유지율 분석은 2026년, 경영의 핵심 지표가 되었습니다
- 년의 일본 SaaS 시장은 신규 고객 획득 단가 상승과 광고 채널의 포화로 인해 '신규로 성장하는' 전략이 거의 성립하지 않게 되었습니다. 2023년 시점에 월간 CAC(고객 획득 비용)가 40만 엔대였던 B2B SaaS는 2026년에는 80만~120만 엔까지 팽창하고 있습니다. 결과적으로 LTV/CAC 비율을 3배 이상으로 유지하기 위해서는 유지율 개선이 사실상 유일한 생존 전략이 되었습니다.
유지율 분석은 단순히 '지속률 그래프를 보는' 작업이 아닙니다. 코호트 유지율(Cohort Retention), Quick Ratio, Power User Curves, North Star Metric의 4가지를 체계적으로 조합하고, 해지 예측 모델로 개별 사용자에게 개입하는 것까지 포함한 종합 설계가 요구됩니다. 본고에서는 이러한 전체 상을 일본 SaaS의 실례와 함께 설명합니다.
Cohort Retention: 가로 방향과 세로 방향 읽기
Cohort Retention의 기본은 사용자를 '등록 월'로 그룹화하여 월 경과별 지속률을 나란히 표시하는 표입니다. 가로 방향(동일 코호트의 시계열)으로 안정적인지, 세로 방향(동일 월의 다른 코호트 비교)으로 개선되고 있는지를 별도로 읽습니다.
- 년 분석에서 중요한 것은 'Smile Curve'의 존재입니다. B2B SaaS에서는 지속률이 3~4개월 차에 바닥을 찍고 그 이후 서서히 반전 상승하는 곡선이 종종 보입니다. 이는 '해지하는 사람은 초기에 해지하고, 남은 사용자는 참여도가 높아지는' 메커니즘에 의한 것입니다. Smile Curve가 나타나는 제품은 Product-Market Fit에 가까워지고 있다는 증거이며, 반대로 단조롭게 감소하는 경우는 핵심 가치가 전달되지 않고 있음을 의미합니다.
주의해야 할 함정은 '생존 편향(Survivorship Bias)'입니다. 장기 코호트(예: 12개월 이상)는 모수가 작고 이미 해지한 다수를 포함하지 않기 때문에 유지율 곡선이 지나치게 낙관적이 됩니다. 최소한 각 시점의 n 수를 병기하고, n<100인 셀은 회색 처리하는 것이 정석입니다.
Quick Ratio: 성장 건전성 지표
Quick Ratio는 SaaS의 성장 건전성을 한 장으로 보여주는 지표로, 다음 식으로 계산합니다. `Quick Ratio = (New MRR + Expansion MRR) / (Churned MRR + Contraction MRR)`. 1.0 미만은 축소, 1.0 초과는 성장, 4.0 이상이 우량으로 간주됩니다.
- 년의 일본 SaaS에서는 Quick Ratio의 평균값이 2.1까지 하락하였습니다(노무라 종합연구소 보고서, 2026년 3월). 이는 신규 획득의 둔화와 기존 고객의 Contraction(플랜 축소)이 동시에 진행된 결과입니다. Quick Ratio를 개선하려면 분자(New + Expansion)를 늘리는 것보다 분모(Churn + Contraction)를 억제하는 쪽이 투자 대비 효과가 높은 경우가 대부분입니다.
Quick Ratio를 '세그먼트별'로 분해하여 보는 것도 2026년의 표준입니다. 기업 규모별, 플랜별, 업종별로 별도 산출하면, 전체에서는 2.0이라도 엔터프라이즈 세그먼트만 5.0, 중소 세그먼트가 0.8이라는 분포가 보입니다. 후자에서는 적극적으로 철수하고, 전자에 투자를 집중하는 경영 판단으로 이어집니다.
Engagement: Weight-of-Evidence와 Power User Curves
사용자 참여도를 측정할 때 단순한 '로그인 횟수'나 '세션 수'로는 불충분합니다. 2026년의 표준은 Weight-of-Evidence(WoE) 변환을 사용하여 복수의 행동 지표를 '해지 확률' 관점에서 통합 스코어화하는 방식입니다.
