"동네별 소비행태가 다를진데"
슬기로운 데이터결합 생활 #4
by
Jul 19. 2022
아빠 포스틱 먹고 싶어
우리 아들은 포스틱을 참 좋아한다. 너무도 맛있게 먹는다. 난 아들의 그런 모습을 보는 게 참 좋다. 아삭아삭 맛있게 먹는 모습을 보면 너무도 흐믓한 미소가 지어진다고나 할까.
그렇기에 아들이 포스틱을 먹고 싶다고 하면 난 기꺼이 집 앞 편의점으로 한걸음에 달려가 사오곤 한다. 당연히 아내가 좋아하는 과자도 함께.
이날도 그랬다. 난 아들의 요청에 집 앞 편의점으로 향했다.
‘어라... 여기 편의점이 분명히 지난주까지만 해도 있었는데? 흔적도 없이 사라졌네;;;;’
분명히 지난주까지만해도 영업을 하던 곳이었는데 지금은 흔적도 없이 사라져버렸다.
지난 일주일 사이에
무슨일이 벌어졌던 것일까...
뭔가 씁쓸한 마음이 들었지만, 내게 주어진 미션인 과자를 사들고 가야하기에... 오며가며 찾았던 편의점이 갑자기 사라져 버렸다는 마음 속 허전함은 잠시 뒤로하기로 하고...
그리고 그곳으로부터 멀지 않은 곳에 있는 또다른 편의점을 찾아 들어갔다.
“안녕하세요”
“네 안녕하세요”
이곳 편의점은 이전 편의점과 전체 면적은 큰 차이는 없어보였지만, 빼곡하게 쌓아놓은 상품들이 나를 부담스럽게 했다. 내가 과식했을 때 꼭 나의 속 상태를 보는 것 같은 느낌이었다.
'이곳 편의점에는 손님이 헛걸음할까 너무도 많이 배려한 것일까?'
일반적으로 사람들이 많이 사지 않는 상품, 편의점 입장에서보면 잘 팔리지 않는 상품까지도 이것저것 최대한 많이 진열하기 위해 애쓴 느낌이 역력했다.
이 작고 한정된 진열대에 상품이 진열되는 것에도
나름 데이터 분석을 토대로 한 것이겠지?
‘판매된 상품 데이터를 가지고 나름의 최소의 공간으로 최고의 매출을 만들 수 있도록 말야...’
분명 결제단말기에 월매출과 연매출을 연계한 판매 상품 데이터가 있을 것이고, 잘 팔리는 것을 위주로 진열하고 있을 것이다.
이건 당연하다. 단순히 이 편의점에서 수집한 데이터만으로도 이 지역 맞춤형 상품 추천은 가능해서다.
다만, 이런 1차원적인 지역을 기반으로 한 맞춤형 편의점 매출 증대분석 솔루션이 아닌 난 그 이상이 되었으면 했다.
'데이터 결합 실무자로서 2차원적 아니 3차원 그 이상의 분석이 가능한 데이터 결합은 어떻게 해볼 수 있을까?'
만약 편의점 소비 데이터와
카드사 정보가 결합이 된다면
‘더욱 유용한 가치있는 동네 맞춤형 상품분석 솔루션이 마련되지 않을까?’
자 이제 혼란스러운 A, B, C 그리고 X가 나오니 집중해야 한다.
예를 들면, A동네에는 a편의점과 b편의점이 경쟁하고 있다. A동네 사람들이 편의점에서 사용한 카드가 주로 c카드였다.
단순하게 데이터를 분석한다면, a편의점에서는 일별, 월별, 계절별로 판매된 상품 데이터를 가지고 a편의점을 찾는 분들의 상품 선호도를 확인할 수 있을 것이다. b편의점도 자체 수집한 데이터로 분석이 가능할 것이다.
여기까지가 1차원적인 데이터분석이다.
여기서 좀 더 나아가보면!
a편의점에서는 자신의 거래 및 품목정보 데이터를 활용해 좀 더 고도화된 데이터 분석을 하고 싶다고 한다면, 여기에 c카드사의 a편의점에서 인근 1km 이내에서 발생한 결제 내역에 대한 데이터를 결합해서 분석해볼 수 있을 것이다.
그렇게 된다면 a편의점 인근에서 주변에 사는 사람들의 소비 트렌드가 보일 것이고, a편의점에서는 해당 데이터를 활용하여 상품 진열에 대한 좀 더 나은 인사이트를 얻을 수 있을 것이다.
