주요 컨텐츠로 이동

개인화된 마케팅 콘텐츠 제작을 위한 생성형 AI 워크플로우 구축

데이터브릭스 데이터 인텔리전스 플랫폼, Amperity 고객 데이터 플랫폼, AI 모델을 사용하여 대규모 맞춤형 콘텐츠를 생성하는 Step-by-Step 시연
이 포스트 공유하기

지금까지 개인화와 규모는 양립하기 어려운 관계였습니다. 일대일 마케팅과 초개인화에 대한 많은 논의에도 불구하고, 실제로는 마케팅 콘텐츠 제작에 항상 한계가 있었습니다. 개인화는 주로 마케터의 제한된 역량으로 인해 수만 또는 수십만 명의 고객 그룹을 위한 맞춤형 콘텐츠 제작에 그쳤습니다. 하지만 생성형 AI의 등장으로 이러한 상황이 변하여 콘텐츠 제작 비용을 줄이고 대규모 맞춤형 콘텐츠 실현이 가능해졌습니다.

이를 구현하기 위해 제품 설명과 같은 표준 콘텐츠를 고객의 선호도와 특성에 맞게 개인화하는 간단한 워크플로우를 소개하겠습니다. 초기 접근 방식은 세그먼트별 맞춤화이므로 완전한 일대일 개인화는 아니지만, 더욱 세분화된 콘텐츠 변형을 만들 수 있는 잠재력이 분명합니다. 앞으로 이러한 방식을 활용해 맞춤형 이메일 제목, SMS 문구, 웹 경험 등을 제작하는 마케팅 팀이 늘어날 것으로 예상됩니다.

이 워크플로우에는 다음 요소가 필요합니다:

1. 고객 데이터 플랫폼(CDP) 내에서 마케터가 정의한 잠재고객 세그먼트 및 속성
2. 마케팅 콘텐츠의 중앙 저장소
3. 맞춤형 메시지를 생성할 수 있는 생성형 AI 모델에 대한 접근성

이번 데모에서는 데이터브릭스 레이크하우스 아키텍처에 제로 카피 방식으로 데이터가 노출되는 Amperity CDP를 활용합니다. 이를 통해 마케팅 세그먼트 정의와 같은 고객 정보를 제품 설명 및 데이터브릭스 플랫폼이 제공하는 생성형 AI 기능과 원활하게 통합할 수 있습니다. 이러한 요소들을 활용하여 세그먼트에 맞는 제품 설명 변형을 생성하고, 이 데이터를 결합하여 독특하고 매력적인 콘텐츠를 만들어내는 생성형 AI의 잠재력을 보여드리겠습니다. 

 

단계별 안내

웹사이트나 모바일 앱에서 제품 설명을 제공하는 이커머스 플랫폼을 생각해봅시다. 각 설명은 상품팀이 마케팅팀의 의견을 반영하여 목표 고객층에 맞게 신중히 작성됩니다. 하지만 현재는 모든 사용자가 동일한 제품 설명을 보게 됩니다. (그림 1).

Figure 1. General product descriptions housed in the Databricks Data Intelligence Platform
Figure 1. General product descriptions housed in the Databricks Data Intelligence Platform

1단계: CDP에서 데이터 레이크하우스로 고객 데이터 가져오기

이러한 제품 설명이 데이터브릭스 플랫폼에 저장되어 있다고 가정할 때, CDP의 고객 데이터에 접근할 방법이 필요합니다. 만약 우리 회사가 Amperity CDP를 사용한다면, Amperity Bridge를 통해 이 데이터에 쉽게 접근할 수 있습니다. 이는 데이터브릭스가 지원하는 오픈 소스 델타 공유 프로토콜을 사용하여 두 플랫폼 간 제로 카피 통합을 가능하게 합니다.

간단한 설정 과정을 거치면 데이터브릭스 데이터 인텔리전스 플랫폼 내에서 Amperity CDP 데이터를 활용할 수 있게 됩니다 (그림 2).

