예측 분석을 활용하는 다섯 가지 방법

예측 분석은 미래를 내다볼 수 있게 해줄 뿐만 아니라 새로운 기회를 열어줄 전략적 통찰력을 제공합니다. 예측 분석을 활용할 수 있는 다섯 가지 방법과 데이터에 대한 사고방식을 바꿀 수 있는 방법을 소개합니다.

적격 리드

포레스터 연구에 따르면 예측 분석은 잠재 고객 관리에 있어 세 가지 주요 활용 사례를 발견했습니다. 구체적으로는 다음과 같습니다.

1. 예측 점수: 이 방법은 잠재 고객이 마케팅 활동에 어떻게 반응하는지, 그리고 그 정보를 바탕으로 행동을 취할 가능성이 얼마나 되는지 분석합니다. 이를 통해 어떤 잠재 고객에게 더 많은 자원을 집중하고 어떤 잠재 고객에게는 자원을 덜 투입할지 더 빠르게 파악할 수 있습니다.
2. 식별 모델: 이 사용 사례는 과거에 행동을 취한 고객과 잠재 고객을 비교하는 데 중점을 둔 접근 방식입니다. 이를 통해 과거 행동을 기반으로 가장 유망한 잠재 고객에게 리소스를 집중할 수 있을 뿐만 아니라 이전에는 알지 못했던 새로운 시장을 파악할 수 있습니다.
3. 개인 : 잠재 고객이 어떤 행동을 취할 가능성이 가장 높은지 예측하는 것과 더불어, 동일한 데이터를 활용하여 어떤 유형의 메시지에 어떤 잠재 고객이 가장 잘 반응하는지 파악할 수 있습니다. 이러한 고급 세분화 기법은 단순히 잠재 고객을 그룹으로 나누는 것을 넘어, 훨씬 더 개인화된 메시지를 전달할 수 있도록 합니다.

이와 관련된 대표적인 사례로 하버드 비즈니스 리뷰에 소개된 내용이 있는데, 할리 데이비슨 대리점이 앨버트라는 인공지능을 활용하여 판매 잠재 고객을 2930% 증가시킨 사례입니다.

인공지능은 CRM 데이터를 분석하여 기존 구매자의 특징과 행동을 파악했습니다. 그런 다음 이러한 특징을 기반으로 구매자를 세분화했습니다. 각 세그먼트에 대해 헤드라인, 시각 자료 및 기타 요소의 다양한 조합을 테스트하여 각 세그먼트에 가장 효과적인 조합을 찾아냈습니다.

잠재 고객 검증의 가치는 데이터의 가치와 양에 크게 좌우됩니다. 아무리 훌륭한 통계 모델이라도 고객에 대한 정보를 얻지 못하면 그 능력은 한계가 있습니다.

디지털 공간, 특히 CRM을 사용하지 않는 경우 예측 분석을 시작하기에 가장 좋은 방법은 구글 애널리틱스와 구글 빅쿼리를 통합하는 것입니다.

고객 행동 모델링

예측 분석의 가장 명확한 활용 사례는 잠재 고객 발굴 및 전환이지만, 이는 가장 먼저 살펴볼 가치가 있는 분야일 가능성이 높습니다. 하지만 이 신기술을 활용할 수 있는 마케팅 분야는 이 외에도 많습니다. 거의 모든 활용 사례의 핵심에는 고객 모델링이 자리 잡고 있습니다.

고객 모델링은 크게 클러스터 모델, 성향 모델, 협업 필터링의 세 가지 유형으로 나눌 수 있습니다.

클러스터 모델

클러스터링은 여러 변수를 기반으로 고객을 그룹으로 분류하는 방법입니다. 클러스터 모델은 다양한 속성 간의 상관관계를 분석하고 특정 유형의 속성이 집중되는 여러 균형점을 찾아냅니다. 전통적인 고객 세분화와 비교했을 때 클러스터링의 가장 큰 특징은 활용되는 변수의 수가 매우 많다는 점입니다. 클러스터링에는 보통 30개 이상의 변수가 사용되는데, 이는 수동으로 고객을 세분화하거나 고객 스스로 수동으로 세분화하는 경우보다 훨씬 많은 변수입니다.

클러스터는 세 가지 형태로 나타납니다.

