로그인

앰플리튜드

Predictive Cohort 기능을 소개합니다.

Team MAXONOMY ・ 2020.11.13

Predictive Cohort 기능을 소개합니다.

Amplitude를 통해서 이제 과거의 데이터를 기반으로 미래 행동을 예측하여 사용자 집단을 코호팅 할 수 있는 Predictive Cohort 기능을 소개하려 합니다.


최고의 마케팅 캠페인은 적시에 적절한 사용자에게 적절한 메시지를 보내는거죠. 적절한 타깃 마케팅은 고객에게 이상적인 경험을 제공하고 마케터가 기대하는 컨버전을 극대화하는 검증된 방법입니다. 고객의 입장에서는 스팸을 줄이고 전환 가능성이 높은 캠페인만 연계될 수 있고, 마케팅 팀은 광고 지출 및 이메일 전송의 효율성이 증가하는 것을 확인할 수 있을 겁니다.


이러한 작업을 수행하는 건 결코 쉬운 일이 아니라는 게 마케터의 가장 큰 고민입니다. 흔히 개인화로 저명한 브랜드를 생각하면 Netflix 및 Amazon을 생각하지만, 이 두 브랜드의 개인화 추천 마케팅은 매우 비쌉니다. 데이터를 사용자 수준의 예측 통찰력으로 변환하기 위한 머신러닝 시스템과 함께 고객에 대한 고품질 자사 데이터에 액세스해야 하니깐요.


하지만, Amplitude의 Predictive Cohorts가 바로 이러한 개인화 마케팅을 적은 비용으로 도울 수 있습니다.


Predictive Cohorts를 사용하면 과거 행동이 아닌 미래 행동을 기반으로 사용자를 그룹화할 수 있습니다. Nova AutoML로 구동되는 이 기능은 머신 러닝 모델의 모든 단계를 자동화하고, activation, retention, 평생 가치 (LTV)와 같은 원하는 결과를 설정하고 몇 분 내에 Amplitude가 그 결과를 달성할 가능성이 가장 높은 사용자 집단을 추출합니다.


이는 잠재 고객을 구축하고 타기팅할 적합한 사용자를 찾는 방법에 있어 매우 큰 변화입니다. 수십 가지 다른 규칙을 기반으로 캠페인에서 최고의 사용자를 식별하는 추측은 이제 진부합니다. 대신 마케터는 이제 구매 가능성이 가장 높은 사용자를 위한 개인 맞춤 광고, 유지 가능성이 가장 낮은 사용자에게 보내는 이메일 예상 LTV가 가장 높은 사용자를 위한 인앱 제안과 같은 단일 캠페인의 목표에 따라 잠재 고객을 생성할 수 있습니다.





모든 결과를 예측합니다.


Predictive Cohort로 디지털 경험을 개인화하려면 먼저 코호트가 달성하고자 하는 결과를 예측해야 합니다. 과정을 간단하게 만들었습니다.




Amplitude Cohorts 내에서 이벤트, 사용자 속성 및 원하는 기간을 지정합니다. 다음과 같은 결과를 생성합니다.


  • 다음 7 일 이내에 구매
  • 향후 30 일 이내에 스타터에서 엔터프라이즈로 업그레이드
  • 또는 향후 6 개월 동안 LTV $ 500에 도달


Amplitude의 Nova AutoML 시스템은 자동으로 머신 러닝 모델을 구축하여 몇 분 안에 이러한 예측 집단을 만듭니다.


머신 러닝 모델은 이전 기간에 원하는 결과를 달성한 사용자와 달성하지 못한 사용자 (예 : 지난 6 개월 동안 LTV가 $ 500 미만인 사용자)를 분석하고 수백 개의 과거 행동이 결과에 어떤 영향을 미쳤는지 평가합니다. 그 결과, 원하는 기간에 실시간으로 계산되는 모든 사용자에 대한 확률적인 개별 스코어링으로 개별 사용자의 가능성을 식별합니다.


미래의 결과를 예측할 수 있는 이러한 확장성은 의미가 매우 큽니다. 최근 행동 기반 기준 (예 : "최근 조회 한 항목")에 따라 사용자를 분류하는 대신 , 이제 미래 예측 기준 (예 : "1 개월 리텐션")으로 사용자를 식별할 수 있습니다.따라서 최근에 본 항목을 사용자가 구매하도록 장려하는 것과 같은 단기 결과를 극대화하는 대신 사용자의 장기적인 관심으로 캠페인을 최적화합니다. 이러한 방식으로 고객에게 더 개인화된 경험을 맞춤화 할 수 있습니다.







충성 고객 식별하기


모든 사용자에게 할당된 확률적 점수를 통해 Amplitude를 사용하면 원하는 결과에 대해 누가 충성고객이고 그렇지 않은 사용자인지 쉽게 식별할 수 있습니다.



