고객 데이터의 세분화를 통한 對 고객 전략 개발
고객을 하나로 보는 게 아니라, 나눠보는 기준을 만들어 보면 달리 보인다
사업은 고객 그리고 그들로부터 원하는 반응을 꾸준히 얻고자 하는 것이다. 이때 리더는 자신이 세운 원리 원칙이 목표한 고객에게 의도대로 전달이 되고, 기대한 반응을 얻을 수 있는 것을 가장 중요시 여겨야 한다. 그래야만 원하는 이익 추구가 현실화될 수 있다. 그래서, 고객에 대한 사업상 올바른 개념적 정의에서부터 시작하라고 권고한다. 그런데, 다들 고객은 안중에도 없고, 돈을 보는 것 같다.
온톨로지(Ontology):
고객을 ‘개념–속성–관계’로 구조화하는 사고법
고객을 이해하는 문제는 언제나 복잡해 보입니다. 하지만, 사실은 그 복잡성 속에서 ‘구조’를 발견하지 못해서 더 어렵게 느껴지는 것 같습니다. 최근 고객 전략, AI 기반 추천, 구매 패턴 분석, CRM 자동화 등이 발전하며 많은 조직이 “데이터 기반 고객 이해”를 외치지만 여전히 가장 중요한 질문에 답하지 못하고 있습니다.
“도대체 우리의 고객은 어떤 사람인가?”
이 질문에 답하기 위해 필요한 것이 고객 데이터(Customer Data)와 고객의 거래 데이터(Transaction Data)이고, 이는 근본적으로는 온톨로지(Ontology)적 접근으로 알 수 있습니다. 온톨로지는 철학에서 출발하여 AI, 데이터 설계, 추천 알고리즘, 조직 모델링, CRM 전략까지 핵심적인 기반의 방법론으로서 온톨로지의 핵심 질문은 단 하나입니다.
“이 세계는 무엇으로 구성되어 있으며, 그것들은 어떻게 연결되어 있는가?”
이를 위해 온톨로지는 4가지를 정의합니다.
개념(Class) — 무엇이 존재하는가
속성(Property) — 그것이 어떤 특징을 가지고 있는가
관계(Relationship) — 서로 어떻게, 어떤 모양으로 연결되어 있는가
규칙(Rule) — 어떤 조건에서 어떤 의미와 가치가 발생하는가
고객 전략을 잘하는 모든 회사는 사실 온톨로지적 사고를 사용하고 있습니다. 고객을 단순 숫자나 표로 보지 않고, 개념적으로 구조화하고 관계를 이해하는 방식을 채택하고 있기 때문입니다. 이렇게 하는 이유는 이러한 전략이 고객을 훨씬 더 잘 이해하고, 이를 토대로 고객이 원하는 방향으로 사업을 이끌어갈 수 있기 때문입니다. 제가 늘 주장하고 있는 '고객 데이터와 거래 데이터를 분리하고 다시 결합'해 고객 유형과 전략을 만들었던 방식도 바로 온톨로지 기반 접근입니다. 그럼, 실제로 온톨로지 기반으로 고객을 구분(세분화)하고, 다시 정의하게 되면 실제 對고객 전략 수립이 가능함을 설명하겠습니다.
온톨로지 기반 고객 세분화를 통한 對 고객 전략 수립 절차
고객 데이터: 고객을 ‘정의 또는 식별’하는 정보
우리가 가진 고객 데이터는 고객을 정의 또는 식별 어느 쪽에 가까울까.
고객 데이터는 이렇게 묻는다. “이 사람은 우리의 고객인가?”
