사장님만 모르는 우리 매장의 진짜 단골

'자주 인사하는 손님'과 실제로 매장을 자주, 꾸준히 찾는 손님은 같은 사람일까요? 자주 보이는 몇 명 때문에 단골이 많다고 느끼기 쉽지만, 장부를 실제로 나눠보면 매출 대부분이 그 몇 명에게서만 나오고 있을 수도 있습니다. 이 글은 '단골'을 감이 아니라 몇 가지 지표로 나눠 살펴보는 방법과, 재구매만으로는 확인되지 않는 부분을 어디서 이어 볼 수 있는지, 그리고 이 방법이 가진 한계를 함께 다룹니다.

이 글에서는 미리 정한 기간 안의 최근 구매일·구매 빈도·구매금액을 서로 다른 지표로 나눠 ‘단골 후보’를 살펴봅니다. 구매금액 하나만으로 방문 빈도나 고객별 수익성을 확정하지 않습니다.

다만 이 지표들을 계산하려면 동일 고객의 거래를 서로 연결할 수 있는 식별 기준이 있어야 합니다. 이 기준이 없으면 개인별 반복구매를 판별할 수 없다는 한계도 함께 살펴봅니다.

재구매 후보가 많다는 사실과 매출이 소수에게 몰려 있지 않다는 사실은 서로 다른 질문에 대한 답입니다. 이 글은 재구매 후보를 나누는 방법까지를 다루고, 매출이 몇 명에게 얼마나 몰려 있는지를 계산하는 정확한 정의·공식과 사례는 아래에서 연결되는 관련 Research에서 다룹니다.

이 글에서는 ‘단골’에 하나의 통일된 기준이 있다고 전제하지 않습니다. 설명을 위해, 사업자가 미리 정한 기간 안에 반복 구매가 확인되는 고객을 ‘단골 후보’라고 부릅니다. 이는 이 글의 점검용 정의일 뿐, 절대적인 기준이 아닙니다.

'단골 후보'와 '기존 고객'도 같은 말이 아닙니다. '단골 후보'는 정한 기간 안에서 반복 구매가 확인되는 손님을 가리키는 점검용 표현이고, '기존 고객'은 그 기간이 시작되기 전부터 거래 이력이 있었던 손님을 가리킵니다. 기간 안에서 두 번째로 방문한 손님을 곧바로 '원래부터 있던 손님'과 같은 뜻으로 쓰면 서로 다른 두 질문이 섞이게 됩니다.

RFM은 최근 구매일(Recency)·구매 빈도(Frequency)·구매금액(Monetary)으로 고객의 과거 행동을 요약해 살펴보는 방법입니다. Fader, Hardie, Lee(2005)에 따르면 이 방법은 특정 논문에서 나온 것이 아니라 direct marketing 실무에서 유래해 널리 쓰이는 방법입니다.

국내에서도 RFM을 적용한 연구가 있습니다(이소영 외, 2004). 다만 이 연구는 부산 소재 한 의료기관의 외래 데이터를 대상으로 한 것이어서, 소상공인 매장 일반에 그대로 적용된 결과는 아니며 이 글에서는 국내에도 이런 적용 사례가 있다는 참고로만 사용합니다.

세 지표는 서로 다른 정보를 줍니다. 최근에 왔지만 드물게 오는 손님, 자주 오지만 한 번에 적게 쓰는 손님, 가끔 오지만 한 번에 크게 쓰는 손님은 모두 다른 유형입니다. 하나의 지표만 보고 '단골'을 정하면 다른 유형을 놓칠 수 있습니다.

Fader 외(2005)는 전통적인 RFM 점수화 방식에 몇 가지 문제가 있다고 설명합니다. 관측된 RFM 값은 고객의 행동 특성을 그대로 보여주는 값이 아니라 불완전한 지표일 뿐이어서, 어떤 기간의 자료를 쓰느냐에 따라 같은 고객의 RFM 값과 점수화 결과가 달라질 수 있고, 이런 점수화 모형은 대체로 다음 한 기간의 행동만 예측하도록 설계돼 있어 여러 기간에 걸친 고객가치를 내다보는 데는 한계가 있다고 지적합니다. 이 글은 이런 한계를 고려해 특정 점수 이상이면 '우수 고객'이라거나 점수가 낮은 손님을 자동으로 등급을 낮추거나 배제하는 방법으로 RFM을 쓰지 않습니다 — 이는 GAON-LAB이 안전한 사용을 위해 정한 운영 원칙이며, 점수의 경계선도 분석하는 사람이 편의상 정하는 기준일 뿐 업종이 합의한 보편적인 기준이 아닙니다.

재구매 후보가 많다는 사실 하나만으로는 매출 구조를 안심할 수 없습니다. 재구매는 '다시 산 손님이 얼마나 되는가'를 보는 질문이고, 매출이 몇 명에게 몰려 있는가는 전혀 다른 질문입니다.

