효율적인 마케팅을 위한 고객 세그멘테이션 방법
데이터로 마케팅 전략 세우기④
마케팅을 꾸준히 하고 있지만, 내가 잘 하고 있는지 판단이 안 서나요? 이런 분들을 위해 데이터로 인사이트를 얻고 이를 마케팅에 적용하는 방법을 시리즈로 정리했습니다. [데이터로 마케팅 전략 세우기] 시리즈를 읽고 보다 효과적인 마케팅을 해 보세요.
목차
1. 세그멘테이션의 정의, 필요성
2. 세그멘테이션 방법 ① 사용자 특성 및 지표
3. 세그멘테이션 방법 ② 인과 추론
4. 세그멘테이션 방법 ③ 클러스터링
마케터라면 브랜드의 포지셔닝을 어떻게 할지, 어떤 시장을 타겟팅 할지 고민해 본 적이 있을 거예요. 포지셔닝과 타겟팅의 기본은 고객 세그멘테이션(Segmentation)입니다. 세그멘테이션이 잘 이뤄져야 적은 돈으로 큰 마케팅 효과를 얻을 수 있죠.
이번 글에서는 세그멘테이션의 정의를 짚어보고 데이터를 활용해 고객을 세그멘테이션하는 세 가지 방법을 알려드리겠습니다.
세그멘테이션이란?
고객이나 시장을 비슷한 특성을 가진 그룹으로 분류하는 과정입니다. 이 과정을 통해 기업은 고객을 더 잘 이해하고, 보다 개인화된 마케팅 전략을 수립할 수 있어요. 대표적인 세그멘테이션 기준으로는 성별, 나이, 위치, 고객 성향 등이 있습니다.
세그멘테이션은 언제 필요할까?
프로덕트 런칭 시 타겟 시장을 선택하기 위해서는 세그멘테이션이 필수입니다. 하지만 런칭 이후에도 세그멘테이션은 여전히 유용해요. 브랜드 혹은 제품의 고객 경험을 개선하려면 그에 맞는 새로운 세그멘테이션이 필요하기 때문이죠. 더해서 기업의 브랜드 포트폴리오나 제품 프로덕트가 다양해진 경우 이에 맞는 세부적인 시장과 고객을 정의할 필요가 있습니다.
ⒸUnsplash의Jason Coudriet세그멘테이션 방법① 사용자 특성 및 지표
가장 쉬우면서도 효과적인 세그멘테이션 방법입니다. 아래 기준을 각각 사용하기도 하지만, 여러 기준을 섞어 세그멘테이션하기도 합니다. 성별, 나이와 같은 인구통계학적 기준에 쇼핑 성향까지 필터링 해 원하는 고객을 분류해내는 식이죠.
1. 인구통계학적 세그멘테이션 (Demographic Segmentation)
어떤 유형의 프로덕트든 빠르게 적용할 수 있는 기준입니다. 성별, 나이, 직업 등 회원정보만 있다면 피봇테이블로 빠르게 고객을 분류할 수 있죠. 새로운 인사이트를 줄 수 있는 데이터 분류는 아니지만 고객의 기본적인 구성을 확인할 수 있어요.
2. 행동기반 세그멘테이션 (Behavior Segmentation)
고객의 행동 관련 데이터를 토대로 한 분류입니다. 오프라인 프로덕트의 경우 고객의 동선, 방문 시간 등이 기준이 되고 온라인의 경우 액션 없이 이탈하는 사용자부터 클릭률은 높지만 구매는 하지 않는 사용자까지 다양한 행동기반 세그멘테이션을 만들 수 있습니다.
3. 성향기반 세그멘테이션 (Attitudinal Segmentation)
쇼핑 성향, 서비스 이용 성향 등을 기준으로 고객을 분류합니다. 이때 별도의 설문조사나 사용자 측의 데이터 제공이 있어야 데이터 수집이 가능하죠. 고객 데이터가 충분히 모인 상태에서는 타겟팅 전략을 정교하게 짜는 데 도움이 되지만, 아직 고객이 적어 충분한 모수가 없는 상황에서는 효과적이지 않습니다.