이름, 이메일, 연락처
소속 회사, 직무, 직급
연령대, 지역
유입 경로(광고/지인/검색/리뷰)
가입일, 최초 접점 정보
개인정보 동의 여부 등
고객 데이터는 고객의 정체성을 만들고 ‘식별의 최소 단위’를 구축할 수 있게 합니다. 그러나, 여기에는 성향, 습관, 행동은 들어있지 않습니다. 이 데이터만 보면 고객은 언제나 평면적입니다. 분명 우리 서비스에 가입되어 있기 때문에 '우리 고객이라고 말할 수는 있지만', 우리가 원래 목표했던 고객이 맞는지, 아닌지를 가려낼 수는 없습니다. 그러니까, 어쩌면 고객이라는 말보다는 '가입자'라는 말이 더욱 어울리는지도 모릅니다.
거래 데이터: 고객을 ‘해석’하는 정보
반면 거래 데이터는 고객이 우리와 거래하는 과정 및 결과에서 나타나는 모든 데이터를 일컫는 것으로 고객 스스로가 어떤 방식으로 상호작용하는지를 보여주는 지표들입니다.
구매 횟수·주기
첫 구매까지 걸린 시간
장바구니 유지 시간
특정 기능 사용 빈도
콘텐츠 클릭 패턴
가격 민감도
프로모션 반응성
이탈 시점과 행동
CS 문의 패턴
그래서, 고객 데이터가 “그는 누구인가?”를 말한다면, 거래 데이터는 “그는 어떤 사람인가?”를 말하는 것입니다. 사람이기 때문에 각자가 가진 서로 다른 사정에 의해, 각기 다른 사용 패턴을 보여주고, 그 패턴을 기반으로 세분화를 기반으로 한 그룹화가 가능한 것입니다. 이렇게 되면, 단순히 Biological Customer Segment의 개념에서 벗어나 그들이 서비스 내에서 실제 보이는 사용 패턴을 두고 세분화하고, 그들이 왜 이러한 패턴을 보이는지를 분석해 볼 수 있습니다. 그럼, 거꾸로 "어느 집단이 더욱 우리의 강력한 고객인가"에 대한 정의도 새롭게 시도해 볼 수 있는 것입니다.
두 데이터를 분리하고 다시 합치는 순간
고객은 평면에서 입체가 됩니다
거래 데이터 기준으로 고객 데이터를,
다시 고객 데이터 기준으로 거래 데이터를 서로 교차하며
원래 하던 대로 고객 데이터를 통해 고객을 ‘정의’합니다. 대신에 고객 정의에 대한 개념을 보다 폭넓게 가져간다고 보는 것입니다. 따라서, 고객의 거래 데이터로 고객의 ‘성향’을 이해하고, 고객 데이터와 결합함으로써 전보다 입체적으로 고객을 이해하기 위해 노력하는 것입니다. 이를 통해 단순히 ‘고객 1명 증가’가 아니라, 같은 행동이 다른 고객 그룹들에서 눈에 들어오게 되고, 고객 행동 기반으로 성향 분류가 곧 유형 분류까지 이어질 수 있게 되는 것입니다.
실제 데이터로 만드는 고객 세분화 프레임워크
(Data-Based Customer Segmentation Framework)
아래는 여러 프로젝트에서 가장 효과적이었던 5단계 고객 유형 모델링 프레임워크입니다.
【STEP 1】 고객 데이터 정제(Identity Layer)
고객을 구분하는 기본 필드를 구조화합니다. 이는 고객 정의보다는 식별을 위한 분류에 가깝습니다.
예시 필드:
Age Group (20–24 / 25–34 / 35–44 …)
Job Category (Marketing / Engineering / Education / Design ···)
Region (서울/경기/지방 1·2·3)
Company Size
Join Channel (Organic/ADS/Referral/Partner)
서비스가 고객에게 어떤 가치를 제공하고, 고객은 서비스로부터 무엇을 얻으려고 하는가에 따라 대표되는 분류 기준이 제각각 다를 수밖에 없습니다. 혹은 단순히 가장 일반적인 연령, 성별, 지역 등을 통해 “고객을 어떤 기준 위주로 식별할 것인가”에 대해 고민해 볼 수도 있습니다.
