이탈률 계산법, 신규·안착 고객을 섞어 보면 생기는 착시

"저희 이탈률은 몇 달째 안정적입니다." 회의에서 이 문장이 나오면 대개 좋은 소식으로 받아들여집니다. 그런데 이탈률이 안정적으로 보이는 회사 중 상당수는 서비스가 좋아져서가 아니라 신규 유입이 줄어서 그렇게 보이는 것입니다.

결론부터 말씀드리면, 전체 이탈률은 하나의 숫자가 아니라 신규 고객과 안착 고객의 가중평균입니다. 그래서 두 집단의 이탈률이 그대로여도 구성비만 바뀌면 전체 이탈률이 움직입니다. 신규가 줄면 좋아 보이고, 신규가 늘면 나빠 보입니다. 이탈률은 반드시 두 집단으로 쪼개서 계산하고, 변화가 생기면 그 변화를 「구성비 때문에 생긴 몫」과 「실제로 더 떠난 몫」으로 나눠 읽어야 합니다.

이 글은 제 뉴스레터에서 다뤘던 「이탈률이 안정적으로 보일 때가 가장 위험합니다」를 한 단계 더 들어가 정리한 것입니다. 이탈률을 신규와 안착으로 나눠 계산하는 법, 유입이 바뀔 때 숫자가 어떻게 속이는지, 변화를 두 몫으로 분해하는 공식, 그리고 이 이탈률로 고객 천장(CC)을 계산할 때 시점을 어떻게 골라야 하는지까지 다룹니다.

이탈률이란 — 두 가지 이탈률부터 구분합니다

「이탈률」이라는 단어는 두 가지 뜻으로 쓰입니다. 하나는 웹 분석의 이탈률입니다. Google 애널리틱스 4(GA4) 고객센터는 이탈률을 「참여하지 않은 세션의 비율」로 정의하고, 10초 이상 지속되거나 주요 이벤트가 있거나 페이지를 2회 이상 본 세션을 참여 세션으로 봅니다(2026년 10월 확인). 이건 방문 한 번의 품질을 재는 숫자입니다.

이 글의 이탈률은 다른 숫자입니다. 고객이 서비스를 떠나는 비율, 영어로는 churn rate입니다. 공식은 단순합니다.

기간 이탈률 = 기간 중 떠난 고객 수 ÷ 기간 시작 시점의 활성 고객 수

구독 서비스는 해지 버튼이 있어서 「떠났다」가 분명합니다. 쇼핑몰은 다릅니다. 고객이 떠난다고 알려 주지 않으니 「마지막 방문(또는 구매) 후 N일 동안 다시 오지 않으면 이탈」처럼 기준을 정해야 합니다. 이 N은 상품의 구매 주기에 맞춥니다. 화장품처럼 한두 달마다 사는 상품과 가구처럼 몇 년에 한 번 사는 상품의 N이 같을 수는 없습니다.

그리고 분자와 분모의 기간을 맞춥니다. 주간 이탈률이면 주간 신규 유입과 짝을 짓고, 월간 이탈률이면 월간 신규 유입과 짝을 짓습니다. 뒤에서 다룰 CC 계산에서 이 규칙이 그대로 쓰입니다.

전체 이탈률은 신규와 안착 고객의 가중평균입니다

고객을 두 집단으로 나눠 보겠습니다.

• 신규 고객 — 들어온 지 얼마 안 된 고객입니다. 아직 이 서비스가 자기에게 왜 필요한지 경험하지 못했으니 이탈률이 높습니다

• 안착 고객 — 그 경험을 하고 남기로 결정한 고객입니다. 이탈률이 낮습니다

전체 이탈률은 이 두 숫자를 각 집단의 비중으로 섞은 값입니다.

전체 이탈률 = 신규 비중 × 신규 이탈률 + 안착 비중 × 안착 이탈률

아래는 설명을 위한 예시 숫자입니다.

