고객관리 부문과 유기적으로 연결돼야
▲ 전용준 xyxonxyxon@empal.com 리비젼컨설팅 대표 / 경영학박사
고객세분화(customer segmentation)라는 용어는 이제는 특별히 심각한 학술 세미나에서가 아니라도 쉽게 들을 수 있다. 마케팅이나 고객관리와 관련된 업무를 담당하는 사람들이 일상 업무에도 흔히 사용하고 있다. 그러나 그처럼 보편화되었다는 것과 정확한 이해와 활용이 이루어진다는 것과는 별개의 문제인 듯하다. 꽤나 많은 사람들이 그 개념에 대해 오해를 가지고 있기 때문이다. 먼저 대표적인 오해들을 몇 가지 짚어보고 나서 그에 대한 여러 측면을 살펴보고 활용도를 높이기 위한 방안까지 알아본다.
고객세분화와 관련된 오해들
오해 1
RFM 분석은 고객세분화의 대표적인 방법이다
본래 통신판매에서 시작되었다고 하는 RFM (recency, frequency and monetary)에 대해서는 특히 오해가 많다. 기본적으로 RFM은 알고리즘에 의한 통계적 내지는 수학적 모델링을 하는 것이 아니다. 테스트 캠페인을 통해 얻어진 반응율을 셀별로 할당하고 그 결과를 각 셀의 반응 예상치로 간주하는 모델링이다. 물론, 어떠한 방법을 사용해서든 예측점수가 나오게 된다면 그 수치에 의해 고객이 세분화될 수 는 있겠지만 이 경우라면 세분화의 기준은 만들어진 오직 하나의 수치가 될 것이다.
R, F, M 각각이 별도의 고객세분화 기준이 되는 것이 아니다. RFM 분석의 본래 취지를 보면 그렇다. 하지만 그러한 본래의 의미와 무관하게 R, F, M 세 가지 각각의 기준을 축으로 고객세분화를 하겠다고 주장한다고 해서 맞다 틀렸다 이야기하기는 불가능하다. 실제로 많은 이들이 이러한 방법을 사용하고 있지만 문제는 왜 RFM을 고객세분화용으로 사용하는가에 관해서는 이 방식 안에서는 충분한 논리적 근거를 대기가 어려울 것이다.
한발 더 나아가서 RFM항목별 점수에 가중치를 주어서 합산한 후 이를 고객등급 내지는 고객가치 등급으로 규정하는 경우도 있다. 앞서와 마찬가지로 RFM이 본래 캠페인의 타게팅을 위해 나온 것이니만큼 고객등급과는 별개의 문제이다. 고객등급을 나타내기 위한 어떤 근거도 가지고 있지 않은 것이다.
오해 2
고객집단을 잘게 나눌수록 고도화된 것이다
근래의 한 신문기사에서는 어느 은행이 여러 가지 변수를 사용하여 극단적으로는 천만가지 조합으로 고객을 나눌 수 있는 세분화를 실시했고 그에 따라 고객세분화가 고도화 되었으며 높은 성과가 기대된다는 내용이 다루어졌다. 과연 의미가 있는 이야기일까?
우선 천만이라는 조합이 나오려면 몇 개의 변수가 필요할 지를 생각해 보자. 성별, 연령대, 거주 지역, 최근 1년간 이용금액 정도를 기준으로 포함한다고 한다면 각각의 변수가 가진 집단의 수에 따라서 2 * 15 * 50 * 10 = 15,000 정도로 이미 1만5천 가지에 이르는 조합이 만들어진다. 천만의 조합을 만드는 일은 여기에 한 가지 정도의 간단한 변수만 추가해도 쉽게 가능한 일이다. 이와 같이 잘게 집단이 나누어졌다고 해서 무엇이 새롭고 놀라운 일일까? 천만의 조합이 나올 수 있는 세분화란 그 자체로서는 아무런 고도화를 의미하지 않는다.
그렇다면 천만의 조합이 나올 정도로 세분화해서 한 고객이 거의 한 집단에 속하게 된다면 그것은 의미가 있는 것일까? 고객세분화는 처음부터 한 사람 한 사람인 고객들을 집단으로 묶어주는데서 의미를 찾을 수 가 있는 것이다. 그 결과로 수십만 수백만의 고객들을 관리하기 위해 개개인을 각각으로 보고 모두 다른 대응을 하는 것이 아니라 열개든 삼십개든 관리 가능한(manageable) 수준의 소수의 집단으로 나누어 고객관리를 단순화해야 고객세분화를 통해 어떤 효과를 얻을 수 가 있는 것이다.
실제로 천만종의 고객집단이 있다고 해서 천만종의 다이렉트 메일을 제작해 고객에게 발송할 수 있겠는가? 종류가 다양한 만큼 비용도, 시간도, 노력도 지나치게 많이 소요될 수 밖에 없을 것이다. 하지만 그것이 30여종이라면 쉽게 관리할 수 있으며 비용도 줄일 수 있다. 고객세분화의 의미는 바로 여기에 있는 것이라는 점을 이해해야 한다.
오해 3
고객세분화는 고정할 필요가 없으며 필요할 때마다 그 때 그 때 하면 된다.
