자사몰의 새로운 전략과 방향을 모색하는 브랜드 기업들이 관심을 가지고 있는 것 중에 하나가 개인화 서비스다.
하지만 개인화 서비스를 막연하게 고객 프로파일을 기준으로 한 맞춤형 서비스나 콘텐츠로만 이해하고 있다면 제대로 된 성과를 내기 어려울 수도 있다.
자사몰에서 이루어지는 대표적인 개인화 서비스인 상품 추천을 한 번 생각해 보자. 브랜드 자사몰의 경우, 메인 타겟층을 구분하는 기준이 있기 마련인데 가장 대표적인 것이 성별, 연령대, 구매금액 등이다. 예를 들면 여성, 20대, 평균 구매금액 5만원이라는 데이터를 기준으로 상품 추천 영역이나, 기획전을 구성할 수도 있다. 우리 고객 중 20대 여성이 최근 한 달 동안 많이 보거나, 많이 구매했던 인기상품 중 5만원 대의 상품을 10개를 뽑아 전시하는 것이다. 그런데 이러한 낮은 수준의 개인화 상품 추천은 타깃 즉 20대 여성에 속하는 고객들이라고 해도 효과가 떨어질 수밖에 없는 문제를 가지고 있다.
우선 특정 상품, 특정 카테고리 상품, 구매 예산 등을 이미 정하고 있는 고객의 경우, 위에서 이야기 한 낮은 수준의 추천 상품 중에는 자신이 원하는 상품이 없을 수 있다. 또 추천 상품이나 추천 상품과 유사한 대체재를 이미 구매한 경우에도 위에서 이야기 한 낮은 수준의 추천 상품에 대한 관심이 떨어진다.
자사몰을 여러 번 방문하거나 둘러보면서 원하는 상품을 발견하고자 탐색하는 고객의 경우에도 동일한 추천 상품이 반복적으로 노출되는 것에 흥미를 잃게 된다.
프로파일의 보편성이 반영되지 않는 고객도 있다. 처음부터 평균적인 20대 여성의 성향이나 선호가 반영되지 않는 고객이다. 예를 들면 브랜드가 내세우는 특정 색상을 좋아해서 해당 색상이 들어간 상품만을 고집하는 경우다.
인기 상품 및 집계 기간의 기준과 맞지 않는 고객도 마찬가지다. 스테디셀러를 고객에게 인지시키기 위한 인기상품 추천은 의미가 있으나, 재방문 또는 재구매 고객에게는 식상할 수 있다. 또 인기 상품을 선별하는 기준, 집계 기간 기준에 따라 각 개인의 성향이나 관심과는 동떨어진 추천이 될 수 있다.
이와 같이 같은 고객들은 타깃 고객 중 일부에 지나지 않을 것이라고 생각할 수도 있다. 왜냐하면 이 고객들이 개인화 서비스(개인화 상품 추천)의 성과에 얼마나 영향을 미치고 있는지에 대해 객관적인 데이터 근거를 찾아내기가 쉽지 않기 때문이다. 결국, 자사몰 운영자나 마케터는 어느 정도의 클릭율, 구매 전환율을 유지하는 것에 만족하는 데에 그치고, 이를 지속적으로 개선할 방법을 찾아내지 못하는 경우가 적지 않다.
개선책을 고려한다 해도 보다 현재의 개인화 조건을 더 세밀하게 조정하거나, 인기상품 추출의 기준 등을 변경해 이전 방법과의 차이를 비교하며 실험을 진행해야 하는 데, 이를 실행에 옮기기 위한 조직 내 비용이 만만치 않아 엄두를 내지 못한다.
머신 러닝이나, 딥러닝 등 인공지능 기법을 통해 개인화 서비스를 제공하는 가장 큰 이유는 바로 이런 문제를 해결할 수 있기 때문이다. 인공지능을 통한 분석 과정이나 결과에 대해 전문가가 아니라면 이해가 어려울 수도 있으나, 인공지능을 개인화 서비스에 활용하는 목적 자체가 각 개별 고객의 성향이나 관심이 무엇인지를 파악하는 데에 초점이 맞춰져 있고, 때로는 시시각각 변화하는 개별 고객의 성향과 관심까지도 실시간으로 알아내기 때문이다. 앞서 이야기하고 있는 낮은 수준의 개인화 서비스보다 이미 더 좋은 성과를 내고 있는 것도 사실이다.
개인화는 왜 하는 것일까. 다시 짚어보면 각 개별 고객을 더 잘 이해하고 그 고객이 좋아할 만한 것을 제안해 보다 나은 고객 경험을 제공하기 위해서다. 그런데 정작 공급자 입장의 틀 안에 고객을 억지로 욱여넣는 서비스를 하고 있는 것은 아닌지 점검해 봐야 할 것이다.
지금 이커머스 개인화 준비하고 계신가요?
그루비와 함께 빅데이터 · AI 기반 개인화 마케팅을 시작하세요!