신규 고객의 주간 이탈률이 40%, 안착 고객이 5%인 서비스가 있고, 안착 고객이 1만 2,000명이라고 하겠습니다. 이번 주 신규가 1,000명 들어오면 전체 이탈률은 (1,000 × 40% + 12,000 × 5%) ÷ 13,000 = 7.7%입니다. 신규가 400명이면 6.1%, 3,000명이면 12.0%가 됩니다.

세 경우 모두 서비스는 같습니다. 온보딩도, 상품도, 메시지도 바뀌지 않았습니다. 바뀐 건 이번 주에 몇 명이 새로 들어왔느냐뿐입니다. 그런데 보고서에 올라가는 숫자는 6.1%에서 12.0%까지, 두 배 가까이 출렁입니다. 전체 이탈률 하나만 보면 서비스의 변화와 유입의 변화를 구분할 수 없다는 뜻입니다.

이탈률이 안정적으로 보일 때 실제로 일어나는 일

이 구조가 가장 위험해지는 순간은 신규 유입이 줄어들 때입니다. 광고 예산을 줄였거나, 시즌이 끝났거나, 입소문이 식었을 때입니다.

아래는 설명을 위한 예시 숫자입니다.

앞의 서비스에서 주간 신규 유입이 1,000명에서 400명으로 줄었다고 하겠습니다. 두 집단의 이탈률은 그대로 40%와 5%로 둡니다. 유입이 줄어든 첫 주, 전체 이탈률은 7.7%에서 6.1%로 내려갑니다. 신규 비중이 줄었으니까요. 이후 1년 동안 이 숫자는 천천히 올라가지만 52주째에도 7.4%로, 평소보다 낮습니다. 대시보드만 보면 1년 내내 「이탈률이 개선됐다」 또는 「안정적이다」라는 보고가 나옵니다.

같은 기간 활성 고객은 1만 3,000명에서 5,726명으로 줄어듭니다. 절반 아래입니다. 이탈률이 안정적인 동안 회사는 줄어들고 있었던 것입니다.

반대 방향도 똑같이 속입니다. 광고를 늘려 신규를 주 3,000명씩 데려오면 전체 이탈률은 첫 주에 12.0%로 뜁니다. 그러면 회의에서 거의 자동으로 이런 결론이 나옵니다. 「광고로 들어온 고객이 질이 나쁘다. 타겟팅이 잘못됐다.」 하지만 이 예시에서는 신규 이탈률이 40% 그대로입니다. 유입을 늘렸을 뿐인데 숫자가 나빠 보인 것입니다. 이 결론을 믿고 광고를 끄면, 아무 문제 없던 성장 레버를 스스로 내려놓게 됩니다.

신규 이탈률이 실제로 오르는 경우도 있습니다

그렇다고 「신규 타겟팅이 잘못됐다」가 늘 틀린 말은 아닙니다. 서비스가 커질수록 들어오는 사람의 성격이 실제로 바뀌기 때문입니다.

사회학자 에버렛 로저스가 1962년 《혁신의 확산》에서 제시한 분류는 새 제품을 받아들이는 사람을 혁신가 2.5%, 초기 수용자 13.5%, 초기 다수 34%, 후기 다수 34%, 지각 수용자 16%로 나눕니다(IMD 비즈니스 스쿨 정리, 2026년 7월). 초기 수용자는 가능성을 보고 먼저 움직이지만, 초기 다수는 신뢰할 만한 근거와 낮은 위험을 확인한 뒤에 움직입니다.

이걸 이탈률로 옮기면 이렇습니다. 초기 고객은 알아서 잘 쓰는 사람들이었고, 다음 집단은 손을 잡아 줘야 하는 사람들입니다. 같은 온보딩으로는 다음 집단의 신규 이탈률이 올라갈 수 있습니다. 이건 구성비가 아니라 신규 집단 자체의 이탈률이 바뀐 것이고, 고쳐야 할 대상입니다. 문제는 전체 이탈률 하나로는 이 둘을 구분할 수 없다는 점입니다.

