이번 아티클의 주제는 "데이터 분석을 통한 최적의 오퍼링 개발"입니다. 12월호 테마인 shopping, retail 관련 아티클 중 하나죠. 그런데 제목이 재미있네요. "Know What Your Customers Want Before They Do(고객이 행동하기 전에 고객이 원하는 것을 알아내기)", 한글로 쉽게 풀자면 "고객 니즈를 맞추는 점쟁이 되기" 쯤일까요? ^^ 이제는 비즈니스를 잘하려면 점쟁이 단계로 올라서야 하는군요 ㅋㅋ 이 글은 데이터(정보) 수집과 분석을 통해 합리적인 방법으로 점쟁이가 되는 방법을 제시합니다.
#In This Article
#In This Article
과거에는 점원이 단골고객 취향에 맞춰 추가 제안를 함(offer)으로써 매출을 상승시켰지만, 최근 온라인 쇼핑이 활성화되면서 고객과 얼굴을 맞대지 않고도 고객 취향에 맞는 오퍼링을 제공할 수 있어야 합니다. 데이터 분석을 통해 최적의 오퍼링을 제공하는 것을 NBO(Next Best Offer)라고 부르는데요. 저자는 이 글을 통해 기업이 NBO를 만들 수 있는 틀(framework;프레임워크)를 제공합니다.
STEP 1. 명확한 목표 설정
NBO를 통해서 달성하고자 하는 목표를 명확히 해야 합니다. 기업 현장에서는 데이터 분석이 어려운 것이 아니라 명확하지 않은 목표때문에 어려운 경우가 많다고 하네요.
(예)
- 테스코(Tesco): 목표- 재구매율 상승 → 오퍼링- 재구매 가치가 3배에 이르는 'Flash sale' 실험
- MS: 목표- bing(검색서비스) 사용 확대
→ 오퍼링- 스마트폰 내려받기, 브라우저 설치하기, 기본 검색엔진으로 설정 유도하기 실험
→ 오퍼링- 스마트폰 내려받기, 브라우저 설치하기, 기본 검색엔진으로 설정 유도하기 실험
STEP 2. 데이터 수집
2-1) 고객
고객 데이터란 나이, 성별, 자녀 수, 주소, 수입/자산, 심리학적으로 조사된 생활 및 행동 패턴 모두 포함됩니다. 오프라인 유통일 경우 이런 데이터 수집이 어려웠지만, 최근에는 모바일기기를 통해 소셜관계, 위치정보 수집이 쉬워져 고객 데이터 수집도 용이해졌습니다. 특히 실시간 위치정보는 많은 유통업자들이 활용을 고민하고 있습니다. 과거 위치자료를 이용하여 소비자의 나이, 여행특성, 부의 수준 그리고 다음이 될 장소를 예상하여 NBO를 구성하는 것이지요.
(예)
- 포스포스퀘어(FourSquare) : 얼마나 많이 구매자가 어떤 소매점에 방문(Check in)했는지에 따라 제안을 조정
- 월마트(Walmart) : 소셜,모바일,위치 자료의 자산화를 목적으로 소셜미디어 기술 벤처인 Kosmix를 인수,
구매자들의 소셜미디어에 나타난 관심을 기반으로 Walmart.com의 구매를 예상하는 것
미이이와 관련된 서비스나 기업들도 있습니다. 미국에서는 매일 무선 기기는 약 6천억 공간정보가 포함된 자료가 정보통신 서비스 제공자에게 송신되고 있구요. 소프트웨어
분석 회사 ‘Sense Networks’의 App은 수십억 소비자의 이동에 대한 자료를 수집하고 이 이동규칙을 다른 사람들의 특징과 비교하는 고객 데이터를 제공합니다.
2-2) 기업의 오퍼링
2-2) 기업의 오퍼링
고객을 분석한 후에는 그 고객에게 가장 잘 어필할 수 있는 기업의 오퍼링을 찾아야 합니다. 이는 상품의 특성과 유인하고자 하는 고객간의 관련성 매칭을 통해 가능합니다.
