고객지원 > 지식/노하우

지식/노하우

지식/노하우

다양한 추천 사례로 보는 KPI별 추천 전략

페이지 정보

작성일2019-05-10

본문

 

 

다양한 추천 사례로 보는 KPI별 추천 전략
(주)넷스루 전략기획실

추천시스템을 적용할 때 회사가 보유한 데이터는 다른 자산과 마찬가지로 최고의 가치입니다. 아마존은 고객과 엄청난 거래 트랜잭션, 다양한 상품 등 매우 큰 데이터 세트를 가지고 있습니다. 데이터 다음으로 중요한 건 알고리즘입니다. 단순한 비즈니스 규칙과 딥신경망을 사용하는 회사라면 서로 큰 차이가 있습니다. 또 다른 중요한 포인트는 고객 경험입니다. 많은 추천을 제시하기 보다는 "고객의 접점은 어디인가", "너무 많은 접점으로 고객이 피로감을 느끼고 있는가?" 등과 같은 전체 생태계를 생각해 봐야 합니다. "과부하인가", "추천 의도를 정확히 나타내는가?"

dab9e03d553ae7c0037165924dac75e8_1557469

Mary Meeker의 보고서를 보면 아마존을 방문하는 사람들의 49%가 아마존으로 시작해서 아마존에서 끝난다고 합니다. 사람들은 아마존에서 검색한 다음 아마존에서 구입합니다. 스타벅스의 경우, 포인트 제도의 회원인 경우 이메일이나 앱을 통해 팝업되는 게임을 자주 보게 됩니다. 그것은 기존의 추천 시스템과 다른 매체지만 실제로 무거운 고객 데이터 기반의 추천 결과입니다. 이 추천 엔진은 고객이 좋아하는 상품을 결정하고, 관련한 더 많은 정보를 얻기 위해 고객 참여 유형을 확대한 것입니다. 요점은 데이터 과학자들이 최적의 경험을 만들어내기 위해 설계자나 마케팅 담당자 또는 비즈니스 분석가와 함께 해야 한다는 것입니다.

게임 같은 것은 많은 다른 교차 기능적인 부분이 필요합니다. 이것은 데이터 과학자 또는 마케팅 담당자가 직접 생각할 수 없는 것입니다. 반면 데이터 과학자들은 추천의 문제를 파악하려고 시도하지만 경험에 대해서는 생각하지 못했을 것입니다. 마케팅 담당자는 데이터 과학이 무언가를 최적화하는 데 사용될 수 있다는 것을 깨닫지 못합니다. 많은 고객을 확보하게 되면 많은 수단을 시도할 수 있습니다. 1,500만 명의 고객이 있다면 데이터 과학을 사용하여 1,500만 개의 변형도 가능합니다.

dab9e03d553ae7c0037165924dac75e8_1557469

Spotify는 고객 기반의 추천 시스템으로 다른 사람들이 당신과 같은지, 또는 그 음악을 듣고 싶어하는지를 찾아냅니다. Spotify는 이미 SoundCloud를 눌렀고, 엔지니어링 및 정교한 측면에서 확실히 음악 추천을 잘 합니다. 확실하지는 않지만, Spotify는 어떤 장르인지, 어떤 음악인지, 어떤 음악가인지의 태그를 봅니다. 장르를 넘어서, 템포가 무엇인지, 악기는 무엇인지, 음악의 DNA를 제대로 파고 들었는지 등의 정보도 사용할 것입니다. 때로는 Spotify가 내가 좋아할 것 같지 않은 음악을 권유하지만, 내가 음악을 많이 들을수록, 실제로 내가 좋아하는 것과 비슷하다는 것을 알게 됩니다.

dab9e03d553ae7c0037165924dac75e8_1557469

유튜브는 대부분의 KPI가 거래 기반이 아니라, 참여를 중심으로 한다는 점에서 소매점과는 약간 다른 KPI를 가집니다. 따라서 유튜브의 KPI는 여러분이 웹 사이트에서 더 오랫동안 머물도록 설계되었습니다. 아마도 이런 프로세스는 디자인에서 시작되었다고 생각합니다. 그래서 실제 누군가를 현재 플랫폼에 있도록 만드는 것은 UX입니다. 예를 들어 방금 동영상을 보았을 때, 방금 본 내용을 기반으로 다음 볼 동영상을 추천합니다. 이러한 상황별 단서는 고객 여정에서 추천을 하기에 적절한 순간을 보여 주며, 유튜브는 이러한 여정이 무엇인지, 최적의 포인트를 파악해서 고객이 계속 머물도록 추천합니다.

dab9e03d553ae7c0037165924dac75e8_1557469
 
고객에게 좋은 경험을 제공하기 위한 추천 엔진을 설계하려면 어디서부터 시작해야 할까요? 유튜브나 Spotify는 고객 경험을 디자인 할 수 있는 여러 가지 방법 중에 일반적으로 고객이 관심을 갖는 순서가 무엇인지 파악하고 있습니다.

