Share on facebook
Share on linkedin
Share on twitter
Share on facebook
Share on linkedin
Share on twitter

닮은꼴 모델링: 구매력 높은 고가치 잠재고객을 찾는 가장 효과적인 방법

브랜드를 성장시키려면 고객 기반을 확장해야 한다. 하지만 기존 고객과의 관련성을 유지하면서 새로운 고객들에게 다가가기는 쉽지 않다. 해결할 수 있는 한 가지 방법은 닮은꼴 모델링을 사용하여 현재 고객과 비슷한 특성을 보이는 유사 잠재고객을 발견해내는 것이다. 그렇다면 닮은꼴 모델링이란 무엇이며, 어떤 효과가 있고, 어떻게 작동하는지 알아보자.

 

닮은꼴 모델링이란 무엇인가?

닮은꼴 모델링(Lookalike Modeling)은 머신러닝 기반 분석  기법으로 현재의 VIP 고객들과 유사한 행동 및 인구통계적 특성을 보이는 일련의 사용자 그룹을 찾아낸다.

전자상거래 브랜드의 경우를 예로 들어보자. VIP 고객들이 주로 평균 미화 150 달러 정도의 주문 금액으로 한 달에 두 번 정도 전자 또는 게임 기기를 구매한다고 가정하자. 닮은꼴 모델링을 사용하면 이와 비슷한 특성을 보이는 사람들을 추가로 발견해낼 수 있다.

비교의 기준이 되는 VIP 고객들을 시드(seed) 고객이라 하고, 이 VIP 고객들과 유사한 행태를 보이는 그룹의 사람들을 닮은꼴(lookalike) 고객이라고 한다.

 

닮은꼴 모델링의 다양한 효과

닮은꼴 모델링을 활용하면 다음과 같은 다양한 효과를 기대할 수 있다:

  • · 더 많은 판매 기회 창출

닮은꼴 모델링을 사용하면 기존 고객층을 넘어 구매력 있는 고가치 잠재고객을 추가로 발견할 수 있다. 이는 현재의 VIP 고객들과 비슷하게 행동하는 잠재고객을 식별하는 머신러닝의 높은 정확성 덕분이다.

  • · 마케팅 예산 절감

닮은꼴 모델링을 사용하면 고객 데이터베이스에 있는 모든 사용자가 아니라 고가치 유사 고객에게만 마케팅을 집중하는 효과가 있다. 이를 통해 신규 고객 획득 비용은 절감하고 투자수익률은 높일 수 있다.

  • · 브랜드 인지도 상승

 닮은꼴 모델링으로 새로운 고객을 확보할 수 있기 때문에 브랜드 인지도를 높이는 데 효과적이다. 타겟 고객 프로필과 일치하는 더 많은 사람들에게 브랜드와 제품을 노출함으로써 구매의 첫 단계라고 할 수 있는 관심도와 참여도를 높일 수 있다.

  • · 보다 정확한 타겟팅 구현

닮은꼴 모델링은 머신러닝을 사용하여 훨씬 더 광범위한 웹에서 기존고객 및 잠재고객에 대한 데이터를 분석하고 비교함으로써 VIP 고객들의 중요한 특성을 정확하게 찾아낸다.

이렇게 찾아낸 특성은 타겟팅의 정확도를 높이는 데 뿐만 아니라 리타겟팅 캠페인을 개인화하는 데도 도움을 준다.

  • · 고객에 대한 이해 향상

닮은꼴 모델링 프로세스를 통해 잠재고객 세그먼트 및 이들의 전환을 유도하는 액션을 더 잘 이해할 수 있다. 이러한 통찰력은 마케팅 전략과 모든 채널에서의 향후 캠페인을 최적화하는 데 사용된다.

  • · 전환 증가

닮은꼴 모델링은 고품질 리드를 찾아내기 때문에 클릭률(CTR)과 달성할 수 있는 전환 수를 크게 높일 수 있다. 이를 통해 수익은 증대되고 순익 또한 개선되며 결과적으로 비즈니스를 성장시키는 데 기여한다.

 

닮은꼴 모델링 작동 원리

닮은꼴 모델링은 여타의 모든 컴퓨터 모델링과 마찬가지로 데이터, 수학적 알고리즘, 머신러닝의 조합을 사용하여 모델링 작업을 수행한다. 이 프로세스는 일반적으로 DMP(데이터 관리 플랫폼)를 통해 수행되며, 다음의 세 가지 주요 단계로 구성된다:

1단계: 데이터 수집

유사 잠재고객 그룹을 생성하려면 먼저 자체 채널에서 수집한 퍼스트파티, 즉 자사 데이터와 다른 웹사이트 및 설문조사 등의 세컨드파티 또는 서드파티 등의 타사 데이터를 모두 아우르는 광범위한 잠재고객 데이터를 수집해야 한다. 주지할 점은 사용할 수 있는 데이터가 많으면 많을수록 모델링의 정확도가 높아진다는 사실이다.

