사례: 인공지능으로 CRM 유저 타겟팅 고도화하기
커머스 고객사에게 인공지능 기반 유저 세그먼테이션 기능을 제공한 사례
안녕하세요, 시간내어 방문해 주셔서 진심으로 감사드립니다. 올 한해도 좋은 사람과 좋은 일이 가득한 한 해가 되시길 바라겠습니다 :)
저는 인공지능 개인화 추천 기술을 통해 기업들의 CRM 마케팅 캠페인이 '고객에게 도움이 되는 정보를 전달하는 수단'에 가까워질 수 있도록 도움을 드리고자 합니다. 이에 다양한 회사의 CRM 마케팅 현업자분들과 만나뵙고 이야기 나누고 있는데요, 그 과정에서 배운 점이나 해당 시점에서 저희가 생각하는 해결책들을 종종 공유드리도록 하겠습니다.
오늘 말씀드릴 내용은 CRM 마케팅 캠페인의 효율과 성과에 어쩌면 가장 큰 영향을 미칠 '유저 타겟팅' 문제에 대한 것입니다. 많은 회사에서 CRM 마케팅 캠페인의 핵심 지표로 캠페인 클릭율(CTR), 구매 전환율(CVR), 거래액(GMV)을 보고 있습니다(최근에는 이익(Profit)을 보는 회사도 많다고 들었지만, 아직은 CRM 마케팅은 거래액/매출 목표가 우선인 곳이 많은 것 같습니다; 별개로 유저 활성화(Engagement), 이탈 방지 등은 결국 거래액 극대화와 맞닿아 있다고 생각했습니다). 그리고 이중 실제로 회사의 재무적 성과와 직접적으로 연관이 있는 것(궁극적 목표가 될 수 있는 것)은 거래액이라고 할 수 있습니다.
그렇다면 거래액와 유저 타겟팅 간에는 어떤 연관성이 있을까요? 단순하게는 다음과 같이 생각할 수도 있을 것 같습니다:
당장 누가 우리 캠페인에 반응할지 알 수는 없는 노릇이니, 모든 캠페인을 일단 모든 유저에게 보내는 것이 거래액을 최대한 많이 발생시키는 방법 아닐까?
실제로 저희 회사의 첫 인공지능 CRM 솔루션 고객사는 모든 캠페인을 모든 유저에게 보내는 방침으로 CRM 마케팅 캠페인을 운영하고 있었습니다. 해당사는 CRM 마케팅 관련 상당한 전문성과 역량을 보유하고 있었고, 위와 같이 단순하게 생각했던 것은 아닙니다. 선도 솔루션인 Braze를 사용하고 계셨으며 Braze가 제공하는 User segmentation 기능에 대해서도 잘 알고 계셨습니다. 그럼에도 불구하고 유저 타겟팅을 시도하지 못했던 이유는 당장의 거래액 손실에 대한 부담 때문이었습니다. 어찌되었건 세그먼테이션이라는 것은 특정 유저군만 따로 선별하는 것인데, 그 과정에서 만약 보냈다면 클릭/구매했을 유저가 누락되는 것이 다소 부담스러웠던 것이죠.
그러나 결국 해당사는 유저 타겟팅에 대한 필요성을 체감하게 되었습니다. 캠페인 효율이 점차 감소하고 있었기 때문인데요. 발송한 캠페인들의 월 평균 오픈율이 6개월 전에 비해 상당히 많이 떨어졌습니다. 그리고 고객사는 이에 대한 원인으로 매일 3~4회씩 모든 유저들에게 캠페인을 발송했던 것을 꼽았습니다. 유저들이 본인과 무관한 푸쉬 알림을 지속적으로 받다 보니 피로해졌고, 이에 따라 해당사의 메세지를 점차 무시하게 되었다고 생각한 것이죠.