원론적으로 고객을 세분화하는 것은 누구나 할 수 있는 일이다. 그저 하고 싶은 대로 기준을 정해 나누어 주면 고객은 구분된다. 홈쇼핑회사에서 카탈로그를 보내어 구매가 일어난 고객을 한 집단으로 기타 모든 고객을 또 한 집단으로 나눈다면 그것 역시도 세분화라 할 수 있다. 어떤 이는 최근 세 번의 카탈로그 발송에서 한번이라도 구매가 일어난 고객을 기준으로 할 수 있을 것이고 또 다른 어떤 이는 직전 딱 한 번의 카탈로그 발송을 기준으로 할 수 도 있을 것이다. 나누는 방법은 무제한이다.
어떤 조치를 해야 하는가 벌어지는 상황에 따라 이렇게도 나누었다가 저렇게도 나눌 수 있다. 문제는 그래서 좋아지는 점이 무엇인가이다. 구태여 우리가 고객세분화라는 단어를 사용해가면서 고객을 나누는 기준을 정한다는 것은 고객을 보는 관점을 회사 전체 내지는 적어도 어느 부문 내부에서는 통일시켜 고객을 구분하는 기준을 설정하고 설정된 기준에 해당하는 고객들에 대해서는 적어도 일정기간 동안 일관성 있는 방향으로 활동을 실시하고자 하는 것이다.
고객세분화는 한동안 안정적으로 기준이 적용되어야 하며(안정성) 그 결과로 조직 내의 여러 사람들이 기준을 공유할 수 있어야 한다. 오늘 이 특정한 업무에만 사용하기 위해 어떠한 임시 기준을 사용해서 백만의 고객에서 십오만의 고객을 구별해 내었다면 그것은 고객세분화라고 부르기 보다는 일회성의 리스트 추출이라고 부르는 것이 적절한 표현일 것이다.
고객세분화와 시장세분화의 차이
고객세분화는 소비자가 아닌 고객의 집단을 세분화하는 것이라는 점에서 시장세분화와 근본적인 차이가 있다. 이에 대해 좀 더 구체적으로 이해하기 위해서는 고객, 소비자, 시장의 개념적인 차이를 살펴볼 필요가 있다. 우리가 통상 시장이라고 부르는 것은 학문적으로는 소비자의 집단으로 규정된다. 소비자는 어떤 제품을 구매할 수 있는 능력과 구매에 대한 의사를 모두 가진 사람이다.
하지만 여기서 실제로 구매를 실행했는지의 여부는 소비자가 되는데 조건이 되지 않는다. 또 소비자는 '제품(또는 서비스)'이라는 기준점에서 출발한다. 자동차를 아무리 많이 사는 사람이라도 그 사람이 디지털 카메라를 살 생각이 없다면 디지털 카메라를 기준으로 보았을 때는 소비자가 아니다. 이러한 소비자의 특성과는 달리 고객은 구매를 했던 또는 구매가 확실히 예상되는 사람이다.
이 때 구매하는 대상이 되는 제품은 어느 한 가지 제품이 아니라 어느 기업이 제공하는 모든 제품 중 무엇이라도 상관이 없을 수 있다. 기업이 신상품을 출시하거나 새로운 상품라인을 추가 한다면 그것을 구매하는 사람이 모두 고객의 범위에 속할 수 있는 것이다. 시장세분화는 구매와 관련된 의사와 능력이 기준이 되다 보니 소비자라는 기업과 직접적이고 가시적인 정보교환이 일어나지 않았던 사람들을 구분하는 작업이 된다.
소비자 개개인에 대해 일련번호라는 것도 부여되지 않으며, 모든 소비자와 직접 접촉하는 것이 가능하지도 않다. 그 때문에 전체가 아닌 그 중 일부에 대한 의향조사를 통해 그 동향을 파악하고, 파악된 특성이 유사한 사람들의 집단을 찾아내는 방식을 가지게 된다. 반면 고객에 대해서는 거래를 한 내역이 있고 일련번호도 있고 통상 연락처도 가지고 있다. 그러므로 각 고객의 특성이나 취향 중 적어도 얼마간은 알고 있는 것이다. 전체 고객에 대해 기록을 가지고 있으므로 시장세분화의 경우에서처럼 조사를 통한 정보수집이 필수적이지 않다.
왜 시장세분화가 아닌 고객세분화가 이슈가 되는가
아직까지도 시장세분화와 고객세분화를 구별하지 못하는 이가 많기는 하지만, 십여 년 전 대학에서는 고객세분화가 아니라 오직 시장세분화만을 가르치고 있었다. 그 조차도 당시에는 새로운 방식이었으며 실행하고 있는 기업들이 많지 않았기 때문이다. 그러나 상황은 급하게 변해왔다. 이미 이제는 시장이 아니라 고객베이스가 기업 성장의 발판이 되고 있다.
한 제품의 수명은 수십 년에서 수년으로까지 극단적으로 짧아지고 회사가 속하는 시장에 대한 정의가 극단적으로는 매일 매일을 단위로 해서도 달라지기 때문에 회사가 열고자 하는 고객 지갑의 크기는 매일 매일조차도 변할 수 있는 것이다.