Predictive Cohorts에서는 향후 원하는 결과를 수행할 가능성에 따라 순위가 매겨진 모든 사용자의 분포를 볼 수 있습니다. 상위 5 %, 중앙값 10 % 또는 하위 20 % 와 같은 동질 집단을 선택하고 해당 집단에서 사용자 수와 예상 전환율을 즉시 확인할 수 있습니다. 위의 예에서 예측 LTV로 상위 20 % 의 사용자를 선택했습니다.

이 세분화가 주는 영향은 매우 인상적입니다. 소수의 행동 신호로 사용자를 수동으로 그룹화하는 대신 수백 개의 행동 신호를 기반으로 하는 예측 가능성에 따라 순위를 매깁니다.


그러나 이 예측 가능성은 블랙박스가 아닙니다. 신뢰와 무결성은 특히 생성 된 예측 모델을 사용할 시기에 대한 윤리적 결정을 내리는데 중요 합니다. 따라서 우리는 기본 모델의 정확성에 대한 투명성을 제공하고 어떤 행동 신호가 가장 중요한지에 대한 통찰력을 제공합니다.





행동 신호는 중요도 비율 (코호트에 속하지 않은 사용자에 비해 이벤트 또는 이벤트 속성을 수행 한 선택된 코호트의 사용자 비율)에 따라 순위가 지정됩니다. 이 예에서 예상 LTV의 상위 20 %에 속하는 사용자는 지난 90 일 동안 친구를 추가할 가능성이 14.3 배 더 높았고 커뮤니티 콘텐츠에 기여할 가능성이 9.8 배 더 높았습니다.

모델에 대한 충분한 확신을 가지고 원하는 사용자 집합을 예측 코호트로 저장할 수 있습니다. 코호트에는 선택한 확률 범위의 모든 사용자가 포함되며 사용자의 행동과 확률이 변경됨에 따라 매시간 코호트 멤버십을 조정합니다.







디지털 경험 개인화


흥미로운 점은 단순히 충성고객을 식별하는데 그치지 않습니다. Amplitude를 사용하면 해당 사용자가 자격이 생기는 즉시 디지털 경험을 커스터마이징 할 수 있습니다.


Amplitude Engage를 사용하면 Predictive Cohort를 이메일, 광고 및 기능 플래그 지정 플랫폼에 직접 동기화할 수 있습니다. 즉, 사용자가 예측 코호트에 들어오거나 나가는 즉시 올바른 디지털 경험에 자동으로 동기화됩니다.


다음 주 이탈에 가장 높은 선호도를 갖는 사용자를 예측하고 유지하기 위해 더 높은 할인을 제공하여 Braze 이메일을 통해 개인화할 수 있습니다. Facebook 광고에서 향후 30 일 동안 구매할 가능성이 가장 높은 사용자는 어쨌든 구매할 예정이므로 제외할 수 있습니다. 이제 LaunchDarkly를 사용하면 한 제품에 대해 다른 제품에 대해 가장 높은 선호도를 가진 사용자에게 다른 제품 플래그를 표시할 수 있습니다.

