2023. 8. 3. 21:14ㆍ새싹(SeSAC) 데이터드리븐 디지털마케팅 강의 후기/7. CRM 고객 세그먼트
구매 가능성이 높은 상품 분석 예측의 중요성! 이번 시간은 동시구매 상품 및 다음 구매 상품 분석에 대한 이야기입니다!
1. 동시 구매 상품 및 다음 구매 상품 분석
1) 동시구매 상품이란?
- 고객의 구매 패턴 파악, 구매 가능성이 높은 상품을 자극하여 크로스셀링 가능!
- 함께 구매 가능한, 상품 간 관계를 찾아 유저 타겟팅 가능
사례) 쿠팡
- '많이 구매하는 베스트 조합' 추천 제공
- 쿠팡 이츠는 '다른 고객이 함께 주문한 메뉴'
상품 추천의 장점?>
회사 입장) 구매 품목 증가 = 매출 & 객단가 증가!
유저 입장) 제품 탐색 최소화 / 누락하고 안살 뻔한 일 방지 / 구매 금액 맞추기 용이
2) 어떤 상품을 무슨 근거로 추천할 것인가?
case 1) 장바구니가 빈 고객에게
- 고객의 연령대 참고 (ex. 주부로 추정, 어린 자녀 동반인가? 친구와 함께인가 등)
- 방문한 시간대 참고 (ex. 저녁 장거리를 보는 시간인가?)
- 정말 정보가 없다면 방문한 코너의 인기제품 중심으로 추천할 듯!
case 2) 장바구니에 과일과 채소가 담긴 고객에게
- 과일과 채소 중심으로 구매하는 고객 타깃은 주로 누구일까? (건강 관심? 비건? or N인분 요리? 혹시 술안주?)
- 과일과 채소 구매를 다 끝내고, 다른 걸 사는 동선이라면? (고기 등 다른 카테고리? or 신선 포장재?)
- cf. 새로운 관점. 이 분이 도매시장에서 제품을 구매하는 소매상이라면?
3) 순차 구매 상품
상품 구매에 순서가 있다면? : 시간 흐름에 따라 이후 구매하는 상품 조합을 찾는 분석!
- 장바구니 간 순서 있는 상품을 찾아내는 분석
ex1. 고객 생애 주기에 맞춰 순차적으로 니즈 및 필요 상품이 생기는 경우!
ex2. 동일 시리즈의 책/영화 등 시간적 순서가 있는 상품!
=> 다음 구매 유도 및 재방문 유도 가능
cf. 장바구니 분석 / 순차 연관성 분석
- 장바구니 분석 : 장바구니에 담긴 개별 물건 카테고리를 분석
- 순차 연관성 분석 : 구매하는 물건에 순서가 있는지, 구매자는 어떤지, 일정한 패턴의 그룹이 생기는지
> 이러한 정보를 적용 : ex. 다양한 피자토핑 조합 추천 판매
2. 연관성 분석의 이해
1) 연관성 분석이란?
장바구니 분석 : 어떤 상품들이 함께 구매되는지 경향성 파악
- 같이 구매되는 상품들 간의 연관성을 찾는 분석 기법! ( ex. 보완재? )
cf1. '함께' 의 기준? : 한번의 구매횟수에서 한꺼번에 구매되는 것을 의미
구매 빈도가 낮은 제품 (ex, 패션 뷰티) 은 시즌 및 반기로 측정 기간 확장
보험은 같이 들어가는 계약 1건 기준
cf2. 함께 구매 되는 "상품" : 상품을 구분하는 기준의 중요성!
- 분류단위가 지나치게 디테일하면 조합의 어려움
- 너무 크면 고객 맞춤으로 유의미한 추천이 어려움
2) 연관성 규칙의 지표 이해하기
Support / Confidence / Lift
1- Support : 지지도
- 전체 거래 중 구매 상품이 얼마나 함께 발생했는지! (= 일종의 제품 인기도)
- ex1. 전체 거래 횟수중, 오렌지 주스를 함께 주문한 구매건의 비율이 몇인지?