이제는 새로운 시장에 진입하는 것이 아니라 내 고객이 원하는 상품을 제공하는 방향으로 기업의 성장이 진행된다. 이와 관련해 잘 알려진 대표적인 예가 바로 아마존일 것이다. 아마존은 사업 초기에 유일한 '제품'이라고 할 수 있었던 '책'을 그들의 '시장'을 규정하는 기준으로 삼지 않았다. 그들은 책의 인터넷을 통한 판매를 통해 만나는 '고객'들의 요구를 그들의 사업 분야로 삼은 것이다. 인터넷을 통해 물건을 사는 이들이 책 이외에 인터넷으로 사고자 하는 것을 점차 판매하는 '제품'에 추가 시켜 나갔다.
CD, DVD를 거쳐 의류에서 더 나아가서는 액세서리, 신발, 그리고 최근에는 소위 '명품'까지도 포함되었다. 오늘날에는 백화점조차도 아마존을 통해 만나게 되었다. 아마존이 만일 시장을 기준으로 사업의 범위를 파악했다면 가능하지 않았던 일일 것이다. 아마존의 이와 같은 행보는 고착화된 '시장주의자' 내지는 '시장세분화주의자'들에게 있어서는 이해할 수 없는 것이었다. 그들의 머리속에서는 책에서 출발한 아마존이 갈 수 있는 길은 문구류, 독서안경 따위의 직접 관련 제품뿐이었을 것이기 때문이다. 그들의 생각을 기준으로 본다면 아마존은 완벽하게 '비관련 다각화'를 추구한 것으로 해석 되었을 것이다.
왜 고객세분화를 해야 하는가, 고객세분화는 어떤 도움을 주는가?
고객을 세분화한다는 것은 기본적으로 고객을 이해한다는 것과 연결된다. 그런데 개별 고객이해에는 비용과 노력, 시간이 많이 소요된다. 이를 줄이기 위해서 필요한 것이 바로 고객세분화이다. 개별 고객 한 사람 한 사람을 단위로 해서는 마케팅 또는 서비스 활동을 효율적으로 할 수 없기에 세분화가 필요한 것이다.
세분화가 필요한 가장 근본적인 원인은 효율을 높이고자 하는 것이다. 수십만에서 수천만에 이르는 고객 개개인에 대해 각각 이해하고 각각 대응하는 것은 효율적이지 않기 때문이다. 이론적으로야 모든 개인의 요구에 맞추어 적합한 커뮤니케이션을 하고 상품이나 서비스를 제공하겠다는 이야기를 할 수 있다. 그러나 현실에서는 그 것이 가능할 수 있는 기술이나 업무 프로세스가 존재하기 어렵다. 사람과 기술 등 많은 부분에 실제로는 시간과 비용이 소요된다. 그렇다고 개개인 단위로 아무것도 할 수 없다는 것이 모든 고객을 오직 하나의 '전체'라는 집단으로 보는 것이 되어서는 곤란하다.
하나의 TV 광고로 모든 고객을 만족시킬 수 없다. 수천만 종류의 버전을 만들 수는 없다고 하더라도 효율성이 허락하는 한 몇 가지 정도의 서로 다른 버전의 광고를 만들 수 있다면 그것은 더 큰 효과로 기업에 돌아오게 될 것이다. 여기서 효율성이라는 것은 얻을 수 있는 효과에 비해 돈을 절약해준다는 의미이다. 동일한 금액의 예산을 통해 더 큰 매출을 얻거나 동일한 수준의 매출을 더 적은 자금을 투자해 얻도록 해준다는 것이다.
효율성과 동시에 생각할 수 있는 세분화의 효과는 단순화이다. 한 보험설계사가 관리하는 고객이 300명이라고 했을 때 이 고객은 300명 모두를 머리속에 넣고 매일 매일의 업무방식을 적절한 방향으로 조절해가기 어렵다. 매일 그 300명 중 어느 한 사람 한 사람이 어떻게 달라졌는가를 각각 파악하고 대응하기 어렵다. 그러나 만일 이 300명의 고객이 열개 집단으로 구분되어 있다면 보험설계사는 점차 중요해지는 또는 이번 주에 특별히 신경을 써야 할 한두 집단으로 초점을 좁히는 과정을 통해 고객관리나 영업 업무를 단순화해서 처리할 수 있게 된다. 기업이 수행하는 많은 활동들 중 상당수가 그다지 복잡한 정보를 처리하지 못하는 '인간'에 의해 처리되는 것이다 보니 정보의 단순화는 매우 강력한 무기가 된다.
고객세분화 방법의 종류
고객세분화는 나누는 기준에 따라 여러 가지 측면에서 분류가 가능하다. 방법상의 측면에서 본다면 그리드(grid) 방식, 군집화 방식, 그리고 의사결정나무(decision tree)를 사용하는 방법 정도가 대표적이다. 그리드 방식과 군집화 방식은 데이터 마이닝이나 기계학습(machine learning)에서 부르는 용어로 본다면 기술적(descriptive) 분석에 해당하고 의사결정나무를 사용하는 방식은 예측적 (predictive) 분석에 속한다. 예측적 분석이라 함은 분류에 기준으로 사용할 값이 미리 정해져(알려져) 있다는 것을 의미한다. <그림 1>은 3가지 방법에 대한 간략한 비교를 보여준다.
