빅데이터, 그거 마케팅에 어떻게 써먹는 건데
외머 아튼, 도미니크 레빈 - [빅데이터를 활용한 예측마케팅 전략]
최근 채용 공고들을 보고 있으면 신입, 경력직에 관계없이 데이터를 다루는 마케터에 대한 수요가 엄청나다는 것을 알 수 있다. 그런데 빅데이터니 알고리즘이니 하는 것들이 뭔지는 알겠는데, 그래서 그걸 어떻게 마케팅에 써서 밥을 벌어먹을 수 있을지는 사실 실무자가 아니라 이해하기도 어렵고, 그런 실무자가 되기 위해 무얼 준비해야 하는지도 모르겠다. 그래서 나는 일단 ADsP 라는 데이터분석 준전문가 자격증을 공부하면서 당장 내가 어떻게 체험할 수 있을지 고민 중인데, 마냥 공부하는 것보다는 이제 책을 곁들인 공부가 나에게는 더 흥미를 유발하는 것 같다.
그런 점에서 이 책은 꽤나 친절하게 가이드를 제시해주며 쉬운 사례를 통해 이해를 돕는다. 이 책의 타겟 독자부터가 예측마케팅을 시작하려는 마케터들이기 때문에 실무자들에게는 당장 시작 전, 빠르게 이해를 도울 수 있을 것 같다. 다만 마케팅 분야가 처음인 사람들에게까지 친절하게 용어 설명을 해주지는 않는다.
이번의 리뷰는 이 책을 요약하며 실무에서 써보게 될 때 꺼내볼 목적으로 작성해보고자 한다.
1. 예측마케팅이란?
당장의 제품 판매량에 포커스를 맞추지 않는다. 고객생애주기 전반에 걸쳐 지속적인 판매량, 소비량 증가를 위해 고객데이터를 해석하여 전략을 개선하는 것이다.
가장 일반적인 활용법
- 고객 타깃팅 및 고객 획득 활동의 정밀도를 향상시키기
- 개인화된 경험을 활용하여 고객평생가치를 높이기
- 고객 유지 및 충성도에 대해서 이해하기
- 고객 인게이지먼트를 최적화하기
사내에 데이터 사이언스 인력이 존재하지 않더라도, 이제는 클라우드 기반의 소프트웨어를 사용하여 고객 데이터를 조직화하며 마케팅 성과를 낼 수 있다. 알고리즘을 직접 개발하지 않더라도 고객데이터를 자체적으로 보유하고 있다면 예측 알고리즘, 고급 세분화, 생애주기 캠페인 템플릿을 소프트웨어로 이용할 수 있게 되는 것이다. 크게 다음의 3가지 속성의 예측 분석이 있다.
자율학습 : 군집화 모델
-> 데이터 속의 패턴을 찾아내는 것이다. 사전의 특정한 패턴이나 가설, 지식이 없더라도 행위가 유사한 고객을 그룹화하며 그 그룹의 패턴을 찾아낸다. 예를 들어, 군집화를 이용하면 어떤 여성들이 최신의 파티용 드레스를 살 가능성이 가장 높은지 발견할 수 있다. 소득, 연령, 구매 시기 외에도 알고리즘이 의미 있는 패턴의 그룹화가 가능할 때까지 수백 가지의 속성들을 자동으로 분석하게 된다.
감독학습 : 경향성 모델
-> 입력 샘플과 목적 변수를 학습하여, 어떤 입력값에 대한 출력 값을 추정하는 데 사용된다. 다시 말해 고객이 당신의 브랜드와 함께 할 가능성, 고객이 다음에 구매할 가능성이 있는 특정한 제품 등을 추정하는 것이다. 일반적으로 십분위로 고객을 나누어 전략을 수립하는데, 예를 들어 비싼 카탈로그를 누구에게 보낼지 결정할 때 이에 따라 상위 1~2개 십분위에 해당하는 고객들에게만 제공하도록 전략을 수립할 수 있다. 기존에는 RFM(Recency, Frequency, Monetary value)모델로 구매 가능성이 높은 사람을 파악하는 것이 업계 표준이었다. (시기 - 고객이 우리 제품을 마지막으로 구입한 이래로 며칠이 지났는가, 빈도 - 고객이 우리 제품을 얼마나 자주 구매했는가, 금액 - 고객이 우리에게 얼마나 많은 매출을 가져다주었는가) 하지만 이 방식은 해당 고객의 과거를 바탕으로 예측하기에, 현재 행동에 대한 예측이 불가능하다. 이와 달리 경향성 모델은, 해당 고객과 유사한 다른 고객들과 비교하여 현재, 혹은 미래에 대한 예측이 가능한 것이다.
