모바일 개발의 Churn Rate — 정의, 이탈 유형 및 줄이는 방법

모바일 개발에서 Churn Rate란?

Churn Rate(이탈)이란 특정 기간동안 앱과의 상호작용을 중단하거나 구독을 취소한 사용자의 비율을 나타내는 메트릭입니다. 1월에 10,000명의 유료 사용자가 있고 2월에 9,000명이라면, Churn Rate = 10%입니다. 이 메트릭은 구독 모델에서 중요한데, 떠나는 사용자마다 MRR(월간 정기 수익)의 직접적인 손실이기 때문입니다. Churn Rate를 통제하지 않으면, 비즈니스는 구멍난 양튀과 같아서 아무리 부어도 다 새어 나갑니다.

Churn Rate이 SaaS와 구독의 주요 적인 이유

구독 모델에서, Churn Rate는 비즈니스가 얼마나 성장할 수 있는지를 결정합니다. 월간 Churn Rate가 10%일 경우, 평균 고객 수명은 10개월입니다. 공식: 평균 고객 수명 = 1 / Churn Rate。Churn Rate 5%일 때 고객은 20개월, 2%일 때 50개월을 살니다. LTV 차이는 5배입니다. 그래서 성공적인 SaaS 기업(Spotify, Netflix, Zoom)들이 Churn Rate를 주요 운영 지표로 주목하는 것입니다.

Churn Rate vs Retention Rate

Churn Rate와 Retention Rate는 공식으로 관계가 있습니다: Churn Rate = 1 — Retention Rate。 지산율이 80%(월) 그러면 Churn Rate는 20%입니다. 그러나 실무에서는 계산 방법이 달라서 이 두 메트릭이 일치하지 않을 수 있습니다. Retention Rate은 보통 코호트별로 계산되는 반면, Churn Rate는 현재 기반에서 잃은 사용자의 비율입니다. 두 메트릭을 함께 보아야 합니다: 지산은 사용자를 유지하는 효과를, churn은 손실의 규모를 나타냕니다.

Churn 유형: voluntary, involuntary, delinquent

Churn Rate는 사용자이탈 원인에 따라 세 가지 유형으로 나뉕니다. 이탈 유형을 이해하는 것이 감소를 위한 첫 걸음입니다. Voluntary churn — 사용자가 의식적으로 제품을 포기합니다. Involuntary churn — 결제 문제로 인한 기술적 이탈입니다. Delinquent churn — 수동적 방치: 사용자가 제품 사용을 중단하지만 정식으로 구독을 취소하지 않습니다.

Voluntary Churn: 의식적 포기

사용자가 명시적으로 구독을 취소하거나 앱을 삭제합니다. 이유: 가치가 가격을 정당화하지 못함, 대체 제품을 찾음, 요구사항이 변경됨. Voluntary churn은 가장 정보가 풍부한 이탈 유형입니다: 사용자가 떠나는 이유를 설명하면(탈퇴 설문), 팀은 제품 개선을 위한 직접적인 인사이트를 얻습니다. 모바일 구독의 중앙값 voluntary churn은 3–5% 월간입니다.

Involuntary Churn: 기술적 이탈

Involuntary churn은 결제가 실패할 때 발생합니다: 카드 만료, 잠액 부족, 은행 거래 거부. 그 비율은 구독 서비스에서 전체 churn의 20–40%입니다. 해결 방법: dunning 프로세스 — 자동 재시도, 카드 만료 알림, 결제 방법 변경 기능. involuntary churn을 반으로 감소시키면(전체 churn의 40% 20%)으로, 하나의 제품 변경 없이 MRR을 10–15% 증가시킬 수 있습니다.

Delinquent Churn: 수동적 방치

Delinquent churn — 사용자가 앱을 열지 않지만 정식으로 구독을 취소하지 않습니다. 무료 제품에서는 공 사용자일 뿐입니다; 유료 제품에서는 지불하지만 서비스를 사용하지 않는 사용자입니다. 위험: 이러한 사용자는 조만간 결제를 알고 부정적인 리뷰와 함께 구독을 취소할 것입니다. 활동 메트릭(DAU/MAU)을 통한 delinquent churn 모니터링은 이러한 사용자가 떠나기 전에 식별하는 데 도움이 됩니다.

Churn Rate는 어떻게 계산되나요?

