(V_i\): 고객을 유지함으로써 얻는 추가 공헌가치
- \(C_i\): 할인, 연락과 서비스 제공비용
이탈예측은 누가 떠날지를 묻는다.
업리프트 분석은 누구에게 개입해야 결과가 달라질지를 묻는다(Devriendt et al., 2018).
할인쿠폰은 고객유지의 만능해법이 아니다
이탈위험이 높은 고객에게 할인쿠폰을 제공하는 방식은 이해하기 쉽다.
하지만 다음 문제가 발생할 수 있다.
- 원래 남을 고객에게 불필요한 비용을 지급한다.
- 고객이 해지 의사를 보여야 혜택을 받는다고 학습한다.
- 가격에만 민감한 고객을 유지한다.
- 할인 종료 후 다시 이탈한다.
- 장기고객이 신규·이탈위험 고객보다 불공정한 대우를 받는다고 느낀다.
- 서비스의 구조적 문제가 가려진다.
가격이 이탈원인이라면 할인은 도움이 될 수 있다.
그러나 기술적 오류, 낮은 품질이나 불친절한 고객지원이 문제라면 쿠폰은 근본적인 해결책이 아니다.
유지캠페인은 이탈원인과 일치해야 한다.
| 이탈원인 | 적절할 수 있는 대응 |
|---|---|
| 가격부담 | 저가 요금제, 일시정지, 사용량 기반 상품 |
| 결제실패 | 카드갱신 안내, 대체 결제수단 |
| 사용방법 미숙 | 온보딩, 교육, 상담 |
| 기능부족 | 제품개선, 대안 기능 안내 |
| 서비스 실패 | 사과, 보상, 재발방지 |
| 필요성 감소 | 사용중지 옵션, 관련 상품 전환 |
| 경쟁사 제안 | 차별가치 재설명, 조건 검토 |
고객이탈을 줄이는 실무 전략
이탈 정의를 먼저 통일한다
마케팅, 영업, 재무와 고객지원 부서가 서로 다른 이탈기준을 사용하면 분석결과가 일치하지 않는다.
다음 상태를 명확히 정의해야 한다.
- 해지
- 휴면
- 결제실패
- 일시정지
- 요금제 축소
- 재가입
- 자연종료
초기 고객경험을 개선한다
많은 서비스에서 가입 직후의 경험은 장기 유지와 관련될 수 있다.
다음 지표를 확인할 수 있다.
- 첫 핵심기능 사용 여부
- 가입 후 첫 성과까지 걸린 시간
- 초기 오류 발생
- 첫 문의의 해결 여부
- 온보딩 완료율
비자발적 이탈을 우선 줄인다
결제실패와 시스템 오류는 고객가치 제안 전체를 바꾸지 않고도 개선할 수 있는 경우가 많다.
- 결제 전 사전알림
- 결제 재시도
- 대체 결제수단
- 카드정보 갱신
- 유예기간
- 명확한 복구경로
고객불만과 행동자료를 연결한다
불만의 내용만 보지 말고 이후 행동을 함께 확인해야 한다.
- 불만 이후 이용량이 회복되었는가
- 보상 이후 유지되었는가
- 같은 문제가 반복되었는가
- 고객이 실제로 재구매했는가
고객 생애주기별로 관리한다
신규 고객, 성장고객, 성숙고객과 이탈위험 고객은 서로 다른 지원이 필요할 수 있다.
모든 고객에게 같은 메시지를 반복하면 관계피로가 생길 수 있다.
해지절차를 고의로 어렵게 만들지 않는다
해지를 어렵게 하면 단기 이탈률은 낮아 보일 수 있다.
그러나 고객신뢰, 평판과 규제 위험이 커질 수 있다.
쉽게 해지할 수 있어도 다시 선택할 가치를 만드는 것이 장기적으로 더 중요하다.
고객 인터뷰는 어떻게 해야 할까
이탈 고객에게 “왜 떠났습니까?”라고 한 문항만 질문하면 충분하지 않다.
고객은 여러 이유가 복합적으로 작용했더라도 하나의 대표적인 이유만 선택할 수 있다.
보다 좋은 인터뷰는 다음 질문을 포함한다.
