AI, 개인 맞춤화에 나서다
많은 고객 맞춤화 전략이 아직 인구 조사 방식에 머물러 있습니다.
회사는 고객의 성별, 나이, 직업, 생일을 알고 있습니다. 그래서 마치 고객 맞춤형 이메일인 양 수천 명의 다른 사람들과 함께 같은 시장 세분화에 포함된 고객에게 이메일을 보내면서, 해당 고객이 자신을 위해 만든 판매 프로모션에 관심을 보일 것이라고 기대합니다.
하지만 Humana의 전 디지털 마케팅 책임자이자 현재 고객 경험 컨설턴트인 Dan Gingiss는 이러한 방법이 가능성이 낮다고 말합니다. IKEA, Samsung, Adobe와 같은 클라이언트를 둔 Gingiss는 “누군가에 대해 많은 변수와 데이터 포인트를 아는 것만으로는 개인화가 아닙니다,”라고 말합니다. “진정한 개인화는 제가 평생 Cubs를 응원한 야구 팬이고, 핀볼과 피클볼을 즐기며, 고등학교에 다니는 두 자녀를 두고 있고, 업무상 출장이 잦다는 것을 아는 것입니다.”
AI는 회사가 이러한 이상에 더 가까워지고 고객에게 더 가까워지도록 하고 있습니다. 기계 학습과 같은 AI 기술은 고객의 행동, 감정, 인구 통계, 구매 이력을 분석할 수 있습니다. 이러한 이점은 회사가 도구를 사용하는 방법을 배우면서 실질적인 결과를 도출하고 있습니다. 전략 자문 회사 NewVantage Partners는 작년에 AI 기술에 투자한 회사의 92%가 측정 가능한 결과를 경험했다고 보고했으며, 이는 5년 전의 48%에서 증가한 수치입니다.
다음은 개인화 전략의 일반적인 사용 사례와 AI가 각 경우에 미치는 영향에 대한 설명입니다.
콘텐츠 개인화
특정 고객 세그먼트를 위한 맞춤형 메시지 및 프로모션
전통적인 전략:
전통적인 마케팅 개인화는 사용자를 광범위한 인구 통계(예: 나이, 소득, 직업)로 나누는 페르소나 기반 세분화에 의존합니다. 하지만 Gingiss가 지적한 것처럼 이러한 데이터는 진정으로 개인적인 것이 아닙니다. 전통적인 전략엔 개인의 관심사나 라이프스타일이 반영되지 않습니다.
AI의 이점:
더 큰 통찰력은 데이터에서 나오며, AI를 통해 이를 더 많은 양과 높은 속도로 가공할 수 있습니다.
AI 알고리즘은 고객의 인구 통계, 페이지 조회수, 다운로드와 같은 방대한 양의 데이터로 훈련됩니다. 모델은 특정 연령대의 남성이 모바일에서 특정 제품 비디오의 하위 집합을 정말 좋아하는 것과 같은 패턴을 파악할 수 있습니다. 이를 사용하여 콘텐츠 전략을 맞춤화할 수 있습니다.
스트리밍 거대 기업 Spotify는 청취자를 이해하기 위해 오랫동안 기계 학습을 사용해 왔다고 R&D 사이트에서 설명합니다. 개인화 부문 수석 책임자 Oskar Stål은 청취 기록(예: 좋아하는 아티스트, 장르, 심지어 노래의 분당 비트 수)을 분석하여 매주 개인화된 음악 콘텐츠를 제공하는 방법을 설명했습니다. Spotify는 또한 생성형 AI “DJ”를 추가하여 리스너에게 별도의 프롬프트 없이 맞춤형 콘텐츠를 재생하고 아티스트 및 노래에 대한 해설을 제공하는 현실감 있는 자동화된 음성으로 설명한다고 밝혔습니다.
