3장. 프로모션과 광고(1) : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화

 

★ 이 글은 모두연 풀잎스쿨 14기 "힙한 알고리즘 마케팅" 수업 교재인 [알고리즘 마케팅] 3장을 정리한 것입니다.

• 수업 교재는 "알고리즘 마케팅 - 인공지능을 활용한 마케팅 자동화" - 일리야 캐서브 저, 에이콘 출판사입니다.
  • 책 구매 링크
  • 알고리즘 마케팅 코드 링크
  • 영어 원서 다운로드 링크

 

★ 관련 내용 보기

• 1장. 미래의 마케터는 누구일까? : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화
• 2장. 예측 모델링 리뷰 : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화
• 3장. 프로모션과 광고(2): [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화

 

03. 프로모션과 광고

• 광고와 프로모션의 효율은 알맞은 고객에게 알맞은 메시지를 전달하는 능력에 달려있기 때문에,
• 가장 중요한 고객군을 인식하고 그 고객군들의 성질에 기반을 둔 오퍼링을 제공하는 것은 매우 중요하다. 
• 주어진 오퍼링에 대해 알맞는 고객을 찾는 것을 '타깃팅'이라고 하며, 3장의 주요 주제다. 
• 특정 고객에 대해 알맞는 오퍼링을 찾는 것은 4장, '검색'에서 설명할 검색과 추천 분야에서 자세히 다룬다. 

 

3.1 환경

• 고객 세일즈 프로모션의 목표는 판매를 증가시키거나 보다 나은 고객 관계를 위해 고객에게 부가적 가치나 인센티브를 제공하는 것이다.
• 프로모션에 대해 타깃팅 시스템이 내려야 하는 결정은 '누가 프로모션을 받는가?', '무엇이 적합한 프로모션 특성인가?', '적합한 타이밍은 언제인가?', '무엇이 적합한 채널인가?' 등이다. 
• 타깃 캠페인은 아래 활동을 포함하고 있다. 
  • 계획: 달성할 비즈니스 목표를 정함 (예산, 기간, 프로모션 종류 등)
  • 실행: 잠재 프로모션 대상자의 평가와 알맞은 오퍼링, 메시지, 캠페인 타이밍, 캠페인 채널 등
  • 측정: 성과의 측정 (동적인 수정을 위해 실행과 동시에 수행 필요)
• 복수의 캠페인이 존재하거나, 캠페인 구조가 복잡할 경우에는 액션과 관련된 이벤트의 측정만으로 부족하며, 전체적인 고객 생애 주기가 고려되어야 한다.
• 각 고객의 생애 주기는 소매업체나 제조업체와의 상호작용을 포함하고 있고, 복수의 채널과 관련되어 있다. 고객 여정이라는 상호 작용의 사슬은 모든 접점과 생애 주기 전체에 걸쳐 일관된 경험을 제공해야 한다.

 

3.2 비즈니스의 목적

• 예측 모델은 보통 ROI를 캠페인 모수의 함수로 추정하고 캠페인의 경제적 최적화를 가능하게 한다.
• 캠페인은 화폐적 및 비화폐적 요소와 단기 및 장기적 효과 등을 포함한 매우 복잡한 구조를 갖고 있다. 

 

3.2.1 제조업체와 소매업체

• 프로그램 기반 타깃팅 서비스는 제조업체와 소매업체가 협력하는 방법에 따라 좌우된다. 
  • 고객 데이터 베이스를 소유하고 있는 소매 업체의 고객 관계 관리 전략
    • CPG 소매업체들의 캠페인은 제조업체들이 특정 카테고리 안에서 마켓셰어를 높이게 해 준다. 
    • 패션이나 화장품 같은 하이엔드 소매업체는 그들을 쇼핑 도우미로 포지셔닝하고 그들의 머천다이징 서비스를 통해 많은 가치를 제공한다. 
  • 소매업체가 자체 상표 제품을 제공하는 경우 제조업체들과 충돌을 야기한다. 출혈 경쟁을 방지하는 방법을 협상할 수 있다. 
  • 소매업체들은 카테고리 안에서의 매출을 최대화하고 싶어한다. 고객을 마진율이 높은 제품에서 할인가 제품으로 유도하는 것을 해로울 수 있다. 

