[14-18장] 빅데이터를 활용한 예측마케팅 전략

목차

1장. 이제는 모든 마케터가 빅데이터 및 예측 분석에 쉽게 접근할 수 있다.

2장. 마케터를 위한 알기 쉬운 예측 분석 입문

3장. 먼저 고객을 파악하라  : 완전한 고객 프로파일의 구축

4장. 기업 가치를 높이기 위해 고객을 투자 포트폴리오처럼 관리하라

5장. 실행전략 1 - 고객 데이터를 이용하여 마케팅 지출을 최적화하라

6장. 실행전략 2 - 고객의 페르소나를 예측하고 마케팅을 다시 고객과 관련성 있게 만들어라

7장. 실행전략 3 - 생애주기 마케팅을 위해 고객 여정을 예측하라

8장. 실행전략4 - 고객가치를 예측하라 - 가치 기반 마케팅

9장. 실행전략5 - 고객 등급화를 위해 고객의 구매 또는 참여 가능성을 예측하라

10장. 실행전략6 - 각 고객마다 적절한 개인별 추천사항을 예측하라

11장. 실행전략7 - 더 많은 고객 전환을 위해 예측 프로그램을 실행하라

12장. 실행전략8 - 고객가치 증대를 위해 예측 프로그램을 실행하라

13장. 실행전략9 - 더 많은 고객 유지를 위해 예측 프로그램을 실행하라

14장. 예측 마케팅 역량에 대한 간편한 체크리스트

15장. 예측 (및 관련) 마케팅 테크놀로지에 대한 개괄

16장. 야심찬 예측 마케터들의 경력 개발을 위한 조언

17장. 프라이버시, 그리고 유쾌함과 불쾌함의 차이

18장. 예측마케팅의 미래

---

14장. 예측 마케팅 역량에 대한 간편한 체크리스트

 

•  마인드의 전환이 필요하다.

캠페인 → 고객생애주기 / 제품 → 고객 / 제각각의 접근 방식 → 옴니 채널 접근 방식 / 획일적 마케팅 프로그램 → 맥락에 따른 마케팅 접근방식

• 회사에서 조직구조를 선택할 때에도, 고객 및 고객 경험에 초점을 맞춰서 고객의 페르소나에 따라 마케팅 팀을 구성해야한다. 
• 고객 관련성을 알기 위해서는
  1. 청중 : 누구를 타겟팅 할 것이며, 왜 그를 타겟팅 하려고 하는지 알아야한다.
  2. 의사소통의 빈도 : 적절한 의사소통 주기를 알아야한다. 
  3. 적절한 콘텐츠/제안 : 고객이 처한 구매과정 단계속에서, 그 시점에서의 고객에게의 최고의 콘텐츠가 무엇인가 알아야한다.
• 예측 마케팅을 위한 기술적 역량

1. 고객 데이터를 모으고 통합하는 능력
   • 즉시 사용가능한 ESP(Email Service Provider)
   • 주요 웹 이벤트 캡처를 위한 웹 태그
   • 표준 통합 패키지(ERP)
   • 구글 애널리틱스 통합
   • 전사적 통합 프레임워크
   • 퍼지 음운 매칭(부분 매칭)
   • 표준화(전화,이메일,주소)
   • 1일 주기 중복 제거(개인 및 가구)
   • USPS DPV(배송 지점 검증) / NCOA(전국 범위의 주소 변경)
   • 성별 인식
   • 위치 표기 (Geo tagging)
2. 고객의 요구를 분석하고 예측하는 능력
   • 즉시 사용가능한 예측 모델 - 구매 가능성 / 참여 가능성 모델, 군집 (브랜드, 제품, 행위) , 예상 고객가치, 제품 추천 
   • 빌트인 보고서 출력 - 완제품형 비즈니스 및 마케팅 보고서  / 설정 가능형 대시보드 / 수익성 측정 (반품, 할인) / 매출 기회 보고서 (벤치 마크) / 데이터를 Tableau, Excel, SQL에 연결하는 옵션
3. 고객접촉 지점 전반에 걸쳐 고객 경험을 설계하고 실행하는 능력
   • 자체 이메일 발송 기능, 자체 웹 개인 맞춤화 기능, 소셜 캠페인, 오프라인, 모바일 메시 발송 기능,온라인 광고, 웹 리타깃팅
   • 세분화 및 설계 사용자 인터페이스, 빌트인 청중, 빌트인 이메일 디자인 양식, A/B테스트 (금전적 가치 기반의 결과 측정), 통제 그룹 실험결과 측정 가능, 목록 내보내기(수동 및 API를 통해), 공헌 귀속