1. 제품 클러스터: 이는 카탈로그의 다른 제품에는 관심이 없고 특정 유형의 제품만 구매하는 경향이 있는 고객 그룹을 의미합니다.
2. 브랜드 클러스터: 이러한 고객들은 특정 브랜드 그룹에서 제품을 구매하는 경향이 있습니다.
3. 행동 클러스터: 이는 특정 행동 패턴을 보이는 고객 세그먼트로, 예를 들어 소량 주문을 자주 하는 고객이나 결제 카트보다 콜센터를 선호하는 고객 등이 있습니다.

이러한 클러스터의 중요한 특징은 제한된 정보만으로도 사람들이 어떤 클러스터에 속하는지 예측할 수 있다는 점입니다. 예를 들어, 특정 브랜드의 제품을 하나 구매했다면, 해당 브랜드의 다른 모든 제품을 추천하는 것보다 그 브랜드의 어떤 제품에 관심이 있을 가능성이 높은지 클러스터를 통해 예측할 수 있습니다.

성향 모델

성향 예측 모델은 다른 행동 및 속성과의 상관관계를 기반으로 고객 행동을 예측하는 모델입니다. 이는 회귀 분석이나 머신 러닝을 사용하여 구현할 수 있습니다. 좋은 성향 예측 모델은 상관관계가 인과관계로 오해되지 않도록 가능한 한 많은 변수를 통제합니다.

다음은 성향 모델의 몇 가지 예입니다.

• 이탈 가능성이 높은 고객: 이러한 고객은 조치를 취하지 않으면 이탈할 가능성이 높지만, 그렇지 않을 경우 높은 가치를 지닌 고객일 수 있습니다.
• 구독 취소 가능성: 이러한 모델을 사용하면 수신자가 구독을 취소할 가능성과 긍정적인 결과를 얻을 가능성을 비교하여 적절한 이메일 발송 빈도를 결정할 수 있습니다.
• 고객 생애 가치: 고객 생애 가치를 모델링하면 고객 생애 가치가 더 높은 고객을 확보하거나 생애 가치를 연장하는 행동을 유도하는 등 전략적인 마케팅 결정을 내리는 데 도움이 될 수 있습니다.

다른 성향 예측 모델에는 고객의 평생 가치에서 얼마나 많은 부분을 차지했는지, 그리고 고객이 구매로 전환하거나 구매할 가능성이 얼마나 되는지 예측하는 것이 포함됩니다.

협업 필터링

아마존의 "이 제품을 좋아한 고객은 다음 제품도 좋아했습니다…" 추천 기능을 본 적이 있다면, 이것이 어떤 유형의 모델인지 알 수 있을 것입니다. 언뜻 보면 협업 필터링은 제품 기반 클러스터 모델과 비슷해 보일 수 있지만, 약간 다릅니다. 협업 필터링은 고객을 구매할 가능성이 높은 제품 유형별로 그룹화하는 대신, 고객의 전반적인 행동을 기반으로 추천을 제공합니다.

다시 말해, 이는 사용자의 제품 선호도보다는 제품이 사용자에게 유발하는 행동 양식에 더 초점을 맞춘 것입니다.

협업 필터에는 세 가지 유형이 있습니다.

1. 업셀링 추천. 이는 판매가 이루어지기 전에 더 높은 등급의 제품을 추천하는 것입니다.
2. 교차 판매 추천. 판매가 이루어지기 전에 제공되는 이 추천은 처음 구매한 제품과 동시에 구매되는 경우가 많은 다른 제품을 추천하는 것입니다.
3. 후속 추천. 이는 사람들이 이전에 구매한 제품이 다 떨어진 후 일정 기간 내에 다시 구매하는 경향이 있는 제품에 대한 추천입니다. 예를 들어, 다 쓴 제품을 교체하거나 테이블을 구매한 후 접시를 구매하는 경우 등이 있습니다.

적합한 제품을 적합한 시장에 연결합니다

고객 모델링에서 역으로 접근하면 미처 인지하지 못했던 제품 시장을 찾아낼 수 있습니다. 다음은 이러한 활용 사례의 몇 가지 예입니다.