Churn Rate 계산은 비즈니스 모델에 따라 달락니다. 구독 앱에서는 간단한 공식이 사용되지만, 실무에서는 몇 가지 세부 사항이 발생합니다. 기본 접근 방식: Churn Rate = (잃은 고객) / (기간 시작 고객) * 100%。 그러나 결정해야 합니다: 모든 사용자를 기반으로 churn을 계산할 것인가 아니면 유료 사용자만 대상으로 할 것인가? 그리고 기간 중간에 올 것인 신규 사용자는 어떻게 할 것인가?

Net Churn vs Gross Churn

Gross Churn Rate — 초기 기반에서 잃은 사용자의 비율입니다. Net Churn Rate는 확장을 고려합니다: 일부 사용자는 요금제를 업그레이드하거나 더 많은 유닛을 구매할 수 있습니다. Net Churn = (잃은 MRR — 확장 MRR) / 초기 MRR * 100%。 Net Churn Rate가 음수인 경우, 비즈니스는 사용자를 잃어도 성장하고 있다는 것입니다(남은 사용자에 대한 업세일링 때문). 모바일 앱의 경우, Gross Churn이 더 투명한 메트릭입니다.

Customer Churn vs Revenue Churn

Customer Churn — 잃은 사용자의 비율。 Revenue Churn — 잃은 MRR의 비율。 이들은 큰 차이가 있을 수 있습니다. 기본 요금제($5) 사용자 10명과 프리미엄($100) 사용자 1명이 떠나면, Customer Churn = 11%, Revenue Churn = 50/500 = 10%입니다. 비즈니스에 게, Revenue Churn이 더 중요합니다. 비싼 고객을 잃는 것이 저렴한 고객의 대규모 이탈보다 수익에 더 큰 타격을 준 것이기 때문입니다. 완전한 그림을 위해 두 메트릭을 분석하세요.

신규 사용자를 고려한 Churn Rate 계산 공식

정확한 Churn Rate 계산에는 기간 중에 유입된 신규 사용자에 대한 조정이 필요합니다. 공식을 사용하세요: Churn Rate = 잃은 사람 / ((시작 + 끝) / 2) * 100%。 여기서 시작 = 기간 시작 사용자, 끝 = 기간 끝 사용자, 잃은 사람 = 떠난 사용자입니다. 시작과 끝의 산술 평균은 특히 빠른 성장 시에 시작만 사용하는 것보다 더 정확한 기저 추정치를 제공합니다.

-- 월간 Churn Rate 계산
WITH monthly_active AS (
    SELECT
        user_id,
        DATE_TRUNC('month', event_date) AS month
    FROM user_events
    GROUP BY user_id, DATE_TRUNC('month', event_date)
),
churn_calc AS (
    SELECT
        curr.month,
        COUNT(DISTINCT prev.user_id) AS prev_users,
        COUNT(DISTINCT curr.user_id) AS curr_users,
        COUNT(DISTINCT prev.user_id) - COUNT(DISTINCT curr.user_id) AS lost
    FROM monthly_active curr
    LEFT JOIN monthly_active prev
        ON curr.user_id = prev.user_id
        AND prev.month = curr.month - INTERVAL '1 month'
    GROUP BY curr.month
)
SELECT
    month,
    ROUND(lost * 100.0 / prev_users, 2) AS churn_rate_pct
FROM churn_calc
WHERE prev_users > 0
ORDER BY month;

Churn Rate 계산시 흔한 실수

첫 번째 실수 — 기간 중에 유입된 신규 사용자를 고려하지 않는 것입니다. 1월에 1000명의 사용자가 있고 200명이 새로 들었으며 100명이 떠났다면, Churn Rate = 100/1000 = 10%입니다. 하지만 올바른 계산은 100/((1000+1100)/2) = 9.5%입니다. 둘째 실수 — voluntary와 involuntary churn을 혼동하는 것입니다. 셈째는 평균 결제 사이클이 한 달인 구독 모델에서 너뭄 짧은 기간(주단)에 churn을 계산하는 것입니다.

앱 카테고리별 Churn Rate 기준

Churn Rate 기준은 앱 유형, 비즈니스 모델 및 제품 성숙도에 따라 달락니다. 구독 모바일 앱의 경우, 월간 Churn Rate가 < 5%는 건강한 것, 5–10%는 만족할 만한 것, > 10%는 위험한 것으로 간주됩니다. 광고 모델의 무료 앱은 Churn Rate가 더 높을 수 있습니다 — 사용자는 재정적 의무가 없고 더 쉽게 떠난니깨.

