소상공인 고객 재방문율 계산 구조 만들기

재방문 고객이 많은 것 같은데, 왜 실제 매출은 불안정할까.
단골이 있다고 말하지만, 몇 명이 언제 다시 오는지는 답하지 못하는 경우가 많다.
문제는 고객이 없는 것이 아니라, 재방문을 계산하는 구조가 없는 데서 시작된다.
이 글은 마케팅 문구를 늘리는 방법이나 이벤트 아이디어를 다루지 않는다.
지금 필요한 것은 “다시 오는 고객”을 느낌이 아니라 숫자로 잡는 구조다.

재방문율이 중요하다는 말보다 먼저 확인할 것

여기서 다루지 않는 것이 있다. 브랜딩 감성, SNS 운영 팁, 광고 문구 최적화 같은 영역이다. 그것도 필요할 수 있다. 하지만 재방문율 계산 구조가 없는 상태에서는 그런 활동이 쌓여도 무엇이 실제로 효과가 있었는지 남지 않는다. 현장에서는 자주 이렇게 묻는다. “손님은 계속 오는데 왜 매출이 들쭉날쭉하죠?”, “쿠폰 행사하면 사람이 오긴 하는데 단골이 된 건지 모르겠습니다.” 이 질문은 홍보의 문제가 아니라 기록 방식의 문제에 가깝다.

특히 소상공인 매장은 바쁘다. 주문 받고, 응대하고, 정리하다 보면 고객을 기억으로만 관리하게 된다. 자주 오는 것 같은 고객, 오래된 단골, 오랜만에 온 손님이 머릿속에서는 구분되는데, 정작 월말에 보면 “이번 달 재방문 고객이 몇 명이었는지”는 말하지 못한다. 그 상태에서는 할인도, 멤버십도, 문자 발송도 전부 감에 기대게 된다.

현장에서 실제로 흔한 가상 사례

전북의 한 동네 카페를 가정해보자. 월매출은 약 4,200만 원, 직원은 사장 포함 4명이다. 평일 오전에는 인근 사무직 고객이 많고, 주말에는 가족 단위 고객이 들어온다. 주문은 POS로 받고 있지만, 고객 정보는 거의 남기지 않는다. 쿠폰은 종이 스탬프를 쓰고, 배달앱 주문은 플랫폼 안에만 기록이 남는다. 네이버 주문, 매장 결제, 배달앱 주문, 단체 예약이 서로 분리되어 있다.

사장은 “단골이 많다”고 말한다. 그런데 세부로 들어가면 기준이 없다. 일주일에 두 번 오는 고객도 단골이고, 한 달에 한 번 오는 고객도 단골로 묶인다. 신규 고객 수는 대략 알지만, 그중 몇 명이 30일 안에 다시 왔는지는 모른다. 매출은 유지되는데 원두 원가와 인건비 부담은 계속 올라간다. 그래서 광고를 더 해야 하나, 스탬프 적립을 바꿔야 하나 고민한다. 그런데 그 전에 먼저 봐야 할 것은 “재방문이 실제로 늘고 있는지, 아니면 일부 고빈도 고객이 버티고 있는지”다.

표면 문제처럼 보이지만 실제로는 계산 구조 문제다

이런 매장에서 가장 먼저 생기는 오류는 고객 단위와 거래 단위가 섞여 있다는 점이다. 주문 건수는 많은데, 실제 고객 수는 적을 수 있다. 반대로 매출은 보합인데 신규 유입은 늘었을 수도 있다. 그런데 거래 데이터만 보고 있으면 같은 고객의 반복 구매와 서로 다른 고객의 일회성 구매가 구분되지 않는다.

재방문율은 단순히 “지난달에 또 온 손님 비율” 정도로 대충 잡으면 안 된다. 최소한 첫 방문 기준일, 재방문 인정 기간, 고객 식별 기준, 채널 통합 기준이 필요하다. 이 네 가지가 없으면 숫자는 나와도 운영 판단에는 못 쓴다.

현장에서는 보통 세 가지 착각이 반복된다. 첫째, 쿠폰 사용 고객 수를 재방문 고객 수로 본다. 하지만 쿠폰을 안 쓰고 다시 온 고객은 빠지고, 쿠폰만 챙기는 고객은 과대평가된다. 둘째, 주문 건수가 늘면 재방문도 늘었다고 본다. 실제로는 배달 플랫폼 행사나 단체 주문 영향일 수 있다. 셋째, 사장 기억에 자주 보이는 고객을 전체 고객 흐름으로 착각한다. 매장 운영에서는 이런 기억이 유용하지만, 구조 설계에서는 기준이 될 수 없다.

Fieldbly 방식으로 다시 정의하면 계산은 단순해진다

Fieldbly에서는 재방문율을 마케팅 지표가 아니라 운영 판단 지표로 본다. 핵심은 복잡한 분석이 아니라, 누가 처음 왔고 언제 다시 왔는지를 같은 기준으로 붙여보는 것이다. 이를 위해 3단계 모델과 4요소 구조로 정리한다.