▲ <그림1> 고객 세분화 방법 비교
그리드 방식 : 소수의 미리 설정된 분류기준을 사용하여 각 기준의 일정 값에 해당하는 고객들을 동일한 집단으로 구분하는 방식이다. 대표적인 예가 <그림 2>에서와 같이 고객로열티와 고객가치를 사용해 2 x 2 또는 3 x 3 매트릭스를 구성하고 각 셀에 속하는 고객을 해당 집단의 구성원으로 여기는 것이다. 극단적으로 한가지의 항목, 예를 들면 고객의 구매액 만을 사용해서 구매액이 많은 집단과 적은 집단 두 집단으로 분류하는 것도 크게 보면 그리드 방식의 고객세분화에 속한다.
▲ <그림2> 그리드 방식의 고객세분화 예시
그리드 방식은 매우 간단하고 직관적이라는 장점을 가지고 있으나 조합중의 일부가 소속되는 고객이 없는 공란(empty cell)이 될 수 도 있으며 집단 구성원의 수가 각 집단마다 크게 달라질 수 있다는 문제점을 가지고 있다. 이와 같은 현상들은 R, F, M 세 변수를 조합한 그리드 방식의 세분화에서라면 쉽게 목격할 수 있다. 또 세분화에 사용하는 차원이 늘어나면 기하급수적으로 집단의 수가 증가하므로 두세 가지를 넘는 수의 차원을 한 번에 사용하기가 곤란하다.
군집화 방식 : k-Means 또는 Konene/SOM(Self Organizing Map) 등의 거리 또는 유사성을 계산하는 통계적 알고리즘을 활용하여 집단을 구분해내는 방식이다. <그림 3>에서는 4 x 3의 Kohonen 네트워크를 사용하여 전체 고객을 군집화한 것이다. 지정된 대로 최대 12개의 집단으로 고객이 나누어지며 서로 다른 수의 고객들이 각 집단에 포함된다.
▲ <그림3> 군집화 방식의 고객세분화 예시
이렇게 구분된 집단이 가지는 의미는 어떤 고객들의 집합인가에 따라 정해지므로 통상 데이터 마이닝을 위한 도구들은 나누어진 집단이 어떤 특성을 가지고 있는가를 집단을 구분하기 위해 사용한 기준 변수 또는 다른 변수들을 사용하여 프로파일링 할 수 있도록 하는 기능을 제공한다.
▲ <그림4> 군집에 대한 특성확인 예시
<그림 4>에서는 구분된 집단 중 가장 많은 고객이 포함된 집단에서 구분에 사용했던 변수 중 자동차 보유여부(Car)가 다른 집단과는 달리 어떠한 분포를 가지고 있는가를 확인하는 모습을 볼 수 있다. 군집화 방식은 비교적 객관적인 과정을 통해 고객세분화를 실행할 수 있다는 큰 장점이 있으나 몇 개의 집단을 나누는 것이 적절할 것인지 그리고 어떤 집단들이 만들어져야 할 것인지 등에 관해서 사전에 어떤 기준을 세워 적용하는 것이 아니라는 문제가 존재한다. 또 한번에 많은 변수를 사용하더라도 그들을 종합적으로 고려해서 집단을 구분하기 때문에 문제가 되지 않으나 군집화 결과로 생성되는 집단이 많아지면 해석하는 과정이 복잡해질 수 있다.
의사결정나무를 사용하는 방식 : 의사결정나무는 고객세분화 보다는 통상 예측이나 분류를 위해 사용된다. 군집을 만드는 것과는 달리 목표가 되는 값을 알 수 없는 고객들에 대해 목표 값을 예상하고자 할 때 사용한다. 하지만 의사결정나무를 구성하는 각 집단을 목표 값을 예측하기 위한 용도가 아니라 유사한 고객의 집단으로 간주하기 위해 사용하는 것도 가능하다.
▲ <그림5> 의사결정 나무를 활용한 고객세분화 방법 예시
예를 들어 고객들의 내년 구매가능성을 예측하기 위한 의사결정나무를 생성하는 과정에서 구분된 십 여개의 집단(노드)이 존재한다면 이 각각의 집단을 유사한 특성을 가진 집단이라고 판단하는 방식이다. <그림 5>의 예는 고객들의 특정 상품(pep)의 구매여부를 예측하기 위한 의사결정나무이다. 여기서 전체 고객을 구분하는 첫 번째 기준이 되는 것은 결혼 여부(married)였다. 기혼자 집단의 경우는 다시 자녀수(children)에 따라 구분된다.
예측모델링에서는 이와 같은 구분을 통해 한 상품의 구매가능성을 판정하는데 초점을 두지만, 고객세분화라는 관점을 취하는 경우에는 그 보다는 미혼자, 자녀가 많은 기혼자, 자녀가 없는 기혼자라는 집단 간의 특성 차이에 관심을 집중하게 된다. 예를 들어 의사결정나무가 열개의 집단(노드)으로 구분해 내었고 그 중 구매가능성이 일정 수준 이상인 네 개 집단에 대해 다이렉트 메일을 보내기로 했다면 미혼자 집단과 기혼자 집단에 대해 보내야 할 우편물을 서로 다르게 설계하는 것이 가능할 것이다.