잠깐 정리해보면, 결국 유저 타겟팅은 유저별로 유의미한 정보를 전달해야 한다는 목표를 달성하기 위한 수단 중 하나입니다. 그리고 특히 CRM 마케팅에서 유저 타겟팅이 중요한 이유는 캠페인별로 노출할 상품은 이미 고정(Fix)되는 경우가 많기 때문입니다. '나이키 기획전' '아우터 기획전' '건강식품 기획전' 등의 이름으로 이미 고객들에게 전달할 상품의 리스트는 대개 고정된 경우가 많습니다. 따라서 해당 상품(들)을 누구에게 보낼지를 결정하는 것이 중요한 것이죠.
다시 돌아가서 고객사 이야기를 해보겠습니다. 해당 고객사는 저희의 인공지능 개인화 추천 솔루션을 이미 활용 중이셨습니다. 그리고 당시 CRM 마케팅 영역에도 개인화 추천 기술이 도움을 줄 수 있는 영역이 있다고 생각했던 저는 위에 언급한 유저 타겟팅을 포함한 다양한 솔루션 구상안을 전달드리고 협업 의향을 여쭈어 보았습니다. 고객사의 반응은 긍정적이었고 결국 협업을 진행하기로 결정되었습니다. 그리고 고객사 담당자분과 이야기하면서 다음과 같은 니즈가 있음을 알게 되었습니다.
세그먼테이션이 필요하지만, 동시에 잠재 구매 고객을 잃지 않는 것이 중요합니다. 대략 전체 유저의 50% 정도를 선별하되 잠재 구매 고객은 ~100%로 유지하고 싶어요
위에 간단히 언급드리기는 했지만, 그제서야 왜 Braze에서 제공하는 User segmentation을 활용하시지 않는지 알게 되었습니다. 거래액은 그대로 유지하면서 타겟 유저는 절반으로 줄이는 것은 Rule-base로는 쉽지 않은 일로 보였기 때문입니다 (여기서 Rule-base라 함은 '일주일 내에 앱에 접속한 유저' '한달 이내에 캠페인에 포함된 상품을 클릭한 유저 등'을 의미합니다). 저희가 처음에 생각했던 기대 아웃풋 역시 '전체 유저의 30% 정도를 선별하여, 잠재 구매 고객은 80% 이상을 유지하기'였기에 다소 당황했던 기억이 납니다.
저희가 문제 해결을 위해 적용한 인공지능 알고리즘은 2가지였고, 각각 다음과 같은 역할을 수행했습니다.
(1) 유저별 서비스 방문/구매 주기 예측: 인공지능 모델이 유저별로 고객사의 서비스와 어느 정도의 주기로 상호작용하는지(예: 일주일에 한 번정도 방문, 한 달에 한 번정도 구매 등) 예측
(2) 유저별 상품 선호도 예측: 인공지능 모델이 유저별 행동/구매 패턴을 기반으로 유저가 해당 상품을 조회/구매할 확률이 어느 정도인지 예측
그리고 개발한 알고리즘의 성과는 대략 다음과 같았습니다. 테스트한 방식은 실시간 A/B 테스트였으며, A군(통제군)은 A군에 속한 전체 유저에게 발송 / B군(실험군)은 인공지능 세그먼트가 선별한 유저에게만 발송하였습니다.
(1) 유저별 서비스 방문/구매주기 예측: 캠페인별로 전체 유저의 30~50% 정도의 유저를 선별하여, ~100%의 잠재 구매 건수를 기대 가능
(2) 유저별 상품 선호도 예측: 캠페인별로 전체 유저의 20~40% 정도의 유저를 선별하여, 90~100%의 잠재 구매 건수를 기대 가능
결과적으로 고객사는 우선적으로 (1)번 모델을 선택하였습니다. 당시 내부 설득을 위해서는 유저 타겟팅을 진행하더라도 잠재 구매 건수에 지장이 아예 없다는 것을 증명하는 것이 중요했다고 알고 있습니다. 협업 기간 종료 이후 해당사에서는 유저 타겟팅 모델을 다양한 캠페인에 활용하고 있으며, 한달쯤 뒤에 인터뷰를 진행했을 때 이를 통해 유의미한 결과를 창출하고 있다고 말씀주신 바 있습니다 ("지속적으로 운영하던 반복성 캠페인에 유저 타겟팅 모델을 적용한 결과, 30% 정도의 유저에게만 발송하나 이전에 모든 유저에게 보냈을 때와 동일한 수준의 구매 건수를 기록 중이다" "최근에 진행한 한정판 상품 기획전의 경우 CTR이 이례적으로 16.53%를 기록했다" 등)
그러나 한달쯤 뒤 담당자께서 새로운 문의사항을 주셨습니다.