- 처음 서비스를 선택한 이유는 무엇이었는가?
- 기대했던 핵심가치는 무엇이었는가?
- 만족스럽지 않았던 첫 순간은 언제였는가?
- 이탈을 결정하게 만든 직접적인 사건은 무엇인가?
- 경쟁대안을 검토한 시점은 언제인가?
- 기업이 무엇을 했다면 남았을 가능성이 있는가?
- 가격, 품질과 편의성 가운데 가장 중요한 이유는 무엇인가?
- 다시 이용할 가능성이 있는가?
- 해지과정은 공정하고 편리했는가?
- 다른 사람에게 이 서비스를 어떻게 설명하겠는가?
이탈 고객 설문에도 선택편향이 존재한다.
응답한 이탈고객은 전체 이탈고객과 다를 수 있다. 매우 불만이 큰 고객이나 관계를 완전히 끊은 고객은 조사에 응답하지 않을 수 있다.
따라서 인터뷰, 거래자료, 고객문의와 실험결과를 함께 사용해야 한다.
예측모형을 고객감시에 사용해서는 안 된다
이탈예측에는 고객의 이용행동, 결제정보와 서비스 접점자료가 사용될 수 있다.
하지만 예측력이 높다는 이유만으로 모든 정보를 수집해도 되는 것은 아니다.
다음 원칙을 지켜야 한다.
- 목적에 필요한 정보만 사용한다.
- 고객에게 데이터 이용목적을 설명한다.
- 민감정보를 불필요하게 추론하지 않는다.
- 특정 집단을 부당하게 배제하지 않는다.
- 모델의 오류로 고객을 불리하게 대우하지 않는다.
- 자동화된 결정에 이의제기 경로를 제공한다.
- 유지캠페인이 과도한 압박이 되지 않도록 한다.
고객이 떠날 가능성이 높다는 이유로 서비스 품질을 낮추거나 혜택을 제한하면 예측이 스스로 실현되는 결과를 만들 수 있다.
이탈예측은 고객을 통제하기 위한 도구가 아니라 고객경험과 자원배분을 개선하기 위한 도구여야 한다.
R로 월간 고객이탈률 계산하기
가상의 월별 고객자료를 만든다.
monthly_data <- data.frame(
month = as.Date(
c(
"2026-01-01",
"2026-02-01",
"2026-03-01",
"2026-04-01"
)
),
start_customers = c(
1000,
1060,
1110,
1165
),
churned_customers = c(
80,
70,
65,
90
),
new_customers = c(
140,
120,
120,
130
)
)고객이탈률과 유지율을 계산한다.
monthly_data$churn_rate <- with(
monthly_data,
churned_customers /
start_customers
)
monthly_data$retention_rate <- (
1 -
monthly_data$churn_rate
)월말 고객 수를 계산한다.
monthly_data$end_customers <- with(
monthly_data,
start_customers -
churned_customers +
new_customers
)
monthly_data신규 고객은 이탈률의 분모에 포함하지 않았다.
월초 기존 고객 가운데 몇 명이 이탈했는지를 계산했기 때문이다.
R로 매출이탈률 계산하기
revenue_data <- data.frame(
month = as.Date(
c(
"2026-01-01",
"2026-02-01",
"2026-03-01"
)
),
starting_revenue = c(
100000000,
104000000,
108000000
),
churned_revenue = c(
5000000,
4500000,
6000000
),
contraction_revenue = c(
3000000,
2500000,
2000000
),
expansion_revenue = c(
12000000,
11000000,
9000000
)
)총매출이탈률을 계산한다.
revenue_data$gross_revenue_churn <- with(
revenue_data,
(
churned_revenue +
contraction_revenue
) /
starting_revenue
)순매출유지율을 계산한다.
revenue_data$net_revenue_retention <- with(
revenue_data,
(
starting_revenue -
churned_revenue -
contraction_revenue +
expansion_revenue
) /
starting_revenue
)
revenue_data금액은 원 단위다.
고객 수와 매출은 서로 다른 움직임을 보일 수 있으므로 두 지표를 함께 확인해야 한다.
R로 고객 유지곡선 확인하기
고객별 유지기간과 이탈 여부를 포함한 자료가 있다고 하자.