의사결정나무를 사용한 고객세분화는 목표 값을 정확히 예측하는 것을 목표로 집단을 구분한 것이다 보니 노드 내의 구성원간의 여러 가지 측면에서의 유사성 보다는 목표 값과의 관련성이 우선적인 기준이 된다는 것이 문제가 된다. 또 목표 값으로 여러 가지를 동시에 고려하기 위한 방법이 아니므로 각각에 대해 의사결정나무를 만든다면 이들을 종합해 사용하기에 어려움이 있을 수 있다. 하지만 군집화에서는 기대할 수 없는 또 다른 측면을 직관적으로 보여준다는 점은 장점이 된다.
어떤 방법을 우선적으로 사용해야 할 것인가
방법 측면에서만도 앞서 설명한 바와 같이 여러 가지가 존재한다면 우선적으로 어떤 방법을사용하는 것이 바람직할 것인지를 따져야 할 필요가 있을 것이다. 물론 상식적으로 고객세분화의 방향이나 상황에 따라 다른 방법이 필요하다고 할 수 있겠지만, 만일 처음 고객세분화를 시도하는 상황이라고 한다면 가장 간단한 그리드 방식을 먼저 실행해 볼 것을 권장하고자 한다. 그리드 방식의 경우 간단하기에 쉽게 적용할 수 있기 때문이다.
하지만, 어느 정도의 경험이 쌓인 상황이라면 군집화 방식의 활용을 시도해 보는 것이 필요하다. 의사결정나무 방식은 목표 값으로 사용하기에 적합한 몇 가지의 업무적으로 중요한 변수들이 명확하게 존재하는 경우 보조적으로 활용하기를 권장하고자 한다. 그리드 방식의 적용에서 특별히 주의할 점은 두 가지 또는 세 가지 정도의 극히 소수의 핵심변수만을 차원으로 사용하는 것이므로 처음부터 차원의 선정에 신중해야 한다는 것이다.
두 가지 차원만을 사용하기로 했는데 두 차원간의 상관성이 높다면 (말을 바꾼다면, 두 차원이 거의 유사한 개념을 나타내는 것이라면) 두 가지 차원을 사용한 효과를 크게 누리지 못하게 될 수 있다. 또 수많은 독립적인 그리드를 만들어 내게 된다면 궁극적으로는 고객세분화에 의해 고객을 보는 관점을 단순화 시키겠다는 본래의 취지가 약해질 수 있다는 점도 조심해야 할 것이다.
어떤 데이터를 사용해서 고객을 세분화할 것인가
시장세분화의 경우에서는 소비자 개개인에 대한 자료가 없으므로 조사를 통해 획득한 소수의 표본이 자료로 사용된다. 반면 고객세분화에서는 이미 알고 있는 고객들 전체에 대한 데이터가 존재하므로 이 데이터가 주로 사용된다. 그 중에는 내부 데이터베이스로부터 얻어지는 데이터와 그 데이터를 가공 즉, 예측이나 추정을 해서 얻어지는 데이터, 조사 데이터와 외부로부터 획득한 데이터 등이 포함된다.
내부 데이터를 사용한 고객세분화
내부 데이터란 개별고객에 대해 기업의 데이터베이스에 저장해둔 데이터를 의미한다. 그 안에는 고객의 인구통계적 특성(성별, 연령 등), 연락처(주소, 전화번호 등), 그리고 거래활동 내역 등이 포함된다. 성별, 연령 등의 항목을 별도로 획득하지 않았다고 하더라도 만일 주민등록번호를 확보하고 있는 경우라면 그로부터 성별과 연령은 자동적으로 추출이 가능하다. 연락처에 관한 항목들은 거주지역을 유추할 수 있게 해 준다.
다만 연락처의 경우 사무실의 연락처인지 자택의 연락처인지 등에 대한 확인이 어려운 경우도 있다는 점은 주의할 필요가 있다.
고객의 구매 즉 기업과의 거래의 과정과 결과들은 매우 가치 있는 정보이다. 이들을 통해 과거에 얼마를 어떤 형식으로 구매했으며 향후 어떤 품목을 얼마나 구매할지를 예상할 수 있는 단서가 나올 수 있기 때문이다. 이와 같이 거래와 관련된 항목들을 사용해서 고객을 구분하는 것은 특별히 행동(behavioral) 세분화라고 부른다. 다만 거래로부터 고객세분화 기준을 만들어 내는 과정에서는 소위 파생(derivation)이라는 작업이 필수적인데 이 과정에서 주의가 필요하다.
파생 과정을 통해 어떤 형식과 의미의 변수를 만들어 내는가에 따라 고객세분화의 결과는 얼마든지 달라질 수 있으며, 대안이 될 수 있는 후보 파생 변수의 종류로 계산 방법에 따라 무제한이 될 수 있기 때문이다. 예를 들어 구매수준을 파생변수로 생성하고 싶다고 했을 때 최근 2개월, 3개월, 1년 중 어느 값을 사용한다고 하더라도 구매 수준을 나타내게 된다. 가능한 무제한의 대안 중 적절한 기간 한가지를 선택해야 하는 문제를 만나는 것이다.