logo

팀맥소노미

YOUR DIGITAL MARKETING HERO

비즈니스 성장을 위한 최적의 솔루션과 무료 데모 시연, 활용 시나리오를 제안 받아보세요

관련 글 보기

Amplitude Feature Experiment: 데이터 기반 실험의 시작

Amplitude Feature Experiment: 데이터 기반 실험의 시작

실험이 중요한 이유디지털 서비스를 운영하다 보면 다음과 같은 질문과 마주하게 됩니다. “이 버튼을 바꾸면 클릭률이 더 높아질까?” “새로운 기능을 모든 사용자에게 바로 공개해도 될까?” “프리미엄 사용자에게만 실험적으로 먼저 공개해보고 싶은데, 어떻게 관리하지?”대부분 경우 직감이나 내부 회의로 결정을 내리지만, 그 결과가 실제로 사용자 경험과 KPI에 긍정적인 영향을 주는지 알기 어렵습니다. 이로 인해 향후에 추가적인 실험 테스트를 수행하기 어려운 환경이 조성되어 버리기도 합니다.또한, 서비스를 운영하다보면, 서비스의 성장을 위해 여러 고민과 의사결정이 필요한 순간이 옵니다.✅ 새로운 기능을 모든 사용자에게 배포하기엔 위험할 때✅ 디자인이나 UI를 바꾸고 그 효과를 정확히 측정하고 싶을 때✅ 특정 사용자 그룹에게만 실험적으로 기능을 보여주고 싶을 때✅ 실험 결과를 클릭률, 전환율, 리텐션율 등의 지표로 분석하고 싶을 때따라서, 개발단의 리소스를 최소화하면서, 실제 사용자 데이터 기반의 결과 분석이 가능한 실험 체계를 도입할 필요가 있습니다. Amplitude Experiment는 고객에게 제공하는 기능 on/off 토글링부터 A/B 테스트, 점진적 릴리즈, 결과 분석까지 하나의 워크플로우 안에서 지원함으로써 "기능 실험 → 결과 측정 → 의사결정"을 오차없이 빠르게 수행할 수 있도록 도와줍니다.Amplitude Experiment에서는 다음 두 가지 방식으로 실험을 구성할 수 있습니다.Feature ExperimentWeb Experiment이름만 보아서는 비슷해 보이지만, 실제 사용 목적과 운영 방식에는 뚜렷한 차이가 있습니다. 이번 포스팅에서는 이중 Feature Experiment에 대해 집중적으로 알아보겠습니다.Feature Experiment: 기능 중심 실험Feature Experiment는 코드 기반으로 운영되는 실험 방식입니다. 개발자가 직접 고객에게 보여줄 화면을 만들거나 신규 기능을 구현한 후에 이것을 일부 고객들에게만 노출하고 원하는 효과를 보았는지 확인하고자 할 때 활용합니다.개발단에서는 변경된 화면이나 기능을 적용하고 예외 처리를 추가하여 특정 사용자에게만 노출될 수 있도록 구현하고, 실무자는 원하는 고객군과 모수 비율을 Amplitude 콘솔에서 언제든 수정하여 테스트를 수행 해 볼 수 있습니다.개발단 기능- 화면 구성- 조건 처리실무단 기능- 모수집단 선정, 비율 선택- 전환 목표 지정, 분석 방식 선정- 테스트 시작, 종료, 기간 선정- 실험 분석 결과 확인- Analytics로 추가 심화 분석 수행예시로 이해하는 Feature Experiment 활용1) 신규 기능 가설 세우기어느 날, 개발자가 추천 알고리즘 로직 개선 작업을 완료 하였습니다. 이 알고리즘을 서비스에 적용하면 굉장한 효과를 보여줄 것이라 기대하고 있지만, 바로 운영계에 적용하기에는 어떤 사이드 이펙트가 있을지 예상할 수 없었습니다. 가령 잘못된 상품 추천으로 고객에게 안 좋은 경험을 제공하면 이탈로 이어질 수 있죠.따라서, 전체 고객이 아닌, VIP 고객 중 10%에게만 새 알고리즘을 적용하고 클릭률, 구매율을 측정하기로 하였습니다. 결과 데이터가 나머지 고객들에 비해 5%이상 증가한다면 전체 사용자에게 확대 배포하는 거죠.2) 개발단 작업처음 실험을 진행하는 것이라면 Amplitude Experiment SDK를 적용하는 작업이 필요합니다. 신규 추천 알고리즘은 이미 개발 완료된 상황이고 SDK 적용은 큰 시간이 소모되지 않기 때문에 거의 바로 실험 진행이 가능합니다.(Amplitude Experiment SDK 라이브러리 탑재 및 초기화 후 고객마다 서로 다르게 제공하고자 하는 위치에서 조건문(if)을 구성)Android 적용법1. 라이브러리 추가 (build.gradle에 dependencies 추가)2. 