- tenure_months: 가입 후 관찰개월
- churned: 이탈 1, 관찰종료 시 유지 0
- plan: 요금제
생존분석 패키지를 사용한다.
# 최초 한 번만 실행
# install.packages(
# "survival"
# )
library(
survival
)생존객체를 만든다.
survival_object <- Surv(
time = customer_data$tenure_months,
event = customer_data$churned
)요금제별 Kaplan–Meier 유지곡선을 추정한다.
retention_fit <- survfit(
survival_object ~ plan,
data = customer_data
)
summary(
retention_fit
)유지곡선을 그린다.
plot(
retention_fit,
xlab = "가입 후 개월",
ylab = "고객 유지확률",
main = "요금제별 고객 유지곡선"
)
legend(
"bottomleft",
legend = levels(
customer_data$plan
),
lty = seq_along(
levels(
customer_data$plan
)
)
)생존곡선이 낮다는 사실만으로 요금제가 이탈을 유발했다고 단정해서는 안 된다.
요금제별 고객구성, 가격, 가입채널과 고객욕구가 다를 수 있기 때문이다.
R로 기본 이탈예측모형 만들기
다음 변수들이 예측기준일 이전에 측정되었다고 하자.
- usage_change_30d: 최근 30일 이용량 변화
- failed_payments: 결제실패 횟수
- support_cases: 고객문의 횟수
- tenure_months: 가입기간
- churn_next_30d: 이후 30일 이탈 여부
로지스틱 회귀모형을 적합한다.
churn_model <- glm(
churn_next_30d ~
usage_change_30d +
failed_payments +
support_cases +
tenure_months,
family = binomial,
data = training_data
)
summary(
churn_model
)검증자료에서 이탈확률을 예측한다.
validation_data$predicted_churn <- predict(
churn_model,
newdata = validation_data,
type = "response"
)예측확률을 위험등급으로 나눌 수 있다.
validation_data$risk_group <- cut(
validation_data$predicted_churn,
breaks = c(
0,
0.10,
0.30,
0.60,
1
),
labels = c(
"낮음",
"주의",
"높음",
"매우 높음"
),
include.lowest = TRUE
)
aggregate(
churn_next_30d ~ risk_group,
data = validation_data,
FUN = mean
)위험집단별 실제 이탈률이 예측확률과 비슷한지 확인해야 한다.
모형은 반드시 학습에 사용하지 않은 미래 기간 또는 별도의 검증자료에서 평가해야 한다.
고객이탈 분석은 어떻게 보고해야 할까
다음과 같은 보고는 충분하지 않다.
고객이탈률은 8%였으며 머신러닝으로 이탈고객을 예측하였다.
이탈의 정의, 분모, 예측기간과 모형성능을 알 수 없기 때문이다.
보다 좋은 보고는 다음과 같다.
고객이탈은 월초 유료구독 고객이 해당 월 안에 자발적으로 해지하거나 결제실패 후 14일 이내에 복구되지 않은 경우로 정의하였다. 일시정지 고객과 계약기간이 자연 종료된 고객은 별도로 분류하였다. 2026년 1월 월초 고객 1,000명 가운데 80명이 이탈해 월간 고객이탈률은 8.0%였다. 자발적 이탈은 5.8%, 비자발적 이탈은 2.2%였다. 예측모형은 기준일 이전 90일의 이용량, 결제실패와 고객문의 자료를 사용해 이후 30일 이탈을 예측하였다. 시간순으로 분리한 검증자료에서 재현율, 정밀도, PR-AUC와 확률보정도를 평가하였다. 유지캠페인의 대상은 이탈확률만으로 정하지 않고 무작위실험에서 추정한 증분 유지효과와 고객별 공헌가치를 함께 고려하였다.
고객이탈 보고서에는 다음 내용을 포함하는 것이 좋다.
- 이탈의 정의
- 분석기간
- 분모에 포함된 고객
- 신규 고객 처리방법
- 일시정지와 휴면의 정의
- 자발적·비자발적 이탈
- 고객이탈률
- 매출이탈률
- 코호트별 유지율
- 이탈원인 분류
- 예측기간
- 사용한 설명변수
- 데이터 누출 방지방법
- 검증자료 구성
- 예측성능
- 확률보정
- 캠페인 비용
- 고객별 기대가치
- 개입효과 검증
- 개인정보와 윤리적 고려
고객이탈 관리에서 자주 발생하는 오류
모든 고객은 떠나기 전에 신호를 남긴다고 생각한다
기업이 관찰할 수 없는 상황변화와 갑작스러운 전환도 존재한다.