예측/추정 정보를 결합한 고객세분화
내부 데이터를 활용하기 위한 추가적인 노력의 하나가 정보를 종합해서 새로운 추가적 항목을 만들어 사용하는 것이다. 그 일환으로 내부 데이터들을 활용한 추정이나 예측을 한 후 그 결과를 고객세분화에 기준 차원으로 사용하는 방법도 많이 사용한다.
예를 들면 각 고객의 다양한 데이터 항목 값을 바탕으로 고객의 다음해 동안의 유지가능성이나 수익성을 예상한 후 이들을 사용해 고객을 세분화 할 수 있다. 여기서 유지가능성과 수익성은 각각 별도의 예측모델을 만들어 그 값을 구하게 된다. 이 두 가지 값은 앞서 <그림 2>에서 살펴보았던 그리드 방식의 고객세분화를 위한 축으로 사용될 수 있다. 물론, 두 가지 값을 축으로 사용한다고 해도 반드시 그리드 방식만 사용할 수 있는 것은 아니며 군집화를 적용할 수도 있다.
또 고객별 상품별 구매 가능성을 각각 모델에 의해 산출한 후 이들을 기준으로 상품선호에 따른 고객세분화를 실시할 수 도 있다. 예를 들어 다섯 가지 상품군 각각에 대해 구매가능성을 모델에 의해 예상한 후 다섯 가지 변수를 군집화 방식에 적용해 일련의 군집을 만드는 방식으로 고객세분화를 할 수도 있을 것이다.
조사 데이터를 활용한 고객세분화
고객에 관해 알고 싶은 것은 무제한이며 많이 알 수 있을수록 더 좋은 활동계획을 세울 수 있을 것이다. 하지만 내부에 가지고 있는 데이터들 즉 인구통계와 거래 관련 항목들만으로는 고객의 태도(attitude), 이익(benefit) 등을 직접적으로 파악할 방법은 없다. 이 때문에 고객에 대한 표본조사를 실시한 후 그 결과를 내부 데이터와 결합해 각 고객에 대한 이해를 보충하기도 한다. 다만, 조사에는 비용과 시간이 소요되기 때문에 모든 고객에 대해 매주 매월 조사를 실시한다는 것은 불가능하다는 제약을 염두에 두고 조사를 통해서라도 수집해야 할 필수적인 데이터를 잘 선택하는 것이 필요하다.
외부 데이터를 결합한 고객세분화
조사를 통해 부족한 데이터를 채워 넣는 방법 이외에 외부의 기관이 보유하고 있는 데이터를 구매 또는 대여해 내부의 데이터와 결합해서 분석을 하는 방법도 종종 사용된다. 국내에서는 이와 같은 방식으로 사용할 수 있도록 제공되는 데이터베이스가 극히 제한적이기는 하지만 신용정보 등과 같은 제한적인 영역에서는 존재하는 경우도 있다.
국내와는 달리 미국과 같은 다른 나라들에서는 기업 마케팅용으로 가공된 많은 상업용 데이터베이스가 존재하며 실제로 이를 내부 데이터와 결합해 사용하는 예가 많다고 알려져 있다. 외부 데이터의 경우 개별 고객단위로 구성된 데이터가 아니라 가구 또는 우편번호 단위로 구성된 데이터도 내부 데이터와 결합되면 유용할 수 있다. 이 경우에는 고객단위로 구성된 데이터를 보충하는 의미로 간접적인 추정치의 역할을 하게 된다. 예를 들면 30세 남성 고객이 거주하는 지역은 분당인데 그 고객이 사는 정확한 동의 특성 중 하나가 의류에 대한 소비수준이 높다는 것이라면 그 특성은 30세 남성인 해당 고객의 특성의 하나로 간주되는 것이다.
좋은 고객세분화의 평가 기준은 무엇인가
고객세분화가 필요로 하는 가장 중요한 특성은 어떠한 방법에 의해서든 구분된 집단이 집단내에서 구성원 간에 동질적인가(쉽게 말하면 서로 유사한가)이다. 물론 서로 다른 집단에 속한 고객들끼리는 이질적일 필요가 있을 것이다. 집단 내에서 유사성이 높지 않은 집단이라면 고객세분화의 의미가 없기 때문에 당연한 일이다. 집단 내 동질성은 고객세분화 경우든 시장세분화 경우든 모두 중요한 요인이 된다.
한편 시장세분화의 경우에는 발견된 집단이 접근가능한가(reachability)가 중요한 요인의 하나이다. 구분해 내어도 접촉이 불가능할 수 있기 때문이다. 하지만 고객세분화의 경우 이미 접촉이 있는 고객을 대상으로 하다 보니 이 점은 그다지 중요한 요건이 되지 않는다. 또 한 가지 고객세분화에서 중요한 요건은 그 수이다.
세분화된 고객집단의 수가 지나치게 많다면 관리가능(manageable)하지 못할 수 있기에 적정한 수가 되어야 한다는 것이다. 그 수에 관해 어느 경우에나 적용될 수 있는 지침은 존재하지 않으나 통상 관리가능하려면 최대 수 십개 집단을 넘어가지는 않아야 한다는 정도의 생각(rule of thumb)을 해 볼 수 있을 듯하다. 30개로만 고객이 나누어진다고 보아도 300만에 달하는 제법 큰 규모의 고객집단이 평균 10만명 규모의 작은 집단들로 나누어지는 것이기 때문이다.
