인사이트

과거의 개인화는 우리가 가지고 있는 과거의 정적인 데이터나 현재의 데이터를 통해 수행되었습니다. 하지만, 여러 기술의 발전과 함께 기존의 데이터로부터 새로운 사실을 발견하고, 파악하고, 예측하는 것이 가능해졌고, 엄청난 양의 데이터를 통해 학습되어 생성된 예측 데이터는 차별화된 개인화를 위한 매우 좋은 전략이 되었습니다. 

인사이더에서는 이 예측 데이터들을 광고 채널을 포함한 웹과 앱, 푸시 등 다양한 채널에서 활용할 수 있는 세그먼트의 형태로 제공합니다. 이를 통해 전환이나 이탈 가능성 혹은 관심사나 행동 예측 등 고객들을 세분화하여 더 나은 고객 경험, 더 높은 ROI와 전환율, 고객 충성도, 그리고 리텐션을 높일 수 있습니다.

인사이더가 제공하는 예측 세그먼트를 하나씩 살펴보도록 하겠습니다. 

1. Likelihood to Purchase

LTP(Likelihood to Purchase)는 구매자의 행동 패턴을 통해 향후 7일 이내 구매할 가능성이 높은 고객을 예측한 세그먼트입니다. 구매를 완료한 고객들의 행동을 분석하고 어떤 행동이 구매로 이어지는지 학습 및 판단하여, 고객이 해당 행동을 했을 때 각 유저에게 점수를 부여합니다. 고객이 사이트에서 하게 되는 이벤트에 따라 스코어가 실시간으로 변경되고, 모델링에 의해 자동으로 결정된 threshold를 넘으면 그 고객은 LTP = High 세그먼트에 속하게 됩니다.

전략에 따라 해당 세그먼트가 즉각적인 액션을 취하도록 하면서 전환 방해 요소를 제거해 줌으로써 더 빠르고 확실하게 전환을 유도하거나, 해당 고객들을 제외하여 비용을 절약하고 공격적인 마케팅을 운영할 수 있습니다. 

※ 이 세그먼트가 말하는 Purchase는 인사이더 초기 세팅 시, 전환으로 설정한 이벤트를 의미하며 이 이벤트는 상담 신청, 서비스 구독, 예약 등 사이트에 따라 달라질 수 있습니다.

Use Cases

- 구매 확률이 높은 유저 세그먼트에게 리타게팅 광고를 진행하여, ROAS 최적화

- 업셀/크로스셀 상품 추천하여 AOV 제고

- 구매 확률이 높은 유저 세그먼트에게 선공개 및 혜택 제공

2. Custom Conversion Prediction

CCP(Custom Conversion Prediction)은 회원 가입이나, 뉴스레터 구독, 버튼 클릭 등 향후 7일 이내 커스텀 전환 확률이 높은 고객을 예측한 세그먼트입니다. 이 알고리즘은 LTP와 동일한 로직으로 커스텀 전환을 달성한 고객들의 행동을 분석하여 해당 전환으로 이어진 요소들이 어떤 것인지 파악하여 점수를 부여하고, 모델링으로 의해 자동으로 설정된 threshold를 넘으면 CCP = High 세그먼트에 속하게 됩니다.

전환 퍼널에서 마이크로 컨버전들을 CCP 이벤트로 설정하여  고객들이 우리가 생각하는 이상적인 퍼널 안에서 이탈하지 않고, 최종 전환까지 조금 더 쉽고 빠르게 이루어질 수 있도록 하는 타겟팅 메시지를 운영할 수 있습니다.

Use Cases

- 매장 방문 가능성이 높은 고객에게 방문 예약 팝업 노출

- 비회원 주문의 가능성이 높은 고객에게 회원 가입 혜택 팝업 노출

3. Likelihood to Churn

LTC(Likelihood to Churn)는 LTP와 반대로 향후 7일 이내 이탈 가능성이 높은 고객을 예측하는 알고리즘입니다. 사이트 방문, 구매 횟수, 체류 시간, 사이트 검색 등 다양한 지표들에 대하여 이전과 다른 패턴을 보이는 고객을 이탈 가능성이 높다고 예측합니다. 해당 알고리즘은 자체 구매 주기를 고려하여 일부 비활성화 고객은 자동으로 제외합니다. 

