추천으로 고객 경험 개인화
Published: December 18, 2020
작성자: 롭 세이커, 브라이언 스미스, 빌라지 라만, 예 왕, Yiyan Zhang, Terry Tang
이 게시물 전체에서 참조하는 추천 노트북으로 바로 이동.
2020년 소매업은 전자상거래 도입에 있어 비약적인 발전을 이루었으며, 전체 소매업에서 전자상거래가 차지하는 비율은 1년 만에 수년 간의 발전을 보였습니다. 한편 코로나19, 봉쇄, 경제적 불확실성은 고객을 확보하고 유지하는 방식을 완전히 바꾸어 놓았습니다. 급변하는 시기에 효과적으로 경쟁하기 위해 기업은 개인화를 재고해야 합니다.
2020년에는 전자 상거래 도입뿐만 아니라 소비자 행동에도 급격한 변화가 있었습니다. PB 상품을 선택하는 소비자가 늘었습니다. 생필품에 대한 수요가 다시 급증했습니다. 고객은 특정 제품뿐만 아니라 소매업체와의 관계도 다시 생각하게 되었고, 여러 소매 파트너로 소비를 분산했습니다. 개인화된 추천으로 수익의 35%를 창출하는 선도적인 소매업체들로 인해 매장 내 디스플레이, 특별 상품 및 프로모션의 중요성이 위협받게 되었습니다.
고객이 자신을 알아준다고 느끼게 하는 경험을 제공하면 소매업체는 대규모 판매업체들 사이에서 두각을 나타내고 고객 충성도를 구축하는 데 도움이 됩니다. 이는 COVID 이전에도 마찬가지였지만, 변화하는 소비자 선호도로 인해 소매 기 업에게는 더욱 중요한 문제가 되었습니다. 고객 확보 비용이 기존 고객 유지 비용보다 최대 5배 더 많이 든다는 연구 결과에 따라, 뉴노멀 시대에 성공하고자 하는 조직은 확고한 소비자 기반을 유지하기 위해 기존 고객과 더 깊은 관계를 계속 구축해야 합니다. 오늘날의 소비자들이 오래 자리 잡은 소비 패턴을 재고하도록 하는 옵션과 인센티브는 무수히 많습니다.
경쟁력을 갖추려면 개인화는 필수입니다.
압도적으로 많은 선택권이 주어지면서 소비자들은 자신이 구매하는 브랜드와 기업이 자신의 니즈와 선호도에 맞는 경험을 제공하기를 기대합니다. 한때 이국적인 미래 비전 으로 제시되었던 개인화는, 이제 끊임없이 연결된 상태로 시간이 부족하고 점점 더 복잡한 요소들을 통해 가치 를 추구하는 소비자들에게 기본적인 기대로 자리 잡아가고 있습니다.
개인화된 경험을 제공하는 브랜드는 이러한 대형 유통업체와 경쟁할 수 있습니다. 소비자 태도 및 소비 패턴에 대한 COVID 이전 분석 에서 참가자의 80%는 개인화된 경험을 제공하는 회사와 거래할 가능성이 더 높다고 답했습니다. 자신의 개인적인 필요와 선호를 이해하고 이에 부응한다고 믿는 기업에서 연간 15회 이상 구매하는 개인은 그렇지 않은 경우보다 그 가능성이 10배 더 높은 것으로 나타났습니다. 별도의 설문 조사에서 참여자의 50%는 자신이 구매하는 브랜드를 자기 자신의 연장선으로 여긴다고 응답했으며, 이는 이를 제대로 해내는 브랜드에 대한 더 깊고 지속적인 고객 충성도 로 이어집니다.
코로나19로 인해 소비자의 관심이 가치, 가용성, 품질, 안전, 커뮤니티로 전환 되면서, 변화하는 니즈와 정서에 가장 잘 적응한 브랜드들은 고객이 경쟁사 로부터 전환 하는 것을 보았습니다. 일부 부문은 사업이 성장하고 많은 부문은 손실을 입었지만, 이미 고객 경험 개선을 위한 여정을 시작한 조직은 2007-2008년 경기 침체에서 관찰된 패턴(그림 1)과 매우 유사하게 더 나은 결과를 보았습니다.
그림 1. McKinsey & Company가 제공한 Forrester 고객 경험 성과 지수 시각화 자료, CX 리더는 불경기에도 뒤처지는 기업을 능가합니다(링크).
