google_adsense2


개인화 추천기술 적용 - 연동할 데이터를 어떻게 다룰것인가? by 메타샤워


개인화 추천기술 적용

연동데이터 종류와 연동방식


디지털 마케팅 채널이 증가하고 컨텐츠 양이 폭발적으로 늘어남에 따라 개인화 추천기능을 적용하는 사이트가 많아지고이다. 따라서 추천 기술을 제공하고 있는 업체도 증가하고 있다. 추천기술을 적용할 떄 고려해야 할 사항이 많지만 내부 시스템의 다양항 데이터와 연동을 통하여 보다 확장된 추천을 하기위해서는 어떤 접근이 필요하지 소개하고자 한다.


내부 시스템과 다양한 데이터를 연동하게 되면 온라인 행동 정보만 이용하여 추천하는 것보다 훨씬 풍부한 추천 서비스를 제공할 수 있다. 이 글에서는 기간계/정보계 시스템과 추천시스템 간에 어떠한 데이터들이 연동되며 이들 디에터들은 어떻게 이용되는지 알아보자.


기간계/정보계 시스템으로부터 추천시스템으로 가져오는 데이터는 크게 고객정보, 컨텐츠정보, 고객이 컨텐츠를 소비하는 이력정보, 그리고 캠페인정보로 구분할 수 잇다. 이 중 고객정보는 추천 대상 고객을 식별하고 동일한 유형의 고객군을 구성하는데 사용된다. 컨텐츠 정보는 추천할 컨텐츠를 식별하고 추천 컨텐츠를 상세화 하거나 추천 결과에서 필터링 하는데 사용되며, 컨텐츠 소비 이력정보는 적절한 기법으로 분석되어 추천 데이터를 생성하는데 사용된다. 캠페인 정보는 추천 시스템에서 만들어지는 추천데이터 외에 내부 캠페인 시스템에서 만들어지는 오퍼로서 추천 데이터와 마찬가니로 캠페인 대상 고객에게 전달된다. 다음안 각 데이터에 대한 내용이다.


* 고객정보
가입정보 : 성별, 직업군
실적 기반 정보 : 평균 구매액, 누적 구매액, 최근 N개월 구매액, 구매횟수
이용 기반 정보 : 월평균 방문수, 머문시간, 상품조회수 
CRM 정보 : 실적 기반 고객등급, 이용기반 고객등급, 라이프스테이지
이중에서 CRM 정보는 기간계 보다는 정보계 시스템으로 부터 연동하는 경우가 많다.

* 컨텐츠 정보
등록정보 : 카테고리, 가격대, 브랜드, 컬러, 제조사...

* 컨텐츠 이용 이력정보
온라인 이용이력 (Web Log) : 고객이 컨텐츠를 검색, 조회, 스크랩, 장바구니 담기, 구매하는 행동들에 대한 이력
구매이력 ( 거래 트랙잭션 ) : 온라인 행동과는 별도로 기간계에서 처리되는 트랜잭션 이력

이중 구매이력의 경우, 온라인 이용이력에 포함되어 있다면 별도로 연동할 필요는 없다

* 캠페인 이력
캠페인 대상 고객: 캠페인을 실시할 대상 고객 리스트
오퍼 : 캠페인 대상 고객에게 전달할 오퍼 정보

캠페인 정보는 종보계 시스템 혹은 별도의 캠페인 시스템과 연동된다.





기간계와 추천 시스템 사이 데이터 연동 방식은 고객사 시스템 환경에 따라 다양한 방식을 이용하는데 DB-2-DB, File-2-DB, File-2-File 방식들이 있다. 대형 고객사의 경우 DB-2-DB 방식은 거의 허용되지 않는 추세이며 주로 EAI를 통해 연동한다. 연동 주기는 일반적으로 1일 단위로 매일 특정시간에 기간계로부터 필요한 데이터를 추천 시스템으로 가져온다. 이렇게 다양한 내부 시스템의 데이터와 연동을 고려할 때 ASP나 SaaS 형태가 아닌 설치형 추천 시스템을 활요하는 것이 낫다.