 

3.2.2 비용

• 프로모션 비용은 다음 요소들의 합니다. 
  • 유통 비용: 쿠폰 디자인 및 인쇄 비용, 마케팅 에이전시 비용, 다른 캠페인의 고정 비용
  • 쿠폰 상환 비용: 모든 프로모션의 명목 비용 (전체 프로모션 횟수 x 단일 프로모션의 상환비용 x 기대 상환 비율)
  • 클리어링 하우스 비용: 제3자 클리어링 하우스 비용
• 비화폐적 비용도 고려해야 한다. 
  • 과도한 이메일로 인한 고객의 이메일 피로감으로 고객 불만을 증가시키는 비용

 

3.2.3 이익

• 가장 기본적인 요소는 매출의 증대이다. 
  • 성공: 캠페인 시행 시 매출 > 캠페인 없을 때의 매출 
• 제조업체 후원 캠페인은 해당 제품에 대해 이 목표를 성취하고 장기적으로는 해당 제품 카테고리에서 마켓셰어를 증가시키고자 한다. 
• 제조업체 후원 캠페인은 아래의 이유로 소매업체에도 이익이다. 
  • 재방문 촉진, 장바구니 크기 증가, 소비자 입장에서의 비용(배송비 등) 감소, 소매업체의 충성도 증가
• 캠페인의 목표는 고객과의 관계를 개선하는 것이다. 
  • 고객 유치: 새로운 고객 유치
  • 고객 소비 최대화: 기존 고객의 업셀, 크로스 셀
  • 고객 유지: 고객 이탈 방지

 

3.3 타깃팅 파이프라인

• 타깃팅 시스템 프로세스는 아래와 같다.
  • 가용 마케팅 예산 할당: 주요 목적별 균형이 필요함
  • 캠페인 디자인
  • 모델링과 연결
  • 최적화와 측정
• 최종 사용자(마케터) 관점에서 가상 캠페인 관리 흐름을 제공해야 한다. 
  • 마케팅 목적 선택: 프로모션 대상 제품과 상위 마케팅 목표 설정
  • 예측 시뮬레이션 기능: 최적의 옵션을 선택
  • 고객 경험 및 마케팅 크리에이티브 자산 생성 및 수정
  • 캠페인 실행 및 결과 분석

 

3.4 응답 모델링과 측정

• 프로모션과 광고의 목표는 소비자들로 하여금 더 많은 구매를 하고 프로모션에 응답하도록 유도함으로써 고객의 행동을 바꾸고 고객의 의사 결정에 영향을 미치는 것이다.
• 캠페인의 성공은 '응답'이라는 용어로 정의할 수 있다. 
  • 응답은 상환된 프로모션의 비율과 같은 간단한 지표로 측정될 수도 있고
  • 직접/간접 또는 보이는/보이지 않는 이익을 포함한 복잡한 지표로 측정될 수도 있다. 
• 응답 지표는 캠페인 실행 이전에 최적화와 의사 결정이 목적으로 예측할 수도 있고, 캠페인 이후에 측정될 수도 있다. 

 

3.4.1 응답 모델링 프레임워크

• 캠페인 모델링 문제를 여러 작은 서브루틴으로 나눌 수 있게 도와주는 간단한 일반적 프레임워크
• 캠페인의 전체 가치를 최대화하도록 트리트먼트에 가장 잘 반응할 후보 소비자들을 선택한다. 
  • 트리트먼트에 상관없이 낮은 응답 확률의 고객은 '잃어버린 고객(Lost cause)'이라 하며 좋은 타깃이 아니다. 
  • 트리트먼트를 받든, 받지 않든 응답할 고객은 '확실한 고객(Sure things)'이라 하며 이 역시 좋은 타깃이 아니다. 
  • 트리트먼트에 의해 오히려 더 멀어지는 고객은 '방해하면 안 되는 고객(Do not disturb)'이라 하며, 타깃팅에서 제외해야 한다. 
  • 트리트먼트를 받았을 때 잘 반응할 것 같은 고객은 '설득할 수 있는 고객(Pursuadables)'이라고 하며 가장 가치 있는 타깃이다. 

