Survival 기반 가격 전략 — 이탈 곡선이 가격 의사결정에 어떻게 들어오나

가격을 5% 올렸을 때 매출이 어떻게 변하나의 답은 가격 탄력성 글이 다뤘습니다. 그런데 같은 가격 인상에 대해 다른 질문이 운영적으로 더 무겁습니다 — “유저가 언제 떠나나”. 가격 인상 직후 30일에 가파르게 빠지면 첫 달 응급 대응, 60일에 천천히 빠지면 장기 가격 정책 재검토. 같은 데이터의 다른 측면을 Survival 분석으로 가격 의사결정에 묶어내는 운영을 정리합니다. 시리즈의 마지막 글입니다.

1. 가격 의사결정의 두 측면

가격 결정의 운영 자리는 두 측면입니다.

• 매출·수량 측면 — 가격 변경 후 매출이 얼마나 변할까. 가격 탄력성·MMM이 답.
• 이탈·lifecycle 측면 — 가격 변경 후 유저가 언제 떠날까. Survival 분석이 답.

두 측면이 별개로 보일 수 있지만 운영 결정에는 같이 들어와야 합니다.

가격 5% 인상이 매출 1% 감소·이탈 hazard ratio 1.3 이라면 — 매출은 작게 줄지만 이탈이 30% 가속. 단기엔 영향 작아 보이지만 6개월 누적이 매출의 큰 손실. 두 측면을 같이 봐야 운영 결정이 단단해집니다.

2. 가격 인상 후 survival curve의 변화 패턴

가격 인상이 survival curve에 미치는 영향은 4가지 패턴으로 나뉩니다.

2-1. 즉시 가파른 떨어짐 (D0~D30)

가격 인상 직후 30일 안에 큰 폭의 이탈. 가격에 매우 민감한 세그먼트가 빠르게 빠지는 패턴. 보통 신규 가입자·낮은 LTV 세그먼트에 흔합니다.

2-2. 점진적 떨어짐 (D30~D90)

30일 동안은 변화가 적다가 그 이후 천천히 이탈 누적. 결제 갱신·재구매 사이클에 영향이 누적되는 자리.

2-3. 평탄화 자리 변화

기존엔 D60에서 평탄화되던 곡선이 D90으로 밀린다거나, 평탄화 자리가 더 낮은 retention rate로 안정. 장기 충성 코호트의 정착 자리가 변하는 신호.

2-4. 변화 없음

탄력성이 매우 작은 자리(가격 비민감 카테고리). 가격 인상이 이탈에 거의 영향 없음. 가격 인상의 추가 검토 가치.

이 4가지 중 어느 패턴이 나타나는지가 운영 대응을 결정합니다.

3. Cox PH로 가격을 변수로 넣기

Cox PH 모델에 가격 변수를 추가해 hazard ratio를 추정합니다.

$\Delta P$는 가격 인상 비율(예: 5% = 0.05). $\exp ({\beta }_P)$가 가격 1단위 인상당 hazard 변화. 운영 보고서에 직접 hazard ratio 형태로:

• “가격 5% 인상 시 이탈 hazard ratio 1.30 (95% CI [1.18, 1.43])”
• 의미 — 같은 시점의 이탈 위험률이 30% 증가

3-1. 시간 의존 가격 효과

가격 인상의 효과가 시간에 따라 다른 자리(첫 30일은 hazard ratio 2.0, 그 이후 1.1) — 표준 Cox PH의 비례 위험성 가정이 깨집니다. 시간 의존 변수로 확장:

${\beta }_P(t)$가 시간에 따른 가격 효과. 보통 step function(030일·3190일·91+일) 또는 spline.

from lifelines import CoxTimeVaryingFitter

# df: ['user_id', 'start', 'stop', 'event', 'price_change', 'features']
ctv = CoxTimeVaryingFitter()
ctv.fit(df, id_col='user_id', start_col='start', stop_col='stop', event_col='event')
ctv.print_summary()

이게 본문에 박는 유일한 코드입니다. lifelines의 time-varying Cox로 가격 효과의 시간 동학 추정.

4. 가격·LTV·이탈을 한 모델에 묶기

운영 표준은 세 도구를 결합:

• 가격 탄력성 — 매출 변화
• BG/NBD LTV — 미래 거래 횟수·살아있을 확률
• Survival hazard ratio — 이탈 시점·속도

세 도구를 결합하면 가격 의사결정에 다음 정보가 한 묶음으로 들어옵니다.

5% 인상은 매출 단기 영향 작지만 LTV·이탈에 의미 있는 영향. 이 표가 운영 의사결정의 입력이 됩니다.

5. 마케팅 실무 케이스 3개

5-1. 구독 서비스 가격 인상 결정

월 구독료 인상 검토. 탄력성으로 단기 매출 영향 -2%, BG/NBD로 LTV -8%, Cox로 이탈 hazard ×1.4. 첫 30일 hazard 가파름 패턴 — 할인 retention 캠페인 동시 운영 결정.

