소비자 행동 패턴은 점점 더 세분화되고 있으며, 이로 인해 마케터가 감당하기 힘들 정도의 데이터 쓰나미가 몰려오고 있다. 하지만 마케터들은 오늘날의 인공지능(AI) 툴이 지원하는 행동 기반 모델 덕분에 기존의 변수를 뛰어넘어 타겟 고객 집단을 더욱 세분화하고 좀 더 정확한 개인별 행동 패턴을 추적할 수 있게 되었다. 인공지능(AI)을 적용함으로써 대상 고객 집단을 매우 정밀한 수준으로 세분화하는 것이 가능해지고, 어떤 고객 집단이 기업의 궁극적 목표 달성에 가장 도움이 되는지도 파악할 수 있게 될 것이다. 절반 이상의 고객이 자신과 관련성이 떨어지는 광고 문자를 보내오는 브랜드는 이후 다시 찾지 않는다고 답했다는 것을 감안할 때, 고객이 지금 그리고 앞으로 어떤 요구를 갖게 될 것인지를 최대한 정확하게 파악하는 것이 정말로 중요하다.
개인 대 범주: 단순한 ‘ 타입’ 을 넘어서
인공지능(AI)은 마케터가 달성하려는 목표에 긍정적 또는 부정적 영향을 미칠 수 있는 숨겨진 사용자 패턴을 읽어 낼 수 있고, 따라서 마케터가 미리 정한 최종 목표에 도달하도록 도움을 줄 수 있다. 즉, 구매 가능성이 높은 고객 집단을 찾아 매출 상승을 도모할 수도, 또한 기존 고객들에게는 그들의 관심사에 좀 더 부합하는 개별 맞춤형 상품이나 콘텐츠를 제공하도록 지원할 수도 있다. 인공지능의 이러한 능력은 마케터에게 매우 유용하다. 특정 웹사이트의 회원 수가 1백만 명에 이를 경우, 마케터들은 자신들에게 좀 더 큰 가치가 있는 특정 고객 집단을 타겟으로 삼고자 할 것이다(상품 구매 가능성이 더 높거나 관련된 소개글을 읽어 볼 가능성이 더 높은 고객 집단). 이를 위해 기존에는 세 가지 측면을 고려하는 방식을 사용했다. 즉, 고객의 인구통계적 정보(연령, 성별, 사회적 특성), 고객의 행동 패턴(예: 고객의 가장 최근 웹사이트 접속), 그리고 고객의 관심사를 고려하는 것이다. 예를 들면, 이들 세 가지 측면을 사용하여 지난 7일간 장바구니에 상품을 하나 추가한 고객을 타켓으로 삼을 수 있다. 이렇게 하는 것은 정확도가 꽤 높을 수 있지만, 상당 부분 추측에 의존해야 한다. 추측은 편견이 개입되거나 잘못될 가능성도 있다. 또한 이렇게 하면 마케터가 구매 의사를 보유한 제한된 수의 고객에게 접근하는 것만 허용한다. 반면, 인공지능을 사용하면 마케터가 구매 가능성이 높을 것이라고 지정한 목표 사용자를 모두 찾아낼 수 있는 이점이 있다. 인공지능을 이용하면 더 이상 추측에 기댈 필요도 없다. 인공지능은 훨씬 더 많은 요인을 고려하여 무수한 조합을 만들어 낸다. 간단한 예를 하나 들어 보자. 관심도(200), 지정된 기간 동안 각 개인이 얼마나 활발한가와 같은 인터넷 브라우저 행동 패턴(1백만), 사이트 내부 행동(6), 사이트 방문 빈도(100), 사이트에서의 행동 지속 기간(180)을 고려하고 이를 모두 서로 곱할 경우, 거대한 수치를 얻게 된다. 여기에 더 많은 연령 집단, 특정 기기에서 웹사이트를 이용하는 사용자, 그 이외 두어 개의 다른 요인을 추가하면, 그 생성될 조합의 수치가 얼마나 가파르게 상승하는지 직접 눈으로 확인할 수 있다. 애피어(Appier)의 제품 관리 담당 부사장인 매직 투(Magic Tu)는 “인공지능은 말 그대로 셀 수 없이 많은 조합을 제공한다. 통상 사람들은 이 정도로 복잡한 것을 보면 매우 당혹스러워하며 이를 해석하기에는 시간도 부족하기 때문에 매개변수를 단순화하는데, 그렇게 하면 데이터가 가진 정보의 풍부함은 사라져 버린다”고 말한다.
행동 패턴 추적
인공지능은 고객에 대해 놀라울 정도로 자세하게 들여다볼 수 있게 해 줄 뿐만 아니라, 고객이 실제 돈을 지불하는 결정을 내리는 데 가장 커다란 영향을 미치는 요인도 알려주며 고객의 행동 패턴도 파악한다. 인공지능은 과거 데이터로부터 학습하며, 이용 가능한 새로운 데이터를 모두 통합하여 지속적으로 예측 결과를 변경 및 조정한다. 사용자는 모델을 생성하고 최종 목표를 알려주기만 하면 된다. 인공지능이 모든 힘든 일은 다 처리해 주기 때문에 마케터들은 자유롭게 데이터 속에 숨어 있는 잠재적 기회를 찾아내는 데 집중하기만 하면 된다. 사용자가 다음에 취할 행동을 예측함으로써 마케터는 캠페인 전략을 사용자에 맞추어 수정할 수가 있다. 예를 들어, 어떤 회사가 신제품을 구매할 가능성이 가장 높은 고객을 찾아내기 위해 인공지능을 사용할 경우, 이 회사는 이들 사용자를 세분화한 다음, 맞춤형 제안 및/또는 메시지로 이들 사용자를 타겟팅하고 그들의 구매 의도를 실제 구매로 전환하는 데 도움을 받을 수 있다.
