예측적 분석 통한 소비자와의 Relevancy 유지 (유혁 eClerx Associated Principal - Analytics, Insights & Reporting Practice Lead)

▲ 유혁 eClerx Associated Principal - Analytics, Insights & Reporting Practice Lead

[컴퓨터월드] 유혁 대표(미국명 Stephen H. Yu)는 25년 이상 데이터베이스 마케팅 분야에서 명성을 얻고 있는 세계적인 데이터 전략, 빅데이터 애널리틱스 전문가다. I-Behavior의 공동창업자/CTO, Infogroup 부사장 등을 역임하면서 정보수집, 데이터베이스 설계, 통계학적 모델을 활용한 타깃마케팅 등 마케팅과 IT간 가교에 큰 기여를 해왔다.
유혁 대표의 오랜 전문가로서의 경험을 바탕으로 국내 사용자들과 독자들에게 보다 데이터를 효과적으로 잘 사용하면서 시행착오를 줄일 수 있는 방법을 특별연재를 통해 소개하고자 한다. 금융, 통신, 미디어, 유통, NGO 등 다양한 글로벌 고객들과의 현장 경험에서 우러나온 애정 어린 충고와 쓴 소리에 독자들의 많은 관심을 부탁드린다.   <편집자 주>

 

빅데이터란 말의 유행으로 데이터를 의사결정에 사용해야 한다는 데에 이의를 제기하는 사람은 이제 거의 없지만, 막상 데이터와 분석을 어떻게 적용해야 하는가에 대한 질문을 하는 이들은 아직 많다.

필자의 글을 포함해 많은 출판물들은 마케팅에 대한 데이터 적용에 대해 얘기하고 있는데, 그 이유는 데이터 분석을 통해 고객을 이해하고 그 결과를 기반으로 소비자와 적절하게 소통하는 것이 데이터 사용자의 입장에서 수익창출로 이어지는 가장 직접적인 길이기 때문이다.

데이터의 분석이 쉬워졌다고는 하지만 여기에는 분명히 투자가 필요하고, 거기에 따르는 수익창출이나 비용절감이 이뤄져야 그 사업이 유지된다는 점은 분명하다. 물론 공공사업이나 공정최적화 등 다른 적용방법도 많지만, 미국의 경우 데이터와 분석이 가장 활발하게 이뤄지는 분야는 역시 마케팅이다.


데이터와 분석이 활발하게 이뤄지는 분야는 마케팅

그렇다면 빅데이터는 단지 CRM의 연장인가라고 되물을 수도 있겠다. CRM은 분명히 데이터를 마케팅에 적용하는 과정의 일부이고, 또 중요하고도 쉽지 않은 부분이다. 하지만 결코 그것이 전부는 아닌 것이, 소비자가 어느 특정 사업체의 단골 고객이 되는 과정을 보면 데이터란 그 관계가 깊어질수록 많아지는 것이고, CRM이란 고객이 거래를 시작한 시점부터 적용되는 것이기 때문이다.

데이터나 마케터 중심의 관점이 아닌, 고객중심의 관점에서 보면 거래를 시작하기 전, 첫 거래, 반복거래, 더 나아가 거래를 끊은 다음까지도 요즘 흔히 언급되는 소비자의 여정(customer journey)인 것이다. 때문에 데이터를 제대로 사용하는 마케터들은 그 전 과정을 고려해야 하며, 그 단계에 따라 필연적으로 달라지는 데이터와 분석의 형태에 대한 이해도 갖춰야 한다. 즉 데이터가 거의 모이지 않은 초기 단계와 데이터가 많이 축적돼 CRM 기술이 도입되는 단계를 일률적인 접근방식으로 다뤄서는 안 된다는 것이다.

하지만 그 이전에 데이터 분석의 목적부터 분명히 하는 것이 중요하다고 여러 차례 강조한 바 있다. 마케팅에서의 주목적을 아주 간단히 요약하면: (1) 추구하는 목적에 따라 상대할 대상을 엄선하는 것과, (2) 일단 어떤 대상에게 메시지를 보내기로 정했다면 어떤 채널을 통해 어떤 내용의 메시지를 보내야 할 것인가를 정하는 것이다.

