레이블에서 로열티까지: Kard가 Databricks AI 함수를 사용하여 개인화된 보상을 제공하는 방법

Kard에서는 더 나은 데이터가 더 나은 보상을 가져온다고 믿습니다 - 그것은 사람들이 실제로 무엇을 구매하는지 이해하는 것에서 시작됩니다.

대규모로 거래를 분류함으로써, 우리는 브랜드가 적절한 고객을 대상으로 하고, 발급자가 카드 사용을 증가시키고, 소비자가 개인적으로 느껴지는 방식으로 보상을 받을 수 있도록 돕습니다.

역사적으로, 거래 데이터를 분류하는 것은 복잡하고 수동적이었습니다. 하지만 새로운 Databricks 기반 접근법을 통해, Kard는 이제 수십억 건의 거래를 빠르고 정확하게, 그리고 유연하게 분류할 수 있게 되었으며, 이를 통해 충성도와 장기 가치를 높이는 개인화된 보상을 제공하는 기반을 마련하게 되었습니다.

Kard가 하는 일은 무엇인가요?

Kard 는 보상 마켓플레이스를 통해 모든 카드 소지자와 구매자에게 충성도를 높입니다.

우리의 플랫폼은 Dell, CVS, Allbirds, Round Table Pizza와 같은 브랜드에게 발급자 및 핀테크 은행 앱, 보상 프로그램, EBT 플랫폼을 통해 현금 반환 제안을 전달함으로써 수천만 명의 소비자에게 접근할 수 있는 기회를 제공합니다. 10% 또는 15%의 현금 반환 제안을 보면 고객들이 구매를 하도록 유도합니다(주로 주문 가치가 높은 것).

그리고 Kard의 성과 기반 모델에서는 구매가 발생할 때만 브랜드가 지불하므로, 전통적인 미디어 구매의 높은 비용이나 위험 없이 충분한 범위를 확보합니다.

현금 환급 보상은 발행자와 핀테크에게도 이익을 줍니다. 사용자가 관심 있는 보상을 제공함으로써 카드 소지자들 사이에서의 참여와 사용을 증가시킵니다.

그러나 Kard를 특별하게 만드는 것은 그것이 포착하는 카테고리 수준의 통찰력으로, 개인 식별 정보를 노출하지 않고 통찰력을 제공합니다.

보상에 대한 카테고리 수준의 통찰력이 왜 중요한지

사용자들이 어떤 것에 돈을 쓰는지 알아내는 것은 브랜드(그리고 은행 및 핀테크)들이 고객 기반을 더 풍부하게 이해하는 데 도움이 됩니다. Kard가 수집하는 지출 패턴을 종합하면:

• 더 똑똑한 마케팅 캠페인을 위한 연료 — 행동에 기반한 고의도 세그먼트를 식별할 수 있습니다. 예를 들어, 사용자의 큰 비율이 밤 늦게 라이드 공유 서비스를 정기적으로 이용한다면, 은행과 브랜드는 그들을 주말 특정 현금 환급 제안으로 대상화할 수 있습니다.
• 제품 디자인에 대한 정보 제공 미충족된 필요성을 드러냅니다. 데이터가 젊은 사용자들이 식료품점에서 음식 배달 앱으로 지출을 전환하고 있다면, 핀테크는 편의 중심의 카테고리에 연결된 보상을 우선 순위로 두게 될 수 있습니다.
• 새로운 파트너십을 창출 하려면 사용자 코호트 간에 공통적으로 겹치는 상인을 찾아내야 합니다. 예를 들어, 자주 여행하는 사람들이 일관되게 같은 호텔 체인과 렌터카 대리점을 예약한다면, 그 파트너들과 공동 브랜드 보상이나 독점적인 혜택을 협상하는 강력한 근거가 됩니다.

개별적으로 확대하면 범주별 패턴은 더욱 강력해집니다.

예를 들어, 특정 사용자가 스포츠 도박에 가장 많은 돈을 쓴다면. 일반적인 소매 제안은 눈에 띄지 않을 수 있지만, 베팅 앱에 대한 프로모션은 즉시 참여를 유도할 수 있습니다.