 

3.4.2 응답 측정

• 캠페인의 결과를 측정하는 데 사용하는 측정 프레임워크이다. 
  • 이 캠페인이 신규 고객 유치에 도움이 됐는가?
  • 기존 고객의 소비는 증가됐는가?
  • 고객 유지 비율이 증가했는가?
• 추가 이익을 측정하는 일반적인 접근은 프로모션을 받은 그룹(테스트 그룹)과 받지 않은 그룹(컨트롤 그룹)으로 나눠 둘 사이의 결과 차이를 분석하는 것이다. (업 리프트 분석)

 

3.5 구성 요소: 타깃팅과 생애 가치 모델

• 타깃팅 모델과 LTV 모델은 타깃팅 프로세스의 구성 요소이다.
• 타깃팅 모델의 목적은 특정한 상황에서 특정한 비즈니스 목표에 대해 특정 소비자가 얼마나 잘 맞는지를 측정하는 것이다. 
• 프로그램 기반 시스템은 모델을 예측하는 데 사용할 수도 있고, 처방에 사용할 수도 있다. 
• 아래 세 가지 종류의 모델은 따로 또는 같이 사용할 수 있다.
  • 성향 모델: 소비자가 특정 제품을 구매 등과 같은 특정 액션을 할 확률을 추정하는 것이다. 이런 모델의 결과는 타깃팅 의사 결정에 사용하는 확률과 비례하는 점수로 표현된다. 
  • 사건까지의 시간 모델: 성향 모델은 사건의 확률을 추정하지만, 그 사건이 언제 일어날지는 추정하지 않는다. 사건까지의 시간 모델은 많은 마케팅 응용에서 유용하며 다른 종류의 통계적 프레임워크가 필요하다.  
  • 생애 가치 모델: LTV 모델은 고객의 가치를 정량화하고 마케팅 액션의 효과를 추정하는 데 사용한다. 
• 보통 응답 확률과 고객의 가치가 구매 빈도와 같은 기본적인 특성에 비례한다고 가정한다. 이 기법은 고객을 세그먼트로 묶어 특정 캠페인에서 세그먼트를 포함하거나 제외할 수 있게 한다. 이 기법을 규칙 기반 타깃팅이라고 한다. 그런 다음 통계적인 기법을 써서 보다 복잡한 모델을 개발한다. 

 

3.5.1 데이터 수집

• 타깃팅과 LTV 모델은 보통 고객 행동을 관찰된 지표와 성질의 함수로 예측하므로 데이터를 인과 관계와 일치시키는 방법으로 수집하고 사용하는 것은 중요하다.
• 이 관점에서 데이터 요소는 구간별로 분류되고 각 구간은 이전 구간에 의존한다. 
  • 주요 동기: 소비자 행동은 제품 또는 서비스의 가치, 취향, 필요, 라이프스타일, 선호 등과 같은 기본적인 요소에 따라 좌우된다. (인구 통계학적 데이터나 마케팅 채널 선호와 같은 데이터는 로열티 프로그램 등록이나 제삼자 데이터 서비스 회사들을 통해 얻을 수 있다.)
  • 경험적 동기: 고객과 브랜드의 상호 작용을 통해 만들어진다. 고객 만족, 로열티, 사용 패턴과 같은 고객 경험으로 설명된다. (일부는 구매 빈도와 같은 지표를 통해 직, 간접적으로 구할 수 있다.)
  • 행동: 데이터의 가장 중요한 카테고리는 구매, 웹 사이트 방문, 브라우징 히스토리, 이메일 클릭과 같은 행동 관찰 데이터다. 이 데이터는 특정 시간에 일어난 각 제품과의 상호 작용을 담고 있다. 이런 행동 데이터는 모델링에서 가장 중요한 신호다. 
  • 결과: 마지막으로 고객 액션은 매출이나 이익과 같은 재무적 지표로 표현된다. (결과 지표)
• 위 데이터는 카탈로그 데이터, 계절성, 가격, 할인 스토어 정보와 같은 다른 차원의 정보와 결합될 수 있다. 
• 모델링 프로세스는 결과 분석뿐 아니라 숨어 있는 성질과 인과성을 찾아내는 데 집중해야 한다. 재무적 결과 분석도 중요하지만 마케팅 액션과 결과 사이의 연결을 행동적 개념으로 분석하는 것도 좋은 방법이다. 예를 들어, 광고가 고객 충성도와 행동 패턴(즉 고객이 한 세그먼트에서 다른 세그먼트로 옮겨 가는 것 등)에 영향을 미치는지 분석하고 고객 성질과 매출을 연결시키는 분석이 보다 통찰력 있고 실용적이다. 