4. 감정기반 세그멘테이션 ( Sentimental Segmentation)
사용자 인터뷰를 통해 얻은 데이터를 활용한 분류 방법입니다.
- 추천의향지표(NPS)
우리 서비스를 추천할 의향이 있는지를 수치로 표현한 지표입니다. 높은 점수를 준 응답자들은 추천자(Promoter), 낮은 점수의 응답자들은 비추천자(Detractor)로 분류한 다음, 추천자의 비율에서 비추천자의 비율을 뺀 수치가 NPS입니다. 세그멘테이션에 꼭 NPS를 그대로 사용할 필요는 없습니다. 추천자와 비추천자로 나뉜 고객들만 분류해도 애착과 충성도를 보이는 고객군을 찾을 수 있습니다.
- 40% 가이드라인
경험적으로 제품 시장 적합도(PMF)를 검증하는 데에 널리 사용되는 지표로 션 앨리스*의 ‘40% 가이드라인‘이 있습니다. ’우리 서비스/제품을 더 이상 사용하지 못할 경우 얼마나 아쉬운가요?’라는 질문에 사용자의 40%가 ‘매우 실망할 것 같다’라는 답변을 할 경우 그 서비스는 적절한 PMF를 찾았다고 여겨집니다. 이러한 답변으로 알아낸 서비스 의존도를 바탕으로 사용자를 세그먼트화 하면 높은 충성도를 보이는 사용자 그룹을 묶어낼 수 있습니다.
*그로스 해킹 방법론의 개척자로 ‘그로스 해킹’이란 용어를 만든 장본인.
세그멘테이션 방법② 인과 추론
특정 지표를 바탕으로 한 세그멘테이션 외에도, 특정 목표를 달성하기 위해 가장 적합한 세그멘테이션을 찾아야 할 때도 있습니다. 이를 달성하기 위해서는 인과 추론이 필요한데요.
인과 추론은 고객들의 행동 패턴과 마케팅 활동 사이의 인과 관계를 파악하기 위한 기술입니다. 학술 연구에서도 인과 추론이 쓰이고 있지만, 오늘은 마케팅 분야에서 활용할 수 있는 인과 추론을 이야기 해보려고 합니다.
Unsplash의Jason CoudrietA/B 테스트로 인과추론을 실무에 적응한 예시를 살펴보겠습니다.
여러분은 A 페이지의 체류시간을 늘리고자 이벤트를 기획하고 있습니다.
이벤트를 진행할 고객층을 결정하기 전, 기존에 체류시간이 긴 B 페이지를 이용해보고 싶습니다. B 페이지 체류시간이 A 페이지의 체류시간에 어떤 영향을 미칠지 궁금해졌습니다.
그래서 여러분은 B 페이지에 ‘A 페이지 추천 배너’를 활용한 A/B테스트를 진행합니다. 그 결과, 타 페이지 추천보다 A 페이지를 추천하는 배너의 클릭률이 더욱 높음으로 확인되었습니다. B페이지를 이용하는 고객들은 A 페이지에 보다 낮은 허들을 가지고 있음으로 추정됩니다.
그렇다면 여러분은 B 페이지 이용 고객들을 대상으로 A 페이지 프로모션을 진행해 체류시간 증가를 유도해 볼 수 있습니다.
이처럼 인과관계를 증명하는 실험을 통해 목표에 맞는 세그먼트들을 찾을 수 있습니다. 단, 신뢰도 높은 실험이 될 수 있도록 변수를 잘 통제해야 해요. 인과 추론 알고리즘 중 하나인 ‘성향 점수 매칭(Propensity Score Matching)’을 사용하면 각 그룹에서 유사한 성향 점수를 갖는 개체끼리 쌍을 이루게 해 실험에 영향을 줄 수 있는 변수들을 배제할 수 있습니다.
인과 추론에 대해 흥미가 생겼나요? 그렇다면 인과추론을 실무에 다양하게 적용한 아래 강연을 듣고 이해의 폭을 좀 더 넓혀 보세요.