• 데이터가 많을수록 더 많은 질문을 할 수 있게 된다. 
• 쉬운 인터페이스를 통해서 마케터가 전문 인력의 도움 없이 즉시 고객 데이터에 엑세스할 수 있도록 해야한다.

ex. 높은 가치의 고객의 유지율이 매우 낮다는 사실을 알게 되었다면

• 이 고객들은 다른 '채널'에서 구매하는가, 아니면 다른 '제품'을 구매하는가?
• 해당 제품의 반품률이 평균보다 높은가?
• 이 외에도 수많은 질문을 던질 수 있다.

• 인사이트를 얻는데에서 그치지 않고, 모든 고객 접점에서 고객 인사이트를 활용해야한다.
• 마케터들은 캠페인을 자동화하는데 필요한 다양한 요소를 과소평가해서는 안된다.
• 규칙 기반 모델은 사용자가 수동으로 정의해야 하는 모델이다. 군집, 협업 필터링, 경향성 모델과 같은 예측 분석 또는 자동 분석을 기반으로 한다.
• 많이 진척되기 전에 광고, 소셜, 모바일, 웹, 다이렉트 메일, 매장 방문 고객 관리와 같은 채널 중에서 우선순위가 어떤 것인지 결정해야한다. 모든 솔루션의 강점,약점을 비교해야 한다.

 