주요 분야:
콘텐츠가 주요 제품인 분야(미디어 및 엔터테인먼트를 생각해보세요). 예를 들어, Warner Bros Discovery의 제품 데이터 분석 수석 소유자 Timothy Whitney와 스태프 데이터 엔지니어 Stephen Shepherd는 회사가 시청 습관을 기반으로 관련 새 콘텐츠를 발견할 수 있도록 AI 기반 콘텐츠 추천 시스템에 많이 투자했다고 설명했습니다. 구현 첫 4개월 동안 개인화 시스템에 노출된 사용자는 무작위 대조 사용자보다 추천 프로그램에 대한 참여도가 평균 14% 더 높았습니다.
제품 추천
고객의 과거 검색 및 구매 기록을 기반으로 특정 제품을 추천
전통적인 전략:
회사는 소비자의 온라인 검색 기록을 사용하여 구매자, 잠재 구매자 및 유사한 검색 기록을 가진 구매자가 관심을 가질만한 제품 범주를 이해합니다.
협업 필터링(Collaborative filtering)으로 알려진 이 과정은 시스템이 제품에 대해 충분히 알지 못해 새 제품을 추천하지 못하는 경우가 많습니다. 전문 전자상거래 사이트는 고객이 핸드백을 보고 있다고 해서 모든 핸드백을 추천할 수는 없습니다. 제품은 색상, 모양, 스타일, 대상 고객 세그먼트와 같은 정확한 기준과 일치해야 합니다.
AI의 이점:
AI는 데이터에 강하지만, 이는 고객 데이터만 의미하는 것은 아닙니다. 회사는 AI 개인화 엔진에 공급할 제품 포트폴리오의 더 정확한 모델을 구축해야 한다고 Earley Information Science의 CEO이자 “The AI-Powered Enterprise”의 저자인 Seth Earley는 말합니다. “제품 정보 모델은 사용자에게 중요한 것과 일치해야 합니다,”라고 그는 말합니다.
그 정확성은 제품 자체에 대한 더 자세한 데이터에서 나올 수 있습니다. 여기에는 사용자 매뉴얼의 전체 텍스트 또는 냉장고의 작동 매개변수, 고유한 라이프스타일 기능 및 에너지 등급이 포함될 수 있습니다.
이 콘텐츠는 다양한 상황에서 다양한 유형의 고객에게 매력적일 수 있습니다. 기술을 좋아하는 부유한 고객은 연간 전력 사용량보다 냉장고의 내장 화면과 인터넷 연결 기능에 더 관심이 있을 수 있습니다. 아마추어 믹솔로지스트는 아이스 메이커에 대해 알고 싶어할 수 있습니다.
주요 분야:
제품 추천은 고객이 적절한 제품을 빠르고 마찰 없이 찾도록 도와야 하는 전자상거래에서 중요합니다.
패션 중심 전자상거래 소매업체 ASOS는 850개 이상의 브랜드를 온라인으로 판매하며 협업 필터링을 사용하지만 그 이상을 제공합니다. 회사의 기술 블로그에서 기계 학습 과학자 Jacob Lang은 회사가 새 제품을 사이트에 추가할 때 먼저 제품의 사진과 설명 텍스트를 분석하여 스타일, 색상, 가격대, 패턴, 시장 세그먼트 및 계절성과 같은 속성을 식별하는 신경망을 사용한다고 설명합니다.
AI는 이러한 특성을 각 고객에게 가장 매력적인 제품 기능과 매핑하여 새 제품을 각 고객의 추천 필드에 즉시 가져옵니다.
ASOS는 또한 Style Match라는 모바일 앱 기능을 제공합니다. 쇼핑객이 좋아하는 옷의 이미지를 업로드하면 Style Match가 AI를 사용하여 이미지를 “보고” 유사한 색상과 스타일의 제품을 찾습니다.
