Why Light Buyers are Key: 브랜드 매출을 키우는 건 단골이 아니라 가끔 사는 다수

브랜드 매출을 키우는 사람은 단골이 아니라 1년에 한두 번 사는 다수의 light buyer(가끔 사는 고객)입니다. 상위 20% 고객은 1년 매출의 절반 정도만 내고 지금보다 더 사기도 어렵습니다. 우리 브랜드에 적용하려면 먼저 고객별 연간 구매 횟수 분포와 성장분이 어느 구간에서 왔는지를 데이터로 확인해야 합니다.

요약

시장조사 회사 Peel Research Partners의 창업자 Rob Riester는 ‘How Brands Grow’ 시리즈 2편에서 성장 노력을 누구에게 쏟아야 하는지 묻습니다. 바탕은 Ehrenberg-Bass Institute의 Byron Sharp와 Jenni Romaniuk가 쓴 책 『How Brands Grow』(2010·2016)입니다. 많은 마케터는 heavy buyer(자주 많이 사는 단골)가 매출 대부분을 내니 이들에게 집중해야 한다고 믿습니다. 저자는 이 생각이 “completely natural and seemingly logical”하다고 인정하면서도 성장의 주된 원천을 놓치게 만든다고 봅니다. 근거는 셋입니다. heavy buyer는 너무 적습니다. 이미 충성스러워 더 사지도 않습니다. 그리고 브랜드는 light buyer가 크게 늘 때 자랍니다.

숫자로 보면 이렇습니다. 1년 동안 상위 20% 고객이 내는 매출은 통념의 80%가 아니라 약 50%입니다. 나머지 80% 고객이 절반을 냅니다. 영국 코카콜라 구매자의 절반은 1년에 1~2개만 삽니다. 매출 절반을 내는 heavy buyer가 10% 더 사도 전체 성장은 5%에 그칩니다. 중국의 한 치약 브랜드는 1.5%p 성장했는데 그 65%를 1회 구매자가 만들었습니다. 그래서 저자는 마케터에게 light buyer와 비구매자까지 고객 기반을 넓히고 frequency(같은 사람에게 반복 노출)보다 reach(도달 인원)를 앞세우라고 권합니다. 리서처에게는 heavy buyer만 조사하지 말라고 합니다. 아래에서는 이 주장을 떠받치는 메커니즘과 우리 데이터로 확인하고 예산에 반영하는 방법을 정리합니다.

핵심 메커니즘

Pareto Share: 80/20이 아니라 약 50/20

Pareto share는 상위 20% 고객이 매출에서 차지하는 비중입니다. 고객을 구매량 순으로 줄 세운 뒤 위에서 20%를 잘라 그 매출을 전체로 나눕니다. 흔히 80%라고 믿지만 원문이 인용한 Sharp의 연구에서 1년 기준 값은 약 50%입니다. 나머지 80% 고객이 매출의 절반을 내니 이들을 빼고 세운 계획은 매출의 절반을 놓고 시작하는 셈입니다.

이 값은 관찰 기간에 따라 달라집니다. Ehrenberg-Bass Institute가 Kantar 데이터로 약 600개 브랜드를 분석했더니 1분기는 약 40/20, 1년은 50/20 남짓, 5년은 60/20을 조금 넘었습니다. 기간을 늘릴수록 단골이 쌓여 보이는 효과가 커집니다. 같은 연구진은 올해의 상위 20%가 내년에는 덜 사고 올해의 하위 80%가 내년에는 더 산다고 덧붙입니다. 올해 단골 명단으로 내년 매출을 예측하면 부풀려집니다. 사내 보고서의 80/20을 보면 몇 년치 데이터인지부터 확인합니다.