이탈을 모두 기업 실패로 해석한다
고객의 필요 소멸과 자연적인 관계종료도 구분해야 한다.
불만이 없으면 만족한 고객이라고 생각한다
말없이 떠나는 고객과 불만을 포기한 고객이 존재한다.
신규 고객 확보비용이 항상 다섯 배라고 단정한다
업종과 고객가치에 따라 획득과 유지의 경제성이 달라진다.
신규 고객을 이탈률 분모에 포함한다
기존 고객 코호트의 이탈률이 과소추정될 수 있다.
고객이탈률만 보고 매출이탈을 무시한다
떠난 고객의 가치와 남은 고객의 확장매출이 다를 수 있다.
모든 고객에게 동일한 비활성 기준을 적용한다
제품의 구매주기와 고객별 이용패턴을 고려해야 한다.
예측정확도만 보고 모형을 선택한다
불균형 자료에서는 정확도가 높아도 이탈자를 발견하지 못할 수 있다.
위험도가 가장 높은 고객부터 할인한다
이탈위험과 개입반응은 서로 다른 개념이다.
유지율이 높으면 무조건 좋은 기업이라고 생각한다
전환장벽과 복잡한 해지절차 때문에 고객이 남아 있을 수도 있다.
이탈한 고객만 조사한다
현재 고객 가운데 이미 불만이 누적된 집단을 놓칠 수 있다.
유지캠페인을 할인으로만 설계한다
서비스 실패와 사용상의 문제는 가격할인으로 해결되지 않을 수 있다.
고객이탈 전략을 실행하기 전에 확인할 질문
- 우리 기업에서 이탈은 정확히 무엇을 의미하는가?
- 계약형과 비계약형 고객을 같은 기준으로 분석하고 있지 않은가?
- 자발적 이탈과 비자발적 이탈을 구분했는가?
- 기업이 통제할 수 있는 이탈은 무엇인가?
- 자연적으로 종료된 관계를 실패로 분류하고 있지 않은가?
- 고객이탈률의 분모는 무엇인가?
- 신규 고객을 기존 고객과 섞어 계산하지 않았는가?
- 고객 수와 매출의 이탈을 함께 확인했는가?
- 코호트별 유지율을 분석했는가?
- 고객별 정상적인 구매주기를 고려했는가?
- 불만을 남기지 않은 고객의 행동도 추적했는가?
- 예측변수에 미래정보가 포함되어 있지 않은가?
- 불균형 자료에 적절한 평가기준을 사용했는가?
- 예측확률이 실제 이탈률과 일치하는가?
- 이탈확률과 캠페인 반응을 구분했는가?
- 유지비용보다 고객의 추가가치가 큰가?
- 할인 없이 해결할 수 있는 운영문제는 없는가?
- 해지절차를 의도적으로 어렵게 만들고 있지 않은가?
- 고객정보를 필요한 범위에서만 사용하고 있는가?
- 유지전략의 효과를 무작위실험이나 적절한 비교로 검증했는가?
말없는 이탈은 마지막 평가일 수 있습니다
고객은 언제나 불만을 말해주지 않는다.
문제가 해결될 것이라고 기대하지 않거나 다른 대안으로 이동하는 편이 쉽다고 판단하면 아무런 설명 없이 떠날 수 있다.
비전공자는 다음 다섯 문장으로 기억할 수 있다.
고객이탈은 업종과 계약구조에 따라 다르게 정의해야 한다.
모든 이탈이 불만족이나 기업 실패 때문인 것은 아니다.
불만이 없다는 사실은 고객이 만족한다는 증거가 아니다.
이탈확률이 높은 고객이 반드시 최선의 유지대상은 아니다.
고객이탈 관리는 예측보다 원인개선과 개입효과 검증이 더 중요하다.
고객이탈률은 기업이 놓친 고객의 수를 보여준다.