초기화 (Application단에서 초기화)3. 현재 사용자의 experiment 관련 정보 수신4. 고객이 보유한 flag 값에 따라 제공 여부 결정( 새로운 추천 알고리즘이 제공될 10%의 VIP 고객은 "on"으로, 그 외 고객들은 모두 "off"로 적용)3) Amplitude 설정(Experiment UI 구성)3-1) Deployment 생성하기운영하는 서비스는 여러 환경으로 구분되어 있습니다.개발계(development) / 내부 QA 테스트 수행 환경(staging) / 운영 환경(production)Android, iOS, Web 등 제공 플랫폼 환경실험을 진행하고자 할 때, 특정한 환경에서만 진행하실 수도 있고, 여러 환경에서 동시에 진행해 보실 수도 있을 겁니다. 이 때, 어떤 환경에 실험을 배포할 것인지를 정의할 수 있도록 "Deployment"라는 작업이 필요합니다.하나의 프로젝트 내에서 배포할 환경마다 각각의 Deployment를 생성해주시면, 실험을 진행할 때, 이 실험을 어떤 환경에만 배포할지 지정할 수 있습니다.Experiment > Deployments 화면에서 제공하는 “Create Deployment”를 클릭하고 배포할 환경의 이름과 프로젝트를 선택하면 바로 Deployment 생성이 가능합니다.3-2) Experiment 생성하기이제 기본적인 세팅은 모두 완료 되었으니 실험을 만들어 볼 수 있습니다!Experiment > Experiments 메뉴에서 새로운 실험명과 사용할 키 값을 정하신 후 생성(Create)합니다.4) 실험 설계4-1) 목표 설정하기실험을 만들 때 가장 먼저 생각해야 할 부분은 "목표" 설정 입니다. 실험을 한다는 것은 결국, 무언가를 더 좋게 만들기 위해서이기 때문에, 반드시 “이 실험을 통해 무엇이 좋아지기를 기대하는가?”에 대한 기준이 필요하며, 그것이 바로 목표 설정입니다. 우리가 설정한 목표를 달성했는지 여부를 가지고 이번 실험의 성공 여부를 파악해 보실 수 있겠지요.목표는 기존에 만들어 두었던 지표를 선택하실 수도 있고, 원하는 목표를 새롭게 생성하실 수도 있습니다.Unique, Event Total, Conversion 등 분석에서 활용해 보셨던 다양한 지표 옵션을 기반으로 목표 설정이 가능한데, 이번 실험에서는 클릭율이 5% 이상 증가하는 것을 목표로 잡았기 때문에, "화면 진입 > 버튼 클릭"으로의 전환율이 5% 이상 상승하는 것을 목표로 설정했습니다.4-2) 대안(Variant) 등록하기비교 테스트를 진행할 때, 대안은 하나일 수 있지만 여러 개가 있을 수도 있습니다. "내가 테스트하고 싶은 기능의 버전은 몇 가지이며, 각각 어떤 차이가 있을까?" 테스트 하고자 하는 대안의 수 만큼 Add a Variant 옵션으로 추가하여 정의할 수 있습니다. (단, 너무 많은 Variant는 분석을 어렵게 하므로 2~4개 이내를 권장합니다.)각 Variant의 Value 값은 SDK에서 분기 처리에 사용(e.g. variant.value)되므로 개발단에서 미리 지정하신 값이 있을 경우, 해당 값으로 기입되어야 하며, 미리 정의되어 있지 않았다면 여기에서 정의하시는 값으로 개발단의 코드 작업이 수행되어야 합니다.※Value 값이 수정될 경우, 앱의 재배포가 필요하므로 처음 생성 시 Amplitude에서 허용하는 명명규칙(숫자, 영문, 언더스코어, 하이픈만 허용)을 참고하시어 향후 변경하지 않을 값으로 지정이 필요합니다.4-3) 고객 그룹(Targeting) 정의하기[Audience]실험에 활용할 대안을 등록했다면, 누구를 대상으로 실험을 진행할 것인지 모수 집단을 선택하실 수 있습니다. All Users를 선택하여 전체 고객을 모수 집단으로 선정할 수 있으며, Target Users를 선택하여 특정 모수집단을 Segment로 정의할 수 있습니다.[Distribution]선정한 모수 집단을 각 대안에 어느 정도 비율로 할당 할것인지 지정할 수 있습니다. 기본 옵션인 evenly distribute로 동일한 비율로 지정하는 것을 권장 드리며, 원하실 경우 Customize 옵션으로 수동 설정이 가능합니다.