그 첫째 목표는 미국에서는 타깃 마케팅(Target Marketing) 혹은 디렉트 마케팅(Direct Marketing)이란 이름으로 수십 년간 이뤄져왔고, 통계적 모델의 적용방법도 주로 그러한 타깃팅을 목적으로 개발돼왔다.

거기에서 더 나아가 요즘의 화두는 여기서 언급한 데이터 분석의 두 번째 주목적인 개인화(personalization), 즉 개인화된 메시지와 소비자 경험(customer experience)이다. 어느 나라든 소비자가 상관하지 않는 메시지를 반복해 보내는 것이 소비자로 하여금 특정 브랜드나 채널 자체를 무시하게 만드는 주된 이유이며, 많은 기업체들이 그에 대한 경각심을 갖게 된 것이다. 그리고 그러한 개인별 최적화는 데이터의 ‘SCV(Single Customer View, 혹은 360-drgree Customer View)’, 달리 말하면 구매자 중심 관점(buyer-centric view)으로부터 비롯된다.

미국에서 기업체를 대상으로 한 설문조사를 보면 80% 이상의 응답자들이 그러한 관점의 변화를 가져야 한다고 대답하는 등 소비자 중심 마케팅에 대한 경각심이 대단히 높아졌다. 하지만 동시에 대다수의 응답자들은 도대체 어디서부터 그 일을 시작해야 할지도 모르겠다고 애기한다. 많은 소비자들이 대부분의 이메일을 열어보지도 않고 삭제해버리고 심지어 공개적으로 마케터들을 비판하는 와중에 그건 곤란한 상황이 아닐 수 없다.


호불호가 명확한 소비자

현대의 소비자들은 호, 불호가 명확하다. 아무리 그럴싸하게 포장된 메시지라도 자신에게 상관없다고 여겨지거나 너무 자주 같은 내용의 메시지가 들이닥치면 가차 없이 무시해버린다. 반면 많은 소비자들은 그들이 판단하기에 그들에게 상관이 있고(relevant) 그들에게 이익이 된다고 여겨지는 메시지는 유익한 정보로 받아들인다. 그리고 그러한 ‘적절성’ 즉 Relevancy는 데이터의 분석을 통해야 제대로 유지될 수 있는 법이다.

이 같은 상황에서 많은 마케터들은 아직도 그들의 성취도를 이메일의 개봉률(open rate), 클릭률(click-through rate), 심지어는 일주일에 수십만 통의 이메일을 얼마나 효율적으로 보내느냐 등으로 따지고 있으니 한심한 노릇이고, 소비자가 그런 식의 무작위 이메일을 스팸이라고 규정지어도 할 말 없게 되는 것이다.

그렇다면 마케터는 어떻게 자신들의 고객들이 반응이 없는 대다수로 바뀌는 것을 방지할 수 있을 것인가? 결론부터 말하면, 각종 기업위주의 지표들로 가득 찬 리포트나 대시보드(dashboard)를 들여다보는 것만으로는 어림없는 일이라는 것이다. 자동차 엔진에 문제가 있는데 대시보드의 디자인만 바꾼다고 문제가 해결되지 않는 것과 같은 이치이다. 마케팅 엔진에 문제가 있다면 데이터에 대한 접근방식부터 바꿔야 한다.


적절성을 유지하라 (Stay Relevant)

정보와 그 소통의 수단들이 넘쳐나는 세상에서 소비자들은 하루에 최소한 여섯 가지 이상의 크고 작은 스크린을 접하게 마련이다. 그리고 그런 세상에서는 소비자들이 소통의 열쇠를 쥐고 있다.

즉 마케터가 아니라 소비자가 무엇에 관심을 두고 무엇을 무시해버릴지, 어떤 상품과 서비스가 그들에게 유용할 것인지를 정한다는 것이다. 과거와 같이 마케터가 특정 상품을 밀어붙이기 위해 그 대상이 될 소비자를 랭크하고 타깃팅하는 세상이 완전히 끝난 것은 아니지만, 그러한 방법은 점차 비효율적인 것이 돼가고 있다.

물론 모든 고객이 단골이 될 것이 아니기에 새로운 고객을 찾는 노력을 멈출 수는 없지만, 과거에 비해 그 접촉에 관한 시도 자체가 더욱 선별적이 돼야 하는 것이며, 사용하는 채널에 상관없이 모든 접촉이 의미가 있으려면 그 메시지가 개개인에게 최적화돼야 한다. 즉 개인화(personalization)란 ‘대상에게 상관있는 내용’만을 전달하는 노력인 것이다.