저희가 최근에는 캠페인별 타겟 유저를 최대한 겹치지 않게 하려고 노력 중입니다. 그런데 최근 2개의 기획전을 같은 날 진행한 경우가 있는데, 타겟 유저가 많이 겹치더라고요. 혹시 어떻게 해결할 수 있을까요?
일전에 담당자분께서 말씀주셨던 내용을 기반으로 하면, 아마 다음과 같은 니즈가 있으신 것으로 생각되었습니다. 캠페인별로 타겟 유저를 최대한 겹치지 않게 한다면, 유저별로는 최소한의 캠페인만 받아볼 수 있습니다. 그렇다면 기존보다 더 많은 캠페인을 집행(보다 많은 상품을 고객들에게 소개)할 수 있게 되는 것이죠. 이를테면 저희가 만나보았던 고객사들은 통상 하루에 유저별로 2~3건의 캠페인만 받을 수 있도록 제한을 두고 있습니다(*이를 Braze에서는 Frequency Capping이라고 부르며, 앞서 언급한 유저 피로도 관리를 위한 목적입니다). 그런데 모든 유저에게 모든 캠페인을 보낸다고 하면, 하루의 3건의 캠페인만 발송할 수 있습니다. 그런데 유저 타겟팅을 통해 1건의 캠페인 당 전체 유저의 25%에게만 발송되고 / 캠페인별로 겹치는 타겟 유저가 없다면 (다소 비현실적이지만) 하루에 12건의 캠페인을 발송할 수 있게 됩니다 (100%/25% * 3 = 12). 결과적으로 기업은 더 많은 상품과 서비스를 고객에게 알리고, 그만큼 거래액을 극대화할 기회가 생기는 것이죠.
상품 선호도 기반 세그먼테이션을 활용하면 동일한 기간 내 더 많은 상품을 관심 있어할 유저별로 전달할 수 있다
이에 고객사와 다시한번 (2)번 모델(유저별 상품 선호도 예측)의 도입을 논의하였습니다. (1)번 모델은 서비스의 구매 주기를 예측한 한것이기에 날짜/시간대가 겹친다면 타겟 유저가 상당히 겹칠 수 있지만, (2)번 모델은 상품별로 선호도를 예측한 것이기에 타겟 유저가 겹치는 경우가 상대적으로 훨씬 적다는 점을 설명드렸습니다. 담당자분께서도 이제는 캠페인별로 잠재 구매 유저를 100% 잡는 것보다 더 많은 캠페인을 발송하는 것이 더 큰 임팩트를 낼 수 있다고 생각하셨는지, (2)번 모델 적용에 대해 빠르게 얼라인할 수 있었습니다 (결국 조금더 욕심을 내서 (1)번 모델과 (2)번 모델을 둘다 적용한 결과물을 제공하게 되었습니다). 유저 타겟팅 모델 2개가 합심하여 전체 유저의 10~30% 정도를 추출하여 잠재 구매 건수의 90% 정도를 유지하는 것을 기대하고 있습니다.
지금까지 인공지능을 통해 CRM 마케팅 캠페인의 유저 타겟팅 문제를 해결했던 과정을 말씀드렸습니다. 결론적으로 CRM 마케팅 팀이 다음과 같은 목적을 추구하는 경우, 인공지능이 유의미한 도움을 줄 수 있다고 생각됩니다.