(control로 할당되는 고객들은 실험에 참여는 하지만 실제로는 변경된 대안 UI가 노출되지 않는 그룹으로써, 대조군의 역할을 수행합니다.)[Rollout]지정하신 모수 집단 전체를 대상으로 실험을 수행하실 수도 있으나 그 중 일부를 대상으로만 진행하는 것도 가능합니다. Rollout 설정을 통해 전체 모수 집단 중 몇 %에 해당하는 고객들을 대상으로 실험을 진행할 것인지 범위를 지정할 수 있습니다.(Control vs. Rollout: control에 포함된 고객은 실험에 포함되어 향후 결과 분석 시 대조군 역할을 하지만, Rollout에서 제외된 고객은 실험 자체에 포함되지 않으므로 결과 또한 추적되지 않습니다.)5) 전달 구성5-1) Flag & Evaluation 정의Flag는 실험을 식별하는 고유 식별자로써, 실험을 생성하시는 시점에 key 항목으로 기입한 정보를 확인하실 수 있으며, 실험 시작 전까지는 변경이 가능합니다. 이 값은 SDK에서 실험 정보 요청에 사용(e.g.FLAG_KEY) 되므로 개발단에서 미리 정하신 값이 있다면 그 값으로, 없다면 여기에서 정의된 값으로 개발단의 코드 작업이 수행되어야 합니다.Evaluation Mode는 고객이 어떤 대안에 해당 되는지를 어디에서 계산할 것인지 선택하는 항목입니다. 일반적으로는 Amplitude에 수집된 정보를 실시간으로 확인하여 결정되나, 실시간 검토 방식은 통신 상의 약간의 딜레이(0.1~1초)가 발생하므로, 고객에게 즉각적으로 노출되어야 하는 UI에 대해서는 로컬에서 계산하는 방식을 선택하실 수도 있습니다.5-2) 배포 환경(Deployment) 선택지금까지 작성한 실험을 어떤 환경에 배포 할 것인지를 선택합니다. 특정 플랫폼이나 개발환경에만 적용하고자 하실 경우, 해당하는 deployment만 선택하여 배포가 가능합니다.6) 실험 시작모든 세팅을 완료했다면, 우측 상단 버튼을 이용하여 각 플랫폼 별로 적용할 수 있는 샘플 코드를 확인할 수 있습니다. 개발 담당자에게 해당 정보를 전달하여 적용을 요청할 수 있습니다.실험을 고객들에게 배포하기 전, 미리 등록해 둔 테스터만을 대상으로 선행적으로 배포가 가능하며, 예약 실행이나 feature flag만 활성화하고 실험 분석은 수행하지 않는 등 여러 옵션을 정의해 보실 수 있습니다.모든 사항의 확인이 완료되었다면, 최종적으로 Start Experiment를 클릭하여 실험 시작이 가능합니다. 실험을 종료할 때에는 초기 버전으로 롤백을 할 것인지, 아니면 특정 대안( Variant )으로 적용할 것인지 선정하여 실험을 마칠 수 있습니다.실험이 진행되는 동안 발생한 실험 참여(Assigentment), 실험 노출(Expouse) 및 목표로 잡은 정보들은 모두 고객별 프로필에 저장되므로 이를 기반으로 심층 분석(Analytics)을 바로 수행해 볼 수 있습니다. 또한, 처음 목표로 잡았던 것 이외에도 각 그룹별로 어떠한 변화가 있었는지 수집된 데이터를 기반으로 분석이 가능합니다.실험과 분석을 하나의 플랫폼 안에서실험과 데이터 분석은 이제 더 이상 따로 작업할 필요가 없습니다. 기존 A/B 테스트 도구들이 단순히 실험을 “실행”하는 데 집중했다면, Amplitude Feature Experiment는 실험 설계부터 분석, 최종 반영까지 추가적인 개발단 작업없이 한 번에 처리할 수 있는 실험 플랫폼 체계를 제공합니다.CUPED, Sequential Testing, Bonferroni 등 실험의 정확도를 높이는 기능이 기본으로 탑재되어 있어, 적은 트래픽으로도 빠르게 유의미한 결론을 얻을 수 있으며, Amplitude Analytics와 완벽히 연결되어 언제든 전환율,리텐션, 코호트 분석 등 심층적인 결과 분석을 바로 이어나갈 수 있습니다.또한 클라이언트 배포 없이, 서버-사이드 실험 연동을 지원하므로 고객들에게 끊김없는 실험 환경 제공이 가능합니다. 제품의 성과를 빠르게 검증하고, 그 결과를 정확히 해석해 다음 의사결정으로 이어가고 싶다면, Amplitude Feature Experiment는 더없이 강력한 선택이 될 것입니다.Feature Experiment 활용에 도움이 필요하나요?팀 맥소노미 Amplitude 도입문의 바로가기