Light Buyers와 NBD: 평균 뒤에 숨은 기울어진 분포

한 브랜드의 구매자를 1년 구매 횟수로 늘어세우면 1~2회 쪽이 가장 두껍고 오른쪽으로 길게 꼬리가 늘어집니다. Andrew Ehrenberg는 1959년 이 모양이 NBD(negative binomial distribution, 음이항 분포)로 잘 맞는다는 것을 보였습니다. 사람마다 평소 구매 성향이 다르고 같은 사람도 해마다 우연히 더 사거나 덜 삽니다. 이 두 겹의 차이가 합쳐지면 다수의 light buyer와 소수의 heavy buyer로 이뤄진 분포가 나옵니다. 그래서 평균 구매 횟수는 대다수 고객의 실제 모습보다 높게 나옵니다.

원문의 영국 코카콜라 사례가 이 모양을 보여 줍니다. TNS Impulse Panel에 따르면 영국 코카콜라 구매자의 50%는 1년에 1~2개만 사고 다수는 3개 이하를 삽니다. 그런데 브랜드 평균은 연 12개입니다. 소수의 초고빈도 구매자가 평균을 끌어올렸습니다. 평균만 보고 전략을 짜면 고객이 이미 자주 산다고 착각하고 빈도를 더 올리는 쪽으로 기울기 쉽습니다.

Heavy Buyer의 산수: 10%를 더 사도 5%

heavy buyer 집중 전략의 상한은 산수로 정해집니다. 원문은 heavy buyer를 고객의 20%, 매출의 50%로 두고 이들이 10% 더 사는 경우를 계산합니다. 전체 성장은 50%의 10%, 곧 5%입니다. heavy buyer는 이미 카테고리에 깊이 들어와 있고 브랜드에도 충성스러워 구매를 더 늘릴 여지가 작습니다. 10% 증가 자체가 쉬운 목표가 아닙니다.

경쟁 브랜드의 heavy buyer를 빼 오는 길도 원문은 믿을 만한 성장 전략으로 보지 않습니다. 이들은 수가 적고 이미 다른 브랜드에 충성하므로 넘어오려면 행동을 크게 바꿔야 합니다.

Penetration 성장: 늘어나는 건 한 번 산 사람

Penetration(침투율)은 일정 기간 한 번이라도 산 사람의 비율입니다. Sharp와 Romaniuk는 많은 브랜드의 성장을 분해해, 성장분이 주로 1회 구매자의 큰 증가에서 온다는 것을 보였습니다. 원문의 중국 치약 브랜드는 전년 대비 1.5%p 자랐고 그 성장분의 65%를 1회 구매자가 냈습니다. 구매 횟수 분포 전체가 오른쪽으로 조금씩 밀릴 때 사람이 가장 많은 1~2회 구간에서 늘어나는 인원도 가장 많기 때문입니다.

시리즈 1편이 다룬 Double Jeopardy(이중 위험의 법칙)도 같은 그림의 다른 면입니다. 원문은 큰 브랜드와 작은 브랜드의 penetration 차이가 주로 light buyer 수에서 난다고 짚습니다. 작은 브랜드가 큰 브랜드를 따라잡으려면 단골을 더 단골로 만드는 것보다 light buyer를 늘리는 쪽이 맞습니다.

Reach over Frequency: 처방은 넓게, 단순하게

앞의 세 메커니즘을 합치면 처방이 나옵니다. 원문은 고객 기반을 light buyer와 비구매자까지 넓히라고 권합니다. 메시지는 단순하게, 매체는 도달이 넓고 단가가 낮은 것으로 고릅니다. 미디어 계획에서는 frequency보다 reach를, 성과 목표에서는 buy rate(구매자당 구매 빈도)보다 penetration을 앞에 둡니다. heavy buyer를 버리라는 말은 아닙니다. 넓게 닿는 마케팅은 heavy buyer에게도 닿습니다. 리서처에게는 표본을 heavy buyer로만 채우지 말라고 합니다. light·medium buyer와 heavy buyer를 나눠 비교하면 light buyer가 누구이고 무엇이 구매를 움직이는지 알 수 있습니다.