• 클러스터 모델에 추천 소스를 통합하세요. 이를 통해 어떤 트래픽 소스가 어떤 유형의 제품, 브랜드 또는 행동과 연관되는지 파악할 수 있습니다. 이를 바탕으로 해당 제품이나 브랜드에 대한 새로운 시장을 즉시 찾아낼 수 있습니다.
• 고객 생애 가치 예측 모델에 추천 경로를 통합하세요. 이렇게 하면 투자 수익률(ROI)을 대략적으로 파악할 수 있으므로 마케팅 자원을 더 많이 투자해야 할 지역을 결정할 수 있습니다.
• 트래픽 유입 경로와 업셀링, 크로스셀링, 후속 추천 성공률 간의 상관관계를 찾아보세요.
• 키워드와 고객 모델 간의 상관관계를 찾아보세요.
• 특정 유형의 제품 구매를 예측하는 데 중요한 요소들을 분석하고, 아직 공략하지 않은 시장 중 그러한 요소들을 공유할 가능성이 높은 다른 시장들을 함께 고민해 보세요.
• 데이터가 제한적인 상황에서 높은 성과를 보이는 이상치를 조사하고, 그러한 시장으로 사업을 확장하는 것이 좋은 선택인지 검토하십시오.

적합한 사용자를 적합한 콘텐츠에 연결합니다

고객 모델을 활용하여 잠재 고객을 목표 달성에 도움이 되는 콘텐츠와 연결하는 방법은 여러 가지가 있으며, 그중 일부는 명확하고 일부는 그렇지 않습니다. 몇 가지 예를 살펴보겠습니다.

• 적절한 클러스터를 기반으로 제품 또는 브랜드와 관련된 콘텐츠를 매칭합니다.
• 구매 성향 모델이 구매 가능성이 가장 높다고 예측하는 시점에 사용자에게 적합한 전환 문구를 제공합니다.
• 사용자의 성향 점수를 향상시키는 콘텐츠를 추천합니다.
• 사용자가 업셀링이나 크로스셀링에 긍정적으로 반응할 가능성을 높이는 콘텐츠를 사용자에게 추천합니다.
• 각 트래픽 소스별로 높은 참여도 점수를 얻을 가능성이 높은 콘텐츠와 해당 트래픽 소스를 매칭합니다.

보시다시피, 여기서 활용할 수 있는 접근 방식의 수는 상당히 빠르게 늘어납니다. 모델을 가장 효과적으로 활용하고 최대한의 이점을 얻기 위해 전략적으로 생각하십시오.

전략적 마케팅 통찰력 발견하기

일부 예측 분석 도구는 마케팅 프로세스를 자동으로 간소화하고 결과를 도출할 수 있지만(예: 할리 데이비슨의 알버트처럼), 인간의 결정이 여전히 매우 중요한 역할을 한다는 점을 기억하는 것이 중요합니다.

예측 분석 및 관련 AI 도구가 흔히 실패하는 이유는 데이터에 '과적합'되는 경향 때문입니다. 이러한 도구들은 지역적인 최대값과 최소값에 갇혀 새로운 영역으로 도약하지 못할 수 있습니다.

이러한 함정을 피하고 이러한 도구를 최대한 활용하려면 예측 분석 모델 내에서 전략적 통찰력을 찾아야 합니다.

예를 들어, 특정 콘텐츠가 잠재 고객의 구매 의향 점수를 높이는 경향이 있다는 것을 발견했다고 가정해 보겠습니다. 구축된 자동화 시스템을 활용하여 사용자에게 맞춤형 마케팅을 제공하고 해당 콘텐츠로 유도할 수 있습니다. 하지만 예측 분석으로는 아직 시도해보지 않은 다른 트래픽 소스가 해당 콘텐츠에 적합할 수 있는지 여부를 알 수 없습니다. 경험과 브레인스토밍 능력을 활용하여 해당 콘텐츠에 대한 다른 잠재 시장을 파악하고, 이를 모델에 입력하여 노출 정도에 따른 변화를 분석할 수 있습니다.

이러한 모델을 활용할 때 여러분의 목표는 항상 이와 같은 통찰력을 발견하고, 그 결과가 예상대로 나오는지 검증하는 것이어야 합니다. 모델이 자동 모드로 작동한다면 스스로 새로운 기회를 발견하지 못할 것입니다.

_____

by 마니쉬 두다레지아

출처: 검색엔진워치닷컴