Install any skill in seconds. Free to start, no credit card required.
Get Started Free →[책임 경계] CAC→재구매율→구매주기→ARPU→공헌이익→LTV 6대 지표 연결 모델 + LTV/CAC ratio 진단 + 광고 의존도 진단 + 손익분기 ROAS 자동 계산 + 채널·세그먼트별 재구매율 분해 권장 액션. 페어 스킬 commerce-margin-calculator(단품 마진 계산)와 명확히 구분 — 본 스킬은 고객 단위 수익 구조 설계 전담. 다음과 같은 요청 시 반드시 이 스킬을 사용하세요: "LTV 계산해줘", "CAC vs LTV 진단", "광고 의존도 진단", "ROAS 의존 탈출", "재구매율 분해", "손익분기 ROAS", "고객 수익 구조 설계", "Payback Period", "LTV/CAC ratio", "공헌이익 LTV 분해", "광고비 11% 만들기". 6대 지표 통합: CAC·재구매율·구매주기·ARPU·공헌이익·LTV 연결 다이어그램 + 정상/위험 범위 + 한국 D2C 벤치마크. 광고 의존도 진단: 광고비 매출 비율 30%+ → 11-15% 전환
.claude/skills/modu-ai-commerce-ltv-cac-architect/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-02 | ✗→✓ | ▲ Improved | 92% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 72% | 0% |
| case-11 | ✗→✓ | ▲ Improved | 159% | 0% |
| case-14 | ✗→✓ | ▲ Improved | 152% | 0% |
| case-15 | ✗→✓ | ▲ Improved | 169% | 0% |
ROAS 중심 의사결정에서 LTV 기반 의사결정으로 전환하려는 한국 D2C·이커머스 셀러를 위한 수익 구조 설계 스킬입니다.
책임 한 줄: 매출·광고비·원가·재구매율·구매주기·ARPU 입력 → 6대 지표 연결 모델 + LTV/CAC ratio 진단 + 광고 의존도 진단 + 손익분기 ROAS + 채널·세그먼트별 재구매율 분해 + 액션 우선순위 자동 생성.
vs commerce-margin-calculator: 페어 스킬은 단품 마진 계산. 본 스킬은 고객 1명의 평생 수익 구조 설계. 단품 마진이 손익이라면 LTV는 사업 모델의 건강성.
┌──────────────────────┐
│ CAC (고객획득비용) │ ← 광고비 ÷ 신규 고객 수
└────────┬─────────────┘
│
▼
┌────────────────┐ ┌──────────────────────┐
│ 재구매율 (RR) │ ─────▶ │ ARPU │ ← 1회 구매 평균 매출
│ r = 30~50% │ │ (₩ / 1구매) │
└────────────────┘ └────────┬─────────────┘
│ │
│ ┌───────────────┐ │
└─▶│ 구매주기 (PC) │ │
│ 60~90일 │ │
└───────┬───────┘ │
│ │
▼ ▼
┌──────────────────────────┐
│ 공헌이익률 (CM%) │ ← (매출 - 변동비) / 매출
│ 30~50% │
└────────────┬─────────────┘
│
▼
┌─────────────────────┐
│ LTV │ ← ARPU × CM% × (1 / (1-r))
│ ₩100K~500K │
└────────────┬────────┘
│
▼
┌──────────────┐
│ LTV/CAC │ ← ≥ 3 건강 / < 1 위험
└──────────────┘LTV = ARPU × 공헌이익률 × (1 / (1 - 재구매율))
예시:
ARPU = 30,000원
공헌이익률 = 40%
재구매율 = 40%
LTV = 30,000 × 0.40 × (1 / (1 - 0.40))
= 30,000 × 0.40 × 1.667
= 20,000원| Ratio | 진단 | 액션 | |-------|------|------| | < 1 | 🔴 손실 — 고객 한 명당 광고비가 LTV보다 큼 | 즉시 광고비 중단 또는 CAC 절반 감축 | | 1 ≤ x < 3 | 🟡 손익분기 근방 — 재구매 시작 안 됨 | 재구매율 40%+ 달성까지 신규 광고 제한 | | 3 ≤ x < 5 | 🟢 건강 — 표준 SaaS·D2C 벤치마크 | 광고 확대 + 채널 다각화 가능 | | ≥ 5 | 🟢🟢 우수 — but 광고 underinvest 가능성 | 광고 확대로 성장 가속 검토 |
Payback Period = CAC / (ARPU × 공헌이익률 × 월 구매빈도)
예시:
CAC = 50,000원