강화학습 및 협업 필터링
-> 데이터에 숨겨진 패턴과 유사성을 이용해 사용자 또는 특정 이벤트에서 최적의 다음 단계, 결과, 제품, 콘텐츠를 예측할 수 있게 한다. 시행착오에 기반한 학습 논리를 통해서 학습한다. 협업 필터링, 베이지안 네트워크, 빈발 항목집합 분야의 기계학습 이론들을 활용하며, 최근 행동에 대한 가중치를 부여하는 시간 가중치 기능을 사용한다. 이를 바탕으로 관련 있는 제품, 관심 있는 콘텐츠를 제안함으로써 서비스의 가치를 높이고 고객을 유지할 수 있다. 예를 들어 아마존으로 물건을 구경할 때 그 제품과 연관 있는 제품을 추천해준다거나, 그 제품을 구매한 다른 고객들이 같이 구매한 제품들을 추천해주는 것과 같은 방식이다.
고객을 파악하기 위한 데이터 수집을 위해 다음의 설계 원칙을 세워야 한다.
빈도/파생 데이터/세분 가능성/유추하고자 하는 인사이트/실행 가능성/정확성/신상정보 충실도/저장/접근성
이를 바탕으로 일반 인구통계, 예측 분석, 접촉 전략, 생애주기 군집 값, 구매 데이터 분석, 행위 항목의 고객 프로파일을 구성하여 마케팅 전략을 수립한다. 이 데이터를 사용하고자 할 때 판매/제품기반군집/브랜드기반군집/행위기반군집/평생가치/구매가능성/생애주기단계/인구사회학적 특징/제품추천/마케팅, 채널/제품 단위로 인사이트를 얻기 위해 다양한 질문을 던져볼 필요가 있다.
2. 예측마케팅을 시작하는 9가지 실행 전략
#1 고객 데이터로 마케팅 지출 최적화
-> 고객의 획득, 유지, 재활성화를 위해 고객가치에 따라 전략적으로 예산을 배분해야 한다.
#2 고객의 페르소나를 예측하여 관련성 있는 마케팅 전략 수립
-> 제품/브랜드/행동 기반으로 군집시킨 각 페르소나별 전략을 세워 마케팅한다.
#3 생애주기 마케팅을 위한 고객 여정 예측
-> 고객과의 관계에서 획득부터 유지까지의 과정에서 단계별로 어떤 가치를 제공할 것인지 고려한다. (CRM)
#4 고객가치 예측 : 가치기반 마케팅
-> 가치에 따라 고객의 세그먼트를 나누고, 시간 경과에 따라 고객의 유지 및 획득을 위한 전략을 수립한다.
#5 고객 등급화를 위한 구매 또는 참여 가능성을 예측
-> ROI 최적화를 위해, 구매 가능성에 따라 고객에게 도달하는 비용을 줄이는 마케팅 전략을 수립한다.
#6 고객별 개인별 추천사항 예측
-> 군집 기반 타깃팅과 개인 맞춤형 추천을 결합해 고객 생애주기에 맞춰 개인화된 콘텐츠를 제공한다.
#7 더 많은 고객 전환을 위한 예측 프로그램
-> 리타깃팅, 리마케팅을 통해 웹사이트 내에서 전환이 이루어지도록 하거나 유사 고객을 타깃팅한다.
#8 고객가치 증대를 위한 예측 프로그램
-> 고객과의 관계 형성 후 생애주기에 맞춰 고객가치를 성장시키는 전략으로 고객을 유지해나간다.
#9 더 많은 고객 유지를 위한 예측 프로그램
-> 사업성을 위해 금전적 가치의 유지를 중점으로 역고객이탈, 재활성화 등의 전략을 세운다.
3. 진짜 예측마케팅 고수되기
-> 개인 식별불능 정보와 개인 식별 가능 정보에 대한 이해를 바탕으로, 고객의 프라이버시를 침해할 수 있는 상황을 피해야 예측마케팅이 소비자에게 불쾌감을 주는 일을 막을 수 있다. 이를 위해 고객에게 데이터를 통제할 수 있는 권한을 부여하면 사용자 행동을 관찰하는 암시적 학습과 사용자로부터 입력받는 명시적 학습이 이루어져 예측마케팅 시스템이 강화학습하며 더욱 고도화될 수 있다.