 

3.5.2 계층별 모델링

• 단일 지표 세그멘테이션: 소비자 월간 평균 금액을 지표로 사용하는 것
  • 이는 고객과 프로모션 사이의 거리 척도이다. 프로모션은 특정 브랜드나 카테고리를 대상으로 만들어 지므로, 특정 고객에 대해 잘 맞는 프로모션은 가장 많은 소비를 한 브랜드나 카테고리에 기반을 두고 선택될 수 있다. 
  • 고객은 그 지표에 의해 정렬될 수 있고 가장 가치 있는 고객이 특정 프로모션에 대해 선택될 수 있다. (골드, 실버, 브론즈 등급)
  • 각 계층은 과거 데이터에 의해 추정된 평균 기대 응답률, 평균 고객당 소비 등과 같은 지표에 따라 나눠진다. 
• 복수 지표 세그멘테이션: 충성도 - 소비 금액 세그멘테이션
  • 브랜드에 충성하고 카테고리에 많은 돈을 쓰는 고객은 매우 가치 있는 고객이므로 보상되고 유지되어야 한다. 
  • 카테고리에 많은 돈을 쓰지만 브랜드에 충성하지 않은 고객은 체험 오퍼에 매우 좋은 고객이다. 
  • 이 접근은 카테고리 스펜딩과 브랜드의 소비 점유율의 두 가지 지표에 기반을 두고 고객 가치를 예측하는 단순한 타깃팅 방법이다. 

 

3.5.3 RFM 모델링

• 최근성 - 빈도 - 구매 금액(Recency - Frequency - Monetary) 분석이다. 
  • 최근성: 고객이 마지막으로 구매한 이후로 지난 시간. 시간 단위로 직접 사용할 수도 있고, 스코어로 변환될 수도 있다. 
  • 빈도: 특정 시간당 구매한 평균 횟수, 이 지표도 직접 사용할 수 있고 점수로 변환될 수도 있다. 
  • 구매 금액: 특정 시간에 구매한 전체 금액. 이 지표는 보통 사용 금액 구간 또는 점수로 측정된다. 
• RFM 큐브로부터 만들어지는 세그먼트 부분 집합은 선택하거나, 세 지표를 합해 하나의 점수로 만들고 그 합이 특정 점수를 넘는 고객을 선택하는 방법이 있다. 
• RFM 분석은 RFM 지표가 종종 응답 확률과 고객 LTV와 상관관계가 있다는 경험적 관찰에 기반을 둔다. 이는 깊이 있는 통찰을 제공하지는 못한다. 왜냐하면 이는 결과 지표이지 소비자 행동의 요인을 설명하지는 못하기 때문이다. 

 