Guides & Surveys: 사용자 행동과 피드백을 연결하는 가장 쉬운 방법

Guides & Surveys: 사용자 행동과 피드백을 연결하는 가장 쉬운 방법

고객들이 서비스에서 수행하는 행동만으로는 알 수 없는 ‘진짜 이유’, 어떻게 알 수 있을까?

[세션 스케치] 찾아가는 세미나 with Braze ─ CJ올리브영 편

[세션 스케치] 찾아가는 세미나 with Braze ─ CJ올리브영 편

팀 맥소노미와 Braze가 함께한 'CJ올리브영을 찾아가는 세미나' ─ 후기를 공유합니다.팀 맥소노미는 '데이터', 'DT'에 관심이 있는 기업을 직접 방문하여 맞춤형 데이터 활용 전략과 업계의 유즈 케이스를 전달하는 '찾아가는 세미나'를 정기적으로 진행하고 있습니다.이번 찾아가는 세미나는 Braze의 전략 컨설팅 VP, Mariam Asmar(마리암 아스마르)님께서 함께해 주셨는데요. CJ올리브영 임직원 분들을 찾아뵙고 "BEAUTY INDUSTRY GROWTH STRATEGY"를 주제로 글로벌 뷰티 산업에서 창의적인 마케팅 캠페인 전략을 통해 고객 경험과 브랜드 충성도를 높인 다양한 사례를 공유해 주셨습니다. 한시도 눈을 뗄 수 없었던 흥미로운 사례와 이를 통해 공유주신 주요 인사이트를 정리해 보았습니다. 1. 데이터 기반의 맞춤형 마케팅Mariam님은 먼저 오프라인 데이터를 온라인에 통합한 창의적 마케팅 사례를 공유해 주셨습니다. 멕시코의 한 항공사 는 미국인들의 멕시코 여행을 장려하기 위해 DNA 테스트를 통해 멕시코 혈통의 비율에 따라 항공권 할인 혜택을 제공했고, 캠페인을 성공적으로 마무리했습니다. 이를 통해 재미와 참여를 유도하고 국가 간의 심리적 장벽을 효과적으로 허물 수 있었습니다.또한 다른 사례로 아르헨티나의 한 유명 배달앱 사례를 공유 주셨는데요. 축구를 사랑하는 아르헨티나 국민들의 관심사를 이용하여 월드컵 우승 트로피의 비행 경로를 앱 알림을 통해 실시간으로 공유했고, 엄청난 바이럴 효과를 거두었습니다. 2022년 FIFA 월드컵에서 아르헨티나가 우승한 후, 실제 우승 트로피가 아르헨티나로 돌아오는 여정을 실시간으로 추적하여 공유하여 팬들과의 소통을 강화한 것이죠. 이러한 사례들은 브랜드가 대중의 관심을 끄는 이벤트와 연계하여 실시간 정보를 제공함으로써 사용자 참여를 유도하고 브랜드 인지도를 높이는 효과적인 마케팅 전략으로 평가받고 있습니다.2. 오프라인은 디지털로 가는 입구가장 최근 뷰티 리테일 업계의 핵심 이슈 중 하나는 온·오프라인 고객 경험의 통합 전략입니다. Mariam님은 고객이 해외여행 시 현지와 글로벌 앱 간의 전환 문제를 해결하기 위해 매장 내 QR코드를 활용한 앱 다운로드 유도, 현지 특화 혜택 제공과 같은 구체적인 방법을 제안했습니다.또한, 고객 경험의 단순한 온·오프라인 통합이 아닌, 개인화가 함께 이루어지는 것의 중요성을 강조하였습니다. Braze를 사용하는 한 뷰티 앱은, 매장 내 피부 진단 기기를 통한 개인 맞춤형 제품 추천 서비스를 제공하고 있는데요. 해당 사례를 통해 고객의 만족도와 개인화를 강화하는 전략을 살펴볼 수 있었습니다.인플루언서 마케팅을 통해 고객 인게이지먼트를 높이는 전략도 다뤘습니다. 뷰티 산업에는 인플루언서의 영향력이 큰 만큼 고려해볼만한 전략인데요. 고객들이 앱 내에서 특정 미션이나 도전을 완료하면 인플루언서들과 함께 하는 특별한 여행이나 이벤트 참여 기회를 제공하는 등 시도해볼 수 있는 다양한 방식이 있습니다.3. 스토리텔링과 유머를 결합한 브랜딩Mariam님은 고객 채널을 통해 스토리텔링과 게임 요소를 결합하여 고객과 소통하는 캠페인도 제안했습니다. 뷰티 업계에서 특히 효과적인 전략인데요. VIP 고객이나 인플루언서를 대상으로 차별화되고 흥미로운 경험을 제공하는 데 효과적일 가능성이 높습니다.사례로 소개해주신 '도플갱어 이메일' 캠페인은 이메일 마케팅이 얼마나 창의적이고 효과적일 수 있는지를 잘 보여주었습니다. 도플갱어 이메일 캠페인은 고객이 동시에 동일한 메뉴를 주문한 다른 고객을 찾아 연결해주는 독특한 이메일 캠페인으로, 높은 오픈율과 매출 증대를 기록했습니다.4. 팬덤과 게임화(게이미피케이션)의 융합인플루언서 마케팅도 단순 노출에서 참여형 콘텐츠로 진화하고 있습니다. 고객이 직접 캠페인에 참여하고 포인트를 쌓거나 가상의 미션을 수행해 인플루언서 트립과 같은 보상을 받는 구조입니다. 이런 방식은 뷰티, 게임, 엔터테인먼트 산업에서 특히 효과적이며 평범한 '소비자'를 브랜드의 '팬'으로 진화시키는 역할을 한다고 합니다. 국내에는 주로 카카오톡을 활용하여, 친구 간의 경쟁이나 최대한 많이 공유하기를 유도하는 식으로 고객 채널과 게임화를 결합한 캠페인을 진행하는데요. 이런 독톡한 사례를 참고하여, 뷰티 업계의 특성에 맞는 창의적인 캠페인을 기획해볼 수 있을 것 같습니다.마치며이 외에도 다양한 사례를 통해 글로벌 뷰티 업계가 고객 참여와 개인화를 극대화하기 위해 얼마나 다양하고 창의적인 전략을 사용할 수 있는지 확인할 수 있었습니다.가령, 침대 매트리스 프로모션을 위해 한밤중에 "자니?"라는 메시지를 발송한 캠페인은 고객과의 유머러스한 소통을 통해 브랜드 친밀감을 높이고 매출 증대 효과를 거둔 사례로 소개되기도 하였습니다.종합해보면, 요즘 마케팅의 공식은 "데이터 + 크리에이티브 + 유머 + 참여" 네 키워드로 정리할 수 있을 것 같습니다.각 브랜드가 자신만의 언어로 고객과 소통하려면 무엇을 바꿔야 하는지 많은 고민을 하게 했던 시간이었는데요. 더불어 국내에서도 이런 유쾌한 실험들이 더 많아지면 좋겠다는 작은 바람이 들기도 했습니다.산업별 특성에 맞는 혁신적인 전략과 보다 창의적인 아이디어를 통해 고객 경험과 브랜드 가치를 더욱 높여가실 수 있는 계기가 되셨기를 바라며 이만 후기를 마치겠습니다. 😊팀 맥소노미의 '찾아가는 세미나'란?CJ올리브네트웍스의 디지털 마케팅 전문가 그룹 팀 맥소노미가 '데이터'와 '마케팅', 'DT'에 관심있는 기업의 담당자 분들을 직접 찾아뵙고 진행하는 완전 맞춤형 세미나입니다.우리 기업에 딱 맞는 데이터 활용 전략 은 무엇인지, 다른 기업에서는 어떻게 데이터를 활용하고 있는지 유즈케이스가 궁금하시다면 팀 맥소노미에게 연락주세요. 원하시는 그 곳으로 달려가겠습니다!🤗💌 팀 맥소노미의 찾아가는 세미나 문의: marketing@team.maxonomy.net