ARPU × CM% = 12,000원
월 구매빈도 = 0.33 (= 3개월 1회)
Payback = 50,000 / (12,000 × 0.33)
= 50,000 / 4,000
= 12.5개월한국 D2C 기준:
광고비 매출 대비 비율 (광고비 / 매출):
| 비율 | 진단 | 한국 D2C 의미 | |-----|------|--------------| | 30%+ | 🔴 광고 의존 위험 | ROAS만 따라가는 단계. LTV 0 가정. 광고 끄면 매출 즉시 0 | | 20-30% | 🟡 의존 진행 | 신규 채널 안정화 단계 | | 15-20% | 🟢 정상 | D2C 표준 (광고 + 자생 매출 균형) | | 10-15% | 🟢🟢 우수 | 브랜드 자생력 + 재구매 회로 작동 | | 5-10% | ⚪ 광고 underinvest 가능성 | 성장 가속 또는 다음 단계 진입 검토 |
전환 사례 (한국 셀러 6개월 실전): 광고비 30% → 11.2%
손익분기 ROAS = 1 / 공헌이익률
예시:
공헌이익률 35% → 손익분기 ROAS = 1 / 0.35 = 2.86
→ ROAS 2.86 미만이면 광고 1원당 0.35원 손실
→ ROAS 2.86 = 손익분기 (광고 1원 = 매출 2.86원 = 공헌이익 1원 = 광고비 1원 회수)
→ ROAS 3.5 = 광고비 회수 + 약간의 수익 (1.225원 추가 공헌이익)중요한 함정: 광고 ROAS가 손익분기 미만인데 매출이 커 보이는 케이스 — 광고비 0 시 매출도 0이 되는 구조. 광고 의존 30%+에서 자주 발생.
전체 재구매율 평균이 40%여도 세분화하면 진짜 그림이 보임:
| 세그먼트 | 재구매율 | LTV 배수 | 액션 | |---------|---------|---------|------| | 신규 회원 (첫 구매) | 0% | 1.0x | 첫 구매 → 7일 내 두 번째 구매 유도 (메시지·할인) | | 2회 구매자 | 65% | 2.5x | 5회 구매까지 onboarding 시퀀스 | | VIP (5회+) | 85% | 5x+ | Lookalike 씨앗 (광고 효율 최고) + VIP 혜택 | | 휴면 직전 (60-90일) | 25% | 1.3x | 재구매 시점 골든타임 푸시 (cs-channel-message 앱 푸시 기획 모드) | | 휴면 (90일+) | 8% | 1.05x | 윈백 이벤트 또는 손절 |
| 채널 | 신규 획득 적합 | 재구매 적합 | 비고 | |------|--------------|-----------|------| | 메타 광고 | 🟢 | 🟡 | 신규 위주. 재구매는 CRM에 | | 구글 검색 | 🟢 | 🟢 | 의도 명확 키워드. 재구매 검색도 흡수 | | 네이버 광고 | 🟢 | 🟡 | 한국 시장 진입. C-Rank 정도 동시 운영 | | 카카오 친구톡 | ⚪ | 🟢🟢 | 90%+ 열람률. 재구매 채널 최강 | | 이메일 시퀀스 | ⚪ | 🟢 | CAC 최저. 자생 매출 핵심 | | 앱 푸시 | ⚪ | 🟢 | 리텐션 골든타임 트리거 |
[Month 1] 진단
- 현재 LTV/CAC ratio 측정
- 광고비 매출 비율 확인
- 채널·세그먼트별 재구매율 분해
[Month 2] CRM 인프라
- 회원·구매 데이터 정리 (이메일 + 휴대폰 옵트인 100% 점검)
- 채널별 (이메일·카톡·앱푸시) 옵트인 동의 확보
[Month 3] 재구매 메시지 시퀀스
- 첫 구매 후 7일·30일·60일·90일 시퀀스 (4단계)
- cs-channel-message 활용 (운영 카피 + 앱 푸시 기획 모드)
[Month 4] 광고 채널 재배분
- 신규 광고비 50%로 감축 (해당 매출은 일시 -10%)
- 잔여 50%를 재구매 채널 (카카오 친구톡·이메일)로 이동
[Month 5] VIP 세그먼트 Lookalike
- 5회+ 구매 VIP 세그먼트 추출
- 메타·구글에 Lookalike 1~3% 씨앗으로 등록
- CAC -30~40% 효과
[Month 6] 자생 매출 비율 측정
- 광고비 매출 비율 11~15% 달성 검증
- 재구매율 40%+ 달성 검증
- LTV/CAC ratio 3+ 달성 검증| 항목 | 필수 | 예시 | |------|------|------| | 월 매출 | 필수 | 1억 원 | | 월 광고비 | 필수 | 3,000만 원 (광고 의존도 30%) | | 월 신규 고객 수 | 필수 | 1,000명 (CAC = 30,000원) | | ARPU (구매당 평균 매출) | 필수 | 50,000원 | | 변동비율 (원가·수수료) | 필수 | 60% (공헌이익률 40%) | | 재구매율 | 필수 | 35% (월 단위 또는 분기 단위 명시) | | 구매주기 | 권장 | 75일 | | VIP 세그먼트 비율 | 권장 | 12% (5회+ 구매자) |
[Step 1] CAC 계산