다른 사용자가 식료품 지출을 줄이고 지난 90일 동안 음식 배달 앱 사용을 늘렸다고 가정해 봅시다. 그것은 습관의 변화를 시사하며, 비용보다 편의성을 보상하는 기회를 제공합니다.

마지막으로, 다른 사용자는 자주 비행하지만 항상 같은 항공사를 이용합니다. 그 충성심은 대상을 정한 보상으로 강화되거나, 심지어 그 항공사의 프리미엄 등급으로 업그레이드 될 수 있습니다. 다른 항공사 브랜드들은 그 개인을 대상으로 하고 싶지 않을 수도 있습니다. 또는 그들은 고객을 그들이 선호하는 항공사로부터 빼앗기 위해 가장 높은 현금 반환 제안만을 제시할 수도 있습니다.

그러나 신뢰할 수 있는 거래 카테고리가 없으면 이러한 개인화 시나리오는 불가능합니다.

보상 플랫폼이 역사적으로 거래를 어떻게 라벨링했는지

카테고리화는 우리의 브랜드와 발행자에게 높은 ROI를 제공하는 시장 진출 전략을 해제하는 열쇠이지만, 그것은 들리는 것보다 어렵습니다.

먼저, 모든 거래를 라벨링해야 합니다. 전통적으로 이를 달성하는 두 가지 방법이 있었습니다:

1. 분석가들이 각 거래를 검토하도록 하십시오, 줄 단위로, 각각을 미리 정의된 분류에 따라 태그합니다. 예상하시겠지만, 이 방법은 지루하고, 오류가 발생하기 쉽고, 규모를 키우기 매우 어렵습니다.
2. 사용자가 자신의 거래를 분류하도록 합시다. 이 접근 방식은 분석가들의 작업을 줄이지만, 데이터에 일관성이 없는 문제를 야기합니다. 한 사용자는 도미노를 "패스트푸드"라고 라벨링할 수 있고, 다른 사용자는 "피자"라고 부를 수 있으며, 세 번째 사용자는 "위로의 음식"이라고 태그할 수 있어, 신뢰할 수 있는 통찰력을 얻는 것이 매우 어렵습니다.

상당한 양의 거래가 라벨링되면, 엔지니어링 팀은 LightGBM, XGBoost, 또는 BERT와 같은 머신러닝 모델을 훈련시켜 새로운, 보이지 않는 거래에 대한 카테고리를 예측 할 수 있습니다.

시간이 지남에 따라 이러한 모델은 수동 태깅의 필요성을 없앨 수 있습니다. 그러나, 그들은 비즈니스가 발전하고 거래 형식이 변화함에 따라 유지보수와 업그레이드가 필요합니다. 새로운 카테고리 유형을 추가하는 것(예를 들어, 신흥 산업이나 새로운 클라이언트 수직을 위해)은 모델을 재교육하거나 심지어 재구성하는 것을 포함할 수 있습니다.

우리의 성장하는 비즈니스를 지원하기 위해, 우리는 매달 받는 수십억 건의 거래를 분류하는 데 더 효율적이고 정확하며 유연한 접근법이 필요했습니다.

Databricks가 현대적인 분류 방식을 어떻게 지원하는지

Databricks와 함께 우리는 거래 분류를 위한 독특하고 확장 가능한 시스템을 개발했습니다:

1. Databricks AI Functions 를 활용하여 배치, 내부에서 파생된 분류에 따라 거래를 분류하는 에이전트 워크플로우를 실행합니다.
2. 결과는 구조화된 출력 기능을 사용하여 제한되며, enum 기능을 사용하여 json_schema 응답 형식으로 오류를 제한합니다.
3. AI 에이전트는 필요한 분류 체계에 따라 들어오는 거래를 처리합니다, 각각의 분류 유형마다 하나씩입니다. 한 경우에는, 우리는 여행과 같은 고수준 카테고리를 캡처할 수 있고, 그런 다음 계층적 카테고리인 여행 → 항공료를 식별하고, 더 나아가 여행 → 항공료 → 지역 항공사를 식별할 수 있습니다.
4. 불일치는 실수의 경우에 재분류를 허용하는 에이전트 판사에 의해 평가되는 경로로 전달됩니다.