3.5.4 성향 모델링

• 등급별 세그멘테이션이나 RFM 분석과 같은 세그멘테이션 모델은 제한된 숫자의 특징 및 지표와 기대 결과 사이의 관계에 대한 휴리스틱 가정을 갖고 있는 특별한 종류의 회귀 분석으로 볼 수 있다. 다음 단계는 보다 공식적인 스코어링 모델을 만드는 것이다. 
• 성향 모델링의 목표는 특정한 방법으로 행동하거나 미래에 특정한 행동을 할 확률이 높은 소비자를 예측하는 것이다. 예측 가능하고 타깃팅에 사용할 수 있는 행동의 수는 매우 많다. 몇몇 전형적인 예는 다음과 같다.
  • 새로운 제품을 구매할 확률: 신규 고객 유치 캠페인의 좋은 타깃이다. 
  • 카테고리 확장 확률: 업셀이나 크로스 셀 캠페인의 좋은 타깃이다. 
  • 추가 구매 확률: 구매 수량을 늘릴 것 같은 소비자는 소비 최대화 캠페인의 좋은 타깃이다. 
  • 이탈 확률: 서비스를 해지할 것 같거나, 제품 구매를 중단할 것 같은 소비자는 고객 유지 캠페인의 좋은 타깃이다. 
  • 응답 확률: 이메일 클릭과 같은 마케팅 행동에 응답할 확률이다. 
  • 구매 습관 변화 확률: 이사, 졸업, 결혼 등과 같은 이벤트로 쇼핑 습관이 바뀔 것으로 예측되는 고객을 찾는 데 관심이 있다. (미국 리테일 타깃의 고객 임신 예측 프로그램)
• 고객 유치, 최대화, 고객 유지 캠페인의 마케팅 목표는 구매 성향 용어로 표현될 수 있으므로, 구매 성향 기반의 접근은 응답 모델링 측면에서 매우 편리하다. 왜냐하면 캠페인 ROI는 예측된 결과의 확률에 의해 기대 이익과 손해를 곱함으로써 추정될 수 있기 때문이다. 

 

3.5.4.1 닮은꼴 모델링(Look-alike Modeling)

• 닮은꼴 모델링은 성향 모델링의 가장 중요한 기법 중 하나다. 고객 성향은 고객이 고객 생애 주기상의 한 지점에서 다른 지점으로 이동할 확률이라는 관찰에 기반을 두고 있다.
• 과거에 이런 행동을 보였던 소비자들의 프로파일에 기반을 둬 예측 모델을 만들고 이를 특정 고객의 성향을 예측하기 위해 그들의 현재 프로파일에 적용해 모델을 평가할 수 있다.
• 예를 들어 특정 제품을 구매하지 않다가 구매하기 시작한 고객의 프로파일은 이 제품을 처음으로 구매할 것 같은 고객을 찾아내는 모델을 훈련시키는 데 사용할 수 있다.

 

3.5.4.2 응답 및 업리프트 모델링

• 닮은꼴 모델은 특정한 액션의 무조건적 확률을 추정한다. 마케팅 커뮤니케이션을 특징에 추가함으로써 마케팅 트리트먼트가 주어졌을 때의 조건적 확률을 구하는 모델을 만들 수 있다. 
• 이 중 한 가지 기법은 파일럿 캠페인이라는 모델을 만드는 것이다. 이 기법의 원리는 상대적으로 작은 수의 고객을 위한 프로모션을 만들고 응답을 수집하고, 프로모션 대상자 중 응답자와 비 응답자의 차이를 최대화하는 분류 모델을 만드는 것이다. 
• 업리프트를 활용한 확률 모델링에 대한 측정 그룹
  
  • 컨트롤 응답자(CR)/비 응답자(CN)
  • 트리트먼트 응답자(TR)/비 응답자(TN)

 

