고객의 데이터를 분석하여 고객 성향 및 선호도를 이해하고, 이를 활용해 마케팅 업무를 효율화하고자 하는 노력은 90년대 데이터베이스 마케팅, 2000년대 분석 CRM, 최근의 퍼포먼스, 그로스 마케팅까지 계속적으로 진화하고 있습니다. 멀티채널에서 쏟아지는 고객의 온/오프라인 데이터를 통합, 분석하여 마이크로 타겟팅 마케팅은 기본적으로 고객 성향 예측 모형(Customer Propensity Model)을 기반으로 수행되고 있습니다. 디지털채널을 중심으로 성과 목표설정-측정-개선의 싸이클을 반복하는 퍼포먼스 마케팅에서도 고객 성향 예측 모형과 빠른 고객 커뮤니케이션 트래킹이 그 핵심적 역할을 수행하고 있습니다. 본 블로그에서는 마케팅 활동의 핵심 역량인 고객 성향 분석에 대해 접근 방식을 설명하고 각 방식에 따른 기술 트랜드 및 SAS의 최신 기술에 대해 다루고자 합니다.
고객 성향 및 선호 분석 관련 비즈니스를 위해서는 즉시 활용을 목적으로 한 마케터부터 모델을 설계부터 개발, 운영까지 총괄하는 전문 분석가에 이르기까지 다양한 범위의 실무자가 필요합니다. 각기 다른 실무경험 및 사전지식을 가지고 있는 사용자층을 위해 다양한 방법이 있을 수 있으나 크게 데이터의 통합부터 분석, 인사이트발굴, 마케팅 활동까지를 모두 자체적으로 수행하는 DIY(Do-It-Yourself) 접근 방식과 특정 또는 전체 프로세스를 시스템 및 솔루션에 전담시키는 DIFM(Do-it-for-me) 접근 방식으로 구분할 수 있습니다. SAS는 조직 내 마케터, 분석가 및 전문 분석가의 요구 사항을 균형있게 반영할 수 있는 다양한 솔루션을 보유하고 있습니다.
DIY(Do-It-Yourself) 접근 방식
학술적 정의로 성향 점수(Propensity Score)는 피험자의 주어진 조건에 따라 피험자가 트리트먼트(treatment)를 받아들일 조건부 확률입니다(주석1). 주어진 고객의 데이터를 분석하여 고객별로 어떤 오퍼가 가장 확률적으로 높은지를 예측하여 마케팅 프로그램에 활용하는 가장 대중적인 분석 활용 모델입니다. 최근의 컴퓨터 병렬처리 기술의 발전과 다양한 ML/DL 알고리즘 대중화에 힘입어 전통적인 고객 성향 모델의 개발 및 활용 모습도 진화하고 있습니다. SAS 역시 다음과 같은 보다 향상된 분석 도구, 방법론 및 활용 방법을 제공합니다.
- 분석 알고리즘의 다양화 : Gradient Boosting, SVM, Random forest, 딥러닝, 베인지안 네트워크 등 SAS R&D에서 검증된 알고리즘 제공참고자료) Which machine learning algorithm should I use?
- 머신러닝의 자동화 : 데이터 처리부터 모델링, 운영까지의 전 과정의 AutoML참고자료) SAS AutoML이 주도하는 분석 인사이트
- 활용관점의 모델 배포 및 최적화 : Model-Ops를 통한 모델 학습 프로세스참고자료) 데이터 중심의 의사결정을 위한 마지막 관문, 모델 배포와 최적화
- 강화된 접근성을 통한 분석의 대중화 : No Code, Low Code를 통한 ML구현참고자료) Democratizing Advanced Analytics
이 중 고객 성향 모델링 개발 자동화를 위한 머신러닝의 자동화 부분의 데모를 소개 합니다(주석2). 통상적으로 모델 개발을 위해서는 사전 데이터 정제 및 처리, 피쳐 엔지니어링, 변수 중요도 산출 및 검토, 모델 선택, 하이퍼 파라미터 조정 등 많은 단계와 반복된 수작업이 수반되며 이에 따라 상당한 시간을 소모하게 됩니다. SAS는 ML 워크플로 구성을 빠르게 시작할 수 있도록 다양한 AutoML 기능을 제공하여 분석가에게 모델 설계에 더 적은 시간을 할애하고 AI로 강화된 마케팅 캠페인을 현실로 만드는 데 더 많은 시간을 할애할 수 있도록 지원합니다. 데모에서는 AutoML 및 하이퍼 파라미터의 자동조율을 통해 SAS가 어떻게 고객 성향 분석 모델 개발을 지원하는지를 보여줍니다.