예측적 분석(Predictive Modeling)을 통한 적절성(Relevancy)의 유지

여태까지 통계적 모델의 중요성을 자주 언급한 바 있듯이 예측적인 모델은 개인별 최적화에서도 효력을 발휘한다.

예측적(predictive)이란 단어 자체가 어울리지 않는다고 말할 수 있는 것이, 모델링의 중요한 이점 중 하나는 그것이 복잡하고 다양한 데이터를 간단한 대답의 형태로 변환시켜준다는 점이다.

예를 들면 ‘누가 어떠한 특정 상품에 호의를 가질 것인가’에 대한 대답을 점수로 표현해준다는 것이며, 그것은 그 상품의 프로모션을 위해 누구부터 접촉해야 할지를 알게 해준다. 비슷하게 ‘누가 고가치 고객이 될 것인가’, ‘누가 계약을 해지할 확률이 높은가’에 대한 대답을 예측할 수 있다면 가치가 높으면서도 다른 사업체로 이탈할 위험도 또한 높은 고객부터 우선적으로 상대하는 것이 당연할 것이다.

만약 다양한 상품과 서비스를 제공하는 사업을 하고 있다면 무차별적으로 모든 상품을 권할 것이 아니라, 품목별로 선호 모델을 만들어 개개인에게 여러 종류의 점수를 부여하고, 각 고객을 다양한 차원으로 묘사할 수 있어야 한다. 그 누구도 일차원적이지 않으며, 더 이상 천편일률적인 메시지는 통하지 않는다. 다양한 데이터를 보유하고 있다면 그런 정보를 타깃팅뿐 아니라 개인적 최적화에 사용하는 단계까지 가야 한다.

실제로 미국의 일부 슈퍼마켓 체인들은 수집한 데이터를 기반으로 그들의 모든 고객에게 완전한 맞춤형 쿠폰 북을 보내주고 있다. 즉 성향에 따라 집집마다 전부 다른 상품에 관한 할인 혜택이 전달된다는 것이다.

또 다른 예로 레이저 프린터 등 한 가지 상품을 판매하는 것이 목적이라 해도, 만약에 타깃의 성향을 그들과 접촉하기 전에 통계적으로 예측할 수 있다면 메시지 자체를 바꿔갈 수 있다.

간단한 예로 ‘가정에 사무실이 있을 확률’, ‘전문적으로 사진에 취미가 있을 확률’, ‘어린 자녀를 두고 있을 확률’ 등을 예측한다면, 천편일률적이고 지루한 프린터의 도식을 이메일로 보낼 일이 없는 것이다. 같은 레이저 프린터라도 사는 사람의 성향에 따라 그것을 구입하는 동기 자체가 다르기 때문이며, 소비자는 자신에게 상관이 있어 보이는 메시지에 그 소중한 클릭을 주게 마련이다.

프로모션이나 오퍼에 관한 성향도 사람마다 다 다른 법이니, 일률적으로 ‘15% 할인’ 등을 적용할 것이 아니라 특정고객이 ‘무료배송(free shipping)’에 반응할 확률이 더 높다면 적절히 그런 정보를 활용해야 한다. 여러 종류의 프로모션 방법과 그에 관한 반응에 대한 개인별 모델을 미리 만들어놓아야 하는 이유다.


빈 곳 메우기

혹자는 이미 그러한 최적화를 수집된 데이터로 시도하고 있을 수도 있는데, 그것은 물론 매우 바람직한 시도이다. 하지만 모든 사람에 관한 모든 정보를 확보하는 것은 불가능한 일이기 때문에 ‘아는 정보’로만 차별화를 시도하는 데에는 한계가 있을 수밖에 없다. 게다가 특정 고객과의 거래가 바로 시작된 단계라면 그에 대한 정보가 충분할 수가 없다.

통계적 모델은 그러한 경우 ‘모르는 것(unknown)’을 ‘가능성(potential)’으로 변환하며 빈 곳을 메워주는 역할도 한다. 여기서도 그 ‘예측적(predictive)’이란 단어는 썩 어울리지 않지만, 정보가 수집되지 않아 빈 곳으로 남아있는 변수를 확률로나마 표현할 수 있다는 것은 대단히 유용한 적용방법이다. 소위 빅데이터 시대에도 고객 중심으로 세상을 볼 때 여러 가지 이유로 알려지지 않은 정보는 도처에 널려있다.