재구매 손님이 많아도 매출 대부분이 한두 명에게서 나온다면, 그 손님이 발길을 끊었을 때의 타격은 재구매 지표만 봐서는 보이지 않습니다. 반대로 손님이 넓게 분산돼 있어도 대부분 한 번 사고 다시 오지 않는다면, 그 매장은 계속 새 손님을 확보해야만 매출을 유지할 수 있습니다. 두 질문은 함께 보되 같은 지표로 다루지 않습니다.

이 두 질문을 함께 계산하는 정확한 정의·분모·공식과 데이터가 계산에 충분한지 판단하는 기준, 세 가지 합성 사례는 이 글 아래에서 연결되는 관련 Research에서 다룹니다. 이 글에서는 그 수식이나 사례 숫자를 다시 옮기지 않습니다.

본격적으로 나눠보기 전에 아래도 함께 확인해두면 좋습니다: 어떤 기간을 볼 것인지, 결제가 완료되고 전액취소되지 않은 주문만 셀 것인지와 취소·환불을 어떻게 뺄 것인지, 지금 기간이 시작되기 전의 거래 이력을 알 수 있는지, 여러 채널(매장·온라인·배달앱 등)을 쓴다면 그 채널들의 손님이 서로 연결되는지, 회원이 아니거나 현금으로 결제해 특정 손님으로 연결할 수 없는 거래가 얼마나 되는지, 지금 갖고 있는 기록이 언제부터 쌓인 것인지.

최근성과 빈도를 계산하려면 동일 고객의 여러 거래를 연결할 수 있는 일관된 식별 기준도 필요합니다. 예를 들어 현재 보유한 기록에 회원번호나 주문계정처럼 거래를 같은 고객 단위로 연결할 수 있는 값이 있는지 확인해야 합니다. 이런 값은 매장 내부 시스템에서만 쓰는 안정적인 내부 고객키로 두고, 그 값 자체나 이를 이용해 뽑은 원본 거래자료를 GAON-LAB이나 외부 AI에 보내지 않습니다.

고객을 구분할 수 없는 익명 합계나 POS 총매출만으로는 실제로 누가 반복 구매하는지 판별할 수 없습니다. 현재 기록에 고객별 거래를 연결할 수 있는 기준이 있는 경우에도, 그 기록을 이 분석에 이용할 수 있는지는 별도로 확인해야 합니다. 이 글은 분석을 위해 이름·전화번호·주소·생년월일을 새로 수집하라고 권하지 않습니다. 기존 기록을 분석에 이용할 수 있는지는 수집 목적, 적용되는 법적 근거, 고지·동의 여부와 실제 처리 방식 등에 따라 달라질 수 있습니다.

개인정보 보호법 제3조는 개인정보처리자가 처리 목적에 필요한 최소한의 개인정보만 수집하도록 하는 원칙을 두고 있습니다. 이 글은 법률 자문이 아니며, 실제 적용은 수집 목적, 적용되는 법적 근거와 처리 방식 등에 따라 달라질 수 있습니다. 다음은 법적 의무를 확정하는 목록이 아니라, 개인정보 보호 원칙을 고려해 이 글에서 제안하는 운영상 주의사항입니다. 실제 적용 가능 여부는 별도로 확인해야 합니다.

분석 목적에 필요한 범위 안에서만 기존 기록을 확인합니다.

가능하면 화면이나 문서에 고객 이름을 직접 표시하지 않고 내부 식별자 등 직접 식별을 줄이는 표시 방식을 검토합니다. 다만 단순한 축약이나 마스킹을 법률상 ‘가명처리’와 같은 것으로 보아서는 안 되고, 이름 같은 항목만 지웠다고 자동으로 ‘안전한 자료’나 ‘익명정보’가 되는 것도 아닙니다. 회원번호나 내부 고객키처럼 매장 내부에서만 쓰는 값도 그 자체로 개인정보나 가명정보에 해당할 수 있어, 이 값을 외부에 보내지 않고 매장 내부에만 두는 것이 안전합니다. 다른 정보와 결합하면 다시 특정 손님을 알아볼 수 있는지도 함께 확인해야 합니다.

고객별 분석 결과를 매장 밖으로 공개하지 않습니다.

이 점검을 위해 불필요한 개인정보를 새로 수집하지 않습니다.

분석에 쓰는 자료의 접근 권한과 보관 기간을 점검합니다.

분석 결과를 특정 고객에 대한 부당한 차별적 대우에 쓰지 않습니다.

익명 집계는 전체적인 방문·구매 패턴을 보여줄 수 있지만, 동일 고객의 반복구매를 판별하지는 못한다는 점도 구분해서 봅니다.