아마존의 경우, 우리 고객은 실용적이니까 교차 판매를 더 해보면 어떨까? 익스피디아의 경우 고객 세그먼트를 찾아 보고, 누가 럭셔리 여행인지, 출장 중인지 알아낼 수 있을까? 웹 사이트에서 고객 라이프 사이클이 끝나고, 다른 웹 사이트로 이동하는지, 이제 막 시작 단계에 있는지 알기 위하여 더 많은 학습을 필요로 합니다.
고객을 특성화하는 데는 여러 가지 방법이 있지만 일반적으로 고객이 어떤 세그먼트에 속해 있는지, 어떻게 참여하는지 등 고객을 더 잘 이해하는 것으로 시작하게 됩니다.
이처럼 고객을 세그먼트로 구분하고 그 특성을 잘 살펴보며 고객을 이해하고 있지만, 실제로 고객의 수가 줄어들고 있다면 이 상황을 대변할 수 있는 주요 지표는 무엇일까요?
방금 가입한 고객들 중 실제로 안정적인 궤도에서 활성화되는지 보려면 어떤 지표가 필요할까요? 

dab9e03d553ae7c0037165924dac75e8_1557469

그렇게 하려면 마케터는 고객의 라이프 사이클을 모델링해야 할 뿐 아니라, 라이프 사이클을 극대화할 수 있는 적절한 경험을 설계해야 합니다. 

이 때, 변화를 살펴보는 주요 지표는 무엇으로 정의해야 할까요?
일반적으로 상품을 구매하거나 클릭하는 행동을 전환으로 측정하는 전환수가 추천 시스템의 사실상 표준 KPI입니다. 

dab9e03d553ae7c0037165924dac75e8_1557469
 
그러나 수익율이나 마진과 같은 KPI에 최적화된 추천 시스템도 있습니다. 30%의 수익률을 얻기 위하여 마진이 더 높은 상품을 추천해서 더 높은 수익을 얻는 대신 고객의 재방문 비율은 고려하지 않는 목표를 세울 수도 있습니다. 그러나, 고객 입장에서는 마진이 높은 상품만 추천을 받는 것은 원치 않을 것입니다.

dab9e03d553ae7c0037165924dac75e8_1557469
 
그래서 KPI를 상황에 따라 목표에 따라 매우 정확하게 세워야 합니다. KPI에 따라 구현해야 할 것들을 정의하고, 그 중에서 어떤 것을 선택하고, 어떤 것을 가능하게 할 건지, KPI에 따라 실제로 추천할 항목은 어떻게 달라지는지 꼭 확인해야 합니다.

대부분의 추천 모델은 고객이 어떤 유형인지 확신을 갖고 실행됩니다. 하지만 추천간의 상관 관계를 고려하지 않습니다. 추천 알고리즘이 내가 정말로 “양말”을 좋아한다고 파악했다면, 아마 상위 10위 안에 양말이 보이고, 속옷이 보이고, 더 많은 양말이 보일 것입니다. 내가 양말을 좋아한다는 것이 사실이지만, 하나의 슬롯에서 양말을 보여줘도 충분합니다. 알고리즘은 점수가 낮더라도 상품의 다양성을 위해 점수를 매기는 방법이 필요합니다. 고객 경험을 고려하여 고객에게 다양성을 부여하면 롱테일 상품을 구경하게 되고, 장기적으로 고객 가치도 높일 수 있습니다.
우유, 달걀, 빵이 같은 상품가요? 또는 너무 비슷한 것을 추천하지 않는 게 요즘 유행일까요? 고객 라이프 사이클에 적합한 것을 추천하려면 벤더사에게 의존하는 것보다 고객사 여러분이 고객사의 KPI에 적합한 추천 로직을 정의하는 것이 필요합니다.

참고 : Jack Chua 인터뷰 내용

dab9e03d553ae7c0037165924dac75e8_1557469

 

 

 

 

  • 트위터로 보내기
  • 페이스북으로 보내기

모바일 페이지로 이동