뉴노멀이 될 미래를 내다볼 때, 고객 경험의 개인화는 많은 B2C는 물론 B2B 조직에게도 계속해서 핵심 초점이 될 것이 분명합니다. 점점 더 많은 애널리스트들이 고객 경험을 신생 조직이 기존의 강자를 뒤엎을 수 있게 하는 파괴적인 힘 으로 인식하고 있습니다. 제품, 유통, 가격, 프로모션만으로 경쟁하는 데 중점을 둔 조직은 소비자에게 받는 1달러당 더 큰 가치를 제공할 수 있는 경쟁사로부터 압박을 받게 될 것입니다.
고객 여정에 집중
개인화는 고객 여정에 대한 신중한 탐색에서 시작됩니다. 이는 고객은 필요를 인식하고 이를 충족할 제품을 찾기 시작하면서 시작됩니다. 그 다음에는 구매 채널 선택으로 이어지고 소비, 폐기 및 가능한 재구매로 마무리됩니다. 그 경로는 다양하며 단순히 선형적이지는 않지만, 모든 단계에서 고객을 위해 가치를 창출할 기회가 있습니다.
각 단계의 디지털화 는 고객에게 참여 방식에 대한 유연성을 제공하고 조직에는 모델의 상태를 평가할 수 있는 기능을 제공합니다. 디지털화는 온라인 및 모바일 경험의 핵심적인 부분이지만, 고객을 위한 투명성, 개인정보 보호, 부가 가치에 대한 적절한 고려를 통해 매장 내, 이동 중, 심지어 재택 단계의 고객 여정까지 확장될 수 있습니다.
이러한 고객 생성 데이터와 타사 입력은 조직이 고객과 고객의 고유한 여정에 대한 이해를 구체화하는 데 필요한 정보를 제공합니다. 이제 개인의 동기, 목표, 선호도를 더 잘 이해하고 고객에게 더욱 개인화된 경험을 제공할 수 있게 되었습니다.
고객 여정의 검토, 디지털화, 그리고 여기서 생성된 데이터 분석은 고객 경험을 개선하는 피드백 루프를 만드는 데 사용됩니다. 이 루프를 작동시키고 시간이 지나도 유지하려면 고객 경험으로 경쟁하기 위한 명확한 비전 을 제시해야 합니다. 이 비전은 마케팅 및 IT 지원 부서뿐만 아니라 조직 전체를 공유된 목표 아래 하나로 모아야 합니다. 그런 다음 이러한 목표는 부서 간 협업과 혁신을 장려하는 인센티브 구조로 전환되어야 합니다. 차별화된 고객 경험을 제공하기 위한 조직의 여정은 근본적으로 학습하는 조직, 즉 인사이트를 실행에 옮기고 실패를 통해 얻은 교훈을 기념하며 성공을 빠르게 확장하여 고객 가치를 창출하는 조직이 되기 위한 여정입니다.
고객 선호도 활용
개인화는 다면적이지만 고객 여정의 다양한 시점에서 기업은 고객에게 제시할 콘텐츠, 제품, 프로모션을 선택할 기회를 갖게 됩니다. 이러한 순간에 고객의 과거 피드백을 고려하여 제시할 적절한 항목을 선택할 수 있습니다. 고객 피드백이 항상 1~5점의 별점 평가나 서면 리뷰의 형태로 제공되는 것은 아닙니다. 피드백은 상호작용, 체류 시간, 제품 검색 및 구매 이벤트를 통해 표현될 수 있습니다. 고객이 다양한 자산과 상호 작용하는 방식 및 이러한 상호 작용이 선호도 표현으로 어떻게 해석 될 수 있는지 신중하게 고려하면 개인화를 지원하는 데 사용할 수 있는 광범위한 데이터를 확보할 수 있습니다.
피드백을 바탕으로 이제 어떤 항목을 제시할지 고려합니다. 추천된 다양한 제품을 둘러보다가 하나를 클릭하고, 이 제품의 대안을 탐색한 후 장바구니에 담고, 이어서 이 제품과 함께 자주 구매되는 제품을 탐색하는 고객을 생각해 보세요. 이러한 매우 좁은 범위의 고객 여정의 각 단계에서 고객은 매우 다른 목표를 염두에 두고 당사의 콘텐츠와 상호작용합니다. 이 여정 내내 고객의 선호도는 변하지 않지만, 고객의 의도에 따라 저희는 해당 정보를 사용하여 무엇을 제시할지에 관해 매우 다른 선택을 하게 됩니다.