【STEP 2】 거래 데이터 정제(Behavior Layer)
서비스 내에서 실제 고객이 보일 수 있는 행동을 설명하는 필드를 구조화합니다. 이때 고객의 행동을 Labeling 하고, 동시에 Leveling 한다는 것을 염두에 두고 필드값을 정의해야 할 것입니다.
예시 필드:
30일 이용시간
기능 사용 균형도(Function Distribution Score)
재방문 주기(Visit Interval)
구매 주기(Purchase Cycle)
프로모션 반응률(CTR, CVR)
가격 민감도(Price Sensitivity Index)
단기적 평균 주문 금액(AOV), 중장기적 고객 생애가치(LTV)
이탈 시점/패턴
서비스 내의 고객이 보이는 여러 행동패턴 중에 "우리는 어떤 지표를 가장 중요한 지표로 볼 것인가"에 대한 문제는 곧 현재 서비스가 어떤 사업적 성과를 내고 있고, 다음 단계로 어떤 실적을 기대하며, 이를 위해 고객으로부터 어떤 반응을 중점적으로 이끌어낼 것인가를 놓고, 다수의 고객 그룹을 구분하고, 어떤 그룹을 육성할 것인가의 문제 해결의 실마리를 찾을 수 있습니다.
【STEP 3】 데이터 결합 (Identity × Behavior Matrix)
고객이 제공한 기본 데이터와 고객이 서비스에 참여하는 과정에서 발생한 데이터, 두 레이어를 연결해 고객을 행동 기반 집단으로 묶게 되면 아래의 예시와 같이 나타날 수 있습니다. 이를 토대로 고객은 크게 4 그룹으로 분류되고, 이들 중에 어떤 이들을 메인 타깃으로 삼아야 할지에 대한 전략적 판단을 내릴 수 있습니다.
예시(실제 SaaS 프로젝트에서 사용)
위와 같이 결합하게 되면 “같은 30대 여성 고객 또는 동일 지역 내 있는 이들”이라고 해도 완전히 다른 존재가 되고, 그들을 위해 어떤 마케팅 전략과 전술을 사용하는 것이 적합할 것인가에 대하여 조금 더 근거 기반으로 깊이 있는 접근을 할 수 있게 됩니다.
【STEP 4】 고객 유형 모델링 (Segmentation)
이처럼 두 데이터를 결합해 나온 고객 그룹은 실제 전략에 바로 사용될 수 있는 ‘고객 모델’이 될 수 있습니다. 이미 유형화되었고, 실제 그 유형대로 분류가 가능한 수준이 되면, 각 유형별 유치 및 유지하기 위한 최적의 전략과 전술, 실행 계획과 자원 및 비용 등을 산정하여 높은 수준의 성과를 기대할 수 있는 실행력을 갖추는 것이 가능해질 수 있습니다.
실제 이커머스에서 사용된 6가지 세그먼트 예시:
즉시 구매형 (Instant Buyer)
구매속도 빠름
LTV 높음
가격 민감형 (Price Sensitive)
할인 없을 땐 반응 없음
장기 탐색형 (Delayed Decision Maker)
구매까지 평균 10~20일
1회 체험형 (One-Time Trialist)
재구매 없음
커뮤니티 반응형 (Community Influenced)
외부 리뷰·SNS 영향 큼
조용한 충성형 (Silent Loyalist)
문의 적지만 사용 꾸준
위와 같은 구분에 의한 고객 세분화 모델이 만들어지게 되면, 고객을 숫자로 인식하는 것이 아니라 전략의 기준으로 삼을 수 있게 됩니다. 사업은 (지속적으로 구매, 이용하려는) 고객이 없이는 존재할 수 없습니다. 따라서, 결국 누구를 위해 존재해야 하는지에 대해 끊임없이 규명하려고 해야 하며, 이 과정에서 어떤 고객을 위해 조직이 전체적 또는 부분적으로 개선이 필요한지에 대해 고객의 총체적 데이터를 근거로 결정할 수 있게 됩니다.