3.5.5 세그멘테이션과 페르소나 기반 모델링

• 세그멘테이션 프로세스의 결과는 세그먼트 프로파일과 클러스터링 모델이라고도 하는 세그먼트 모델을 포함하고 있다.
  • 세그멘테이션 프로파일은 특징적인 세그먼트의 성질 및 지표와 전형적인 고객 페르소나가 어떻게 설명되는지에 대한 해석을 포함하고 있다. 
  • 가장 특징적인 성질은 과거 고객 프로파일에 대해 클러스터링 알고리즘을 가동해 구해지므로 각 세그먼트는 기존 고객 그룹에 대응하고 세그먼트 프로파일은 각 그룹에 대한 통계적 지표다. 
  • 세그먼트는 처음에는 기존 고객의 명단이지만 고객의 프로파일을 분류 규칙으로 사용해 페르소나로 변환하는 클러스터링 모델로 전환될 수 있다. 
  • 세그먼트 모델 기반 표현은 고객을 프로파일의 특성에 따라 세그먼트에 동적으로 할당할 수 있으므로 매우 중요하다. 
• 행동 기반 세그멘테이션은 이런 결과를 초래하는 특성을 파악하고자 하는 측면에서 RFM 분석(결과 지표)과는 다르다. 구매 금액과 같은 특징은 행동적 특성을 세그먼트화 하기 위해 사전에 제외된다. 또한 RFM은 정해진 특징을 사용하지만 행동 기반 세그멘테이션은 가장 차별성을 제공하는 특징을 찾아내기 위한 방법이다. 
• 행동 기반 세그멘테이션은 전략적 마케팅 분석에 매우 중요하다. 왜냐하면 고객 행동의 원인을 이해하고 각 세그먼트의 특징을 사용해 각 세그먼트에 알맞은 마케팅 전략을 사용할 수 있게 도와주기 때문이다. 
• 행동 기반 세그멘테이션 프로세스의 결과가 프로그램 기반 타깃팅 시스템에 사용된다.
  • 페르소나 태그는 고객 행동에 관한 중요한 시그널을 갖고 있고, 성향 모델링에 대한 강력한 예측 능력을 제공한다. 
  • 페르소나 태그는 세그먼트 수준을 정교화해서 각 세그먼트별로 예측의 정확도를 높이는 데 활용된다. 

 

3.5.6 생존 분석을 위한 타깃팅

• 성향 모델링은 마케팅 액션의 가능한 결과의 확률을 추정하지만, 좀 더 실행 가능한 지표인 '사건까지의 시간'으로 간단하게 표현되지 않는다는 단점이 있다. (구매 확률 80% vs. 고객이 할인을 받으면 10일 내 구매할 것을 5일 내 구매한다.)
• 성향 모델링 중 닮은꼴 모델은 이탈한 고객과 이탈하지 않은 고객을 차별화하기 위해 훈련될 수 있다. 하지만, 특정 기간에 이탈하지 않은 고객이라도 앞으로 이탈할 수 있으므로 정확하게 이탈하지 않은 고객이 아니라, 이탈할 것인지, 하지 않을 것인지 모르는 고객이라고 표현해야 한다. 이는 삭제된 관찰 값의 문제다. 
• 생존 분석은 삭제된 데이터를 제대로 처리할 수 있고 이벤트까지의 시간(생존 시간)을 예측할 수 있고 어떻게 마케팅 액션과 고객 성질이 특정 사건을 가속화 또는 감속화할 수 있는지 알려준다. 
• 생존 함수는 다양한 마케팅 활동에 활용될 수 있다. 주로 사용하는 활동은 보충 캠페인에서의 메시지에 적합한 타이밍을 추정하는 것, 고객 유지 캠페인에서 고객 이탈 시간을 추정하는 것, 고객 LTV 모델링에서 특정 시간 동안 구매 횟수를 추정하는 것 등이다. 
• 생존 모델은 성향 모델과 마찬가지로 다양한 제품, 카테고리, 고객군에서 사용할 수 있다. 이런 모델에 의해 계산된, 구매까지 걸리는 시간의 기댓값은 서로 비교될 수 있고 가장 적합한 제품과 오퍼링은 계산된 비율에 기반을 두고 선택될 수 있다. 

 

3.5.7 생애 가치 모델링

• 마지막 구성 요소는 보통 LTV, CLV, CLTV 등으로 불리는 LTV의 추정이다. 
• LTV 모델링의 목적은 브랜드가 고객이 브랜드를 사용하는 생애 동안 얼마나 고객으로부터 수입을 올릴 수 있는지를 추정하는 것이다. 
• LTV는 캠페인 디자인과 마케팅 믹스의 중요한 구성 요소다. 타깃팅 모델은 타깃 할 만한 고객을 선택하는 것을 도와주고 LTV는 매출과 이익의 측면에서 타깃팅으로부터 얻어지는 결과를 분석해 준다. 
• 다른 중요한 지표와 의사 결정 한계값이 LTV로부터 산출될 수 있기 때문에 중요하다. LTV는 고객 유치에 쓸 수 있는 금액의 한계를 결정하는 데 사용할 수 있고, 특정 브랜드의 모든 고객의 LTV 합은 비즈니스 평가의 주요 지표인 고객 가치가 된다. 