이탈률 변화를 두 몫으로 쪼개 재는 법

그래서 전체 이탈률이 움직이면 먼저 그 변화를 두 몫으로 나눕니다.

• 구성비 효과 — 집단별 이탈률은 지난 기간 그대로 두고, 이번 기간의 구성비만 적용했을 때 생기는 변화. 유입이 늘거나 줄어서 생긴 몫입니다

• 집단 이탈률 효과 — 이번 기간의 실제 전체 이탈률에서 위 값을 뺀 나머지. 신규나 안착 고객이 실제로 더(또는 덜) 떠나서 생긴 몫입니다

아래는 설명을 위한 예시 숫자입니다.

지난주에는 신규 1,000명, 안착 1만 2,000명, 전체 이탈률 7.7%였습니다. 이번 주에는 광고를 늘려 신규가 2,000명 들어왔고, 신규 이탈률이 40%에서 45%로 올랐습니다. 이번 주 전체 이탈률은 (2,000 × 45% + 12,000 × 5%) ÷ 14,000 = 10.7%입니다. 3.0%p가 올랐습니다.

3.0%p 중 2.3%p는 신규가 늘어서 생긴 몫이고, 고칠 대상이 아닙니다. 고칠 대상은 나머지 0.7%p, 신규 고객이 실제로 더 떠난 몫입니다. 회의 안건이 「이탈률이 3%p 올랐다」에서 「신규 이탈률이 5%p 올랐다, 새로 들어온 고객의 첫 주 경험을 보자」로 바뀝니다.

두 집단이 모두 좋아졌는데 전체가 나빠질 수도 있습니다

구성비의 힘은 더 극단적인 결과도 만듭니다. 같은 예시에서 신규 이탈률이 40%에서 36%로, 안착 이탈률이 5%에서 4.5%로 둘 다 좋아졌다고 하겠습니다. 그런데 같은 주에 신규가 1,000명에서 2,000명으로 늘었다면 전체 이탈률은 (2,000 × 36% + 12,000 × 4.5%) ÷ 14,000 = 9.0%입니다. 지난주 7.7%보다 나빠졌습니다. 두 집단 모두 개선됐는데 합친 숫자는 악화된 것입니다.

통계학에서는 이런 현상을 심슨의 역설이라고 부릅니다. 스탠퍼드 철학 백과사전은 이를 집단 전체에서 보이는 두 변수의 관계가 하위 집단으로 나누면 사라지거나 뒤집힐 수 있는 현상으로 설명하고, 대표 사례로 1975년 버클리 대학원 입학 데이터를 듭니다. 전체로는 남성의 합격률이 높았지만 학과별로 보면 여성에게 불리한 학과가 없었고, 여성이 합격률 낮은 학과에 더 많이 지원한 구성비 차이가 원인이었습니다(2026년 6월 개정판 기준). 이탈률도 똑같습니다. 합친 숫자로 판단하면 개선한 팀이 질책받고, 아무것도 안 한 달이 칭찬받습니다.

이탈률로 CC를 계산할 때 — 계산 시점이 천장을 바꿉니다

이탈률을 제대로 봐야 하는 이유가 하나 더 있습니다. 성장판의 첫 번째 축인 고객 천장(CC)이 이탈률로 계산되기 때문입니다.

CC = 신규 유입 수 ÷ 이탈률 (분자와 분모의 기간을 맞춥니다)

CC는 지금 구조로 도달할 수 있는 고객 수의 천장입니다. 주간끼리 계산하면 주간 활성 고객의 천장, 월간끼리면 MAU의 천장입니다. 재방문율만으로는 MAU가 어디까지 갈지 알 수 없었는데, CC가 그 답을 줍니다. 이 공식과 광고 성과의 관계는 ROAS 3인데 회사가 안 큰다면 — blended CAC 착시와 고객 천장(CC)에서, 성장판 전체 구조는 그로스 마케팅이란 무엇인가에서 다뤘습니다.