2단계: 속성과 행동 정의

모든 데이터가 수집되었다면 다음 단계는 비교의 기준이 될 가장 참여도가 높고 수익성이 높은 VIP 고객 또는 시드 고객을 가장 잘 정의하는 속성과 행동을 파악하는 것이다. 고려해야 할 속성 및 행동의 예에는 위치, 구매 내역, 구매 빈도와 수량, 검색 내역, 특정 제품에 대한 관심사 등이 있다.

이러한 속성을 더 엄격하게 정의할수록 우수한 잠재고객을 식별할 가능성이 높아진다. 그러나 시드 고객의 범위를 좁게 설정할수록 전환 가능성이 높은 사용자를 찾는 데는 도움되지만 닮은꼴 잠재고객의 규모는 제한된다. 더 많은 속성을 선택할수록 더 많은 잠재고객을 걸러내게 되는 것이다.

만약 캠페인 목표가 전환보다는 더 넓은 도달과 더 높은 인지도에 초점을 두고 있다면, 더 광범위하고 덜 구체적인 속성과 행동을 선택하여 더 많은 잠재고객 그룹을 찾아내는 것이 더 좋은 전략이 될 수 있다.

3단계: 닮은꼴 잠재고객 생성

시드 잠재고객의 속성과 행동을 결정하면 그와 일치하는 프로필을 찾기 위해 알고리즘이 적용된다. 그리고는 머신러닝 예측 모델링을 사용하여 시드 잠재고객과의 유사성을 기반으로 각 사용자별 점수를 매긴다. 가장 높은 점수의 프로필들이 닮은꼴 잠재고객이 된다.

닮은꼴 모델링 프로세스를 통해 다른 방식으로는 찾을 수 없었던 더 나은 성과를 내는 잠재고객을 정확하게 찾아낼 수 있다.

 

닮은꼴 모델링은 비즈니스 성장을 모색하는 브랜드에게 큰 성공을 가져다 줄 수 있다. 성공의 열쇠는 고품질 데이터와 스마트 모델링 소프트웨어를 함께 사용하는 것이다. 경쟁사와의 효과적인 차별화를 위해서는 더 나은 닮은꼴 잠재고객 그룹을 구축하기 위해 어떤 미지의 데이터를 발굴하고 활용해야 할지 연구하는 것이 좋다.

 

* 닮은꼴 모델링으로 고객 기반을 확장할 수 있습니다. 애피어의 데이터 사이언스 플랫폼 아익슨(AIXON)은 데이터를 실행 가능한 인사이트로 전환하고 가장 수익성 높은 잠재고객을 찾는 데 도움을 줍니다. 문의를 남겨주시면 맞춤 상담을 제공해드리겠습니다!

 

 

애피어에 문의하세요!

문의를 남겨주시면 마케팅 전략을 개선할 수 있는 방법을 찾을 수 있도록 안내해드리겠습니다.

다른 최신 포스트도 둘러보세요!

금융 기업의 주도적인 고객 참여 유도 방법

금융 서비스 기업이라면 아시아태평양(APAC) 지역 고객 참여를 향상시키기 위해 할 수 있는 것들이 많다. 이들 기업의 상당수가 주도적인 고객 관리 방식이 아닌 대응적인 방식에 의존하고 있는데, 그로 인한 폐해가 생각 보다 크기 때문이다. 사후 대응적인 고객 관리 방식은 고객 참여와 고객 경험 수준 모두의 저하를 불러 결국 고객을 경쟁사에 잃는 결과로 이어진다. 이런 상황을 방지할 방법은 있다. 적절한 인공지능(AI) 도구를 사용하면 금융 서비스 기업도 고객 참여 전략을 사후 대응적 방식에서 주도적인 사전 대응적 방식으로 전환하여 좋은 성과를 낼 수 있다. 현 상황의 문제점: 사후 대응적 전략 아태지역 금융 서비스 기업들이 고객 참여 부문에서 취약성을 보이고 있다는 것은 널리 알려진 사실이다. IDC 파이낸셜 인사이트에 따르면 아태지역 은행의 80%가 여전히 일관성과 예측가능성이 결여된 고객 경험을 제공하고 있으며, 절반(46.4%)에 가까운 은행이 옴니 채널 전략에 대한 임시방편식 접근만을 고수하고 있어, 고객 경험의 깊이 역시 피상적인 수준에 그치고 있다고 언급하고 있다. 해당 보고서는 또한 은행의 고객 참여 유도 방식이 실시간 기반, 조정 가능하고 자립적인 방식으로 이루어져야 한다고 주장한다. 하지만 이와 같은 현실이 역설적으로 아태지역의 금융 서비스 기업들에게는 커다란 기회를 의미하기 때문에, 보고서는 전체적으로 낙관적인 전망을 유지하고 있다. 고객의 기대에 부응하거나 초과 달성할 수 있는 기업은 충성도가 높은 고객 뿐만 아니라 최고의 직원들과 사업 파트너들을 유치할 수 있는 가능성을 확보하게 된다. 금융 서비스 기업들의 당면 과제