하지만 그 숫자만으로는 왜 떠났는지, 다시 돌아올 가능성이 있는지, 기업이 이탈을 막을 수 있었는지 알 수 없다.
좋은 이탈관리는 고객에게 계속 쿠폰을 보내는 일이 아니다.
결제실패를 줄이고, 제품가치를 빠르게 경험하게 하며, 고객이 문제를 쉽게 알릴 수 있게 하고, 약속한 품질을 일관되게 제공하는 일이다.
예측모형도 중요하다.
그러나 예측모형이 알려주는 것은 미래의 확정된 사실이 아니라 현재 자료에 근거한 위험도다. 위험도가 높은 고객에게 무조건 개입하는 것보다 어떤 고객의 행동이 개입으로 실제로 달라지는지 확인해야 한다.
고객이 떠나는 순간은 관계가 갑자기 끝난 시점처럼 보인다.
그러나 기업의 약속, 제품의 가치, 서비스의 편의성과 문제해결 태도에 대한 평가는 그보다 훨씬 이전부터 이루어지고 있었을 수 있다.
떠나는 고객의 침묵을 만족으로 오해하지 않는 것, 그것이 고객이탈 관리의 출발점이다.
참고문헌
Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80–98. https://doi.org/10.1509/jmr.16.0163
Braun, M., & Schweidel, D. A. (2011). Modeling customer lifetimes with multiple causes of churn. Marketing Science, 30(5), 881–902. https://doi.org/10.1287/mksc.1110.0665
Devriendt, F., Moldovan, D., & Verbeke, W. (2018). A literature survey and experimental evaluation of the state-of-the-art in uplift modeling: A stepping stone toward the development of prescriptive analytics. Big Data, 6(1), 13–41. https://doi.org/10.1089/big.2017.0104
East, R., Hammond, K., & Gendall, P. (2006). Fact and fallacy in retention marketing. Journal of Marketing Management, 22(1–2), 5–23. https://doi.org/10.1362/026725706776022245
Fader, P. S., Hardie, B. G. S., & Lee, K. L. (2005). Counting your customers the easy way: An alternative to the Pareto/NBD model. Marketing Science, 24(2), 275–284. https://doi.org/10.1287/mksc.1040.0098
Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7–18. https://doi.org/10.1509/jmkr.41.1.7.25084
Gupta, S., & Zeithaml, V. (2006). Customer metrics and their impact on financial performance. Marketing Science, 25(6), 718–739. https://doi.org/10.1287/mksc.1060.0221
Hirschman, A. O. (1970). Exit, voice, and loyalty: Responses to decline in firms, organizations, and states. Harvard University Press.
Knox, G., & Van Oest, R. (2014). Customer complaints and recovery effectiveness: A customer base approach. Journal of Marketing, 78(5), 42–57. https://doi.org/10.1509/jm.12.0317
Kumar, V., & Reinartz, W. (2018). Customer relationship management: Concept, strategy, and tools (3rd ed.). Springer. https://doi.org/10.1007/978-3-662-55381-7
Lemmens, A., & Croux, C. (2006). Bagging and boosting classification trees to predict churn. Journal of Marketing Research, 43(2), 276–286. https://doi.org/10.1509/jmkr.43.2.276
Neslin, S. A., Gupta, S., Kamakura, W., Lu, J., & Mason, C. H. (2006). Defection detection: Measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, 43(2), 204–211. https://doi.org/10.1509/jmkr.43.2.204
Reinartz, W. J., & Kumar, V. (2003). The impact of customer relationship characteristics on profitable lifetime duration. Journal of Marketing, 67(1), 77–99. https://doi.org/10.1509/jmkg.67.1.77.18589
Van den Poel, D., & Larivière, B. (2004). Customer attrition analysis for financial services using proportional hazard models. European Journal of Operational Research, 157(1), 196–217. https://doi.org/10.1016/S0377-2217(03)00069-9
Verbeke, W., Dejaeger, K., Martens, D., Hur, J., & Baesens, B. (2012). New insights into churn prediction in the telecommunication sector: A profit driven data mining approach. European Journal of Operational Research, 218(1), 211–229. https://doi.org/10.1016/j.ejor.2011.09.031