 

3.5.7.1 서술적 분석

• LTV는 고객으로부터의 모든 매출 및 그 관계와 관련된 모든 변도 비용을 계산하고 고객 유치 비용도 선택적으로 고려할 수 있다. LTV를 계산하는 가장 기본적인 방법은 미래의 특정 기간(보통 24개월이나 36개월) 동안 평균 기대 이익의 총합을 구하는 것이다. 
• 연도별 LTV 커브를 그려보면, 고객 가치의 장기적인 변화를 관찰할 수 있다.
  • 커브의 상승 곡선이 금방 밋밋해진다면 대부분의 고객 가치가 관계 초기에 창출된다는 것이고, 장기적인 관계는 추가 가치가 많이 없다는 것을 의미한다.
  • 커브가 시간이 지나도 꾸준히 상승한다면 이는 그 고객이 장기적으로 이익을 창출한다는 것을 의미한다. 

 

3.5.7.2 마코프 체인 모델

• 서술적인 LTV 모델은 여러 단계의 고객 유치, 최대화, 유지 상태가 섞여 있는 복잡한 고객 여정에 관해 유연성을 제공해주지 못한다. 동시에 여러 단계가 있다는 것은 고객 여정을 랜덤 프로세스, 더 나아가 마코프 체인으로 모델링해야 한다는 것을 의미한다. 
• 이 기법은 구매의 최근성과 같은 관찰된 고객 성질을 기반으로 고객 상태를 정의하고 다른 상태로 이동할 확률과 그에 따른 이익과 손해를 예측한 후 기대되는 고객 여정에 따라 LTV를 예측하는 것이다. 
• 마코프 체인의 중요한 부분은 '어떻게 상태와 변환이 정의되는가?'이다. 

 

3.5.7.3 회귀 모델

• 마코프 체인 모델은 정적인 고객 유지율과 평균 기대 이익을 시간과 상태에 의존적인 추정 값으로 바꿈으로써 서술적 LTV 모델을 발전시킨다.
• 이 방법의 한계는 모델에 포함되는 고객 성질의 수가 증가함에 따라 상태의 수도 기하급수적으로 증가한다는 것이다. 한 단계 물러서서 개념적으로 표현하면 두 방법 모두 LTV를 '고객이 브랜드에 머물 확률'과 '고객으로부터 기대 순이익'의 형태로 추정한다. 
• 전통적인 서술적 모델은 두 요소를 정적인 고객 유지 비율과 평균 이익을 이용해 예측하고, 마코프 체인 모델은 같은 요소를 확률적 분석을 사용해 예측한다. 
• 보다 유연한 해법은 각 요소에 대해 회귀 모델을 적용하는 것이다. 이 기법의 장점은 회귀 모델은 고객 프로파일로부터 만들어진 다양한 독립 변수를 사용할 수 있기 때문에 예측적 및 처방적 모델링이 가능하다는 점이다. 
• 고객 유지 확률 요소로는 생존 분석이 자연스러운 선택이다. 생존 모델은 고객이 이탈하는 시점을 추정하도록 훈련되고 이를 위해서는 이탈 사건이 정의되어야 한다.
  • 이 사건들은 직접 측정되거나(e.g. 고객이 서비스를 해지함) 어떤 비즈니스 규칙(e.g. 5개월 이상 구매가 없는 고객은 휴면 고객으로 정의)에 의해 휴리스틱으로 측정된다.
  • 생존 분석은 삭제된 데이터를 제대로 처리함으로써 고객 유지 확률 추정의 문제를 해결하고, 추정할 수 있는 능력은 구매의 최근성이나 빈도와 같은 고객 성질을 위험 함수에 모수화시켜서 이를 개인화한다. 
• 고객으로부터의 기대 순이익을 추정하는 방법은 각 고객 세그먼트에 대한 평균 순이익 값을 추정하고 그 값을 세그먼트 안에서 모든 고객에 대해 사용하는 것이다. 
• 보다 복잡한 회귀 모델은 계절성과 고객 프로파일 특성을 포함함으로써 만들 수 있다. 

캠페인 관리 워크플로우 개념도