(예)
- 영화: 제 3의 정보가 상품의 특성을 설명해준다는 특성이 있음. 따라서 영화 대여/판매 기업은 고객이
특정한 배우나 플롯을 좋아한다는 사실로부터 다른 좋아할 만한 영화를 추측할 수 있음
특정한 배우나 플롯을 좋아한다는 사실로부터 다른 좋아할 만한 영화를 추측할 수 있음
- 테스코: 모험적인 미각을 가진 고객들을 유인할 수 있는 상품들을 판별하고자 할 때,
테스코는 그 나라에서 darling choice로 인정되는 상품(가령 영국에서의 타이 그린 커리)으로부터
시작할 수 있음, 그린 커리를 구매한 고객들이 오징어나 야생 루꼴라를 구매했다면 이들은 강한
상관관계를 가지고 있을 것임
테스코는 그 나라에서 darling choice로 인정되는 상품(가령 영국에서의 타이 그린 커리)으로부터
시작할 수 있음, 그린 커리를 구매한 고객들이 오징어나 야생 루꼴라를 구매했다면 이들은 강한
상관관계를 가지고 있을 것임
2-3) 구매 환경(purchase context)
오퍼링은 고객 접촉 채널(대면, 전화, 이메일, 웹), 접촉
이유, 환경, 심지어 목소리 크기와 말투, 날씨, 시간, 요일, 동반자 여부 같은 요소들을 고려하여 결정되어야 합니다.
(예)
- BOA(Bank of America): 모기지 사품 제안을 내점 시에 했을 때는 더 수용적이지만, ATM을 통해서는 효과적이지
않음, ATM이용고객은 제안을 들을 시간과 의향이 없기 때문
않음, ATM이용고객은 제안을 들을 시간과 의향이 없기 때문
- 항공 티켓: 항공사는
고객들이 주중보다 티켓을 많이 찾는 일요일 저녁에 가격을 인상
- 중국 신발 유통업자(동반자 여부- 주요 구매자의 동반자를 타겟으로 한 offer테스트):
남편을 동반한 여자 손님(주요 구매자)에게 남편을 위한 저렴한 신발 Offer, 부인과 함께 쇼핑은 하지만 그들 자신을
위해 활발히 쇼핑하지 않는 남자들은 혼자 특정한 물품을 사러 온 남편들보다 가격에 민감하다는 insight로부터
NBO도출
- 중국 신발 유통업자(동반자 여부- 주요 구매자의 동반자를 타겟으로 한 offer테스트):
남편을 동반한 여자 손님(주요 구매자)에게 남편을 위한 저렴한 신발 Offer, 부인과 함께 쇼핑은 하지만 그들 자신을
위해 활발히 쇼핑하지 않는 남자들은 혼자 특정한 물품을 사러 온 남편들보다 가격에 민감하다는 insight로부터
NBO도출
STEP 3. 분석하고 실행하기
분석한다고 모두 통하는 전략은 아닙니다. 과거에는 구매 히스토리를 바탕으로 오퍼를 제공했지만, 이것은 세련되지 못하고 정확도가 높지 않았습니다. 예를 들어 구매자가 취향이 다른 친구의 선물을 산 경우, 구매자
취향과 다른 엉뚱한 오퍼를 제공하게 되지요.
통계분석이나 예측 모델링을 통해 효과적인 NBO를 수립할 수도 있습니다. (예를 들면 과거 구매이력과 유사한 제안이더라도 그간의 다른 과거 구매이력들과 비교하여 패턴에 벗어난 상품일 경우(친구선물), 다음 제안 대상에서 제외하고 패턴에 맞는것만 제안함으로써 유효성을 높임)
하지만 통계,예측모델링 통해 오퍼링을 여러개 만들어냈더라도 어떤 오퍼를 고객에게 제공할지 결정하는 것은 결국 business rule입니다. (business rule이란 기업의 전략 방향, 의사결정 가이드라인이라고 할 수 있습니다)
또한 어떤 채널을 통해 오퍼링을 전달할 것이냐도 중요합니다.