---

15장. 예측 (및 관련) 마케팅 테크놀로지에 대한 개괄

• 기술적 능력을 구축하는 3가지 옵션이 있다.
  1. 예측분석 개발도구를 사용하여 직접 예측 모델을 구축, 이 모델을 캠페인 관리도구로 임포트 하는 것
     • 예측마케팅 기술은 SAS, SPSS, MATLAB과 같은 모델링 도구의 형태로 존재해왔다.
     • 개발도구를 사용할 때에는, 먼저 비즈니스적 요구 사항을 기술적 요구 사항으로 변환하여 데이터 사이언티스트가 알고리즘으로 전환할 수 있도록 해야한다. 
     • 전문가가 손을 떼더라도 기업은 지속적으로 분석을 반복하고, 예측 점수를 산출할 수 있어야한다. 즉, 예측 마케팅 도구를 정식으로 운영절차화할 수 있어야 한다.
  2. 예측분석 기술을 적용한 캠페인을 마케팅 서비스 제공업체로부터 아웃소싱
     • 데이터베이스 MSP(Marketing Service Provider)는 기업이 고객 데이터베이스를 아웃소싱하고 분석할 수 있도록 한다.
     • MSP는 데이터 클렌징 및 처리 기능 제공 뿐만 아니라 데이터 분석 및 컨설팅과 같은 서비스도 제공하고, 고객 데이터베이스까지도 호스팅 해주고 관리해준다.
     • 대부분의 MSP는 대기업을 위한 서비스에 중점을 두고있다.
     • 단점은 MSP는 특정한 캠페인을 넘어서 고객 인사이트를 제공하지는 않는다는 점이다. 그리고 개인 맞춤형 고객 경험을 제공할 수 있는 기능은 결여되어 있는 경우가 많다.
  3. 예측마케팅 클라우드 또는 멀티채널 캠페인 관리 
     • 모든 캠페인 관리 솔루션이 퍼지 매칭, 온/오프라인 신원확인, 중복 제거 기능과 같은 강력한 데이터 관리 기능을 갖추고 있지는 않아서, 마케팅 실행을 위한 모든 필요한 조건을 해결해주는 단일 소스로 사용할 수 없다.
     • 기업 대상 마케팅에 중점을 두는 캠페인 관리 솔루션은 마케팅 자동화도구 라고 불린다.
     • 마케팅 자동화 솔루션은 다른 소스의 데이터를 연결할 수는 있으나, 강력한 데이터 관리 기능은 결여되어있다. 따라서 '표준화'된 데이터 소스로부터 얻은 정보와의 매칭을 필요로 한다.
• 그 외 다른 도구들
  • 웹 분석 : 웹 기반 데이터에 대한 분석을 제공하는 것과, 방문자에 대한 개인별 분석을 수행하는 2가지 유형의 웹 분석이 있다. 주로 사용자 인터페이스, 사이트 성능 개선에 도움을 주기 위함이다. ( 옴니채널 고객 경험 제공이 목표가 아니다. ) 다른 사이트에서 얻은 고객 데이터를 연결하거나 모든 채널에 걸쳐서 캠페인을 실행하는 것을 목표로 하지 않는다.
  • 데이터 관리 플랫폼 DMP : 회사 자체 웹사이트에서 1차 데이터 수집, 이 데이터를 쿠키 기반 제3자 데이터와 합치고, 방문자들 중 잠재 고객 세그먼트에 대한 분석을 제공한다. 특정한 잠재 고객 타겟팅에 사용될 수 있다. DMP는 주로 더 많은 신규 고객을 확보하는 것을 목표로한다. DMP와 예측 마케팅 플랫폼은 보완적이지만 시간이 지나면서 두 데이터 플랫폼은 수렴할 것이다.
  • 이메일 서비스 제공 업체 ESP 
  • 고객 관계 관리 CRM
    • CRM은 옴니채널 캠페인 자동화를 제공하지는 않지만, 그러한 시스템과 통합할 수 있다.
  • 고급 분석 : BI 비즈니스 인텔리전스 솔루션은 데이터 분석 기능을 제공하지만, 과거에 대한 현상 분석에 제한된다. 그리고 BI도구의 목표는 개별 고객 분석이 아닌, 전반적인 비즈니스 추세에 대한 개요 제공이다. BI도구는 다른 소스의 데이터를 통합하고 클렌징 할 수도 있으나, 예측 분석을 포함하지 않으며 역시 옴니채털 캠페인 자동화 기능 제공이 목표가 아니다.
• 위 경로 중 무엇을 선택하든, 다음의 세가지 기본 역량을 구축해야한다.
  1. 다른 출처로부터 얻은 데이터를 연결하는 기능과, 예측 분석을 위해 데이터를 정비할 수 있는 기능
  2. (완)제품형 예측 모델을 사용하여 데이터를 분석하고, 고급 분석 및 세분화를 수행할 수 있는 기능
  3. 다른 마케팅 실행 시스템에 걸쳐서, 적절한 시기에 적절한 고객을 위한 적절한 조치를 취할 수 있는 능력. 그리고 이 과정이 적어도 하루에 한번, 수동 조작 없이 자동 업데이트되어 최신 고객 데이터를 보유하고있는지 확인해야한다.

 

---

16장. 야심찬 예측 마케터들의 경력 개발을 위한 조언

17장. 프라이버시, 그리고 유쾌함과 불쾌함의 차이

18장. 예측마케팅의 미래

• 비즈니스에 대한 이해가 수학보다 훨씬 중요하다. 데이터로부터 의미를 이끌어내서 전략,제품 등으로 전환할 수 있는 사람이 있어야지만 숫자와 통계가 쓸모있어지는 것이다.
  