- ex2. 전체 거래 횟수 중 오렌지주스 + 탄산음료 함께 주문한 구매건의 비율은?
2- Confidence : 신뢰도
- 조건부 확률 떠올려보자! : 특정 조건이 발생했을 때, 동시에 일어날 확률! (= 상품 간의 연관성 정도)
- ex. 오렌지주스 구매 발생 건 중, 탄산음료를 함께 구매한 건의 비율은?
3- Lift : 향상도
- 규칙들의 가치를 파악하는 척도 (기본 대비, 얼마나 향상 가능성?)
- 전체 중 A 제품을 구매하는 구매건은 몇인지, 그리고 A제품 구매건 중 B제품 함께 구매하는 건은 몇인지?
> 거래 가능성의 비율 계산
- ex. 오렌지주스 구매 발생 건 중, 탄산음료를 함께 구매한 건이 발생할 가능성이 얼마나 될까? 전체중에 그 구매건의 비율이?
3) 연관성 분석 지표의 사용
- '적당한 수준'의 상품 수준 정의하기
- 최소한의 support 및 confidence를 정의하여 머신러닝 룰 생성
- lift 높은 순으로 살펴보며 의미 있는 룰 찾기
- 이러한 규칙을 파악하여 프로모션 기획에 적용!
주의사항!!)
- 다양한 기준으로 세분화한 모형을 만들고 비교해볼 것!
ex. 전체 모형 / 매장 별로 적용하는 모형 / 계절별 모형 등등
- 해석 가능한 룰을 적용할 것! (비즈니스적으로 의미 있나?)
일반적인 규칙 (ex. 보완재) / 의미 있는 규칙 (ex. 기저귀 + 맥주) / 이해할 수 없는 규칙
- 인사이트를 발견할 수 있는 질문의 시작점이 되어야 한다 : 고객분석으로 연결될 수 있어야 한다!
3. 순차 연관성 분석의 이해
1) 순차 연관성 분석의 개념
< 연관성 분석 + 시간 흐름 > !!!
- 어떤 제품을 같이 구매하는지 보는 '연관성 분석'에, 무슨제품 이후에 무엇을 구매해 조합하는지 시간 흐름을 파악
- 연관 규칙 생성 조건의 까다로움;;
- 평가 척도를 support만 제공! : 순서에 따라 구매한 고객수 / 전체고객수
2) 케이스 스터디를 해보자! : 코스메틱의 연관상품
cf. 고객 정보를 겟하는 순간은 결제할 때!!!
(ex. 올리브영은 카운터 바로 앞에 프로모션 상품 배치, 연관 제품이면 꼭 추천!)
1- 매장 및 브랜드별 가격대 분석 및 포지셔닝 선택
2- 프로젝트 목표 설정 : 고객의 '객단가' 향상을 위해 추천에 활용할 데이터 체계화!
3- CRM에 활용하기 위한 고민
- 기존 데이터를 기반으로 현장에서 정보생성에 활용할 수 있는 '싱글 뷰'를 만들자!
- 재구매 주기를 정해 CRM하여 고객 이탈을 사전에 대처하자!
(ex. 8주 구매 사이클 제품이면 그 전에 프로모션 쿠폰 푸쉬를 할 수 있도록!)
(ex. 비슷한 구매 패턴을 보이는 집단....의 '비슷'을 어떻게 정할까?)
- 구매 이력이 없는 제품을 새롭게 추천해보는 크로스셀링 전략을 세우자!
4- 위와 같이 CRM 관점으로 데이터 정리한 DB 만들기; 고객들을 특징화할 수 있는 변수 선정하기
(ex. 고객 자체의 구매력 / 브랜드 충성도 / 구매 품목의 다양성 / 이벤트에 반응하는 정도 등)
5- 구매 연관성 분석 조건 설정
- 어느 수준까지의 단위로 분석해야 하지? (카테고리 대중소단위, 브랜드 단위, 제품명 단위, 색조 및 용량단위까지...?)
