시나리오 예제 5건
D2C 패션 몰과 B2B SaaS, 리퍼럴, 구독 앱, 아웃바운드 예측을 벤치마크와 몬테카를로로 계산해 전환 수와 CAC 구간을 구하는 실습입니다
글·검토 Eric Han · 리옵트 공동창업자·CTO
핵심 요약
- 패션 몰에 Meta $10,000를 쓰면 증분 구매는 2~350건, 중앙값 63건, 증분 CAC는 중앙값 $160입니다. 구간이 넓은 이유는 스토어 간 차이를 그대로 넣었기 때문입니다.
- B2B SaaS 검색 $10,000는 유료 고객 1.7~12.4명, 중앙값 5.0명, CAC 중앙값 $1,981입니다. 점 추정 $1,729만 보면 위험이 가려집니다.
- 리퍼럴은 위에서 내려간 값(한 라운드 약 7명)과 누적 앵커(약 4년간 3,600~6,000명)의 차이가 큽니다. 두 값을 함께 봐야 합니다.
- 구독 앱 3만 다운로드는 유료 395~1,284명입니다. 같은 자료의 다른 지표(870명)와도 크게 어긋나지 않습니다.
- 예제의 사전 강도와 분포는 이 책의 판단입니다. 계산 과정을 보여주는 용도이며 예측값이 아닙니다.
계산 방식
단계별로 베타 분포를 뽑아 20만 회 반복했고(독립 가정), 표의 구간은 5%, 50%, 95% 분위입니다. 구체 절차는 벤치마크를 구간으로에 있습니다. 예산과 시장은 가상의 값입니다. 예제의 시뮬레이터는 8,000회 반복이라 표 값과 조금 다르게 나옵니다.
예제 1. D2C 패션 몰, Meta
상황. 미국 패션 D2C, Meta 트래픽 캠페인에 $10,000를 씁니다.
| 입력 | 값 | 근거 |
|---|---|---|
| CPC | $0.71 | LocaliQ 2026 의류, C |
| 세션 | 14,085 | 예산÷CPC |
| 세션 전환율 | 평균 1.0%, | Littledata 패션 중앙값, C. 강도는 전체 스토어 분위로 구한 값 |
| 보고÷증분 배수 | 균등 0.85~2.0 | PIE와 Haus를 묶은 구간. 업종 평균과 연구 간 차이를 불확실성 대용으로 쓴 이 책의 판단 |
예제 1 직접 돌려 보기
표의 입력값이 기본값입니다.
입력 하나만 5%, 95% 분위로 움직이고 나머지는 평균에 둔 값입니다. 위쪽부터 먼저 재세요.
- 세션 전환율3건 ~ 333건
- 보고÷증분 배수73건 ~ 155건
단계를 서로 독립으로 두고 8,000회 반복한 값입니다. 단계가 함께 움직이면 실제 구간은 더 넓습니다. 세로선은 5%, 중앙값(진한 선), 95%이고 분포의 마지막 칸은 99% 분위 이상을 모은 값입니다.
결과
| 지표 | 5% | 50% | 95% |
|---|---|---|---|
| 세션 전환율 기준 구매 | 3 | 87 | 464 |
| 증분 구매 | 2 | 63 | 350 |
| 증분 CAC | $29 | $160 | $4,138 |
민감도. 를 바꾸면 증분 구매 구간이 다음처럼 변합니다.
| 5% | 50% | 95% | |
|---|---|---|---|
| 30 | 0 | 25 | 482 |
| 77 | 2 | 63 | 350 |
| 300 | 26 | 90 | 235 |
읽는 법. 객단가 마진이 $60 언저리라면 좋은 쪽 끝에서만 수익이 납니다. 신규 고객 재구매를 고려하기 전에는 위험한 예산입니다. 구간이 이렇게 넓은 것은 내 스토어의 전환율을 모른다고 두었기 때문이고, 자사 세션 2주분만 있어도 크게 좁아집니다. 세션 전환율이 가장 흔들리는 단계이므로 이 값을 먼저 잽니다. Meta 구매 최적화 캠페인의 증분 CAC 추정 분포(10~90분위 $5.86~$241.95)와 비교하면 중앙값 $38.16의 약 4배입니다. 트래픽 목적 캠페인이라는 차이를 감안해야 합니다.