【STEP 5】 각 유형별 전략 설계 (Action Design)
글을 작성하는 편의상 위의 표에서는 '고객 데이터 + 거래 데이터 그리고, 그에 따른 대응 전략 및 결과'를 함께 연결하지 않았지만, 실제로 업무 할 때는 일정 시기(월, 분기, 반기, 연간)에 맞춰 고객 데이터와 거래 데이터의 종합판 결산 양식을 만들어 운영해야 합니다. 이를 통해 '우리 서비스 성장에 도움이 되는 고객 유형별 순위'를 확인하고, 강점은 강하게, 약점은 보완하는 등의 전략적 판단을 할 수 있게 됩니다.
사례 1 — 뷰티 브랜드(Olive Young / Glowpick 리뷰 기반 소비 패턴 분석)
국내 뷰티 시장은 올리브영(Olive Young)과 글로우픽 등을 중심으로 리뷰·재구매·성분 기반 탐색 패턴이 매우 뚜렷하게 드러납니다.
Olive Young 앱 내 재구매 패턴
Glowpick 리뷰 행동 패턴
화장품 카테고리 내 깊이 탐색 행동유입(인플루언서·커뮤니티) 기반 구매 전환 속도 등
위 데이터를 온톨로지 방식으로 구조화했을 때 명확히 3개 그룹이 드러납니다.
즉시구매형 (Quick Buyer)
뷰티 유튜버·인스타 인플루언서의 '추천템'을 24시간 내 구매
신규 출시 제품에 반응이 빠름
구매 후 리뷰는 많지 않음
마케팅·디자인 직군 비율 높음
→ 실제로 올리브영에서 “핫딜 상품”이 폭발할 때 해당 고객층을 중심으로 구매가 이루어집니다.
장기탐색형 (Research Explorer)
Glowpick에서 성분표·후기 20~50개 이상 비교
구매까지 평균 7~14일
‘피부타입 동일 리뷰’를 매우 중시
교사·공무원·간호사 등 신중성 높은 고객군에서 자주 보임
→ 연구 기반 소비로 유명한 Glowpick 데이터에서도 가장 명확하게 나타나는 패턴 중에 하나입니다.
1회 체험형 (Trial User)
체험단·샘플 키트·1+1 등 프로모션 기반 진입
주로 “트래픽 글”을 보고 단발성 구매
재방문 거의 없음
10대 후반~20대 초반에서 빈도 높음
→ 올리브영의 ‘트래픽 유입용 상품 구매자’ 패턴과 동일합니다.
전략적 결과 (실제 업계 패턴 기반)
‘즉시구매형’을 타겟팅한 마케팅 비용 효율이 가장 높음
‘장기탐색형’ 대상 '성분 콘텐츠 강화'로 CVR(구매전환율) 일부 상승 확인
‘1회 체험형’은 정착 프로그램(미니 키트→정품 전환)이 효과적
→ 실제 올리브영/Glowpick 기반 전략에서도 검증된 구조.
*출처 : 올리브영 인사이트 리포트, 트렌드 모니터, 대학내일 20, 글로우픽 리포트 등 참조
사례 2 — SaaS 사례 (Notion / Slack / Canva의 실제 사용자 행동패턴 기반)
국내외 Notion, Slack, Canva, Toss Enterprise SaaS 등 SaaS 기업의 행동 데이터를 보면 특정 고객군이 초기에 주목받지 않다가 후에 고 가치 고객으로 드러난 패턴이 매우 흔하다.
실제 주목해야 하는 고객 유형: ‘Silent Loyalist(조용한 충성형)’
실제 SaaS 시장에서 아래 행동 패턴은 높은 확률로 ‘고수익 고객’이다.