만약, c카드 데이터의 d상품에 대한 수요가 많았지만, a편의점에서는 자체 데이터 분석 결과 수요가 없다고 판단해 구비하고 있지 않았을 수도 있다. 그렇다면 판단해야 하는 상황이 된다. d상품을 사람들이 편의점에서 구매하도록 유인할 방법에 대한 고민을 할 것인지를.
물론 나의 이런 상상력은 상상력에 그친 것이 아니었다.
실제로 데이터 결합 사례를 살펴보니
비슷한 데이터 결합 사례가 있었다.
유통업체 X사는 오프라인 유통 매장과 온라인 매장을 운영하고 있다.
X사는 자체 모바일 멤버십 앱을 만들어서 가입한 뒤에 오프라인과 온라인에서 결제한 금액의 일정 부분을 멤버십 포인트로 적립해주는 서비스도 진행하고 있다.
하지만 문제는
오프라인 유통 매장의 경우 구매시 제공되는 멤버십 포인트가 작아 오프라인 점포를 방문해 구매한 이들이 포인트 적립을 하지 않는 경우가 많았다.
오프라인 구매시 소비자들이 포인트 적립을 하지 않다보니, 고객 맞춤 추천 서비스나 오프라인 매장이 위치한 지역별 맞춤형 상품 추천 서비스를 제공하기에는 한계가 있었다.
결국 자사 데이터가 부족하니 이를 보완해 줄 데이터와의 결합을 고민하게 된 것이다.
이에 X사는 자사 편의점이 보유한
구매상품 데이터 등과
카드사가 보유한 결제정보 데이터를 결합해 맞춤형 상품 제공 서비스를 고도화하겠다는 프로젝트를 진행하게 됐다.
X사는 데이터 결합으로 고객방문 패턴을 파악해 재고관리 전략을 수립할 뿐 아니라, 지역 상권과 고객 취향에 맞는 시그니처 메뉴도 개발에 대한 계획도 세울 수 있을 것으로 기대했다.
특히 주 방문고객을 확인하게되면, 선호상품을 더 잘보이도록 진열할 수도 있을 것으로 예상했다.
'오프라인 매장과 온라인 마켓을 동시에 보유하고 있는 기업에게 데이터 결합은 그 이상을 가치를 줄 수 있겠는 걸'
특히 오프라인 매장은
지역 특성이 중요하다
고객 취향과 주 방문고객에 대한 정보가 매출에 절대적으로 영향을 미칠 것으로 예상하기 때문이다.
하지만 이것은 자신이 보유한 데이터만을 가지고 판단을 해야 해 ‘성급한 일반화의 오류’에 빠지기 쉬워 어려운 부분임에 틀림없었다.
하지만 오프라인 매장 주변 유사 매장 또는 인근에서 소비되는 결제정보를 분석해 인사이트를 도출해낸다면 분명 차별화되고도 더욱 집중화된 동네 맞춤형 상품을 제공할 수 있지 않을까란 생각이 들었다.
여기에 자신이 보유한 온라인 마켓 고객 데이터 중에 자사 오프라인 매장 주변에 사는 이들에 대한 구매 패턴을 분석해볼 수도 있다.
이들만을 대상으로 쿠폰을 주면서 설문조사를 돌려보고 이에 대한 인사이트를 찾아볼 수도 있다. 오프라인 매장이 아닌 온라인으로 구매하는 지에 대한 정보를 말이다.
'이들의 구매 정보를 분석해 본다면 더욱 고도화된 고객에게 이롭고, X사에게는 매출을 끌어올릴 수 있는 유익한 가치를 만들어낼 수 있을 것 같은데 말야'
사실 데이터 결합이라는 것은
실제 업무를 수행해봐야 정확히 알겠지만...
상상력이 필요한 업무 영역이다.
상상해서 A사의 b데이터와 C사의 d데이터를 결합하면 뭔가 유의미한 정보가 나올 수 있겠구나하고 가설을 세우고 들어가야 그래도 뭐라도 찾아낼 수 있다.
물론 데이터 결합업무를 수행하는 데이터에 대한 지식이 풍부한 분들이라면 척하면 척일 테지만, 현재 시장 상황으로 보면 대다수의 많은 분들이 어려워하는 부분이 바로 이 결합에 대한 결과다.
나는 말하고 싶다