  • 여러 직무로 격리된 채 존재하는 창의적,분석적,대인관계 능력의 조합이 필요하다.
• 호기심을 갖고 비즈니스,고객에 대해서 올바른 질문을 해야한다. 그리고 그 질문은 가설로부터 시작해야 한다.
  • 가설을 세우게되면, 그 명제를 뒷받침하거나 부정하는 데이터를 찾는 것은 가설을 세우는 것보다 쉽다.
  • 데이터 분석은 솔루션 자체가 아니라, 문제 해결을 위한 도구이다. 
  • 데이터만 뚫어져라 볼게 아니라, 현실의 고객 경험과 결합해야 한다.
• 고객 데이터 관리 및 신뢰 창출을 위한 가이드라인
  1. 어떤 정보가, 어떻게 왜 수집되는지 소비자에게 알려주기
  2. 정보가 어떻게 사용될 것이고, 어떤 제3자에게 제공될 수 있는지 선택권 부여하기
  3. 정보가 도난당하거나, 유출되거나, 허가없이 사용되지 않도록 적절한 메커니즘을 갖추고있는지 확인
  4. 프라이버시 침법에 대한 제재조치를 집행,부과할 수 있는 효과적인 권한 필요
• 개인 정보 유형
  • 익명의 정보 - IP주소, 도메인 유형, 브라우저 버전 및 유형, 운영 체제, 브라우저 언어, 현지 시간 ..
  • 개인 식별불능 정보 - 나이, 생년월일, 성별, 직업, 교육, 소득, 주소가 없는 우편번호, 취미 ..
  • 개인 식별가능 정보 - 이메일 주소, 이름, 주소, 전화번호, 신용카드 번호 ..
• 개인 맞춤화의 기준을 일반화해서는 안된다.
  • 밀레니엄 세대 중 52%는 생일을 기억해주는 것을 기대하는 반면, 65세 이상 구매자는 21%만이 그러하다. 어떤 고객은 개인맞춤화를 요구하고, 어떤 고객은 개인맞춤화 자체를 거부한다. 이러한 유형을 추적하는 것이 중요하다.
• 소비자가 알고리즘에 입력되는 내용 일부를 확인할 수 있도록 해주는 것도 좋은 방법이다.
  1. 회사가 제품 추천에 사용하는 데이터 종류를 고객이 선택할 수 있게 할 수 있다.
  2. 사용자가 고객 관련성이 어디에서 나오게 되었는지 이해할 수 있도록 해준다.
  3. 제품 추천에 대한 사용자의 피드백을 받는다. 이것은 사용자 행동을 관찰하는 것(암시적 학습) 뿐만 아니라, 직접 사용자로부터 입력을 받으면서(명시적 학습) 시스템이 학습하기에 "강화학습"이라고도 한다. 
• 고급 예측분석 모델
  • 참여 경향성 모델 : 고객이 브랜드에 참여할 가능성을 예측한다. 이 모델을 사용하여 하락 추세에 있는 고객을 타겟팅하여 이탈을 예방할 수 있다.
  • 지갑 크기 합계 모델 ( = 지갑 크기 = 전체 대상 시장 ): 각 고객마다 그사람의 지출 가능 최대액을 예측할 수 있다. 한 명이 한 기업의 제품 및 서비스에 연간 지출하는 총 금액이다.
  • TAM 방향성 모델 : 특정 고객의 전체 시장이 증가하고 있는지, 축소되고 있는지 예측한다.
    • 예를들어 TAM이 낮지만 TAM의 방향성이 높다는 의미는, 이 회사가 빠르게 성장하고 있으며 향후 중요한 예상 고객이 될 수 있다는 사실을 의미한다. 이 모델로 중요한 예상 고객을 식별할 수 있다.
  • 접촉을 위한 키워드 추천 모델 : 고객의 행위, 과거 구매에 기반하여 특정 '콘텐츠'에 대한 고객의 선호도를 예측한다.
  • 예측 군집분석 모델 : 고객이 향후 어떤 클러스터에 속하게 될지 예측한다. 그들이 행동하기 전에 그들을 이해할 수 있으며, 가치가 낮은 고객 군집으로 고객이 이동하기 이전에 대응할 수 있다.
• 고객에 대한 발견에 대해서 질문을 많이 제기하는건 무조건 좋은 것이 아니다. '행동으로 이어질 질문'만 해야한다.
• 새로운 것을 자주 시도하고, 모든 것을 측정해야한다.