여러분의 고객 데이터는 안전한가요? (feat. DX·AX)

여러분의 고객 데이터는 안전한가요? (feat. DX·AX)

최근 여러 기업에서 개인정보 유출 사고가 발생 중인 상황에서 기업은 어떻게 대응해야 할까? DX와 AX의 흐름 속 개인정보 보호가 나아가야 할 방향.

Amplitude를 통해서 이제 과거의 데이터를 기반으로 미래 행동을 예측하여 사용자 집단을 코호팅 할 수 있는 Predictive Cohort 기능을 소개하려 합니다.


최고의 마케팅 캠페인은 적시에 적절한 사용자에게 적절한 메시지를 보내는거죠. 적절한 타깃 마케팅은 고객에게 이상적인 경험을 제공하고 마케터가 기대하는 컨버전을 극대화하는 검증된 방법입니다. 고객의 입장에서는 스팸을 줄이고 전환 가능성이 높은 캠페인만 연계될 수 있고, 마케팅 팀은 광고 지출 및 이메일 전송의 효율성이 증가하는 것을 확인할 수 있을 겁니다.


이러한 작업을 수행하는 건 결코 쉬운 일이 아니라는 게 마케터의 가장 큰 고민입니다. 흔히 개인화로 저명한 브랜드를 생각하면 Netflix 및 Amazon을 생각하지만, 이 두 브랜드의 개인화 추천 마케팅은 매우 비쌉니다. 데이터를 사용자 수준의 예측 통찰력으로 변환하기 위한 머신러닝 시스템과 함께 고객에 대한 고품질 자사 데이터에 액세스해야 하니깐요.


하지만, Amplitude의 Predictive Cohorts가 바로 이러한 개인화 마케팅을 적은 비용으로 도울 수 있습니다.


Predictive Cohorts를 사용하면 과거 행동이 아닌 미래 행동을 기반으로 사용자를 그룹화할 수 있습니다. Nova AutoML로 구동되는 이 기능은 머신 러닝 모델의 모든 단계를 자동화하고, activation, retention, 평생 가치 (LTV)와 같은 원하는 결과를 설정하고 몇 분 내에 Amplitude가 그 결과를 달성할 가능성이 가장 높은 사용자 집단을 추출합니다.


이는 잠재 고객을 구축하고 타기팅할 적합한 사용자를 찾는 방법에 있어 매우 큰 변화입니다. 수십 가지 다른 규칙을 기반으로 캠페인에서 최고의 사용자를 식별하는 추측은 이제 진부합니다. 대신 마케터는 이제 구매 가능성이 가장 높은 사용자를 위한 개인 맞춤 광고, 유지 가능성이 가장 낮은 사용자에게 보내는 이메일 예상 LTV가 가장 높은 사용자를 위한 인앱 제안과 같은 단일 캠페인의 목표에 따라 잠재 고객을 생성할 수 있습니다.





모든 결과를 예측합니다.


Predictive Cohort로 디지털 경험을 개인화하려면 먼저 코호트가 달성하고자 하는 결과를 예측해야 합니다. 과정을 간단하게 만들었습니다.