통념과 다른 주장

저자가 든 사례

영국 코카콜라: 평균 12개와 절반의 1~2개

• 상황: 영국 코카콜라 구매자의 1년 구매량 (TNS Impulse Panel)
• 한 일: 구매자를 1년 구매 개수로 나눠 분포를 봄
• 결과: 50%는 연 1~2개, 다수는 3개 이하. 브랜드 평균은 연 12개로 소수의 초고빈도 구매자가 끌어올림
• 연결: Light Buyers와 NBD. 평균이 대다수 고객을 대표하지 않는다는 예

heavy buyer 10% 증가 계산

• 상황: heavy buyer가 고객 20%, 매출 50%를 낸다고 가정
• 한 일: 이들의 구매가 10% 는다고 놓고 전체 효과를 계산
• 결과: 전체 성장 5%
• 연결: Heavy Buyer의 산수. 단골 집중 전략의 상한

중국 치약 브랜드: 성장분의 65%는 1회 구매자

• 상황: 중국의 한 치약 브랜드가 전년 대비 1.5%p 성장 (어떤 지표의 %p인지, 데이터 출처는 원문에서 밝히지 않음)
• 한 일: 구매 빈도 구간별로 전년 대비 변화를 나눠 봄
• 결과: 1회 구매자가 성장분의 65%
• 연결: Penetration 성장. 성장은 light buyer 증가에서 온다는 예

기술 디테일: 내 데이터로 light buyer 지표를 뽑으려면

Pareto share를 뽑으려면 거래 원장에서 고객 단위로 묶을 수 있어야 합니다. 필요한 필드는 customer_id, order_date, brand, sku, units, net_amount, channel입니다. 기간은 90일, 365일, 730일 세 창을 나란히 계산합니다. 앞의 연구처럼 기간마다 값이 달라지므로 한 숫자만 보고하면 오해가 생깁니다. 계산은 SQL이나 pandas로 고객별 units 합을 내림차순 정렬하고 상위 20% 누적 비중을 구하면 됩니다. 매출 금액 기준과 수량 기준을 둘 다 내고 가격대가 넓은 카테고리라면 수량 기준을 우선합니다.

구매 횟수 분포와 NBD 적합을 보려면 고객별 365일 구매 횟수를 1, 2, 35, 611, 12회 이상 다섯 구간으로 나눕니다. NBD는 평균 m과 분산 v로 모수를 잡을 수 있습니다(scipy.stats.nbinom, p = m/v, r = m²/(v−m)). 이때 0회 구매자, 곧 카테고리 구매자이지만 우리 브랜드를 안 산 사람이 필요합니다. 자사 데이터에는 0회가 없으므로 0을 뺀 분포(zero-truncated NBD)로 맞추거나 패널 데이터로 모집단을 보완합니다. 구간별 관측 인원과 기댓값을 나란히 놓고 차이가 큰 구간을 봅니다. 가상 예시로, 1회 구간에서 관측이 기댓값보다 크게 적다면 신규 유입이 막혀 있다는 신호로 읽고 원인을 찾습니다.

성장 분해를 하려면 매출을 구매자 수 × 구매자당 수량으로 쓰고 전년과 올해를 위 다섯 구간별로 비교합니다. 구간마다 매출 변화를 구해 전체 성장분 중 몇 %가 어느 구간에서 왔는지 냅니다. 중국 치약 사례의 65%가 바로 이런 계산입니다. 표는 segment, buyers_prev, buyers_curr, units_per_buyer_prev, units_per_buyer_curr, contribution_pct 여섯 열이면 충분합니다. 같은 고객의 구간 이동도 함께 봅니다. 올해 상위 20%가 내년에 얼마나 남는지 보면 단골 명단이 얼마나 흔들리는지 알 수 있습니다.