모델링은 단지 예측적 도구일 뿐 아니라, 다양하고 복잡한 정보를 작은 대답의 형태로 만들어주며, 더 나아가 완전하지 않은 부분을 메워주기도 한다는 것이다. 즉 예측적 분석(predictive modeling)이란 접근과 사용이 가능한 데이터를 최대한으로 활용하게 해주는 훌륭한 도구이다.


예측적 분석을 사용하지 않는 이유는?

그렇다면 그렇게 유용한 도구를 왜 모든 마케터들이 사용하지 않는 것인가? 거기에는 많은 이유가 있을 수 있다. 모델의 효용성에 대해 의심을 갖고 있는 사람들이 아직도 많으며, 그렇지는 않더라도 예산이 없어서, 혹은 예산이 있더라도 기업 내에 그런 모델을 만들 능력이 없어서 그럴 수도 있다. 그와 달리 분석과 모델링에는 문제가 없더라도 개인별 최적화(personalization)가 이루어지지 않는 것은 사람들의 성향대로(온라인이나 이메일을 통해) 여러 종류의 오퍼나 메시지를 보여줄 기술이 모자라는 경우도 있으며, 그런 능력이 있다 하더라도 막상 보여줄 광고 카피의 종류가 성향들의 조합의 수에 비해 턱없이 모자랄 수도 있다.

하지만 예산과 통계적 능력을 다 갖추고도 예측적 모델을 제대로 사용하지 못하는 첫째 이유는 대부분의 데이터베이스(DB)가 개인적 최적화(personalization)를 위해 구성돼있지 않아서다.

데이터가 접촉의 대상인 개인을 중심으로 구성돼있지 않고 이벤트, 거래기록, 채널, 상품 별로, 심지어는 기업 내의 부서나 브랜드별로 구성돼있다면, 그 모든 데이터를 소비자 중심의 관점으로 재해석하고 재구성해야만 개인별 최적화 모델링을 수월하게 진행할 수 있다.

문제는 미국에서 오랜 기간 데이터를 마케팅에 적용해온 회사의 IT부서들도 그런 개인중심(customer-centric) DB구조에 관한 개념 자체가 없어서 통계전문 분석가들이 많은 고초를 겪으며 수많은 시간을 낭비하고 있다.

다만 요즘에 개인별 최적화(personalization)가 - 빅 데이터의 다음 단계로 - 업계에서 가장 큰 화두가 되고 있어서 그 ‘SCV(Single Customer View, 혹은 360-degree Customer View)’에 대한 관심도 높아지고 있다. 중요한 것은 분석을 단지 통계적 작업으로만 볼 것이 아니라 데이터 활용의 전체적 구성의 일부로 인식하고 총체적으로 다뤄야 한다는 것이다.

그래서 그것은 단순한 IT부서가 독자적으로 할 일이 아닌 것이며. CDO(Chief Data Officer), CIO(Chief Information Officer), 혹은 CAO(Chief Analytics Officer) 등의 직책들이 기존의 CTO(Chief Technology Officer)나 CMO(Chief Marketing Officer) 등과 다르게 정의돼 각광받고 있는 이유이기도 하다.

개인적 최적화는 분석 없이는 가능한 일이 아니며, 그 분석은 비효율적인 데이터로는 쉽게 이뤄질 수 없다. 고객과의 적절성을 항상 유지하는 것이 목표라면, 데이터 로드맵부터 개인별 분석을 위주로 다시 짤 일이다. 그리고 그것은 요즘 흔히 접할 수 있는 많은 툴셋과 기술로 충분히 가능한 일이나, 먼저 목적을 분명히 하고 고객중심DB를 설계하는 것이 가장 중요하다.

개인별 최적화는 기업들에게 더 이상 선택사항이 아니며, 과거의 동네 구멍가게 주인들이 모든 주민을 다 단골로 만들려고 노력하는 것과 같은 태도로 초심으로 돌아가 임할 일이다. 단골이란 그저 있는 상품을 판매하는 대상이 아니라 소통이 이뤄져야 하는 대상이기 때문이다.

관련기사

저작권자 © 아이티데일리 무단전재 및 재배포 금지