Amplitude Cohorts 내에서 이벤트, 사용자 속성 및 원하는 기간을 지정합니다. 다음과 같은 결과를 생성합니다.



Amplitude의 Nova AutoML 시스템은 자동으로 머신 러닝 모델을 구축하여 몇 분 안에 이러한 예측 집단을 만듭니다.


머신 러닝 모델은 이전 기간에 원하는 결과를 달성한 사용자와 달성하지 못한 사용자 (예 : 지난 6 개월 동안 LTV가 $ 500 미만인 사용자)를 분석하고 수백 개의 과거 행동이 결과에 어떤 영향을 미쳤는지 평가합니다. 그 결과, 원하는 기간에 실시간으로 계산되는 모든 사용자에 대한 확률적인 개별 스코어링으로 개별 사용자의 가능성을 식별합니다.


미래의 결과를 예측할 수 있는 이러한 확장성은 의미가 매우 큽니다. 최근 행동 기반 기준 (예 : "최근 조회 한 항목")에 따라 사용자를 분류하는 대신 , 이제 미래 예측 기준 (예 : "1 개월 리텐션")으로 사용자를 식별할 수 있습니다.따라서 최근에 본 항목을 사용자가 구매하도록 장려하는 것과 같은 단기 결과를 극대화하는 대신 사용자의 장기적인 관심으로 캠페인을 최적화합니다. 이러한 방식으로 고객에게 더 개인화된 경험을 맞춤화 할 수 있습니다.







충성 고객 식별하기


모든 사용자에게 할당된 확률적 점수를 통해 Amplitude를 사용하면 원하는 결과에 대해 누가 충성고객이고 그렇지 않은 사용자인지 쉽게 식별할 수 있습니다.



Predictive Cohorts에서는 향후 원하는 결과를 수행할 가능성에 따라 순위가 매겨진 모든 사용자의 분포를 볼 수 있습니다. 상위 5 %, 중앙값 10 % 또는 하위 20 % 와 같은 동질 집단을 선택하고 해당 집단에서 사용자 수와 예상 전환율을 즉시 확인할 수 있습니다. 위의 예에서 예측 LTV로 상위 20 % 의 사용자를 선택했습니다.

이 세분화가 주는 영향은 매우 인상적입니다. 소수의 행동 신호로 사용자를 수동으로 그룹화하는 대신 수백 개의 행동 신호를 기반으로 하는 예측 가능성에 따라 순위를 매깁니다.


그러나 이 예측 가능성은 블랙박스가 아닙니다. 신뢰와 무결성은 특히 생성 된 예측 모델을 사용할 시기에 대한 윤리적 결정을 내리는데 중요 합니다. 따라서 우리는 기본 모델의 정확성에 대한 투명성을 제공하고 어떤 행동 신호가 가장 중요한지에 대한 통찰력을 제공합니다.





행동 신호는 중요도 비율 (코호트에 속하지 않은 사용자에 비해 이벤트 또는 이벤트 속성을 수행 한 선택된 코호트의 사용자 비율)에 따라 순위가 지정됩니다. 이 예에서 예상 LTV의 상위 20 %에 속하는 사용자는 지난 90 일 동안 친구를 추가할 가능성이 14.3 배 더 높았고 커뮤니티 콘텐츠에 기여할 가능성이 9.8 배 더 높았습니다.

모델에 대한 충분한 확신을 가지고 원하는 사용자 집합을 예측 코호트로 저장할 수 있습니다. 코호트에는 선택한 확률 범위의 모든 사용자가 포함되며 사용자의 행동과 확률이 변경됨에 따라 매시간 코호트 멤버십을 조정합니다.







디지털 경험 개인화


흥미로운 점은 단순히 충성고객을 식별하는데 그치지 않습니다. Amplitude를 사용하면 해당 사용자가 자격이 생기는 즉시 디지털 경험을 커스터마이징 할 수 있습니다.


Amplitude Engage를 사용하면 Predictive Cohort를 이메일, 광고 및 기능 플래그 지정 플랫폼에 직접 동기화할 수 있습니다. 즉, 사용자가 예측 코호트에 들어오거나 나가는 즉시 올바른 디지털 경험에 자동으로 동기화됩니다.


다음 주 이탈에 가장 높은 선호도를 갖는 사용자를 예측하고 유지하기 위해 더 높은 할인을 제공하여 Braze 이메일을 통해 개인화할 수 있습니다. Facebook 광고에서 향후 30 일 동안 구매할 가능성이 가장 높은 사용자는 어쨌든 구매할 예정이므로 제외할 수 있습니다. 이제 LaunchDarkly를 사용하면 한 제품에 대해 다른 제품에 대해 가장 높은 선호도를 가진 사용자에게 다른 제품 플래그를 표시할 수 있습니다.

앰플리튜드, 코호트