카테고리별 Churn Rate 벤치마크

Recurly Research (2025) 보고서에 따르면, 다양한 앱 유형의 중앙값 월간 Churn Rate는 다음과 같습니다: Streaming & Media — 5.6%, SaaS B2B — 4.3%, SaaS B2C — 6.8%, E커머스 구독 — 7.2%, 건강 및 월닝 — 6.1%。 첫 30일의 Churn Rate(질처 churn)은 6개월 처리 사용자보다 2–3배 높습니다. 질처 churn을 줄이는 것이 전체 메트릭을 개선하는 가장 빠른 방법입니다.

Churn Rate에 영향을 미치는 요인

가격이 첫 번째 요인입니다. 10%의 가격 인상은 수요의 탄력도에 따라 Churn Rate를 5–15% 높일 수 있습니다. 서브리스 품질이 둘째 요인입니다: 서브리스에 문의하고 1시간 내에 답변을 받은 사용자는 Churn Rate가 30% 낮습니다. 셈째 요인은 경쟁사입니다: 강력한 대체 제품의 등장은 분기마다 Churn Rate를 두 배로 달할 수 있습니다. 너째는 제품 피로도입니다: 사용자가 단조로운 콘텐츠나 기능에 지쳐합니다.

모바일 앱에서 Churn Rate 줄이는 방법

Churn Rate 감소는 제품, 커뮤니케이션 그리고 서브리스 세 가지 레벨에서 해결해야 하는 전략적 과제입니다. 설치 증가와 달리, churn에 대한 작업은 MRR에 직접적인 영향을 미칩니다: 기존 사용자를 유지하는 것은 신규 핝당보다 5–7배 저렴합니다. 이제 Churn Rate 감소를 위한 검증된 전략들을 살펴보겠습니다.

이탈 지점 분석 (churn analysis)

첫 번째 단계는 사용자가 어느 단계에서 떠나는지 찾는 것입니다. 코호트 분석을 실시하세요: 각 코호트에 대해 주간별로 Churn Rate를 결정하세요. 일반적인 이탈 지점: 무료 기간 후, 첫 결제 후, 업데이트 후, 부정적 경험 후. 이탈 지점을 식별하면 팀이 대응 방안을 찾을 수 있습니다: 온보딩 개선, 무료 기간에 더 많은 가치 추가, 결제 과정 간소화.

Win-back 캠페인 및 재참여

모든 떠난 사용자가 영원히 잃는 것은 아닙니다. Win-back 캠페인(이메일, push, SMS)은 잃어버린 사용자의 5–15%를 복구합니다. 전략: 돌아오는 대가로 할인을 제공하고, 떠난 후 제품에서 무엇이 바뀌었는지 보여주며, 받았던 가치를 상기시키세요. win-back의 최가의 시기는 이탈 후 7–14일이며, 아직도 사용자가 제품을 기억하고 있을 때입니다. 이탈 후 30일 이상 캠페인은 2–3배 효과가 떨어집니다.

Customer Success 개선

Customer Success는 이탈을 막는 적극적인 서브리스입니다. 사용자가 떠나기를 기다리는 대신, CS 팀이 원하는 결과를 달성하도록 돕습니다. 모바일 앱의 경우: 개인화된 온보딩, 첫 걸음 체크리스트, 자동 계정 건강 검사. 전담 CS 팀이 있는 앱은 없는 앱보다 Churn Rate가 20–40% 낮으며, 특히 B2B 세그먼트에서 그렇습니다.

import pandas as pd
import numpy as np

def churn_prediction(user_features):
    # 간단한 이탈 예측 모델
    # 각 사용자에 대한 churn 가능성을 반환합니다
    risk_score = (
        (1 - user_features['session_frequency']) * 0.4 +
        (1 - user_features['feature_adoption']) * 0.3 +
        user_features['days_since_last_login'] * 0.2 +
        user_features['support_tickets'] * 0.1
    )
    user_features['churn_risk'] = 1 / (1 + np.exp(-(risk_score * 2 - 3)))
    return user_features.sort_values('churn_risk', ascending=False)