데이터 출처의 치우침에 대비하려면 멤버십·앱 로그인 데이터만 쓰지 않습니다. 회원 데이터는 자주 사는 사람이 더 많이 잡혀 heavy buyer 쪽으로 기웁니다. 비회원 카드 결제나 소비자 패널, 유통사 POS를 붙여 비중을 보정합니다. 원문이 리서처에게 heavy buyer만 조사하지 말라고 한 경고는 데이터 수집 단계에도 그대로 적용됩니다.

고객 ID가 쪼개지는 경우에 대비하려면 같은 사람의 카드 두 장, 앱과 매장 계정이 따로 잡히지 않게 ID를 먼저 합칩니다. 쪼개진 채로 세면 한 사람의 구매가 여러 명의 1회 구매로 보여 light buyer가 부풀려집니다. 구독·정기배송처럼 구매 주기가 계약으로 정해진 사업이나 B2B 거래에는 이 분포를 그대로 쓰지 않습니다.

LLM을 쓰려면 숫자 계산이 아니라 light buyer의 말을 읽는 데 씁니다. 숫자는 SQL 결과만 믿고 LLM에게 비중을 계산시키지 않습니다. 설문 주관식이나 리뷰를 넣고 구조화 출력으로 respondent_id, purchase_occasion, trigger, barrier, brand_cue 다섯 필드를 받습니다. 세그먼트(light·medium·heavy)는 LLM이 추측하지 않게 거래 데이터에서 붙여 넣습니다. temperature 0으로 같은 입력을 3회 돌려 두 번 이상 일치한 값만 채택하고 셋 다 다르면 사람이 봅니다. 이렇게 모은 표로 light buyer와 heavy buyer의 구매 계기와 장벽을 비교하면 원문이 리서처에게 권한 light·medium 대 heavy 비교가 됩니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일	산출물
마케팅 리더(스폰서)	진단 범위·브랜드 선정, 예산 재배분 결정	재배분 승인 여부
CRM·데이터 분석가	거래 데이터 추출, Pareto share·분포·성장 분해	지표 표 3종
시장조사 담당	light·medium·heavy 비교 조사 설계, 패널 데이터 확보	조사 설계서, 주관식 코딩 표
미디어 플래너	현재 계획의 reach·frequency 점검	매체별 도달·빈도 표
재무 BP	성장 분해 결과로 매출 시나리오 검증	시나리오 비교표

시작 전 준비물: 최근 24개월 거래 원장(고객 ID 포함), 회원·비회원 비중, 카테고리 패널 또는 POS 자료, 최근 캠페인의 매체별 도달·빈도 리포트, 기존 고객 조사 표본 구성.

주차	할 일	산출물
1주	데이터 확보, 고객 ID 결측률과 회원 비중 점검	데이터 점검표
2주	90·365·730일 Pareto share, 구매 횟수 분포, NBD 적합	분포 차트, Pareto share 표
3주	전년 대비 구간별 성장 분해, light·heavy 비교 조사 설계	성장 분해 표, 조사 설계서
4주	매체 계획의 reach·frequency와 비교, 예산 재배분안	경영진 보고 1장

확인 질문:

• 우리가 말하는 80/20은 몇 년치 데이터로 계산했나?
• 1년에 1~2회 사는 고객은 전체 구매자의 몇 %이고 매출의 몇 %인가?
• 지난해 성장분 중 1~2회 구간이 낸 몫은 얼마인가?
• 고객 조사 표본에서 light buyer는 몇 %를 차지하나?
• 지금 매체 계획은 같은 사람에게 몇 번 닿고 카테고리 구매자 중 몇 %에게 닿나?

진행 판정 기준 (가상 예시): 1년 Pareto share가 60% 미만이고 성장분의 절반 이상이 1~2회 구간에서 왔다면, 다음 분기 매체 예산 일부를 도달 중심 매체로 옮기는 파일럿을 엽니다. 반대로 Pareto share가 높게 나오면 데이터가 회원 위주로 치우치지 않았는지부터 다시 봅니다. 파일럿의 성과 지표는 구매자당 빈도가 아니라 penetration과 1회 구매자 수로 둡니다.