고객세분화 프로세스
▲ <그림6> 고객세분화 프로세스
고객세분화를 해 나가는 과정은 <그림 6>에 보여 지는 것과 같은 여섯 가지 정도로 진행된다고 할 수 있다. 고객세분화 기준을 결정하고 적용하는 단계가 전체 과정에서 실질적으로 고객이 구분되는 단계임에도 불구하고 실제로 그 이전과 이후에 여러 단계를 필요로 한다. 목적의 설정이나 데이터 확보, 기준에 따라 나누어진 집단들의 특성을 확인하는 등의 단계가 모두 필요하다. 집단별 특성 확인 과정을 거친 후에는 통상 세분화 기준을 조정하는 작업이 필요하게 되므로 만족스러운 결과를 얻을 때까지 일련의 단계를 반복적으로 수행하는 방식이 된다.
전체 프로세스에서 가장 중요한 것은 목적을 설정하는 단계라고 생각된다. 이후의 모든 작업들이 어떤 목적에서 출발하였는가에 따라 결정되는 것이기 때문이다. 그러나 많은 경우에 목적 설정에 많은 노력을 기울이지 않은 채 고객세분화를 수행하고 만족스럽지 않은 결과를 얻고 만다.
목적설정 단계에서는 고객세분화 결과를 어떤 정보를 얻는데 활용하고자 하는 것인지 또 어떤 활동에 대한 계획을 세우기 위해 활용하고자 하는 것인지를 구체화하게 된다. 고객세분화의 성공여부에 대한 평가기준을 미리 세우는 것도 이 단계에서 이루어져야 할 일이다. 또 고객세분화가 전략적 세분화 또는 전술적 세분화 중 어느 쪽의 성격에서 이루어져야 하는지도 규정하게 된다. 전략적 세분화란 통상 고객세분화 결과물이 전사적이고, 장기적인 활동계획 내지는 정책을 수립하기 위해 수행하는 것이다.
거시적(macro) 세분화라는 이름으로도 부른다. 반대로 전술적 세분화란 주로 특정한 캠페인과 같은 구체적 마케팅 활동(예: 고객이탈방지, 교차판매 등)의 대상을 선별하고 선별된 집단 중 일부의 특성을 구분해서 활동을 전개하기 위한 것이다. 미시적(micro) 세분화라고도 부른다.
어떤 업종에서 고객세분화가 중요시 되는가?
오늘날에는 업종과 무관하게 대부분의 기업이 고객데이터베이스를 보유하고 있다. 심지어는 정부 기관, 도서관, 학교 등과 같은 공공 부문에서 조차도 고객데이터베이스를 가지고 있으며 이를 세분화해 정교한 맞춤형 마케팅과 서비스를 제공하고자 노력하고 있다. 영국에서는 공공기관들의 고객세분화에 의한 맞춤형 고객관리를 위해 이미 수년전부터 표준적인 지침을 만들어 보급하는 노력을 기울이기까지 하고 있다.
다양한 업종의 고객세분화와 관련된 사례의 하나로 미국의 한 자동차 렌탈 회사의 고객세분화 사례를 살펴보자. 이 회사는 보다 수익성 있는 고객을 확보하기 위해 100만명 이상에 달하는 내부 고객 데이터베이스에 포함된 고객을 세분화하는 작업을 실시하였다. 내부 데이터베이스가 가진 한계를 염두에 두고 상용으로 제공되는 외부 데이터베이스를 함께 활용하였다. 세분화에 고려된 항목은 크게 인구통계항목별 자동차 렌탈 행동 정보, 렌탈시 활용하는 채널, 수익가치 등으로 구성했다.
각 항목 내에는 다수의 세부적인 데이터 항목이 세분화를 위해 사용될 수 있도록 포함되었다. 이와 같이 확보된 데이터를 분석한 결과 이 회사는 8개의 고객집단으로 전체 고객을 구분할 수 있었다. 외부 데이터와의 연계의 일환으로 고객들의 경쟁사에서의 구매행동도 파악할 수 있었다. 일단 이와 같이 고객이 구분된 이후에는 활용을 위한 방안이 모색되었다. 우선 고객세분화 결과는 직원들에게 '모든 고객이 동일하지 않음'을 교육시키는 용도로도 사용되었다.
이 과정에서 각 세분집단의 인구통계, 라이프스타일, 구매행동을 나타낸 포스터를 제작해 직원들이 쉽게 각 집단의 특성을 이해하고 숙지할 수 있도록 하기도 했다. 또 집단별 특성을 반영해 가치가 큰 집단에 초점을 맞춘 타겟 광고 캠페인도 시행되었다. 그 밖에도 네 명의 고객세분집단별 관리자로 고객개발팀을 구성하고 각 관리자 당 두개씩의 세분집단에 대한 마케팅 프로그램을 전담하도록 조직을 변경했다. 고객세분화를 바탕으로 한 통합적 타겟 마케팅을 실시한 것이다. 고객세분화를 통한 이와 같은 활동은 렌탈 예약 20% 증가라는 가시적인 성과와 연결되었다.