5-2. 카테고리별 가격 정책

같은 가격 인상이 카테고리별로 다른 survival 영향. 가격 민감 카테고리는 hazard ×1.5, 비민감 카테고리는 ×1.05. 카테고리별 다른 가격 정책 결정의 토대.

5-3. 이탈 곡선 모니터링으로 가격 정책 검토

이미 시행한 가격 변경의 사후 모니터링. survival curve가 예상 패턴(점진적 떨어짐) 대신 즉시 가파름이면 응급 대응. 매주 코호트 retention 비교로 빠른 신호.

6. 가격·survival 결합이 깨질 때 — 흔한 함정 3가지

6-1. 시간 의존성 무시

표준 Cox PH로 가격 효과 hazard ratio 1.3 같은 한 숫자로 보고. 첫 30일 2.0 / 91일+ 1.1 같은 시간 동학을 놓침. 시간 의존 Cox PH로 분해해야 운영 대응이 달라집니다.

6-2. spillover·external shock

가격 인상 시점에 경쟁사 가격 인하·시즌 변화·매크로 충격이 같이 일어나면, 이탈이 가격 때문인지 다른 요인 때문인지 분리 안 됨. 처리·대조군 분리(가격 인상 안 한 카테고리)로 DiD·CACE/LATE 적용.

6-3. 단일 코호트만 분석

가격 인상의 영향이 신규/기존·세그먼트별로 다른데 평균 한 곡선만 보면 정보 손실. 코호트별·세그먼트별 survival curve 분해가 필수.

7. 시리즈 마무리 — 마케터의 35편 도구상자

이번 시리즈 5편의 perf-marketing 글로 huny.log의 도구상자가 한 단계 더 단단해졌습니다.

7-1. 시리즈 3 — perf-marketing 5편

• Bayesian Optimization 광고 예산
• Incrementality test 결정 트리
• Creative testing scaling
• Customer segmentation mixture
• Survival 기반 가격 전략

7-2. 시리즈 3 — ai 5편

• LLM-as-judge
• 임베딩 운영
• RAG 비용·latency
• 프롬프트 자동 최적화
• AI 에이전트 평가

7-3. 누적 도구상자

이전 두 시리즈와 합쳐 huny.log는 다음 도구를 갖춘 마케터·운영자 아카이브가 됩니다.

• 실험 설계·통계 — A/B + Sequential + Stratified + Switchback + CUPED + FDR
• 인과추론 — DiD + Geo-lift + Synthetic DiD + IV(CACE/LATE·가격) + MMM
• 예측·신뢰구간 — 베이지안 + Conformal + BG/NBD + Survival
• 어트리뷰션 — Shapley + MMM + multi-touch + incrementality 트리
• 최적화·운영 — Bayesian Opt + Thompson + Creative scaling + Segmentation
• AI 운영 — LLM-as-judge + 임베딩 + RAG + prompt 자동 + agent 평가

이 도구들은 한 자리에 다 필요하지 않지만, 도구상자에 들어 있다는 것이 운영 의사결정 자리에 들어갈 때 자신감의 토대가 됩니다.

8. 마치며 — 도구는 결합에서 가치가 생긴다

세 시리즈 35편의 글을 통해 마케터·운영자 도구상자를 채웠습니다. 가장 큰 학습은 도구 자체가 아니라 도구 결합입니다.

한 자리의 답은 한 도구가 주지 않는다. 두세 도구의 결과를 같이 보고, 차이가 있으면 그 차이가 어디서 오는지 묻는 것이 운영의 깊이를 만든다.

가격 결정 = 탄력성 + LTV + Survival. 어트리뷰션 = Shapley + MMM + 인과 트리. 실험 = A/B + CUPED + Sequential + FDR. AI 운영 = LLM-as-judge + 임베딩 + RAG 비용 + 자동 최적화 + 에이전트 평가.

도구를 더 안다고 모든 자리에 만능이 되는 건 아닙니다. 하지만 도구상자가 풍부할수록 의사결정 자리에 들어갈 때 더 정확한 도구를 더 빠르게 고를 수 있습니다.

다음 시리즈는 huny가 IDE에서 35편의 TODO_HUNY 자리를 채우면서 실제 madup·운영 경험을 본문에 녹이는 자리입니다. 시리즈를 닫고 사용자가 다듬는 시간으로.

참고

• Klein & Moeschberger (2003), Survival Analysis (2nd edition) — Cox PH·시간 의존 모델 표준 교과서
• Schmittlein, Morrison & Colombo (1987), Counting Your Customers — Pareto/NBD·BG/NBD 원전
• Tellis (2009), Generalizations about Advertising Effectiveness in Markets, Journal of Advertising Research — 가격·이탈 결합 사례
• lifelines — CoxTimeVaryingFitter — Python 운영 표준
• PyMC-Marketing — CLV — 베이지안 LTV·survival 통합
• huny.log 내부 글: Survival churn, 가격 탄력성, BG/NBD LTV, DiD, CACE/LATE