문제는 분모입니다. 전체 이탈률이 구성비를 따라 출렁이면, 그걸로 계산한 CC도 출렁입니다. 특히 서비스 초기나 유입이 크게 바뀐 직후에 계산한 CC는 천장이 아닙니다.

아래는 설명을 위한 예시 숫자입니다.

앞의 서비스가 막 출시돼 주 1,000명씩 꾸준히 들어온다고 하겠습니다. 신규 이탈률 40%, 안착 이탈률 5%는 처음부터 끝까지 같습니다.

같은 서비스입니다. 아무것도 바뀌지 않았습니다. 그런데 출시 4주째에 계산한 CC는 실제 천장의 절반도 안 됩니다. 이 숫자를 믿으면 「우리 시장은 작다」는 잘못된 결론으로 갑니다. 반대로 유입이 줄어든 직후에는 이탈률이 낮게 보이니 CC가 실제보다 크게 나옵니다.

쪼개서 계산하면 기다리지 않아도 됩니다

구성비가 안정될 때까지 1년을 기다릴 필요는 없습니다. 두 집단의 이탈률을 따로 알면 천장을 바로 계산할 수 있습니다. 신규 단계가 한 기간이라고 단순화하면, 매 기간 들어온 신규 중 (1 − 신규 이탈률)만큼이 안착 고객으로 넘어가고, 안착 고객은 그 수가 「넘어오는 수 ÷ 안착 이탈률」에 이를 때까지 쌓입니다.

천장 ≈ 신규 유입 수 × (1 + (1 − 신규 이탈률) ÷ 안착 이탈률)

예시의 숫자를 넣으면 1,000 × (1 + 0.6 ÷ 0.05) = 13,000입니다. 출시 4주째에도 이 값을 계산할 수 있고, 구성비가 안정된 뒤 「CC = 신규 유입 수 ÷ 이탈률」로 계산한 값과 같아집니다. 이 식은 두 레버를 바로 보여 줍니다. 신규 이탈률을 낮추면 안착으로 넘어오는 사람이 늘고, 안착 이탈률을 낮추면 그 사람들이 더 오래 쌓입니다.

'안착'의 기준은 아하 모먼트로 정합니다

여기까지 오면 질문이 하나 남습니다. 며칠이 지나야 신규가 아니라 안착 고객인가. 이 기준은 서비스마다 다릅니다. 가장 깔끔한 기준은 아하 모먼트까지 걸리는 시간입니다. 남은 고객이 공통으로 겪은 행동(예: 「가입 후 2주 안에 두 번째 구매」)을 찾았다면, 그 행동을 한 고객을 안착으로 봅니다. 기간 기준보다 행동 기준이 정확합니다. 기간만 지났다고 안착한 게 아니기 때문입니다. 아하 모먼트를 찾는 법은 아하 모먼트 찾는 법 — 신규 고객 80%를 도달시키는 온보딩에 정리해 두었습니다.

기준을 정했으면 표 하나를 매주 채웁니다. 가입 시점으로 묶는 코호트를 쓰면 됩니다. GA4의 동질 집단(코호트) 탐색 분석도 같은 구조로, 코호트에 들어오는 포함 기준과 남아 있는 재방문 기준을 정하고 일·주·월 단위로 묶어 보여 줍니다(Google 애널리틱스 고객센터, 2026년 10월 확인). 아래 표는 앞의 분해 예시를 넣은 모양이고, 숫자는 설명을 위한 예시 숫자입니다.

월요일에 할 일은 세 가지입니다.