리텐션이 무엇보다 중요하기 때문에 고객이 이탈하기 전에(즉, 고객의 이탈을 막을 수 있을 때) 액션을 취해야 합니다. 일반적으로 매뉴얼로 만든 룰을 통해 사이트에 방문한지 6개월이 넘었다거나 전환 후 몇 개월이 지난 경우 이탈 위험 고객으로 간주하고 마케팅 활동을 하시는 경우가 많습니다. 하지만 모든 고객에게는 각자의 여정과 사이클이 있고, 또한 이탈은 라이프 사이클의 모든 단계에서 발생할 수 있습니다. LTC는 라이프 사이클의 어느 단계에 있는 고객이든 이탈 위험이 있는 고객을 식별하고, 룰 베이스로 진행되던 이탈 방지 캠페인을 대체하여 효과적으로 이탈을 막을 수 있는 방법 중 하나입니다. 

Use Cases

- 멤버십 업그레이드 및 혜택 체험 기회 제공

- 다음 구매에 적용 가능한 특별 할인이나 특별 케어 제공

4. Customer Lifecycle Status

CLS(Customer Lifecycle Status)는 고객의 지난 1년 동안의 행동/구매 패턴에 따라 구매 내역이 있는 고객과 구매 내역이 없는 고객을 나눠 각각 세 개, 총 여섯 개의 세그먼트로 분류합니다. 생성되는 세그먼트는 아래와 같습니다.

NON-BUYERS(구매 내역이 없는 고객)

- Visitors: 신규 방문자 혹은 방문 빈도가 평균보다 높은 그룹

- Potential Buyers: 방문 주기 및 방문 빈도가 구매자와 비슷한 그룹

- Silent Visitors: 사이트에 대한 흥미가 떨어져, 방문 빈도가 평균보다 낮은 그룹

BUYERS(최소 1회 이상 구매 내역이 있는 고객)

- Active Customer: 패턴을 가지고 정기적이고 반복적인 구매로 예측 가능한 행동을 하는 고객(예/ 1-2개월마다 구매)

- Inactive Customer: 이전에 Active Customer였으나 현재는 사이트에 대한 관심도가 낮아진 고객(예/ 1-2개월마다 구매했었지만, 마지막 구매 또는 세션 이후 2-3개월이 지난 고객, might be considered as customers at risk)

- Churn Customer: 이전에 Active Customer였으나 현재는 구매를 중단하고, 돌아올 가능성이 낮은 고객

이 세그먼트를 활용하여 방문자를 잠재 구매자로 전환하고, 잠재 구매자를 최초 구매자, 그리고 시간이 지남에 따라 충성도가 높은 고객으로 전환하는 등 모든 고객과 라이프 사이클에 맞춰진 일대일 관계를 구축할 수 있습니다.

Use Cases

- Active Customer 대상으로 Post-Purchase 혹은 Replenishment 캠페인을 운영

- Inactive/Churn User에게 상품 추천이 포함된 푸시/이메일 등, 여러 채널을 통한 터치를 시도함으로 재활성화 유도

- Silent Visitor 대상으로 새로운 상품이나 콘텐츠에 관한 내용 제공 

5. Customer Lifetime Value

고객 생애 가치는 한 명의 고객이 우리 브랜드와 관계를 맺는 전체 기간에 걸쳐 우리 비즈니스에 기여한 총 고객 가치를 의미합니다. 한 명의 새로운 고객을 유입시키는 것도 중요하지만, 기존의 고객을 유지하는 것이 더 중요하기 때문에 CLV(Customer Lifetime Value)는 비즈니스에 중요한 지표가 됩니다. 최근에는 과거의 데이터를 기반으로 구분되는 CLV 뿐만 아니라, AI 알고리즘을 통해 고객이 발생시킬 것이라고 예상되는 고객 가치를 계산하는CLV도 함께 활용되고 있습니다. 