빠뜨린 것. 광고 유입 세션은 사이트 평균보다 전환이 낮을 수 있고, 트래픽 목적 캠페인이어서 구매 최적화보다 불리합니다. 포화와 재구매도 넣지 않았습니다.
예제 2. B2B SaaS, 구글 검색
상황. 카드 미등록 트라이얼 제품, 검색에 $10,000를 씁니다.
| 입력 | 값 | 근거 |
|---|---|---|
| CPC | $5.87 | LocaliQ 비즈니스 서비스, C |
| 클릭 | 1,704 | 예산÷CPC |
| 클릭→트라이얼 | 평균 4.85%, | LocaliQ CVR을 트라이얼로 읽은 가정(전환 정의 미공개). ChartMogul 방문→가입 4.5%(분모 다름)도 비슷한 크기 |
| 트라이얼→유료 | 평균 7%, | ChartMogul 좋음 4~6%, 우수 10~15%, C |
예제 2 직접 돌려 보기
표의 입력값이 기본값입니다.
입력 하나만 5%, 95% 분위로 움직이고 나머지는 평균에 둔 값입니다. 위쪽부터 먼저 재세요.
- 클릭→트라이얼2.2명 ~ 10.5명
- 트라이얼→유료2.8명 ~ 9.7명
단계를 서로 독립으로 두고 8,000회 반복한 값입니다. 단계가 함께 움직이면 실제 구간은 더 넓습니다. 세로선은 5%, 중앙값(진한 선), 95%이고 분포의 마지막 칸은 99% 분위 이상을 모은 값입니다.
| 지표 | 5% | 50% | 95% |
|---|---|---|---|
| 트라이얼 | 33 | 78 | 150 |
| 유료 고객 | 1.7 | 5.0 | 12.4 |
| CAC | $808 | $1,981 | $5,828 |
점 추정은 트라이얼 83건, 유료 5.8명, CAC $1,729입니다. 점 추정 CAC가 중앙값보다 낮은 이유는 베타 분포가 오른쪽으로 치우쳐 유료 고객의 중앙값(5.0)이 평균(5.8)보다 낮기 때문입니다. CAC 중앙값은 예산을 유료 중앙값으로 나눈 값입니다.
읽는 법. ACV $1,200라면 회수 기간은 매출 기준으로 좋은 쪽 약 8개월, 중앙값 약 20개월, 나쁜 쪽 약 4.9년입니다(마진 미반영). 트라이얼→유료 단계가 결과를 가장 흔듭니다. 유료 5명 표본으로는 CAC를 판정할 수 없으므로 첫 판단은 트라이얼 수와 활성화로 하고, 유료 전환은 더 쌓일 때까지 기다립니다.
빠뜨린 것. 증분 보정이 없습니다. 비브랜드 검색의 신생 브랜드 배수는 공개 값이 없어 자사 실험으로 잡아야 합니다.
예제 3. 리퍼럴 프로그램
상황. 활성 고객 2만 명인 소비자 서비스가 추천 프로그램을 시작합니다. 한 번의 프롬프트 라운드를 계산합니다.
| 입력 | 값 | 근거 |
|---|---|---|
| 프롬프트 노출률 | 평균 30%, | 판단. 공개 자료 없음 |
| 공유율 | 평균 3%, | ReferralCandy 상위 25% 진입 4.64% 아래 |
| 공유자당 초대 | 균등 1~4 | 판단 |
| 초대 전환율 | 평균 3%, | Leskovec 0.5%와 Aral·Walker 10% 사이 |
| 지표 | 5% | 50% | 95% |
|---|---|---|---|
| (×1,000) | 0.02 | 0.33 | 2.49 |
| 추천 고객 | 0.3 | 6.7 | 49.9 |
직접 돌려 보려면 리퍼럴 시뮬레이터를 쓰세요.