1. 이탈의 정의를 한 줄로 적습니다. 「마지막 구매 후 N일 무구매」처럼 쓰고, N은 상품의 구매 주기 중앙값보다 넉넉하게 잡습니다

2. 안착의 정의를 한 줄로 적습니다. 아하 모먼트가 있으면 그 행동으로, 아직 없으면 임시로 「첫 구매 후 30일 생존」 같은 기간 기준으로 시작하고 나중에 바꿉니다

3. 최근 12주를 위 표로 채웁니다. 전체 이탈률이 크게 움직인 주가 있었다면, 그 주의 변화가 구성비 효과였는지 집단 효과였는지부터 봅니다

이 표를 채우고 나면 신규 이탈률이 진짜 개선 대상이라는 게 바로 보이는 경우가 많습니다. 안착 이탈률은 대개 이미 낮고, 숫자를 크게 움직일 여지는 들어온 직후의 첫 경험에 있습니다. 안착한 고객이 왜 떠나는지는 리텐션 높이는 법 — 고객 생애주기를 1년에서 3년으로 늘리는 이탈 신호 3가지에서 따로 다뤘습니다.

광고 유입은 나쁜 게 아닙니다

이렇게 쪼개 보면 광고에 대한 판단도 달라집니다. 오가닉 신규가 처음부터 안정적으로 들어오는 초기 회사는 없습니다. 광고 유입 단가가 낮고, 그 고객의 재방문율이 좋고, 그 고객이 매출로 전환돼 다시 쓸 돈이 남는다면 광고로 CC를 올리는 것도 좋은 방법입니다. 제가 CMO로 있던 직방도 이렇게 성장했습니다. 다만 이 세 조건을 확인하려면 광고로 들어온 신규의 이탈률을 따로 봐야 합니다. 전체 이탈률이 올랐다고 광고를 끄는 건, 쪼개 보기 전에는 내릴 수 없는 결정입니다.

이 방법의 한계

• 두 집단은 단순화입니다. 실제로는 가입 1주차, 4주차, 1년차의 이탈률이 모두 다릅니다. 데이터가 충분하면 가입 시점별 코호트 곡선으로 보는 게 더 정확하고, 두 집단 분해는 그 곡선을 매주 한 줄로 요약하는 도구입니다

• 유입 경로도 구성비입니다. 광고 고객과 오가닉 고객의 이탈률이 다르면, 경로 비중이 바뀌는 것만으로도 신규 이탈률이 움직입니다. 신규 이탈률이 올랐다면 경로별로 한 번 더 쪼갭니다

• 이탈 판정은 늦게 확정됩니다. 「60일 무구매」 기준이면 이번 주 이탈은 60일 뒤에야 확정됩니다. 최근 숫자는 잠정치로 표시하고, 확정치와 섞어 비교하지 않습니다

• 표본이 작으면 흔들립니다. 주 신규가 수십 명이면 신규 이탈률이 우연으로 크게 움직입니다. 이럴 때는 월 단위로 묶어서 판단합니다

• 계절성은 따로 봅니다. 명절이나 대형 할인 행사 직후의 신규는 평소와 다른 사람들입니다. 작년 같은 주와 비교하는 칸을 하나 더 둡니다

확인해 볼 것

• 우리 회사의 이탈률 보고서는 신규와 안착 고객을 나눠서 보여 줍니까, 아니면 하나의 숫자입니까

• 최근 3개월 사이 신규 유입 비중이 크게 바뀐 적이 있고, 그 시기에 이탈률을 근거로 내린 결정이 있습니까

• 「안착」을 기간이 아니라 행동(아하 모먼트)으로 정의할 수 있습니까

• 지금 쓰는 CC는 구성비가 안정된 시점의 이탈률로 계산한 것입니까

플라이휠 그로스 컨설팅과 리토스로는 이렇게 풉니다

이 글의 순서는 이탈과 안착의 정의 → 두 집단으로 쪼개기 → 변화를 구성비와 집단 효과로 분해 → 신규 이탈률을 낮출 레버 찾기입니다.

플라이휠 그로스 컨설팅은 이 순서로 성장판을 진단합니다. CC를 계산하기 전에 이탈률을 신규와 안착으로 뜯어보고, 지금의 CC가 진짜 천장인지 전이 구간의 착시인지부터 가립니다. 그다음 아하 모먼트와 유저 행동 데이터를 분석해 신규 이탈률을 낮출 지점을 찾고, CC와 LTV 개선 목표를 담은 그로스 전략과 실행 워크플로우까지 함께 깝니다.