AX 적용 제언. AI 개인화와 추천은 데이터가 많은 고객에게 잘 듣습니다. 그래서 알고리즘에 맡기면 예산과 메시지가 저절로 heavy buyer 쪽으로 몰립니다. light buyer는 기록이 적어 개인화 효과가 작습니다. 이들에게는 넓게 닿는 단순한 메시지가 더 맞습니다. 마케팅 AX를 시작하는 조직이라면 개인화 엔진을 들이기 전에 위 4주 진단으로 매출이 어느 구간에서 나오는지 먼저 확인하길 권합니다. 그 뒤 개인화는 heavy buyer 유지에, 도달 매체는 light buyer 확대에 나눠 쓰고 두 예산의 성과를 penetration과 buy rate로 따로 잽니다. 조사 표본에 light buyer 비중을 정해 두는 일은 비용이 거의 들지 않으니 첫 단계로 두기 좋습니다.

원문 사례

항목	내용
저자	Rob Riester (Peel Research Partners 창업자·파트너)
시리즈	How Brands Grow 2편 (1편은 Double Jeopardy)
바탕 문헌	Sharp·Romaniuk, 『How Brands Grow』(Oxford University Press, 2010·2016)
핵심 주장	브랜드 성장은 heavy buyer가 아니라 light buyer 증가에서 온다
Pareto share	1년 기준 상위 20% ≈ 매출 50%, 하위 80% ≈ 절반
영국 코카콜라	구매자 50%가 연 1~2개, 다수는 3개 이하, 평균 연 12개 (TNS Impulse Panel)
heavy buyer 계산	고객 20%·매출 50%가 10% 더 사면 전체 5% 성장
중국 치약 브랜드	전년 대비 1.5%p 성장, 성장분의 65%가 1회 구매자
마케터 처방	고객 기반 확대, 단순한 메시지, 도달 넓고 싼 매체, reach > frequency, penetration > buy rate
리서처 처방	heavy buyer만 조사하지 않기, light·medium 대 heavy 비교 분석

핵심 개념

Heavy buyer

일정 기간 한 브랜드를 자주, 많이 사는 소수 고객.

Light buyer

같은 기간에 한두 번만 사는 고객. 수가 가장 많다.

Buy rate

구매자 한 명이 기간 중 산 평균 횟수나 수량.

Penetration

기간 중 한 번이라도 산 사람의 비율.

Reach / Frequency

광고가 닿은 사람 수와, 한 사람에게 닿은 평균 횟수.

Double Jeopardy

작은 브랜드는 구매자 수도 적고 그 구매자의 충성도도 조금 낮다는 법칙. 시리즈 1편의 주제.

Ehrenberg-Bass Institute

Byron Sharp가 이끄는 남호주대학교의 마케팅 과학 연구소.

내 메모

TODO: 내 생각 추가

원문: Rob Riester, “How Brands Grow: Part 2 - Why Light Buyers are Key”(Peel Research Partners). 발행일은 페이지에서 확인하지 못했습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 저자가 언급한 내용을 AX Review가 다시 정리했습니다. 관찰 기간별 Pareto share와 단골의 다음 해 변화는 Byron Sharp·Charles Graham의 Ehrenberg-Bass Institute 글 ‘The value of Pareto’s bottom 80%‘(marketingscience.info)에서, NBD 설명은 A.S.C. Ehrenberg, ‘The Pattern of Consumer Purchases’(Applied Statistics, 1959)를 바탕으로 보강했습니다. 기술·현업 디테일, 필드 설계, 일정·판정 기준, 인포그래픽은 새로 작성했으며 판정 기준과 분포 그림은 가상 예시입니다. 원문 전체는 Peel Research 사이트에서 볼 수 있습니다.