통계분석이나 예측 모델링을 통해 효과적인 NBO를 수립할 수도 있습니다. (예를 들면 과거 구매이력과 유사한 제안이더라도 그간의 다른 과거 구매이력들과 비교하여 패턴에 벗어난 상품일 경우(친구선물), 다음 제안 대상에서 제외하고 패턴에 맞는것만 제안함으로써 유효성을 높임)
하지만 통계,예측모델링 통해 오퍼링을 여러개 만들어냈더라도 어떤 오퍼를 고객에게 제공할지 결정하는 것은 결국 business rule입니다. (business rule이란 기업의 전략 방향, 의사결정 가이드라인이라고 할 수 있습니다)
또한 어떤 채널을 통해 오퍼링을 전달할 것이냐도 중요합니다.
STEP 4. 학습하고 개선하기
경험의 규칙(Rules of
Thumb)의 적용: 회사들은 NBO 성과로부터 경험을 바탕으로한 (NBO생성과 관련된)규칙을 발전시킬 수 있으며, 이를 통해 Future 오퍼들의 생성을 가이드합니다. 경험의 규칙들은 반드시 데이터 중심, 사실을 기반으로한 분석으로부터 만들어져야 하고, 기존에 테스트를 마친 규칙들도 반복적인 테스트를 수행하여 지속적으로 실효성을 높이도록해야 합니다.
(예)
- Footlocker : 오직 패션 지향적인 신발들에 대해서만 소셜 미디어를 통해 홍보
- CVS : 고객이 이전에 구매했던 품목들에 대해서 할인을 제공
- Sam’s Club : 고객이 구매 경험이 없는 카테고리에서 개개인별로 연관성있는 오퍼를 제공,
충성 고객들에 대한 리워드 제공(구매금액에서 일정비율로 캐쉬백을 해줌)
- Nordstrom : 판매직원들이 고객과 직접적인 대면을 통해서 오퍼들을 제공
법, 도덕적 이슈도 고려 대상입니다. 고객 데이터의 사용과 수집이 점점 복잡져서 관련된 법/도덕적 이슈들이 빠르게 커지고 있지요. NBO와 관련된 실험을 진행할때는 법적인 부분들을 무의식적으로 위반하지 않도록 조심해야 합니다.
# After reading this article ..
이번 글은 개인적으로 새로운 느낌이 없었습니다. 토론 시 많은 사례가 제시되었던 것만 봐도 알 수 있지만, 금융 특히 카드업계 중심으로 고객/거래정보 기반의 고객 세그먼테이션과 오퍼링이 이미 체계화되어있거든요. 하지만 이 글에서 주목해야 할 것은 지난 주 토론했던 'omni-channel' 경향입니다. 모바일기기를 통해 수집 가능해지는 소셜관계,위치 정보를 활용하여 더욱 개인화된 제안을 찾아내는 것.. 이 과정에서 온라인과 오프라인의 경계가 허물어지는 것.. 이 현상에 주목해야 하는 것이겠지요.
이번 토론은 고객정보의 수집과 활용에 특히 관심이 많이 모아졌는데요. 주요 이슈 중 하나는 '개인정보 보호'였습니다. 많은 분들이 개인정보 보호를 위해 고객데이터 수집과 활용에 제한을 두어야 한다는 이야기를 많이 하셨는데요. 저는 개인적으로 서비스의 가치(편리함,효율성)만 보장되면 고객들이 알아서 정보를 제공할 것이라고 믿습니다.