구조	내용	현장 질문
1단계 식별	고객을 중복 없이 구분할 기준 정하기	전화번호, 주문앱 ID, 멤버십 번호 중 무엇으로 묶을 것인가
2단계 기간	재방문으로 인정할 기간 정하기	7일, 30일, 60일 중 업종에 맞는 기준은 무엇인가
3단계 판단	신규·재방문·휴면 고객으로 분리	누가 다시 왔고, 누가 이탈 중인가

여기에 4요소를 붙인다. 고객ID, 첫 방문일, 마지막 방문일, 방문 횟수다. 이 네 칸만 잡혀도 대부분의 소상공인 매장은 재방문 계산의 뼈대가 생긴다. 여기에 매출액까지 붙이면 고객당 누적매출과 최근성까지 볼 수 있다.

또 하나는 2축 프레임이다. 한 축은 방문 빈도, 다른 한 축은 최근 방문일이다. 이 두 축으로 고객을 보면 운영 방향이 달라진다. 자주 오고 최근에도 온 고객은 유지 대상, 예전엔 자주 왔지만 최근 끊긴 고객은 복구 대상, 한 번만 왔고 다시 안 온 고객은 첫 경험 점검 대상이 된다. 이 구분 없이 전 고객에게 같은 쿠폰을 보내면 비용만 늘고 효과는 흐려진다.

실무에서는 이렇게 적용하면 된다

첫 주에는 데이터를 새로 모으려 하지 말고, 이미 있는 기록부터 합친다. POS 주문 내역, 쿠폰 기록, 배달앱 주문, 예약 명단 중 고객 식별이 가능한 항목만 추린다. 전화번호 뒷자리, 닉네임, 카드번호 일부 같은 불완전 식별자는 오류가 많으므로 임시로만 쓰고, 가능하면 명확한 식별 기준을 하나 정한다.

다음으로 업종 기준에 맞는 재방문 기간을 정한다. 카페나 분식처럼 회전이 빠른 업종은 30일, 미용실이나 피부관리처럼 주기가 긴 업종은 60~90일 기준이 더 맞을 수 있다. 업종 평균은 외부 확인이 필요하므로 실제 적용 전에는 내부 거래 데이터를 먼저 보는 편이 낫다. (※ 추가 조사 필요)

그다음은 고객 테이블을 만든다. 형식은 단순하면 된다. 고객ID / 첫 방문일 / 최근 방문일 / 총 방문횟수 / 최근 30일 방문여부 / 누적매출. 이 표가 만들어지면 월별로 신규 고객 수, 재방문 고객 수, 30일 내 재방문율, 휴면 전환 고객 수를 계산할 수 있다.

앞선 카페 사례에 이 구조를 적용하면 비교가 가능해진다. 구조 정리 전에는 “단골이 많은 것 같다”가 전부였다. 구조 재설계 후에는 지난달 신규 고객 312명 중 30일 내 재방문 고객 74명, 재방문율 23.7%, 기존 단골 58명이 전체 매출의 41%를 차지한다는 식으로 본다. 그러면 광고를 더 할지, 첫 방문 경험을 손볼지, 휴면 고객 복구 메시지를 보낼지 판단 순서가 달라진다.

바로 써볼 수 있는 점검 체크리스트

고객을 중복 없이 식별할 기준이 있는가
재방문 인정 기간이 업종 기준에 맞게 정해져 있는가
신규 고객과 재방문 고객이 같은 표 안에서 구분되는가
POS, 배달앱, 예약 기록이 최소한 월 단위로라도 합쳐지는가
주문 건수와 고객 수를 अलग-अलग 보도록 구조가 나뉘어 있는가
이벤트 효과를 “매출 증가”가 아니라 “재방문 전환”으로 따로 확인하는가

재방문율 계산 구조는 대단한 시스템 구축부터 시작하지 않아도 된다. 엑셀, 구글시트, 간단한 CRM만으로도 초안은 만든다. 중요한 것은 툴이 아니라 기준이다. 기준이 먼저 잡히면 나중에 자동화나 AI 연결도 붙일 수 있다. 반대로 기준이 없으면 어떤 도구를 붙여도 숫자만 많아진다.

마지막으로 점검해볼 질문

지금 매장에서 말하는 “단골”은 실제 고객 데이터 기준으로도 같은 사람들인가.
신규 유입이 줄어서 불안한 것인지, 첫 방문 후 이탈이 많아서 흔들리는 것인지 구분되고 있는가.
다음달부터라도 고객 재방문을 숫자로 볼 수 있는 최소 표 하나는 만들 수 있는가.

AI현장감독 이동주는 AI 도입 과정에서 반복되는 구조 문제를 연구한다.
AI adoption failure를 기술 문제가 아닌 설계와 흐름의 문제로 바라본다.
Fieldbly에서 현장 사례를 기반으로 정리하고 있다.
(homepage) http://www.fieldbly.com

#이동주AI
#AI현장감독이동주
#정부지원사업
#정부지원사업전략
#사업확장
#사업스케일업
#창업전략