인사이더의 CLV는 지난 3개월 동안의 데이터를 기반으로 학습하는데, 향후 한 달 동안 고객들이 발생시킬 것으로 예측되는 매출을 기준으로 상위 4%는 VIP, 다음 16%는 High, 나머지는 Standard로 분류합니다. 생성된 세그먼트 별로 혹은 다른 세그먼트 조건과 조합하여서 각 고객에게 알맞은 마케팅 전략을 세울 수 있습니다.

Use Cases

- VIP 고객에게 프리오더 베네핏 제공/로열티 프로그램 가입 유도

- 서비스나 상품에 대한 의견 수집, 만족도 파악을 위한 서베이 진행

- Google Ads의 Similar audience, Facebook의 Look-alike audience를 활용해 VIP 고객과 비슷한 높은 가치의 신규 유저 확보

6. Interest Clustering

IC(Interest Clustering)는 지난 60일간의 페이지 뷰 기반으로 유사한 카테고리 방문자들을 총 8개의 클러스터로 분류한 세그먼트입니다. 해당 세그먼트는 우리에게 고객의 관심 상품 및 서비스를 말해주고, 우리는 이를 활용하여 관심사 기반의 개인화 캠페인을 운영할 수 있습니다. 한 명의 고객은 하나의 클러스터에만 속하게 되며, 고객의 행동(방문 상품/카테고리)에 따라 8개의 클러스터에 속하지 않을 수도 있습니다. 

고객들이 보고 경험하게 되는 모든 콘텐츠에 고객의 관심사가 얹힐 때, 반응률을 높이면서 고객 경험을 개선하는 효과를 함께 얻을 수 있습니다. 

Use Cases

- 관심 카테고리에 따른 배너를 우선 노출하여 사용자 경험 최적화

- 고객의 관심 카테고리 관련 프로모션 런칭 시, 웹 푸시를 통해 프로모션을 홍보하고 사이트 유입 유도

7. Attribute Affinity

Attribute Affinity는 지난 30일간의 페이지 뷰, 빈도, 듀레이션, 전환 등의 고객 행동 데이터를 기반으로, 카테고리나 색상 혹은 가격 등의 상품 속성에 대한 고객의 선호도를 식별하는 알고리즘입니다. 기본으로 설정된 어트리뷰트뿐만 아니라 커스텀으로 설정된 속성에 대하여 점수를 부여하여 각 속성에 대한 데이터를 확보합니다. 이를 활용하여 보다 더 세분화된 세그먼트 생성과 개인화가 가능합니다.

Use Cases

- Attribute 선호도 적용하여 추천 고도화

- 동일 기획전이지만 각 유저에게 관심도가 높은 카테고리 관련 메시지로 어트리뷰트별 웹 푸시 발송하여 사이트 유입 유도

8. Discount Affinity

DA(Discount Affinity)는 Random Forest 알고리즘으로 할인된 제품에 대한 구매 가능성이 높은 고객을 예측하는, 이커머스에 특화된 세그먼트입니다. 해당 세그먼트는 지난 6개월간의 데이터를 기반으로 어떤 상품을 봤는지, 봤던 상품의 가격은 얼마인지, 봤던 상품의 할인율은 얼마인지 등의 여러 조건을 고려하여, 각 구매 고객들에게 할인 민감도 점수를 부여합니다. 모든 고객은 처음 Medium 세그먼트에 속하게 되며, 웹사이트 행동에 따라 High/Medium/Low로 나누어집니다. 

