수년 전 나이키를 비롯한 해외 D2C(Direct to commerce)사업이 주목을 받으면서 국내 브랜드들도 자사몰 활성화를 위한 투자를 늘리거나, 새롭게 D2C를 전개하고자 하는 움직임이 있었습니다.
이때 D2C를 꼭 해야만 하는 가장 큰 명분 중 하나는 자사가 직접 확보한 충성 고객 데이터를 분석하여 고객에 대한 이해를 심화하고 이를 상품의 기획 개발이나 마케팅에 적용하여 성과를 거두고자 하는 것이었습니다.
큰 맥락으로 볼 때 이는 지금도 유효한 전략이며 지속적으로 그 중요도 또한 높아질 것입니다. 그러나 이 시점에 과연 D2C를 진행하는 브랜드들이 당초의 목표를 과연 잘 달성하고 있는지에 대해서는 한 번 짚어봐야 할 것입니다.
적지 않은 브랜드들이 D2C 사업 목표 중 하나인 고객 데이터를 활용한 분석 및 활용에 있어서 이미 몇 가지의 허들에 부딪히고 있습니다.
첫 번째는 충분한 양의 고객 데이터 확보에 실패한 경우입니다. 대부분은 기존의 매출 의존도가 높았던 외부 온라인 채널 등에서의 판매 비중을 줄이지 못하고, D2C에 대한 마케팅 투자 역시 소극적인 경우인데 탑 레벨에서의 의지와 의사결정 없이는 해결하기 어려운 부분이기도 합니다.
두 번째는 데이터 확보 이후에 이를 분석할 내부 역량 부족 또는 분석 내용에 대한 해석을 가지고, 실제 비즈니스에 적용할 의사결정이 어려운 데에 있습니다. 이제 대부분은 고객 분석을 위한 웹 로그 분석 정도는 갖추고 있습니다. 이를 통한 일부 분석 등은 매우 유용한 인사이트를 주지만, 실제 이를 상품 기획이나 마케팅 투자에 연결할 만한 근거로 활용하여 의사결정을 하기에는 부족함을 느끼기 때문입니다.
조금 더 발전한 형태로 분석을 진행하는 곳은 마케팅 자동화나 개인화 기술(솔루션) 등을 활용하여 고객을 세분화하고 이를 캠페인으로 활용하면서 실제 고객 반응까지를 얻어내어 이를 분석에 응용하기도 합니다.
흔히 인공지능의 장점으로 ‘예측’을 강조하는데, 최근 LLM(거대언어모델) 등의 등장으로 인해 ‘현상파악/요약’ 측면의 강점도 두드러지고 있습니다. 즉 비즈니스 의사결정에서 근거가 될 수 있는 고객의 행동 근거나 속성 근거 등을 예측이 아닌 현상 파악 차원에서 가능해진 것입니다.
특히 AI 분석 중에는 그 과정과 결과에 있어서 마케터나 비즈니스 사이드의 사람들이 이를 직관적으로 해석하기 어려운 경우가 많은데, 이 또한 AI가 의사결정이 가능한 수준의 설명으로 결과물을 제시해 준다는 점이 무엇보다 반가운 일이 아닐 수 없습니다.
지금껏 수많은 분석 및 분석결과를 두고 토의를 거쳐 근거에 대한 확신을 가지고 의사결정에 이르기까지의 진행 과정을 한번 떠올려 봅시다. 과연 그 진행 과정이 얼마나 합리적이고 빠르게 효율적으로 진행되었던가요? 위와 같은 분석결과라면 보다 합리적이고 효율적인 의사결정이 가능할 수 있지 않을까요?
한 번 더 돌다리를 두드리고 싶다면 이렇게 분류한 고객 집단이 선호할 만한 상품을 SMS 등의 마케팅 채널 등을 통해 유도하고 그 반응을 체크만 하는 것으로 검증을 진행할 수 있습니다. 또 해당 집단별 평균 구매 금액, 매출 비중, 주요 구매 시기(시즌) 등의 추가적인 분석도 가능합니다.