구체적으로는 과거 6개월 데이터로부터 '특정 행동을 취한 사용자의 해지율'과 '취하지 않은 사용자의 해지율'의 로그 오즈비를 계산하여 각 행동에 WoE 점수를 부여합니다. 그 점수를 합산하여 '참여도 점수'로 삼습니다. 이 방법의 강점은 단순한 빈도 기반 지표보다 해지와의 상관관계가 훨씬 강하다는 것입니다.
Power User Curves는 사용자의 '월간 활동 일수 분포'를 히스토그램으로 시각화하는 방법입니다. 가로 축이 월내 활동 일수(1~30일), 세로 축이 사용자 수로, 오른쪽(고빈도)에 두께가 있는 'Smile Distribution'이 이상적인 형태입니다. Slack / Notion / Figma 같은 일별 이용형 제품에서는 오른쪽 끝(월 30일 활동) 사용자 비율이 15%를 초과하면 강한 참여도로 간주됩니다.
L7 / L28은 Facebook에서 유래한 지표로, L7은 지난 28일 중 활동한 일수를 주 평균화한 것, L28은 지난 28일의 활동 일수 자체를 의미합니다. L28/28 = 1.0(매일 활동) 사용자가 전체의 10%를 초과하면, 해당 제품은 '일과 습관'으로 자리잡았다고 판단할 수 있습니다. 주별 SaaS(예: 회계, HR)에서는 대신 L4/4를 사용합니다.
North Star Metric 설계의 실전
North Star Metric(NSM)은 조직이 공통으로 추구하는 단일 수치로, '제품이 고객에게 전달하는 가치의 총량'을 근사하는 지표입니다. 설계 원칙은 3가지입니다. 첫째는 '빈도 × 폭 × 깊이'의 3축을 포함할 것. 둘째는 '매출의 선행 지표'일 것. 셋째는 '사용자 측의 행동'을 축으로 할 것(매출이 아닌).
나쁜 NSM의 예는 'DAU(Daily Active Users)'입니다. 단순한 로그인만으로는 가치 제공을 측정할 수 없습니다. 좋은 NSM의 예는 Airbnb의 'Nights Booked', Slack의 'Messages Sent in Paying Teams', Zoom의 'Weekly Meeting Minutes'입니다. 이것들은 빈도·폭·깊이를 동시에 포착하며 매출과 강한 상관관계를 갖습니다.
일본 SaaS의 설계 예로, 청구서 SaaS라면 '월간 처리 완료 청구서 수 × 활성 기업 수', 인재 관리 SaaS라면 '월간 완료 1on1 횟수 × 관리자 × 구성원 페어 수', EC SaaS라면 '월간 완료 주문 수 × 입점자 수'가 적절한 NSM 후보가 됩니다. NSM을 결정했다면 대시보드 최상단에 고정 표시하고, 전사 주간 회의의 첫 번째 안건으로 삼는 거버넌스가 효과적입니다.
일본 SaaS 해지 예측 모델: XGBoost와 Causal Forest
해지 예측은 '향후 30일 이내에 해지할 확률'을 개별 사용자 단위로 추정하는 모델입니다. 2026년의 주류는 XGBoost(특성 변수 100~300개) 또는 Causal Forest(개입 효과 추정 포함)의 두 가지입니다.
XGBoost 모델의 특성 설계는 크게 4가지 범주로 나눕니다. 첫째는 이용 빈도 계열(L28, 직근 7일 / 28일 / 90일의 차분). 둘째는 기능 활용도 계열(이용한 기능 종류 수, 핵심 기능 이용 빈도). 셋째는 조직 계열(계약 기간, 사용자 수 변화, 결제 지연 이력). 넷째는 지원 계열(티켓 수, NPS, CS 미팅 실시 횟수).
모델 평가는 단순한 정확도(Accuracy)가 아닌 PR-AUC(Precision-Recall AUC)로 봅니다. 해지는 클래스 불균형(전형적으로 양성 10% 미만)이기 때문에 ROC-AUC는 부당하게 높게 보입니다. 2026년의 성숙한 SaaS에서는 해지 예측 모델의 PR-AUC가 0.45~0.60, Recall@20%가 55~70%의 범위가 실용 수준입니다.