문의 거의 없음
고객센터 사용 거의 없음
기능 활용이 매우 균형적
사용 주기가 일정함
결제는 단일 플랜이지만 장기 유지
팀 내 조용히 자리 잡고 꾸준히 쓰는 사용자
해당 유형은 Slack, Notion, Canva에서 실제 분석된 LTV 패턴을 보면 문의가 많은 고객보다, "소리 없이 꾸준히 쓰는 고객”의 유지율·매출 기여도가 높다는 보고가 많습니다. 참고로 이 그룹이 일반 분석에서는 잘 보이지 않는 이유는 이벤트 반응, 문의, 이탈 위협 시그널 등이 거의 없기 때문입니다. 그러나 행동 패턴의 관계(relationship)를 온톨로지 방식으로 보면 ‘Low Noise / High Value Segment’로 분류할 수 있습니다.
그래서, 실제 각 서비스에서 관찰된 모습은 다음과 같습니다.
Slack: “Active Workspace Cohort” 중 문의 없는 그룹이 LTV 최상위
Notion: 팀 단위 사용률 높은 그룹이 장기 구독률 90% 이상
Canva: 소수 기능만 꾸준히 쓰는 그룹이 up-sales 비율 가장 높음
사례 3 — 이커머스(무신사 / 쿠팡 / 11번가의 가격 민감 vs 고관여 소비 패턴)
국내 이커머스 시장에서는 가격 기반 행동과 브랜드 기반 행동이 극명하게 갈립니다.
특히 무신사(Musinsa), 쿠팡, 11번가, 네이버 쇼핑의 클릭 데이터를 기반으로 아래 패턴이 반복됩니다.
A) 가격 민감형 (Price-Sensitive Segment)
무신사 랭킹/세일 페이지 중심 유입
‘특가’, ‘오늘의 딜’ 클릭 비중 높음
장바구니를 오래 유지
프로모션 기간 종료 후 이탈률 높음
가격 알림 등록 빈도 높음
해당 패턴은 무신사 리포트나 커뮤니티에서도 많이 공유된 유형으로 사용자 중 다수가 이러한 패턴을 보이고 있고, 실제 무신사도 이들과 가격 기준으로 보이지 않는 줄다리기를 수시로 하고 있는 것으로 이해하고 있습니다.
B) 고관여형 충성 고객 (High-Involvement Loyalist)
특정 브랜드를 꾸준히 팔로우
리뷰 정독, 상세페이지 체류시간 길다
사이즈·핏 정보에 민감
신상 알림 등록 후 빠른 구매
할인 여부와 무관하게 재구매
해당 고객층은 ‘가격 상관없이 스타일·브랜드 아이덴티티’를 사는 이들로 자신이 추구하는 스타일을 위해 무신사를 쇼핑 플랫폼으로 이용 중에 있으며, 자칫 구매액 기준으로 보면 플랫폼에 대한 높은 충성도를 보인다고 착각할 수 있어 유의해야 합니다.
위 두 그룹을 구별하지 않으면 프로모션 및 캠페인을 운영할 때 기대한 효과 미비 혹은 프로모션 이탈 폭증이 나타날 수 있기 때문에, 메시지를 내보내는 채널 혹은 메시지 다변화(맞춤화)를 위해서라도 우리만의 기준에 의해 대략적 분류 및 분석을 상시로 하고 있어야 합니다.
참고로 실제 업계 성과를 기반으로 하게 되면, 아래와 같은 전략이 일반적입니다.
세일 고객에게는 “쿠폰 + 빠른 전환 메시지”가 가장 효과적
고관여 고객에게는 “신상품 알림 + 코디 콘텐츠”가 가장 효과적
또한, 꼭 위와 같은 방식의 분리가 아니더라도 고객 데이터 및 거래 데이터 기준으로 유형화하여 분리하면 재구매율 + 이탈률 40~60% 개선되는 사례가 다수 존재하는 것을 무신사 MD/CRM팀, 네이버 쇼핑 행동 패턴 리포트 기반으로 확인할 수 있습니다.