다음 중 하나라도 해당하면 숫자를 억지로 채우지 않고 '계산 불완전'으로만 표시합니다: 고객을 식별할 수 있는 범위를 모른다 · 기간이 시작되기 전의 거래 이력이 없어 어떤 손님이 원래부터 있던 손님인지 구분할 수 없다 · 여러 채널의 손님을 연결할 수 없는데 전체를 합친 결과를 만들려 한다 · 취소·환불을 일관되게 반영할 수 없다 · 전체 매출과 손님별 매출을 더한 값이 맞지 않는데 그 이유를 설명할 수 없다 · 관찰기간이 아직 끝나지 않은 손님이 섞여 있다 · 나눗셈의 분모가 0이다 · 회원이 아니거나 현금으로 결제해 누구인지 알 수 없는 매출의 비중이 매우 커서 계산 결과가 매장 전체 손님 구조를 대표한다고 보기 어렵다. 이럴 때는 0%나 평균값으로 채우지 않습니다.

아래는 계산 방법이 아니라 재구매와 집중도를 어떻게 함께 보는지 보여주기 위한 설명용 합성 상황입니다. 실존 손님이나 실제 상담 사례가 아니며, 공식 평균값도 아니고, 다른 매장에 그대로 적용할 수 없습니다.

자주 오는 손님이 여럿 있어 재구매 지표는 높게 나왔지만, 장부를 나눠보니 그 매출의 상당 부분이 그중 두 손님에게서만 나온 상황이라면, 그 둘 중 한 명이라도 발길을 끊었을 때 남는 매출로 버틸 수 있는지를 재구매 지표와 별도로 살펴봐야 합니다.

손님은 여러 명으로 넓게 분산돼 있지만 대부분 한 번 사고 다시 오지 않은 상황이라면, 매출이 소수에게 몰린 위험은 낮아도 계속 새 손님을 구해야만 매출이 유지되는 구조일 수 있습니다.

회원이 아니거나 현금으로 결제한 손님이 매출의 상당 부분을 차지해 누가 다시 왔는지 알 수 없는 상황이라면, 재구매율을 억지로 계산하지 않고 '계산 불완전'으로 남겨두는 것이 맞습니다.

아래 순서는 진단 결과를 보장하는 절차가 아니라, 점검해보는 참고 순서입니다.

먼저 살펴볼 기간 하나를 정합니다(예: 최근 3개월).

그 기간에 유효하게 인정할 주문 기준을 적어둡니다 — 결제가 완료되고 전액취소되지 않은 주문만 셀지, 취소·환불을 어떻게 뺄지를 먼저 정합니다.

현재 보유한 기록에 같은 고객의 거래를 연결할 수 있는 식별 기준이 있는지와, 그 기록을 이 분석에 이용할 수 있는지를 별도로 확인합니다. 그런 식별자가 없다면 개인별 단골 판별은 이 방법으로는 어렵다는 한계를 인정합니다.

식별자가 있다면 개인정보가 아닌 집계값만 매장 내부에서 계산합니다. 정한 기간 안에서 최근 구매일, 구매 횟수, 구매금액을 각각 따로 정리해 봅니다.

재구매(다시 산 손님의 비율)와 집중도(매출이 몇 명에게 몰렸는지)를 따로 살펴봅니다. 위 '계산 불완전' 조건에 해당하면 숫자를 확정하지 않습니다.

정확한 공식, 분모 기준, 세 가지 합성 사례는 관련 Research에서 확인합니다.

더 깊이 점검하거나 상담이 필요하면 아래 진단·프로그램·문의로 이동합니다.

이 글에서는 RFM을 ‘단골’을 확정하는 기준이 아니라 고객 거래를 나눠 살펴보는 하나의 방법으로 사용합니다. 이 글의 RFM 설명은 Fader, Hardie, Lee(2005)를 핵심 근거로 삼았고, 이소영 외(2004)는 의료기관 외래 데이터를 기반으로 한 국내 적용 참고 사례일 뿐 소상공인 매장에 그대로 일반화할 수 없습니다.

업종, 구매 주기, 계절성에 따라 적절한 분석 기간은 달라집니다. 이 글은 하나의 고정된 기간을 정답으로 제시하지 않습니다.

거래기록만으로는 고객의 만족도, 충성도, 앞으로의 구매 가능성을 확정할 수 없습니다. 반복구매와 수익성 사이의 인과관계를 이 글이 입증하는 것도 아닙니다.

재구매(다시 산 손님의 비율)와 고객집중도(매출이 몇 명에게 몰렸는지)는 서로 다른 질문에 대한 답입니다. 이 글은 재구매 후보를 나눠보는 방법까지만 다루며, 두 질문을 함께 계산하는 정확한 정의·공식과 데이터 완전성 기준, 국내 평균 통계 부재는 관련 Research에서 다룹니다.

개인정보 처리의 적법성은 실제 수집 경로와 이용 목적에 따라 달라지며, 이 글은 그 적법성을 판정하지 않습니다.

GAON-LAB의 소상공인·1인사업자 진단은 상담을 통해 매출·고객 기록과 운영 현황을 함께 점검하는 서비스입니다. 방문 즉시 사용하는 셀프 체크리스트가 아니며, 매출·재구매 증가를 보장하지 않고, 상담 후 범위와 일정을 정해 진행합니다.