예를 들면, 몇년전 스마트폰이 없었던 시절 생각해보면요. 제 주위에 ubiquitous computing 미래상을 이야기할 때 "개인 정보를 왜 제공하겠어? 난 그런거 싫어" 하셨던 분들 많았는데요. 막상 스마트폰이 도입되자 앱 깔면서 "push를 허용하시겠습니까?" 혹은 "위치정보를 제공하시겠습니까?"라는 질문에 아무생각없에 "네" 누르시는 분 많거든요. 내 정보를 제공함으로써 그에 맞는 편리함이 보장된다면 고객들은 기꺼이 정보를 제공하게 됩니다. 기업이 적절한 서비스를 제공하지도 못하면서 '일단 모으고 보자..' 식의 과도한 개인정보 수집이 문제가 되는 것이지요. (이런 현상을 방지하기 위해 정부가 사안별로 사용자 동의를 받도록 해도, 일부 기업은 일괄동의하기 버튼 같은걸 설치해서 고객에게 nudge를 가하는 방식으로 빠져나가기도 합니다만.. )
고객데이터 분석을 통한 효과적 offering 발굴은 또한 최근 화두가 되고 있는 "빅데이터(Big Data)"와도 관련있습니다. 이 글을 쓰신 분 중 두 분이 Deloitte Analytics와 관련된 분인 것만 봐도 알 수 있지요. ㅋㅋㅋ
그리고 또 한가지.. 고객의 데이터를 총칭해서 context data라고 표현하기도 합니다. 이 context data의 활용이 무궁무진해질 것으로 기대되면서, 데이터 중개만 가지고 장사하는 업체들도 나타나기 시작했는데요. 이 이야기는 다음 기회에 자세히 소개할까 합니다 ^^
이번 토론은 고객정보의 수집과 활용에 특히 관심이 많이 모아졌는데요. 주요 이슈 중 하나는 '개인정보 보호'였습니다. 많은 분들이 개인정보 보호를 위해 고객데이터 수집과 활용에 제한을 두어야 한다는 이야기를 많이 하셨는데요. 저는 개인적으로 서비스의 가치(편리함,효율성)만 보장되면 고객들이 알아서 정보를 제공할 것이라고 믿습니다.
예를 들면, 몇년전 스마트폰이 없었던 시절 생각해보면요. 제 주위에 ubiquitous computing 미래상을 이야기할 때 "개인 정보를 왜 제공하겠어? 난 그런거 싫어" 하셨던 분들 많았는데요. 막상 스마트폰이 도입되자 앱 깔면서 "push를 허용하시겠습니까?" 혹은 "위치정보를 제공하시겠습니까?"라는 질문에 아무생각없에 "네" 누르시는 분 많거든요. 내 정보를 제공함으로써 그에 맞는 편리함이 보장된다면 고객들은 기꺼이 정보를 제공하게 됩니다. 기업이 적절한 서비스를 제공하지도 못하면서 '일단 모으고 보자..' 식의 과도한 개인정보 수집이 문제가 되는 것이지요. (이런 현상을 방지하기 위해 정부가 사안별로 사용자 동의를 받도록 해도, 일부 기업은 일괄동의하기 버튼 같은걸 설치해서 고객에게 nudge를 가하는 방식으로 빠져나가기도 합니다만.. )
고객데이터 분석을 통한 효과적 offering 발굴은 또한 최근 화두가 되고 있는 "빅데이터(Big Data)"와도 관련있습니다. 이 글을 쓰신 분 중 두 분이 Deloitte Analytics와 관련된 분인 것만 봐도 알 수 있지요. ㅋㅋㅋ
그리고 또 한가지.. 고객의 데이터를 총칭해서 context data라고 표현하기도 합니다. 이 context data의 활용이 무궁무진해질 것으로 기대되면서, 데이터 중개만 가지고 장사하는 업체들도 나타나기 시작했는데요. 이 이야기는 다음 기회에 자세히 소개할까 합니다 ^^
원문: Know What Your Customers Want Before They Do
저자: Tomas H. Davenport, Leandro Dalle Mule, John Lucker
'논니씨의 HBR' 카테고리의 다른 글
TAG Big Data,
big data analytics,
CRM,
Harvard Business Review,
HBR 리뷰,
HBR 번역,
HBR 스터디,
고객분석,
리뷰,
리테일,
비즈니스 점쟁이되기,
비즈니스 쪽집게,
쇼핑,
쇼핑의 미래,
유통