데모: DIY Customer Propensity Analysis Using AutoML and Hyperparameter Autotuning
페이지의 demo2 참고
AI/ML시대의 또 하나의 흐름은 분석의 운영화(Operationalizing Analytic)입니다. IDC가 IT 및 분석팀을 대상으로 한 최근 조사(Worldwide Semiannual Big Data and Analytics Spending Guide, 2019)에 따르면, 작성된 분석 모델의 50% 이상이 운영 시스템에 배포(Deploy)되지 못하고 있습니다. 또 모델의 90%는 배포하기까지 3개월 이상 소요됐으며, 44%의 모델은 배포까지 무려 7개월 이상이 걸렸습니다. 데이터를 준비하고, 모델을 개발 및 배포하고, 모니터링하는 ModelOps 프로세스 기반의 실시간 의사결정 구조를 도식화하면 아래와 같습니다. 분석가가 도출한 분석의 인사이트가 막힘없이 운영계에 배포되고, 이 분석 모델을 반영한 의사결정 결과가 바로 전달되고, 해당 결과가 그대로 분석 및 시스템 개선에 활용되는 프로세스가 바로, Operationalizing Analytics의 개념입니다. SAS는 데이터 준비부터 배포, 실시간 및 배치 시스템의 적용까지를 모두 자동화하는 전 프로세스간 AutoML을 제공합니다.
2022년 2분기에 발표된 포레스트 리서치사의 “Customer Analytics Technologies” 레포트(주석3)에 따르면 SAS는 해당분야의 십수년째 리더군에 포지셔닝되어 있습니다. 이미 많은 SAS의 고객들이 SAS 분석 알고리즘의 신뢰성 및 데이터 처리 능력을 경험하고 있으며 업무에 적극적으로 활용 중에 있습니다. SAS는 Viya플랫폼의 출시 이후 단순히 분석 모형의 개발 및 운영 플랫폼의 이미지를 벗어나 분석의 대중화를 리딩하고 있습니다.
DIFM(Do-it-for-me) 접근 방식
분석기반의 마케팅을 수행하기 위해 마케터가 가질 수 있는 또 하나의 옵션은 데이터 수집, 분석 및 마케팅 커뮤니케이션등의 일련의 마케팅 프로세스의 일부 또는 전부를 전용 서비스에 맡기는 것입니다. SAS의 마케팅 솔루션인 SAS Customer Intelligence 360은 마케터가 간단히 스위치만 올리기만 하면 동작하는 다양한 DIFM 방식의 고객 선호 모델을 제공하고 있습니다.
상품 추천은 가장 대표적이고 많이 활용되는 고객 성향 모델 기반의 개인화 시나리오 입니다. SAS Customer Intelligence 360은 상품의 이산적 특성을 연결하여 관련 상품을 추천하는 Content-Based Filtering 알고리즘과 사용자의 선호 및 유사성을 기반으로 추천하는 Collaborative Filtering 알고리즘을 모두 제공하며, 스스로 고객의 데이터를 수집, 분석하여 가장 확도 높은 상품을 추천합니다. 추천의 결과는 내장된 강화학습(reinforcement Learning) 프로세스를 거쳐 기계 학습되어 시간이 갈수록 추천에 대한 전환율은 향상됩니다.
캠페인의 대상고객을 선정하는 타겟팅 작업은 마케터의 영원한 숙제입니다. 잘 구성된 타겟팅은 수백배의 ROI를 가져다 주지만, 그렇지 않은 경우 오히려 고객의 마케팅 피로감만 높이거나 민원을 발생시키기도 합니다. SAS Customer Intelligence 360의 “분석 타겟 지정(Analytic Targeting)” 기능은 단순히 스위치를 온 시키는 것으로 마케터의 고민을 해결해 줍니다.
분석 타겟 지정을 활성화하면 초기 학습과정을 거치게 됩니다. 아래 누적 이득 차트(cumulative gains chart)는 총 방문자 수의 비율을 타겟팅하여 "얻은" 전환 방문자 비율을 보여줍니다. 아래 예에서는 상위 30% 선호 점수를 갖는 고객이 전체 전환 가능고객 중 약 95%를 포함하는 것을 볼 수 있습니다. 나머지 하위 70%에 고객에게 해당 오퍼를 제안하는 것은 의미 없는 일이 될 것입니다. 분석 타겟 지정시 임계값 선택을 위한 옵션을 줄 수 있습니다. 1번째 옵션은 고비용 오퍼를 제공하는 경우 선택가능한 옵션으로 일부 전환을 포기하되 비전환의 수를 최소화하는 초점을 둘 수 있습니다. 2번째 옵션를 사용하면 전호환율과 비용에 대한 균형을 맞추는데 집중하여 전체적인 마케팅 효율성을 고려한 옵션입니다. 3번째 옵션은 타겟팅된 그룹의 전환율의 차이을 확신하는 경우 사용할 수 있으며, 오퍼 그룹간 균질성을 극대화할 수 있습니다.
보다 상세한 분석 타겟 지정에 대한 알고리즘에 대한 설명과 프로세스는 다음 데모에서 확인할 수 있습니다.(주석4)
데모 : Analytical Targeting
페이지내 데모 영상 참고
주석 1) https://support.sas.com/resources/papers/proceedings17/0689-2017.pdf
주석 3) https://reprints2.forrester.com/#/assets/2/202/RES176363/report