이 새로운 접근법의 경량화된 비용은 우리 팀에게 더 많은 유연성을 제공하였습니다. 새로운 사업 분야가 생긴다면, 우리는 모델을 완전히 다시 훈련할 필요 없이 바로 카테고리를 변경할 수 있습니다. 사실, 우리는 인기 있는 보상 앱과의 파트너십을 지원하기 위해 몇 가지 새로운 CPG 카테고리를 개방했습니다.

일부 고객들은 우리가 그들의 내부 시스템과 일치하도록 그들 자신의 카테고리 매핑을 사용하도록 요청했습니다. 이제, 우리는 그 대체 분류 체계를 바로 새 시스템에 전달하면, 그 시스템이 출력을 그에 따라 번역할 것입니다.

"상인들을 그들 respective 카테고리로 묶을 수 있는 능력은 우리에게 고객들과의 많은 지렛대를 제공합니다," 라고 Kard의 머신러닝 엔지니어인 Chris Wright가 말합니다.

“예를 들어, 우리는 상인들에게 그들의 카테고리 내 사용자들이 일반적으로 제안 유형 x, y, z가 가장 잘 작동한다고 알려줄 수 있습니다. 또한, 우리는 상인들이 과거에 그들과 거래를 한 사용자들의 세그먼트를 대상으로 설정하는 것을 도울 수 있습니다. 이들은 최근에, 예를 들어, 음식 배달이나 라이드 공유 내에서 지출이 급증했습니다 그리고 . 그리고 우리는 우리의 고객들에게 그들이 그들의 카테고리와 지역에서 누구와 경쟁하고 있는지 알려줄 수 있어, 그들이 그에 따라 그들의 캠페인을 수정할 수 있습니다."

Kard와 Databricks의 다음 단계는: 초개인화

거래 카테고리는 뒷단의 세부 사항처럼 보일 수 있습니다. 하지만 Databricks AI Functions가 제공하는 분류기에서 얻는 유연성은 우리가 데이터 기반을 깨뜨리지 않고 빠르게 움직일 수 있게 하며, 솔루션의 확장성에 대한 확신을 가질 수 있게 합니다.

또한, Kard 고객을 위한 새로운 종류의 제품과 서비스를 제공하는 문을 엽니다, 예를 들면:

• 변화하는 음식 또는 여행 습관에 기반한 개인화된 카드 제안
• 특정 상인의 충성 고객을 위한 더 끈적이는 보상
• 시간대나 계절적 행동에 기반한 스마트한 알림
• 세그먼트별로 대상을 정한 상인이 지원하는 현금 반환 프로그램, 단지 인구 통계학적으로만이 아닙니다
• 브랜드와 발행자를 위한 적립 포인트 프로그램

지금 더 똑똑한 분류에 투자함으로써, 우리는 구매 빈도를 높이고, AOV를 증가시키고, 브랜드와 발행자 모두에게 고객 충성도를 유지하는 진정으로 개인화된 보상 경험을 위한 기반을 마련하고 있습니다.

결론

이 블로그 게시물에서는 Databricks AI Functions가 Kard의 분류 파이프라인에 대한 데이터 풍부함을 어떻게 제공하는지 보여주었습니다. 이것은 개인화를 대규모로 가능하게 하며, 일반적으로 필요한 노력의 일부만으로 충성도와 가치를 높일 수 있습니다.

더 알고 싶으신가요? 오늘 우리의 전문가 중 한 명에게 연락해 보세요!

Kard에 대하여

Kard는 2015년에 설립된 뉴욕 기반의 핀테크 회사로, 은행, 네오뱅크, 카드 발행자를 위한 보상 서비스 플랫폼을 제공합니다. 그것의 API는 금융 기관이 카드 소지자 보상 프로그램을 빠르게 시작하고 사용자 정의하도록 하며, 사용자를 미국 전역의 수천 개의 상인과 브랜드에 연결합니다. Kard의 플랫폼은 카드 소지자가 일상 구매에서 보상을 쉽게 얻을 수 있도록 하여 고객 충성도와 참여를 높이도록 설계되었습니다. 이 회사는 주요 투자자들에게 지원을 받고 있으며, 발행자와 파트너 네트워크를 통해 4500만명 이상의 카드 소지자에게 서비스를 제공하고 있습니다.

 

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)