Use Cases

- 할인 민감도가 높은 고객들이 사이트에 유입되었을 때, 이벤트 카테고리를 하이라이트하여 해당 페이지로의 랜딩을 유도

- 할인 민감도가 높은 고객들에게 할인, 이벤트 등을 강조하는 광고 메시지(콘텐츠) 노출

- 상품 할인율이 높은 상품들을 먼저 추천해 주는 Highest Discounted Algorithm을 적용한 캠페인 노출

- 카테고리 페이지 유입 시, 가격이 낮은 순으로 상품을 정렬

9. Web Push Likelihood to Engage

푸시 클릭 수, 체류 시간, 최근 방문일, 평균 페이지 뷰 등의 데이터를 기준으로 웹 푸시에 반응할 가능성이 높은 고객 예측하는 알고리즘입니다. 이벤트에 가중치를 부여하여 점수에 따라 20개의 그룹으로 나누고, 이 중 10번 이상 그룹이 웹 푸시에 반응할 가능성이 높은 고객 그룹에 속하게 됩니다. 확률이 높아질수록 타깃 사용자는 줄어들 수 있으나, 클릭률을 높이고 고객 피로도를 관리할 수 있습니다. 

Use Cases

- 푸시 발송 시 해당 조건을 적용하여 발송하여 고객들의 피로도를 낮춤

이 외 모바일 앱에 특화된 두 개의 세그먼트가 추가로 지원됩니다. 

첫 번째는 App Push Likelihood to Engage로 Web Push Likelihood to Engage와 비슷하게 앱 푸시에 반응할 가능성이 높은 고객을 예측하는 세그먼트입니다. 인게이지먼트가 낮고, 오랫동안 앱에 유입되지 않았던 고객에게 유입을 유도하는 메시지를 발송하는데 활용할 수 있습니다.

두 번째는 Likelihood to Uninstall입니다. 해당 알고리즘은 향후 28일 이내 앱 삭제 가능성이 높은 고객을 예측합니다. 고객의 이탈을 감지하여, 타겟이 되는 고객에 대한 선제적인 대응으로 이탈을 막고 ROI를 극대화할 수 있습니다. 

인사이더가 제공하는 모든 예측 세그먼트는 인사이더 패널의 Predictive Analytics Dashboard를 통해 시각화되어 표현됩니다. 대시보드를 통해 마케터가 쉽게 세그먼트에 대해 더 자세하게 파악하여, 의미 있는 인사이트를 도출할 수 있도록 지원합니다.

예측 데이터의 이점은 명확합니다.

첫 번째, 보다 세분화된 개인화 경험 제공이 가능합니다. 예측 세그먼트를 통해 만들어진 개별화 전략은 맞춤형 메시지, 서비스 및 제안이 가능합니다. 이는 고객 만족도와 로열티를 함께 향상 시킵니다.

두 번째, 예측 데이터는 방대한 양의 우리 데이터를 학습하여 도출된 제 3의 데이터입니다. 이는 신뢰할 만한 데이터이면서, 더 의미 있는 의사결정의 기반, 인사이트를 제공합니다.

세 번째, ROI 극대화입니다. 예측 세그먼트가 적용된 세분화된 전략 및 캠페인은 효과적인 고객 유치와 유지를 이끌어 냅니다. 더불어 고객이 인지하지 못하고 있던 니즈 발견 기회를 제공하기도 합니다. 이는 ROI뿐만 아니라, 전반적인 비즈니스 성과를 향상시킵니다.

네 번째, 데이터 분석 및 예측을 자동화함으로 사람이 직접 분석하고 분류하는 노력을 줄여 시간을 절약할 수 있게 되었습니다. 그뿐만 아니라 다른 툴의 도입이나 인력의 투입, 불필요한 지출을 줄여 비용을 절감할 수 있습니다.

마지막으로 예측 세그먼트를 활용하는 것은 우리의 경쟁력을 강화시킵니다. 고도화된 개인화는 고객과의 관계를 강화하고 경쟁사와의 차별점이 됩니다.

이런 다양한 기능을 하는 예측 세그먼트를 통해 단순하게 미래에 어떤 일이 발생할 것인가에 대해 예측하거나, 지금은 알 수 없는 가능성을 파악하는 것에서 끝나는 것이 아니라, 데이터가 시사하는 바는 무엇이며 그에 맞춰 우리는 어떤 전략을 세워야 하는지에 대한 단서로 의미 있게 잘 활용하시어 one-to-one의 개인화를 실행하실 수 있길 바랍니다. 

자료출처 : 마케팅 효율을 높이는 예측 세그먼테이션 USE CASE 22가지 (openads.co.kr)