한편 고객세분화가 반드시 개인 고객을 상대하는 소위 B2C 업종에서만 활용되는 것도 아니다. 또 매우 복잡하고 다양한 정보를 필요로 하는 것만도 아니다. 한 예를 살펴보면 미국의 한 곡물관련 화학제품 회사에서는 기존고객과 잠재고객에 대한 데이터베이스를 조사를 통해 확보한 후 맞춤형의 정보제공을 실시하였다.
기존에 보유한 데이터베이스가 고객별 요구를 담고 있지 못하다는 결정적인 문제를 해결하기 위해 외부 리스트를 구매해 곡물을 키우는 자영업자(농장주인 등 사업가 성격의 고객들)들의 리스트를 확보한 후 그 전체에 대해 고객요구를 규명할 수 있는 열 가지 중요한 질문을 선별해 만들어진 매우 간단한 설문을 발송했다.
응답하면 2달러의 현금으로 교환할 수 있는 수표를 담은 이 간단한 설문은 40% 이상의 응답을 얻었고, 이를 통해 얻어진 데이터를 분류해 이후부터는 고객요구에 맞는 정보제공이 가능해 졌다고 한다. 이와 같이 고객세분화는 어떤 업종에 속하는가가 문제가 아니라 어떤 방법으로 활용할 것인가에 대한 아이디어에 따라서 큰 성과를 낼 수 있는 것이다.
고객세분화 활용의 극대화
여기까지 고객세분화에 대한 개념과 방법에 대해 다양하게 살펴보았으나 고객세분화를 위한 모든 것을 담기에는 크게 부족했다고 생각한다. 고객세분화는 일견 쉽게 보면 매우 쉬운 일일 수 도 있으나 한편으로는 매우 정교한 작업과 세심한 주의를 요구하는 것이기도 하기 때문이다. 하지만 더 중요한 것은 실제로 활용되는가 하는 것이다.
책상 위의 컴퓨터 스프레드시트 안에 또는 데이터베이스 안에만 존재하는 고객세분화는 실질적으로 회사에 아무런 기여를 하지 않는다. 활용이 이루어지게 하려면 고객세분화를 담당하는 부문과 실제로 고객을 관리하는 부문이 유기적으로 연결되어 움직여야 한다. 그 때문에 고객세분화는 조직 전체가 감당할 수 없는 정도의 수준까지 고도화 되는 것도 그다지 적절하지 않다. 이해가 가지 않는다면 사용하기 어렵기 때문이다.
한두 명의 분석가들의 욕심만으로는 고객세분화가 실제로 업무에 적용되고 성과로 연결되는 결과가 얻어지는 것을 보장할 수가 없다. 고객세분화가 이루어졌다면 그 활용에 대한 매우 구체적인 방법이 전파되어야 한다. 매뉴얼도 필요할 수 있으며 교육 내지는 훈련 프로그램도 필요하다. 구체적인 방법의 일환으로 앞서 살펴보았던 자동차 렌탈 회사 사례에서처럼 고객세분집단별 담당자를 두는 조직측?면의 변화가 필요할 수 도 있다. 또 경우에 따라서는 업무 프로세스의 부분적 또는 상당한 변화가 필요할 수 도 있다.
다행히 일단 고객세분화가 업무에 적용되고 긍정적인 결과를 얻기 시작한다면 다음 단계에 대한 고민도 미리 해 두어야 할 것이다. 고객세분화는 통상 특정한 시점에서의 고객 상태, 그리고 고객전체 집단의 상태를 기준으로 이루어진 것이다 보니 시간이 지나게 되면 변화한 상황과 괴리가 생겨날 수 있다. 적어도 분기 단위로는 적용하고 있는 고객세분화의 적합성을 재평가하는 작업이 수반되어야 한다. 주기적으로 평가하지 않으면 고객세분화의 노후화 여부를 빠르게 발견해 내는 것이 가능하지 않을 수 있기 때문이다.
고객세분화를 수행하고 그 결과를 업무에 적용하는 과정에서 한 번에 만족스러운 성과가 나오지 않을 수 도 있다. 때로는 필요한 데이터가 내부에 존재하지 않을 수 도 있다. 외부에서도 쉽게 확보하기 어려울 수 도 있다. 그러나 그러한 문제들에 대해서는 나름대로의 답을 찾아가는 것이 가능할 것이라고 생각된다. 다만, 경험과 노력과 시간이 필요할 수 도 있다. 일단 바른 방향으로 진행하고 있다고 판단된다면 그 때부터는 의지의 문제일 뿐일 것이다.
필자 : 전용준
리비젼컨설팅 대표 / 경영학박사
케이엔티컨설팅그룹, 이씨마이너, 엑설루션컨설팅 등을 거쳐 현재는 고객 전략과 고객 분석에 대한 전문 컨설팅을 제공하는 리비젼 컨설팅의 대표로 일하고 있다. 경영학박사로 백화점, 홈쇼핑, 캐피탈, 교육서비스, 제조유통 등 다양한 업종의 CRM 고객전략과 분석 CRM에 관한 컨설팅 실무를 수행해 왔으며 여러 전문 기관들에서 CRM 전략, eCRM, 고객데이터 분석 등에 관해 강의하고 있다.