AI 그로스 CRM, 리토스는 그 처방을 매일 돌리는 쪽입니다. 퍼널 분석이 온보딩·탐색·고려·구매·재구매·초기 이탈·장기 이탈 고객이 각각 몇 명인지와 퍼널별 전환율을 기본으로 보여 주고, AI 데이터 분석가가 아하 모먼트와 재구매 주기를 찾습니다. 저니 매트릭스 보드는 들어온 지 얼마 안 된 고객이 지금 어느 칸에 있는지 매일 다시 계산해, 아하 모먼트 쪽으로 밀어 주는 온보딩 캠페인을 그 칸에 맞춰 보냅니다.

정리

• 고객 이탈률(churn)과 GA4의 이탈률(참여하지 않은 세션 비율)은 다른 숫자입니다. 쇼핑몰은 「N일 무구매」처럼 이탈 기준부터 정합니다

• 전체 이탈률은 신규와 안착 고객 이탈률의 가중평균이라, 구성비만 바뀌어도 움직입니다

• 신규 유입이 줄면 이탈률은 좋아 보이고 회사는 줄어듭니다. 이탈률이 안정적으로 보일 때가 가장 위험한 이유입니다

• 이탈률 변화는 구성비 효과와 집단 이탈률 효과로 나눠 읽습니다. 고칠 대상은 뒤쪽입니다

• 구성비가 안정되기 전에 계산한 CC는 천장이 아닙니다. 두 집단의 이탈률로 따로 계산하면 기다리지 않아도 됩니다

• 안착의 기준은 아하 모먼트로 잡고, 매주 한 장의 표로 신규 이탈률을 추적합니다

참고 자료

• Stanford Encyclopedia of Philosophy — Simpson's Paradox (2026년 6월 개정)

• IMD — Diffusion of innovation theory (2026년 7월)

• Google 애널리틱스 고객센터 — [GA4] 참여율 및 이탈률 (2026년 10월 확인)

• Google 애널리틱스 고객센터 — [GA4] 동질 집단 탐색 분석 (2026년 10월 확인)

자주 묻는 질문

고객 이탈률은 어떻게 계산하나요?

기간 중 떠난 고객 수를 기간 시작 시점의 활성 고객 수로 나눕니다. 쇼핑몰처럼 해지 버튼이 없는 서비스는 「마지막 구매 후 N일 무구매」처럼 이탈 기준을 먼저 정하고, N은 상품의 구매 주기에 맞춥니다. 전체 숫자 하나보다 신규 고객과 안착 고객으로 나눠 계산하는 편이 판단에 쓸모 있습니다.

전체 이탈률이 갑자기 올랐을 때 무엇부터 확인해야 하나요?

신규 유입 비중이 바뀌었는지부터 확인합니다. 집단별 이탈률은 지난 기간 값으로 두고 이번 기간 구성비만 적용해 계산한 값과 실제 값을 비교하면, 상승분이 신규가 늘어서 생긴 몫인지 고객이 실제로 더 떠난 몫인지 나뉩니다. 고칠 대상은 실제로 더 떠난 몫입니다.

이탈률이 몇 달째 안정적이면 서비스가 건강하다고 봐도 되나요?

그것만으로는 판단할 수 없습니다. 신규 유입이 줄면 이탈률이 낮은 안착 고객의 비중이 커져 전체 이탈률은 안정적이거나 오히려 낮아 보이지만, 활성 고객 수는 줄어들 수 있습니다. 신규 유입 수, 신규 이탈률, 활성 고객 수를 함께 봐야 합니다.

↑ 누르면 리토스 소개 페이지로 이동합니다

↑ 누르면 뉴스레터 구독 페이지로 이동합니다

↑ 누르면 플라이휠 그로스 컨설팅 안내 페이지로 이동합니다