캠페인별 타겟 유저를 최대한 중복되지 않게 하면서 & 캠페인별 잠재 구매 건수를 최대한 유지하고 싶은 경우
Rule-base의 경우 해당 목표를 달성하기 위해서는 매번 캠페인마다 최적의 Rule을 찾아내야 합니다. 이 과정에서 많은 데이터 분석이 필요하며 최적의 Rule을 찾아낸다는 보장이 없습니다. 반대로 보다 일반적인(General) Rule(예: 일주일 내로 앱에 접속한 유저, 해당 상품을 한달 이내에 조회한 유저)을 적용하는 경우 캠페인별로 타겟 유저가 상당히 겹치거나 잠재 구매 유저를 유효하게 잡아내기 어렵습니다 (해당 상품을 한달 이내에 조회한 유저는 타 캠페인과의 타겟 유저 중복을 해소하는데는 괜찮은 Rule이나, 캠페인을 발송하는 시점에서 해당 유저가 해당 상품에 여전히 관심이 있을지는 알 수 없는 등)
비단 Rule-base 뿐 아니라 현존하는 유저 타겟팅 솔루션들은 유저 활성도를 기준으로 삼고 있습니다. 유저 활성도라 함은 유저의 행동 내역을 기반으로 기업의 (특정 상품이 아니라) 전반적인 서비스에 여전히 관심이 있는 유저인지 측정하는 것입니다. 많이 활용하는 Rule인 '일주일 내에 구매한 유저'부터, 인공지능이 상용화되기 전 활용되던 통계 계기법인 RFM, 그리고 가장 선도적으로는 Braze에서 제공하는 인공지능 기능인 Predictive Suite이 있습니다 (Predictive Suite이 저희의 1번 알고리즘과 거의 동일한 알고리즘을 활용한 것으로 보입니다)
다만 유저 활성도 기반 세그먼테이션만으로는 완전한 개인화를 달성하기 어렵습니다. 각 캠페인마다 담고 있는 제안(상품/콘텐츠 등)은 다르기 마련인데, 활성도 기반 세그먼테이션이 해줄 수 있는 것은 이탈/이탈위험/활성 유저를 나누어주는 것입니다. 따라서 각 캠페인별로 관심이 있을 최적 유저를 뽑는데 사용하기보다는, 위와 같이 고객군을 나누고 프로모션 등을 통해 활성도를 높이기 위한 목적(예: 이탈 위험 유저에게 추가 쿠폰 지급 등)으로 활용하는 정도라고 생각합니다. 유저 타겟팅의 목적이 고객별로 최대한 관심 있을 정보만 전달하는 것이라고 한다면, 상품 기반 세그먼테이션(1번 알고리즘)이 근본적인 해결책이라고 볼 수 있습니다.
그리고 상품 기반 세그먼테이션은 사람이 하기보다는 인공지능이 도와줄 수 있는 영역이라고 생각합니다. 매 캠페인마다 발송 시점에 특정 상품에 관심 있어할만한 유저를 사람이 선별해내는 것은 사실상 불가능하기 때문입니다 (*마치 개인화 상품추천을 사람이 하기보다는 추천 시스템을 활용하는 것과 같은 원리라고생각할 수 있습니다. 일반적으로 알고 계신 추천 시스템은 유저 한명마다 관심 있어할 만한 상품/콘텐츠를 인공지능이 선별하여 앱/웹에 노출하는 것이라면, 1번 알고리즘은 추천 시스템을 역방향으로 적용하여 상품별로 관심 있어할 만한 유저들을 선별하는 것이 다를 뿐입니다)
본 케이스를 통해 저희는 인공지능이 기존의 방식 대비 높은 임팩트를 만들어낼 수 있는, 혹은 만들어낼 수밖에 없는 영역이 존재함을 알게 되었습니다. 이에 저희 팀은 케이스에서 소개해드린 솔루션을 더욱 많은 기업들이 쉽게 활용할 수 있도록 제품화를 진행하는 한편, 인공지능을 활용해 더욱 큰 임팩트를 만들 수 있는 문제 및 솔루션을 본격적으로 탐색하게 되었습니다.
본 아티클에서 설명드린 유저 타겟팅을 포함한 인공지능 솔루션 패키지를 기업 고객 대상으로 제공하고 있습니다(링크: https://crm.blux.ai/) 링크를 통해 담당자와의 소개 미팅도 쉽게 잡을 수 있으니, 편하게 연락 부탁드립니다 :)
이 글은 블럭스 PO 김신님이 작성해주신 글입니다. 원문은 [여기]에서 확인하실 수 있습니다.