Causal Forest는 해지 예측에서 한 단계 나아가 '어떤 개입(CS 면담 / 할인 / 기능 제안)이 어떤 사용자에게 가장 효과적인가'를 개별 추정하는 기법입니다. Econ-ML(Microsoft 제 OSS)이나 GrowthBook의 Causal ML 기능으로 구현할 수 있습니다. 단순한 해지 예측보다 구현 비용은 높지만, 개입 ROI가 명확하게 시각화되어 CS팀의 업무 배분을 근본적으로 재검토할 수 있습니다.
해지 예측 모델 운용의 함정
해지 예측 모델을 실서비스에 운용할 때 자주 빠지는 함정이 3가지 있습니다. 첫째는 'Feedback Loop'입니다. 해지 예측에서 고위험으로 플래그된 사용자에게 CS가 개입하여 해지를 막은 경우, 해당 사용자는 다음 달 '해지하지 않음'으로 모델에 학습됩니다. 그러면 다음에는 저위험으로 판정되어 개입받지 못하고 결국 해지합니다. 이 악순환을 피하려면 개입 이력 자체를 특성 변수로 명시적으로 포함하고, 반사실(Counterfactual)을 고려한 학습으로 전환해야 합니다.
둘째는 'Concept Drift'입니다. 제품의 UI 변경, 가격 개정, 기능 추가가 있을 때마다 특성 변수와 해지의 관계가 변합니다. 모델은 최소 월 1회 재학습하고, 예측 성능(PR-AUC, 보정)이 임계값을 하회하면 자동으로 경고를 발령하는 운용이 필수입니다.
셋째는 '개입 용량의 제약'입니다. 모델이 월 100건의 고위험 사용자를 감지해도 CS팀이 개입 가능한 것이 월 30건이라면, 우선순위 결정 로직이 별도로 필요합니다. 여기서 효과를 발휘하는 것이 Causal Forest의 '개입 효과의 크기'로, 해지 확률 × 개입 효과를 곱한 '개입 기대 리프트(lift)'로 정렬하는 것이 2026년의 정석입니다.
구현 스택의 현실적 해법
- 년 일본 SaaS에서의 유지율 분석 구현 스택 권장은 다음과 같습니다. 데이터 기반은 BigQuery 또는 Snowflake. 이벤트 수집은 PostHog 또는 Segment + Snowplow. 유지율 대시보드는 Hex 또는 Mode(SQL+Python). 해지 예측 모델은 Vertex AI / SageMaker의 AutoML, 또는 자체 XGBoost + MLflow 관리. CS 측 개입 워크플로는 Catalyst, Vitally, 또는 자체 개발 도구.
이 구성으로 인건비와 인프라 비용을 합친 연간 비용은 연 매출 30~50억 엔 규모의 SaaS에서 3,000만~5,000만 엔. LTV/CAC의 개선 효과를 감안하면 6개월 이내에 투자 회수가 가능한 경우가 많습니다.
유지율 분석의 2026년 체크리스트
- Cohort Retention은 '등록 월'과 '플랜', '세그먼트'로 반드시 다축 분해한다
- Quick Ratio를 세그먼트별로 분해하여 철수해야 할 세그먼트를 명시한다
- Power User Curves와 L28을 사용하여 일별/주별 참여 유형을 파악한다
- North Star Metric을 '빈도×폭×깊이'로 설계하고 전사 주간 회의의 첫 번째 안건으로 삼는다
- 해지 예측 모델은 PR-AUC와 보정(calibration)으로 평가하고 월 1회 재학습한다
- Causal Forest로 개입 효과를 개별 추정하여 CS 업무를 기대 리프트로 정렬한다
- Feedback Loop를 피하기 위해 개입 이력을 특성 변수에 포함한다
유지율 분석은 2026년, '제품 관리의 중심'에서 '경영의 중심'으로 격상되었습니다. 신규 획득 단가가 계속 오르는 시장에서는 기존 고객 한 명 한 명의 행동을 모델화하고 개별 최적화하는 조직만이 살아남을 수 있습니다.