결국, 고객을 정확하게 보는 능력이 곧 전략입니다
고객은 숫자가 아닙니다.
고객은 개념이며, 속성이며, 관계이며, 규칙입니다.
고객 또는 고객의 행동 패턴을 바꾸는 것보다
우리의 고객을 정확하게 보고, 구조화하는 능력을 갖춰야 합니다.
최소한 이렇게 Funnel이라도 말이 되게 만들어 운영해 보는 노력이 필요합니다하지만, 당장에 성과 또는 실적을 내기 위해 구조적 개선보다는 단기적 이슈 몰이에 더욱 치중하는 것 같습니다. 이는 아무래도 빠르게 성과 내는 것을 요구받기 때문이며, 이러한 무리수에 가까운 병폐가 사라지지 않는 한 쉽게 바뀌지 않는 모습일지 모르겠습니다. 그럼에도 불구하고 고객을 상대하는 현장에 계신 분들이 '상대하는 고객을 위해 무엇이 올바른 일이고, 올바르게 하는 것인가'에 대한 고민을 계속 가져간다면 언젠가는 바뀔 수 있다고 생각합니다.
그래서, 비교적 고객을 정확하게 보려 하고, 그렇게 보는 연습을 토대로 고객을 정의하며 , 고객과 상호작용을 하는 과정에서 어떤 관계가 맺어지고 발전되는가를 눈여겨보면 고객이 우리에게 무엇을 원하는지를 알게 되고, 그걸로 더 큰 비즈니스 기회를 잡을 수 있게 될 것입니다.
데이터를 통한 고객 정의의 출발은...
- 고객 데이터는 고객이 누구인지,
- 거래 데이터는 고객이 어떤 사람인지,
그리고 두 레이어의 결합은 우리가 각각의 고객을 위해 어떤 전략과 전술을 써야 하는지를 알려줍니다.
왜냐하면, 고객은 숫자 1명이 아니기 때문입니다. 분명히 다수이고, 그들은 하나로 정의되기보다는 몇몇의 세분화된 기준으로 정교하게 분류될 수 있으며, 이때 적용해야 하는 것 중에 하나가 고객의 거래 데이터가 주는 패턴입니다. 이것이 對 고객 전략의 출발점이자 종착점입니다.
이제 질문은 단순해질 수밖에 없습니다.
“우리는 고객을 제대로 보고 있는가?”
“우리는 데이터를 나누고, 다시 합쳐 보는 관찰력을 갖추고 있는가?”
우리의 고객을 위한 전략은 이 질문에 대한 답으로부터 시작될 수 있습니다.
#공감하신다면, #공유 #좋아요 #구독 바랍니다.
아래 Link로 고민 내용 보내주세요.
서울 및 수도권에 계신 분이면 직접 만나고,
지방 또는 해외에 계신 분들은 화상으로 유료 상담합니다.
상담 Link
[작가 소개]
이직스쿨 김영학 대표. 17년차 전략 컨설턴트.
6년이 넘는 동안 1,500여 명의 직장인을 만나 커리어 코칭을 했고, 함께한 사람들이 스타트업 기업에서 대기업으로, 중견기업에서 전도유망한 스타트업 기업으로, 외국계 기업이나 해외로 취업하는 것을 도왔다. 또한 수년간 대기업과 중견기업을 대상으로 전략 기반의 비즈니스 컨설팅을 했으며, 현재는 스타트업 전문 비즈니스 코치로도 활동 중이다. 또한, 직장생활과 커리어에 인사이트를 주는 글을 꾸준히 쓰고 있으며 〈이코노믹리뷰〉에 ‘직장에서 생존’이라는 칼럼을 연재하고 있다.