Figure 2. Amperity CDP data shared with the Databricks Platform via the Amperity Bridge
Figure 2. Amperity CDP data shared with the Databricks Platform via the Amperity Bridge

2단계: 고객 세그먼트 탐색

마케팅팀마다 세그먼트 설계 방식은 다르지만, 여기서는 예상 생애 가치, 선호 제품 카테고리 및 하위 카테고리, 가격 선호도, 할인 민감도, 지리적 위치를 중심으로 속성을 정의했습니다. 이러한 필드들의 고유 값 조합은 수만 가지에 이를 수 있습니다 (그림 3).

Figure 3. Profile information for attributes defined within our customer dataset
Figure 3. Profile information for attributes defined within our customer dataset

각 조합에 대해 다양한 변형을 만들 수 있지만, 대부분의 마케팅팀은 생성된 콘텐츠를 고객에게 전달하기 전에 신중히 검토하고자 할 것입니다. 시간이 지나 조직이 기술에 익숙해지고 관련 기술이 발전하여 일관되게 고품질의 신뢰할 수 있는 콘텐츠를 생성할 수 있게 되면, 이러한 수작업 과정이 완전히 자동화될 것으로 예상됩니다. 현재는 선호 제품 하위 카테고리(고객 관심사의 대리 지표)와 예측 가치 계층(브랜드 충성도의 대리 지표)의 교차점에서 생성된 14가지 변형으로 제한하여 살펴보겠습니다.

3단계: 세그먼트 요약

14개의 세그먼트는 다양한 생애 가치 계층, 할인 민감도, 지리적 위치 등에 따른 개별 고객을 포함합니다. 생성형 AI가 매력적인 콘텐츠를 제작할 수 있도록 이러한 요소에 따른 고객 분포를 요약할 수 있습니다. 이는 선택적인 단계이지만, 예를 들어 한 세그먼트의 고객 중 상당수가 특정 지역 출신이거나 할인 민감도가 높다는 사실을 발견하면, 생성형 AI 모델은 이 정보를 활용하여 해당 고객층에 더 적합한 콘텐츠를 제작할 수 있습니다 (그림 4).

Figure 4: The distribution of customers across other elements within the segment of high value customers with a preference for skiing, referred to later as the segment_description
Figure 4: The distribution of customers across other elements within the segment of high value customers with a preference for skiing, referred to later as the segment_description

4단계: 디자인 프롬프트 및 테스트

 

다음으로 개인화된 설명을 생성할 대규모 언어 모델의 프롬프트를 설계하겠습니다. 우리는 일반 지시사항(시스템 프롬프트)과 지원 정보(콘텐츠)를 받아들이는 Llama3-70B 모델을 사용하기로 결정했습니다. 프롬프트는 세그먼트 정보를 전체 지침에 통합하고, 일반적인 제품 설명을 프롬프트 콘텐츠의 일부로 제공합니다.

Figure 5. The prompt used to generate segment-tailored product description variants
Figure 5. The prompt used to generate segment-tailored product description variants

이 프롬프트는 당연히 한 번에 완성되지 않았습니다. 대신, 만족스러운 결과를 얻을 때까지 다양한 모델과 프롬프트를 탐색하기 위해 데이터브릭스 AI 플레이그라운드를 활용했습니다. 이 과정에서 얻은 중요한 교훈은 다음과 같습니다:

  1. 프롬프트에서 모델이 수행할 역할을 명확히 지정하세요(예: "당신은 매장의 판매 직원입니다.").
  2. 제공하는 모든 데이터(예: 세그먼트의 분포 정보)를 사용하는 방법에 대한 구체적인 지침을 제시하세요(예: "{segment_description}의 정보를 사용하여 일반 제품 설명을 조정하는 것이 당신의 임무입니다.").
  3. 필요한 경우 방향 수정을 포함하세요. 예를 들어 "당신은 전체 세그먼트에 대한 카피를 작성하고 있습니다."라는 문구를 추가했습니다. 이 규정을 추가하기 전에는 세그먼트의 모든 고객이 뉴욕에 거주하지 않는데도 AI가 "사이클리스트이자 뉴요커"와 같은 내용을 생성하는 경우가 있었습니다.