치킨, 케이크, 그리고 비슷한 모양의 상품들: 더 깊이 있는 고객 이해
인공지능 툴은 또한 사용자 관심사에 대해서도 더 많은 인사이트를 제공할 수 있으며, 이러한 인사이트 역시 믿을 수 없을 만큼 구체적인 내용을 담고 있다. 너무 막연한 ‘음식’과 같은 주제어 대신, 인공지능 툴은 ‘돈까스 레시피’, 또는 ‘치킨집’과 같이 사용자들이 사용하는 용어를 분석해 낸다. 인공지능을 적용하여 소셜 미디어의 포스트 내용을 이해할 수도 있다. 자연어처리기법(NLP, Natural Language Processing)을 사용하여 인공지능이 키워드 및 문구(예: ‘나는 이런 케이크가 좋아’)를 가려내어 포스트의 의미를 대략적으로 간파한 다음, 결과를 알아볼 수 있다(예: 특정 포스트를 작성한 인물이 실제 그런 종류의 케이크를 구매하였는지 여부). 이러한 포스트를 인공지능에 더 많이 제공할 수록, 인공지능은 더 정확하게 행동 패턴을 분석해 낼 수 있으며, 이런 분석 정보는 다시 인공지능 예측 모델을 구축하는 기반이 된다. 애피어 제품 관리 부문 매직 투 부사장은 “수치와 같이 더 구조화된 데이터가 인공지능에는 더 유용하다. 자연어처리기법을 사용하여 신문 기사, 블로그 포스트, 소셜 미디어 포스트를 더 구조화된 데이터로 변경할 수 있고, 이를 통해 인터넷이라는 방대한 자료창고를 더 잘 활용할 수 있다”고 말한다. 머신러닝 기술을 이용하면, 궁극적으로 성별, 연령, 관심사 등과 같은 통계적 속성을 기준으로 고객을 세분화할 수 있을 뿐만 아니라 마케터들이 항상 알고 싶어하는 가까운 미래의 행동 예측에 기반한 고객 세분화도 가능하다. 통계적 속성과 예측 행동 패턴을 조합함으로써 마케터들이 자신들의 목표 달성을 위해 구축할 수 있는 가장 효율적인 고객 세분화가 가능해진다.
변화하는 대화의 양상
이러한 혁신은 마케터들이 고객에게 접근하는 방식을 변화시키고 있다. 예를 들어, 애피어의 아익슨(Aixon) 솔루션은 최근 아시아 최대의 메시징 플랫폼 중의 하나인 라인(Line)에 통합되었다. 이 솔루션은 라인 사용자 아이디와 20억개의 장치 프로필을 보유한 애피어의 CrossX 데이터베이스를 교차 매핑하여 키워드 및 관심 분야별로 이들 데이터를 상세 분류할 수 있다. 그런 다음 라인 비즈니스 커넥트(Line Business Connect)를 사용하여 긍정적으로 반응할 가능성이 가장 높은 사용자들에게 맞춤형 메시지를 전송한다. 예를 들면, 라인 사용자가 구매를 끝내지 않고 온라인 장바구니에 물품을 넣어두기만 한 상태라면, 사이트 소유자는 이들에게 라인을 통해 특별 할인이 포함된 맞춤형 메시지를 전송하여 제품 구매를 설득할 수 있다. 인공지능 툴 덕분에 뷰티 브랜드인 랑콤(Lancôme)에서는 스킨케어 제품 구매자와 메이크업 제품 구매자가 완전히 다른 범주의 고객 집단이라는 사실을 확인하게 되었다. 이를 통해 스킨케어 제품 구매자들에게는 아이크림과 같은 스킨케어 제품과 관련 동영상 및 기사를 보내지만 마스카라에 대한 내용은 제외하는 방식을 채택할 수 있었다. 마스카라의 경우 스킨케어 고객 집단이 관심을 두지 않기 때문이다. 또한 185개 피부 톤에 대한 정보를 한번에 모두 제공하는 대신, 고객의 피부 톤에 가장 근접한 색조의 파운데이션만을 추천할 수도 있게 되었다. 그 결과, 전환율이 이전 대비 3배나 상승하였다. 머신러닝 기법을 통해 고객 집단을 세분화함으로써 마케터들은 자신들의 서비스를 이용하는 고객에 대해 더 상세한 정보를 포착해 낼 수 있게 되었다. 이를 통해 통계적인 특성 분석을 뛰어넘어 구매율 높은, 좀 더 가치 있는 고객을 타겟팅함으로써 마케터들은 마케팅 캠페인 활동을 맞춤화하고 고객의 니즈를 더 효과적으로 충족시킬 수 있게 되었다.