동적 가격 책정
고객의 구매 습관이나 경쟁사의 가격에 따라 가격을 조정
전통적인 전략:
회사는 때때로 자체 재고 데이터나 경쟁사 가격 데이터를 사용하여 제품이나 서비스의 가격을 결정합니다. 규칙 기반 가격 책정 시스템은 재고 수준과 같은 비교적 느린 정보를 사용하고, 계산을 위해 여러 비즈니스 주기에 걸친 판매 수치와 같은 과거 데이터에 크게 의존합니다.
아래 아티클을 통해 AI 기반 판매의 전망을 살펴보세요!
AI 기반 판매의 미래 엿보기
이들은 종종 결과를 확인하는 데 자신의 산업 경험을 사용하는 인간 산업 전문가에 의해 검토됩니다. 결과는 공급망 중단 및 경쟁사 가격 변화가 수요에 미치는 영향과 같은 미래 이벤트를 예측하지 못하는 반응형 가격 책정입니다.
AI의 이점:
AI 기반 가격 책정 시스템은 실시간으로 더 많은 유형의 데이터를 수용합니다. 이 데이터는 산업에 따라 다르지만, 날씨와 고객 위치에서 도로 교통 혼잡까지 모든 것을 포함할 수 있습니다. AI는 이러한 데이터를 사용하여 제품 또는 서비스 가격을 지역 또는 개별 고객 수준까지, 그리고 몇 분 내로 조정합니다.
주요 분야:
산업에서 가격 변동이 클수록 AI 기반 개인화가 더 관련이 있습니다. Uber는 기계 학습을 사용하여 요금을 실시간으로 조정하며, 하루 시간, 개인 운행 이력 및 심지어 전화 배터리 잔량도 고려합니다. 배터리가 부족하면 더 높은 “서지 요금”을 수락할 가능성이 높아지기 때문에 더 낮은 요금을 기다리고 시도할 수 있습니다.
행동 기반 개인화
고객의 행동이 회사와의 상호작용에 영향을 미칠 때
전통적인 전략:
구매 이력은 소비자 행동을 결정하는 가장 신뢰할 수 있는 데이터 세트였습니다. 그러나 이러한 데이터는 고객이 “지금 구매” 버튼을 클릭하기 전까지의 여정에 대한 중요한 정보를 놓칩니다.
AI의 이점:
AI는 기업이 소비자에 대해 더 많은 데이터를 실시간으로 수집하고 분석할 수 있게 합니다. 소비자들은 온라인에서 더 많은 시간을 보내고 있으며, 개인적인 디지털 흔적을 더 많이 남기고 있습니다.
이러한 포착된 행동은 소비자의 웹사이트 탐색 습관에서 특정 웹페이지에 머무는 시간에 이르기까지 다양합니다. 또한 브랜드의 모바일 앱에서 특정 기능과의 사용자 상호작용, 앱에 접근한 시간과 장소도 포착합니다.
기업은 이러한 디지털 원격 측정 데이터를 고객의 메시지에서 추출한 감정 분석이나 전화 통화 중 음성 톤과 결합하고 있습니다. 마케팅 기술 및 디지털 전환 컨설턴트 Greg Kihlström에 따르면, 이는 새로운 수준의 예측 분석을 가능하게 합니다.
“이것은 ‘다음 최선의 행동’ 개념을 지원하며, 고객이 한 일을 기반으로 성향 모델을 구축한 후 이를 사용하여 다음에 무엇을 보여줄지 결정하게 합니다,”라고 그는 말합니다.
주요 분야:
온라인 사용자와 상호작용하는 모든 산업, 최고의 고객 지원을 제공하려는 이동통신사부터 고객의 다가오는 인생 결정을 이해하고자 하는 금융 서비스 제공업체에 이르기까지 모든 산업에 적용될 수 있습니다.
우리는 당신의 의견을 듣고 싶습니다!
귀하의 의견을 보내주시고 The Works의 흥미로운 업데이트에 대해 알아보십시오. 의견을 보내주세요: theworks@freshworks.com.