과학인 동시에 예술이라는 것을 이해하세요
고객 선호도에 따라 콘텐츠를 제공하는 데 사용하는 엔진을 추천기라고 합니다. 추천기 구축 과정은 과학인 동시에 예술이라고 해도 과언이 아닙니다. 일부 추천기에서는 유사한 고객의 공유된 선호도에 중점을 두어 고객에게 노출할 수 있는 콘텐츠의 범위를 확장합니다. 다른 추천기에서는 콘텐츠 자체의 속성(예: 제품 설명)에 중점을 두고 관련 콘텐츠에 대한 사용자별 상호작용을 활용하여 아이템이 고객의 공감을 얻을 가능성을 수치화합니다. 각 추천 엔진 클래스는 일반적인 목표를 지향하지만, 그 안에는 비즈니스가 특정 목표에 맞게 추천 방향을 설정하기 위해 내려야 할 무수히 많은 결정이 있습니다.
이러한 엔진의 복잡성과 이를 구축하는 이유의 본질을 고려할 때, 추정되는 정확도에 대한 사전 평가는 신뢰하기 어렵습니다. 구축한 추천기가 궤도를 벗어나지 않 도록 오프라인 평가 방법이 제안되었고 또 사용되어야 하지만, 현실적으로는 제한된 파일럿으로 출시하고 고객 반응을 평가해야만 특정 목표 달성에 도움이 되는지 효과적으로 평가할 수 있습니다. 그리고 이러한 평가에서는 완벽을 기대하는 것이 아니라 이전 솔루션보다 점진적으로 개선되는 것을 목표로 삼아야 한다는 점을 명심해야 합니다.
성능과 완전성 간의 상충 관계를 고려하세요
모든 추천기를 구축할 때 극복해야 할 주요 과제는 확장성입니다. 사용자 유사성을 활용하는 추천기를 생각해 봅시다. 10만 명의 소규모 사용자 풀은 약 50억 개의 사용자 쌍을 평가해야 하며, 각 평가는 추천할 수 있는 각 아이템에 대한 선호도 비교를 포함할 수 있습니다. 순전히 기술적인 관점에서 이 정도의 계산을 수행하는 것은 문제가 되지 않지만, 정기적으로 그리고 이러한 시스템에 부과된 시간 제약 내에서 수행하는 비용 때문에 무차별 대입 방식의 평가는 불가능합니다.
이러한 이유로 추천 시스템 개발과 관련된 기술 문헌에서는 근사 유사도 기법을 매우 강조합니다. 이러한 기법은 비교 대상과 가장 유사할 가능성이 높은 사용자나 아이템에 집중할 수 있는 지름길을 제공합니다. 이러한 기법에는 성능 향상과 추천의 완전성 사이에 상충 관계가 있습니다. 따라서 이러한 기법은 상당히 기술 중심적이지만, 이 두 가지 고려 사항 사이의 적절한 균형에 대해 솔루션 아키텍트와 비즈니스 이해관계자 간에 중요한 논의가 필요합니다.
솔루션 액셀러레이터로 신속하게 작업을 시작하세요
리소스 관리를 신중하게 하면 추천 시스템의 지속적인 개발, 학습, 배포 비용을 절감하는 데 큰 도움이 된다는 것은 두말할 나위 없습니다. Databricks는 바로 이러한 이유 때문에 조직이 클라우드 인프라에서 리소스를 신속하게 프로비저닝하고 디프로비저닝할 수 있도록 확장 가능한 개발을 위해 특별히 구축되었습니다.
고객이 Databricks를 사용하여 다양한 추천 시스템을 개발하는 방법을 이해하도록 돕기 위해 Solution Accelerators 프로그램의 일환으로 일련의 상세한 노트북을 제공하고 있습니다. 각 노트북은 실제 데이터세트를 활용하여 가공되지 않은 데이터가 하나 이상의 추천 솔루션으로 변환되는 방법을 보여줍니다.
이 노트북은 교육을 목적으로 합니다. 여기에 설명된 기법을 특정 추천 과제를 해결하는 유일한 방법이나 선호되는 방법으로 받아들여서는 안 됩니다. 그럼에도 불구하고 위에서 설명한 문제들을 해결하는 과정에서 제시된 코드의 일부가 고객이 자신의 추천 요구 사항을 해결하는 데 도움이 되기를 바랍니다.
협업 필터링 추천기
콘텐츠 기반 추천 도구
개인화 및 추천에 대한 온디맨드 웨비나도 시청할 수 있습니다.