실무자를 위한 인과추론 활용 : Best Practices 강연
세그멘테이션 방법③ 클러스터링
세그멘테이션 없이 고객 데이터만 많이 쌓여버린 상황에선 어떻게 하면 좋을까요? 클러스터링(Clustering)이 필요합니다.
클러스터링은 비슷한 특성을 가진 요소들을 그룹화하는 기술입니다. 클러스터링 알고리즘 중에는 k-means, DBSCAN, Hierarchical Clustering 등이 있으나 가장 단순하고 보편적인 k-means를 활용해 고객을 세그멘테이션 한 예시를 살펴보도록 하겠습니다.
k-means은 유사한 특성을 가진 요소들을 k개의 클러스터(집단)로 추리는 방법입니다. 이 요소들을 도식화 한 다음, 거리가 가까운 요소들끼리 묶어 군집화를 하는 원리죠.
ⒸIntuition Behind K-Means Clustering. Rohan Rornedy. 2021.04.29실무에 적용할 수 있는 예시로 설명해 보겠습니다.
쇼핑몰을 운영하고 있는 여러분은 신규 프로모션을 진행할 고객층을 찾기 위해 Python이나 R로 데이터 분석을 시작합니다. 우선 구매 금액이나 방문 빈도 등 고객의 행동을 기반으로 세그멘테이션을 해 보려고 합니다.
k-means 알고리즘을 사용하기 위해서는 몇 개 그룹으로 나눌지 정해야 합니다. k-means에서 ‘k’가 바로 그룹의 개수에 해당하죠. 신규 프로모션 타겟을 찾기 위해 고객을 총 3개 그룹으로 분류하고자 한다면, k-means 알고리즘은 유사성을 기준으로 3가지의 클러스터를 만들어 줄 거예요.
그리고 묶어진 각 집단의 특징을 살펴봐야 합니다. A그룹은 매일 방문도 하고 구매도 잦은 고객, B는 방문은 자주 하지 않지만 구매는 무조건하는 고객, C고객은 방문은 자주 하지만 구매는 아주 적은 고객과 같은 식으로 특징이 나뉘겠죠.
이 분석을 통해 타겟으로 고려할 만한 또는 제외할 만한 고객층을 확실히 구분할 수 있습니다. 더해서 알고리즘이 유사성으로 묶지 못한, 즉 어떤 클러스터에도 속하지 못한 새로운 고객 층을 찾아볼 수도 있겠죠.
파이썬을 활용하지 못해도 Tableau(태블로)를 활용하면 클러스터링이 가능합니다. 아래 링크를 클릭해 클러스터링하는 방법을 알아보세요.
데이터가 충분히 쌓였고 고객이 많은 단계에서는 세그멘테이션을 추천 시스템에 활용할 수 있습니다. 콘텐츠 기반 필터링, 협업 필터링 등을 만들 수 있죠.
지금까지 고객을 세그멘테이션 하는 세 가지 방법에 대해서 알아봤는데요. 이외에도 데이터 마이닝부터 인공지능 까지 세그멘테이션에 활용할 수 있는 다양한 방법이 있습니다. 데이터 활용 능력을 조금씩 높여 보다 효과적인 마케팅 활동을 해 보세요.
데이터로 소통하는 마케터를 꿈꾸고 있다면
[마케터, 기획자를 위한 실전 데이터 분석] 강의에서는 취업에 필요한 데이터 분석 역량과 풍부한 실습 경험까지 한번에 얻어갈 수 있습니다. 실전에 강한 데이터 분석 인재로 거듭나세요.
CREDIT
글 | 윤지현 객원 에디터
에디팅 | 박영경 팀스파르타 에디터
� 스파르타코딩클럽이 뉴스레터를 만들었어요!
‘큰일레터’는 코딩으로 큰일 낸 사람들의 이야기와 바로 써먹는 IT꿀팁을 전합니다.
� 큰일레터를 이메일로 받아보고 싶다면?