위아래 비교. 한 라운드 는 약 0.0003입니다. Gershon·Jiang의 관측 시점 누적 0.18~0.30을 쓰면 2만 명에서 약 4년간 3,600~6,000명입니다(계산). 두 값이 크게 다른 이유는 약 4년 누적에는 수없이 많은 프롬프트와 자연 추천이 들어 있기 때문으로 보입니다.
읽는 법. 캠페인 한 번으로 큰 숫자를 기대하면 안 되고, 리퍼럴은 상시 프로그램으로 평가합니다. 노출률과 공유자당 초대는 근거가 없는 입력이니 먼저 잽니다. 증분율은 On/Off 실험 전까지 미상입니다.
예제 4. 구독 앱
상황. 헬스 앱, 다운로드 3만 건.
| 입력 | 값 | 근거 |
|---|---|---|
| 다운로드→트라이얼 | 평균 6.9%, | RevenueCat 헬스, B |
| 트라이얼→유료 | 평균 37.7%, | 같은 자료, B |
예제 4 직접 돌려 보기
표의 입력값이 기본값입니다.
입력 하나만 5%, 95% 분위로 움직이고 나머지는 평균에 둔 값입니다. 위쪽부터 먼저 재세요.
- 다운로드→트라이얼423명 ~ 1,220명
- 트라이얼→유료553명 ~ 1,020명
단계를 서로 독립으로 두고 8,000회 반복한 값입니다. 단계가 함께 움직이면 실제 구간은 더 넓습니다. 세로선은 5%, 중앙값(진한 선), 95%이고 분포의 마지막 칸은 99% 분위 이상을 모은 값입니다.
| 지표 | 5% | 50% | 95% |
|---|---|---|---|
| 유료 전환 | 395 | 744 | 1,284 |
점 추정은 780명이고, 같은 자료의 다운로드→유료 35일 2.9%로 계산하면 870명입니다. 독립 검증은 아닙니다.
한국 시장이라면. 위 값을 그대로 쓰지 마세요. 공개 값이 아태까지만 분해되고, 2025년 2월 트라이얼 규제로 구조가 달라졌습니다. 평균을 낮추기보다 를 10~30으로 낮춰 구간을 넓히고 파일럿으로 갱신합니다.
예제 5. 아웃바운드
상황. 콜드메일 1만 통을 보냅니다.
| 입력 | 값 | 근거 |
|---|---|---|
| 답장 | 0.45% → 45건 | Belkins, C |
| 발송→미팅 | 평균 0.016%, | Belkins 753만 통에 미팅 1,200건 이상(계산) |
| 미팅→수주 | 평균 19%, | Ebsta×Pavilion 신규 승률 18~19%(정의 차이 있음) |
예제 5 직접 돌려 보기
발송 수를 늘리며 수주가 언제 의미 있어지는지 보세요.
입력 하나만 5%, 95% 분위로 움직이고 나머지는 평균에 둔 값입니다. 위쪽부터 먼저 재세요.
- 발송→미팅0.01건 ~ 0.98건
- 미팅→수주0.17건 ~ 0.46건
단계를 서로 독립으로 두고 8,000회 반복한 값입니다. 단계가 함께 움직이면 실제 구간은 더 넓습니다. 세로선은 5%, 중앙값(진한 선), 95%이고 분포의 마지막 칸은 99% 분위 이상을 모은 값입니다.
| 지표 | 5% | 50% | 95% |
|---|---|---|---|
| 미팅 | 0.04 | 0.99 | 5.15 |
| 수주 | 0.01 | 0.18 | 1.02 |
평균은 미팅 1.6건, 수주 0.3건입니다. 0.016%는 하한이라 실제는 더 높을 수 있지만, 이 값에서는 1만 통으로 수주를 기대하기 어렵고 10만 통이어야 수주 중앙값 1.8건(95% 분위 10.2건)입니다. 미팅 승률 자리에 기회 기준 승률을 쓴 부분이 약한 연결입니다. 자사 CRM의 미팅→수주 값이 있다면 가장 먼저 교체합니다.