연동데이터의 활용


고객 정보는 주로 추천 대상 고객군을 생성하는데 사용된다. 고객군을 생성하는 대표적인 방법은 고객 속성기준으로 세그멘테이션을 수행하거나, 속성 조건 조합으로 타겟팅을 하는 것이다. 고객 속성은 가입정보, 실적기반 정보 CRM 정보들로 구성된다. 세그멘테이션의 예는 생별- 연령- 세그멘테이션, 실적기반-이용기반 고객등급 세그멘테이션 등이 있다.

고객정보 중에서 가입 정보는 고객이 제공한 정보로 최근 들어 정보보호를 이유로 고객으로 부터 수집하거나 시스템 내부에 저장하고 관리하기가 점점 더 어려워지고 있다. 또한, 추천 시스템에서는 사실상 사용 가치가 현격히 떨어지는데 그 이유는 고객이 처음 제공한 시점 이후로 정보 수관 관리가 거의 이루어지지않으며, 가입 정보를 기반으로 하는 고객 세그멘테이션이나 타겟팅의 효과가 높지 않기 때문이다.

예를 들어 성별-연령대 기반으로 고객을 세그맨테이션하고 해당 고객 세그먼트 별로 많이 팔리는 상품을 분석한 후, 동일한 성별-연령대 고객에서 해당 상품을 추천하는 것은 전통적인 타겟 마케팅의 대표적인 방법이다. 그러나 30대 여자들이 많이 구매하는 상품을 다른 30대 여자에게 추천하는 것이 정말 효과가 높을까? 도메인 마다 다르겠지만 온라인 커머스에서는 그 효과가 그리 뛰어나지 않다. 와냐하면 온라인 커머스에서는 자신이 속한 성별-연령대 상품만을 구매하는 경우가 많지 않기 때문이다. 더구나 직업이나 지역같은 가입정보를 고객 세그멘테이션에 이요하기는 더더욱 그 의미가 약하다.

최근 들어서 고객 세그멘테이션을 실적 정보나 CRM 정보 기반으로 구행하고자 하는 추세가 높아지고 있다. 과거 마케팅 현업들이 관심있어하는 고객군이 30대 여자 였다면 지금은 우수고객 혹은 월평균 3회 이상 구매고객으로 바뀌고 잇다.

만약 정보계에서 실적 및 이용 데이터를 분석하여 다양한 유형의 고객 등급을 정의한다면 보다 의미있는 고객세그먼트 구성이 가능할 것이다. 이러한 고객 세그먼트들이 온라인 상에서 구매를 하거나 관심을 보이는 상품들을 분석할 수 있다면 효과가 높은 추천 데이터 생성이 가능해진다. 예를 들어 실적등급은 낮지만 이용 등급이 높은 고객에게는 해당 고객군의 관심이 높은 카테고리, 상품, 가격대의 신상품을 지속적으로 추천하여 구매를 유도함으로써 실적등급을 향상시킬수 있을 것이다. 

컨텐츠 정보는 컨텐츠 이력으로부터 추천데이터를 생성하는 데 활용된다. 고객이 특정 컨텐츠를 소비한 이력이 존재 한다면(카테고리, 가격대, 브랜드)를 이요하여 해당 고객이 선호하는 카테고리, 가격대, 브랜드 등을 얻을 수 있다. 이 정보를 이용해 고객이 선호하는 카테고리, 가격대, 브랜드 상품중에서 아직 구매하지 않은 상품을 고객에게 추천하여 구매 유도 효과를 높일 수 있다.

켐페인 정보는 정보계 혹은 켐페인 시스템에서 깊이 있는 분석과 통찰을 통해 만들어진 데이터이다. 켐페인정보는 켐페인 대상과 오퍼로 구성되는데, 추천시스템에서는 이를 받아 대상 고객이 온라인에게 접근할 경우 해당 오퍼를 제공한다. 또한 켐페인 대상 고객군이 선호하는 상품을 추천 시스템에서 분석하여 별도의 추천데이터를 생성하고 이 상품을 추천하는 것도 가능하다.






핑백

덧글

댓글 입력 영역


google_adsense