5단계: 모든 제품 설명 변형 생성하기 

이제 모든 구성 요소가 준비되었으므로 각 설명과 세그먼트 조합을 반복하여 각 세그먼트에 대한 변형 상품을 생성할 수 있습니다. 설명과 세그먼트 수가 적은 경우 이 작업을 빠르게 수행할 수 있습니다. 조합의 수가 많은 경우, 데이터브릭스를 통해 제공되는 생성형 AI 모델에 대해 더 강력한 배치 인퍼런스 기술을 사용하여 작업을 병렬화하는 것을 고려할 수 있습니다. 어느 방식을 선택하든, 생성된 설명 변형은 검토를 위해 테이블에 저장됩니다 (그림 6). 

Figure 6. Description variants captured for each product and segment combination
Figure 6. Description variants captured for each product and segment combination

맞춤형 설명이 생성된 후에는 마케팅 카피에 대한 안목이 있는 사람이 결과물을 검토하는 것이 중요합니다. LLM의 정확성이나 성능을 정량화할 수 있는 간단한 방법은 없습니다. 따라서 누군가가 직접 카피를 검토하여 적절한 결과가 생성되었는지 확인해야 합니다. 카피가 적절하지 않은 경우 프롬프트를 수정하고 설명을 다시 생성해야 합니다.

프롬프트에서 모델에게 자신이 만든 카피에 대한 설명을 제공하도록 요청했다는 점에 주목하세요. 대부분의 설명에서 생성된 결과와 이를 설명하는 근거 마커를 찾을 수 있습니다. 이 설명은 일반적으로 고객에게 제공되지는 않지만, 모델에서 일관되게 좋은 결과를 얻을 때까지 결과에 포함시키는 것이 유용할 수 있습니다.

교훈

이 실험은 진정한 초개인화 마케팅의 미래로 나아갈 수 있는 생성형 AI의 잠재력을 보여주는 중요한 예시입니다.

  1. AI는 처음으로 개인화된 상호작용과 대규모 확장성을 결합했습니다. 이제 고객에 대한 상세한 정보를 활용하여 과거에는 불가능했던 규모로 진정으로 개인화된 콘텐츠를 제공할 수 있는 잠재력을 갖게 되었습니다.
  2. 생성형 AI 모델이 고품질의 신뢰할 수 있는 콘텐츠를 생성하려면 여전히 사람의 노력이 필요합니다. 현재는 이러한 접근 방식을 적용할 수 있는 규모가 제한적이지만, 더 신뢰할 수 있는 모델, 더 일관된 프롬프트 기술, 새로운 평가 방식이 개발됨에 따라 여기서 보여준 잠재력이 더욱 완벽하게 실현될 것으로 기대됩니다.

Amperity와 데이터브릭스는 모두 브랜드가 데이터를 활용해 탁월한 고객 경험을 제공할 수 있도록 지원하기 위해 최선을 다하고 있습니다. 양사의 파트너십을 통해 분석 기술을 발전시켜 상호 사용자들의 마케팅 참여를 더욱 효과적으로 유도할 수 있기를 기대합니다.

이 블로그에서 다룬 데모에 대한 자세한 내용은 여기에서 수행된 작업의 프로그래밍 세부 사항을 담은 샘플 노트북을 참조하세요. CDP를 레이크하우스의 생성형 AI 기능과 통합하는 방법에 대해 자세히 알아보려면 앰퍼리티 및 데이터브릭스 담당자에게 문의하세요.

Translate by HaUn Kim - Original Blog Post

Databricks 무료로 시작하기

관련 포스트

The Emergence of the Composable Customer Data Platform

This is a collaborative post between Databricks, Hightouch, and Snowplow. We thank Martin Lepka (Head of Industry Solutions at Snowplow) and Alec Haase...

Enhancing the Amperity CDP with Personalized Product Recommendations

Personalization provides organizations a means to more directly connect with customers' needs and preferences. In a crowded retail landscape, such targeted engagement is...

레이크하우스에서  완전히 선택적 구성이 가능한 컴포저블 CDP 구축하기

December 6, 2023 작성자: Bryan Saftler, Steve Sobel in
(번역: Leah Seo) Original Blog Post 오늘날 조직에서의 고객 데이터는 모든 산업의 핵심 요소입니다. 데이터 레이크하우스를 통한 조직의 데이터 팀 그리고 업무 수준이...
모든 산업 포스트 보기