광고비 ÷ 신규 고객 수
[Step 2] LTV 계산
ARPU × 공헌이익률 × (1 / (1 - 재구매율))
[Step 3] LTV/CAC ratio
< 3 시 위험 신호
[Step 4] Payback Period
CAC ÷ (ARPU × CM% × 월 구매빈도)
[Step 5] 광고 의존도
광고비 ÷ 매출
[Step 6] 손익분기 ROAS
1 ÷ 공헌이익률
[Step 7] 채널·세그먼트 분해 추정
채널별 신규/재구매 비율 + 세그먼트별 재구매율
[Step 8] 액션 우선순위 (탑 3)
- LTV 낮은 경우 → 재구매 시퀀스
- CAC 높은 경우 → VIP Lookalike
- 광고 의존도 30%+ → 광고 채널 재배분 6단계 로드맵markdown# 📊 LTV/CAC 진단 리포트 ## 1. 6대 지표 요약 | 지표 | 값 | 진단 | |------|-----|------| | CAC | 30,000원 | — | | 재구매율 | 35% | 🟡 정상 하한 | | 구매주기 | 75일 | 화장품 표준 | | ARPU | 50,000원 | — | | 공헌이익률 | 40% | 🟢 정상 | | LTV | 30,769원 | — | ## 2. 핵심 진단 - **LTV/CAC**: 30,769 / 30,000 = **1.03** → 🟡 손익분기 근방 - **Payback Period**: 4.5개월 → 🟢 빠른 회수 - **광고 의존도**: 30% → 🔴 위험 - **손익분기 ROAS**: 2.50 → 현재 ROAS와 비교 필요 ## 3. 채널·세그먼트 분해 - 신규 회원 → 첫 구매 → 7일 내 재구매율 12% (낮음, 시퀀스 부족) - 2회+ 구매자 재구매율 65% (정상) - VIP 12% (5회+) → Lookalike 씨앗 자격 ✅ ## 4. 액션 우선순위 (탑 3) ### Priority 1: 첫 구매 후 7일 시퀀스 (Payback 단축) - 현재 12% → 목표 30% 재구매율 - 도구: cs-channel-message (운영 카피 + 앱 푸시 기획 모드) - 예상 LTV 상승: +35% ### Priority 2: VIP Lookalike 메타 등록 (CAC 감축) - VIP 12% 세그먼트를 메타·구글 Lookalike 1~3% 씨앗으로 - 예상 CAC 절감: -30% ### Priority 3: 광고비 30%→15% 6개월 로드맵 - Month 4부터 신규 광고비 50% 감축 - 잔여 50%를 카카오 친구톡·이메일 시퀀스로 이동 - 예상 자생 매출 비율: 70%+
"/commerce-ltv-cac-architect — 월 매출 1억, 광고비 3천만, 신규 1000명, ARPU 5만,
변동비 60%, 재구매 35%"
→ LTV/CAC 1.03 + Payback 4.5개월 + 광고 의존 30% 위험 + 액션 3종
"/commerce-ltv-cac-architect — 재구매율 분해 안 되는데 추정해줘"
→ 표준 한국 D2C 벤치마크 적용 + 세그먼트별 재구매율 가정 + 액션 3종
"/commerce-ltv-cac-architect — 광고비 11% 만들기 6개월 로드맵"
→ 6단계 로드맵 + 월별 KPI + 예상 LTV·CAC 변화| 카테고리 | LTV/CAC 표준 | Payback 표준 | 재구매율 표준 | |---------|-------------|--------------|--------------| | 화장품·뷰티 | 3-5 | 6-12개월 | 40-55% | | 식품·건강식품 | 2.5-4 | 6-10개월 | 35-50% | | 패션 | 2-3 | 12-18개월 | 25-35% | | 가전·홈인테리어 | 1.5-2.5 | 18-24개월 | 15-25% | | 펫 | 4-6 | 4-8개월 | 50-65% | | 구독 SaaS | 3-5 | 12-18개월 | 80%+ (해지율 역수) |
체이닝: commerce-margin-calculator (단품 마진) → commerce-ltv-cac-architect (고객 수익 구조) → 다음 단계 액션 스킬
commerce-margin-calculator — 단품 마진·엔드 ROAS 계산 (페어, 다른 책임)cs-channel-message — Priority 1·3 액션의 메시지 카피 + 앱 푸시 기획 (앱 푸시 기획 모드)commerce-integrated-strategy — 통합 전략 1장에 본 진단 결과 포함commerce-margin-calculator 사용cs-channel-message 사용marketing-campaign-planner 사용moai-seller:commerce-marketplace-coupang-ads 또는 marketing-performance-report 사용| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 23,163 | 22,552 | -3% | 1 | 1 | 0% | 4,100 | 8,265 | +102% | 0 | 0 | — |