심층강화학습(Deep Reinforcement Learning)에 대한 기초 안내서

바둑의 규칙은 단순한 편이지만 실제 플레이는 복잡하다. 각 플레이어가 바둑판에 한 수를 둘 때마다 대략 2 x 10170 가지의 위치를 고려할 수 있다. 경험이 많은 선수는 수년간의 게임을 통해 시행착오를 거쳐 어떤 수가 더 상대방을 제압할 가능성이 높은지를 학습하며, 이와 같은 학습 과정을 강화학습이라고 부른다. 그러면 전문 바둑 선수들 간에 있었던 수천 번에 달하는 게임 데이터를 인공지능(AI)에 입력하면 어떤 일이 생길까? 최고 수준의 바둑 선수들을 능가하는 AI, 즉 알파고(AlphaGo)가 나온다. 이것이 바로 딥러닝 작동의 결과이다. 그러나 만약 프로 선수들 간의 게임 결과 데이터를 입력하는 대신 AI에게 바둑의 규칙을 가르치고 AI 사이에서 수백 만 번의 게임을 플레이하게 한다면 어떻게 될까? AI는 심층 강화학습을 통해 수백 만 게임에 대한 자체 데이터를 생성하고 최상의 결과에 도달하도록 만든 주요 움직임을 분석함으로써 스스로 학습한다. 인간이 학습을 하는 과정과 마찬가지로 AI 또한 실패나 성공에 따라 대응 방식을 조정함으로써 결과치를 향상시킨다. 차이가 있다면 AI가 처리할 수 있는 학습의 규모와 속도가 우리 사람의 능력을 훨씬 초월한 수준이라는 점이다. 심층 강화학습은 하나의 구조 내부에서 작동할 수 있다. 이것은 목표를 설정하기 전에 바둑이라면 게임의 규칙, 그리고 만약 마케팅 캠페인이라면 시장 상황과 같은 해당 환경의 컨텍스트, 즉 맥락을 고려해야 한다는 뜻이다. 그러면 심층 강화학습 기능을 수행하는 AI는 이전 캠페인으로부터 얻은 지식 뿐만 아니라 자체 반복 학습 과정에서 수없이 시도해 본 시나리오에서

인공지능(AI)을 통한 고객중심 금융 서비스 구현

금융 서비스 업계에도 디지털 전환이 가속화되고 있다. 은행, 투자, 보험 등으로 대표되는 금융 업계는 전통적으로 변화에 대응하는 속도가 느린 편임에도, 디지털 상품 플랫폼 구축에서부터 챗봇을 활용한 고객 서비스 응대에 이르기까지 발빠르게 움직이고 있다. 업계에서는 아태지역 핀테크 시장 규모가 2020년 미화 720억 달러에 달할 것으로 전망하고 있다. 그러나 조직의 태생에 따라 바이두(Baidu), 텐센트(Tencent), 그랩(Grab)과 같이 처음부터 디지털 기반 서비스로 시작하여 시장의 판도를 바꿀 정도로 영향력이 급성장한 신흥 강자들과 전통적인 방식으로 서비스를 제공해오던 기존 금융 기업들은 서로 다른 접근 방식을 취하고 있다. 디지털에서 태어나 시장 교란자로까지 불리고 있는 신흥 강자들이 잘 하는 것은 상품 중심의 시스템이 아닌 아닌 고객 최우선 시스템을 구축하는 능력이다. 전통적인 의미의 금융 서비스 기업들이 각종 서비스 신청서에서부터 많은 금융 거래에 이르기까지 나름대로 많은 데이터를 확보하고 있는 데 반해, 신흥 강자들은 다양한 디지털 터치포인트에서 확보한 고객 데이터를 기반으로 고객의 관심사 및 행동에 대한 완전한 고객 프로필을 구성할 수 있는 정도에 도달해 있다. 이는 한층 개인화된 고객 경험을 제공해야 하는 현재의 새로운 마케팅 패러다임에 더 적합하다고 할 수 있다. 사람들은 금융 서비스, 즉 돈과 관련된 사안에서는 기꺼이 제반 사항을 모두 알아보고 정보 기반 결정을 내리고자 노력하며, 내용과 시기 면에서 적합할 뿐만 아니라 신뢰할 수 있고 쉽게 접근 가능한 형태의 정보를 제공하는 것이 관건이다. 최신 기술을 활용한 마케팅으로 일정 부분 도움을

    저희가 도와드리겠습니다

    문의를 남겨주시면 마케팅 전략을 개선하는 데 도움될 AI 솔루션을 자세히 안내드리겠습니다