case-02 | fail→pass | 24,473 | 23,481 | -4% | 1 | 1 | 0% | 4,468 | 8,582 | +92% | 0 | 0 | — |
case-03 | fail→pass | 31,038 | 27,373 | -12% | 1 | 1 | 0% | 5,327 | 9,143 | +72% | 0 | 0 | — |
case-04 | pass→pass | 22,854 | 22,602 | -1% | 1 | 1 | 0% | 4,154 | 8,237 | +98% | 0 | 0 | — |
case-05 | pass→pass | 22,308 | 23,296 | +4% | 1 | 1 | 0% | 3,770 | 8,402 | +123% | 0 | 0 | — |
case-06 | pass→pass | 15,236 | 7,449 | -51% | 1 | 1 | 0% | 2,966 | 5,610 | +89% | 0 | 0 | — |
case-07 | pass→pass | 13,817 | 17,003 | +23% | 1 | 1 | 0% | 2,621 | 7,107 | +171% | 0 | 0 | — |
case-08 | pass→pass | 24,276 | 26,163 | +8% | 1 | 1 | 0% | 3,933 | 8,305 | +111% | 0 | 0 | — |
case-09 | pass→pass | 16,643 | 16,762 | +1% | 1 | 1 | 0% | 2,601 | 6,897 | +165% | 0 | 0 | — |
case-10 | pass→pass | 20,682 | 13,538 | -35% | 1 | 1 | 0% | 3,092 | 6,307 | +104% | 0 | 0 | — |
case-11 | fail→pass | 19,183 | 34,716 | +81% | 1 | 1 | 0% | 3,203 | 8,303 | +159% | 0 | 0 | — |
case-12 | pass→pass | 27,103 | 18,295 | -32% | 1 | 1 | 0% | 2,955 | 7,009 | +137% | 0 | 0 | — |
case-13 | pass→pass | 10,923 | 12,497 | +14% | 1 | 1 | 0% | 2,126 | 6,619 | +211% | 0 | 0 | — |
case-14 | fail→pass | 16,458 | 15,717 | -5% | 1 | 1 | 0% | 2,786 | 7,015 | +152% | 0 | 0 | — |
case-15 | fail→pass | 18,260 | 22,356 | +22% | 1 | 1 | 0% | 2,955 | 7,935 | +169% | 0 | 0 | — |
case-16 | fail→pass | 18,546 | 13,897 | -25% | 1 | 1 | 0% | 3,775 | 6,721 | +78% | 0 | 0 | — |
case-17 | pass→pass | 18,063 | 37,023 | +105% | 1 | 1 | 0% | 2,967 | 7,592 | +156% | 0 | 0 | — |
case-18 | fail→fail | 21,348 | 17,756 | -17% | 1 | 1 | 0% | 4,164 | 7,692 | +85% | 0 | 0 | — |
case-19 | fail→pass | 22,871 | 24,743 | +8% | 1 | 1 | 0% | 3,481 | 8,291 | +138% | 0 | 0 | — |
case-20 | fail→fail | 11,844 | 12,787 | +8% | 1 | 1 | 0% | 2,639 | 6,505 | +146% | 0 | 0 | — |
case-21 | fail→fail | 18,117 | 13,988 | -23% | 1 | 1 | 0% | 2,810 | 6,204 | +121% | 0 | 0 | — |
case-22 | fail→fail | 19,744 | 17,930 | -9% | 1 | 1 | 0% | 3,211 | 7,112 | +121% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +32 percentage points is the difference between those two pass rates over the 22 comparable cases. 2 cases got worse with the skill loaded, and they are included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.