- 기능성 여부, 디자인, 색상 등에 따라 크게 달라지는 특징들이 뭘까?
- 데이터 활용 관점에서는 어느 단위가 좋을까?
- 무엇보다... 얼마동안 기간의 데이터를 사용해야 할까?
(시계열적 특징이 뚜렷한 상품들이 있을 경우 매우 중요! 전년도 동일 시기를 기준? 분기를 기준? 등
ex. 여름은 썬크림의 계절이지! or 계절마다 선호하는 색조 다름)
5-1- 제외해야하는 조건들이 있을까?
- 브랜드에 상관 없이 구매하게 되는, 실상 값이 0인 상품들은? (ex. 화장솜 등 소비재)
- 반품은 어떻게? 무시할거야?
- 마이너 카테고리를 제외해야 할까?
- 대량 구매하는 거래건은 어떻게 처리할까? (ex. 이 사람 혹시 리셀러일 수도...?)
6- CRM 구매 연관성 분석
- 분류 기준의 세분화 정도에 따라, 구매 상품 간 연결성 탐색
- 특정 상품 구매 후 동시 구매하는 상품들의 비율 살펴보기
- 세분화 모형 성립시, 세분화 변수 선정하기
(지역, 연령대, 매장별, 구매금액 별... 차이가 큰지? 차이를 어떻게 검증할까?)
7- CRM 적용 ; 현장에서 회원정보 조회시 뜨는 리스트 예시
- 최근에 구매한 것
- 같이 구매할 가능성이 높은 상품 BEST
- 이전 구매 이력 있는 것들 중, 구매 주기가 다가오는 상품
등등....
3) 연관성 분석의 일반화?
데이터 분석가 입장이 아닌, 마케터 입장에서 상품 조합을 제공한다면 어떤 값을 기준으로 해야할까?
- SQL로 제공하기 쉬운 지표로 정리하기! (Support! => Group by COUNT)
- Support, Confidence, Lift의 고려 비율 유의하기!
(ex. 최소한 이정도의 서포트는 나오는 제품들 중, 컨피던스와 리프트가 높은 제품은 뭐가 있을까?)
cf. 앱서비스라면 OS에 따른 사용자 차이 발생할 수 있음을 인지하자! (ex. 연령 및 성별 별 선호하는 os 브랜드가 갈림)
cf. 특정한 특징이나 차이가 발생하는게 보일 때... 이때 상관관계와 인과관계를 혼동하면 안된다!
cf. 하루에 구매건이 여러개일 때 이걸 일단위로 합친다면? > 구매한 전체 후보 증가로 연관성 룰이 더 늘어남!
=> 연관성 파악을 위한 다양한 룰 확보를 위해 이렇게 데이터 규모를 확장하기도 한다!
cf. 연관관계를 보려면 구매한 상품이 무엇인지 상품명으로만 판단!
=> 구매한 구체적인 수량은 생략! (A 사는 사람은 연관성으로 A산다는 결과가 나올 수 있음)
'새싹(SeSAC) 데이터드리븐 디지털마케팅 강의 후기 > 7. CRM 고객 세그먼트' 카테고리의 다른 글
| [CRM 마케팅 특강] 기초 CRM 마케팅 2시간 안에 끝내기 (0) | 2023.08.26 |
|---|---|
| [CRM 강의 후기] SeSAC 러닝스푼즈 데이터 드리븐 마케팅 강의 : CRM 6단계 : AARRR 퍼널과, 데이터로 CRM 이벤트 분석 (0) | 2023.08.10 |
| [CRM 강의 후기] SeSAC 러닝스푼즈 데이터 드리븐 마케팅 강의 : CRM 5단계 : 이탈 고객 분석 (2) | 2023.08.08 |
| [CRM 강의 후기] SeSAC 러닝스푼즈 데이터 드리븐 마케팅 강의 : 고객세분화 케이스스터디 & CRM 2단계 : 고객 취향 세분화 (0) | 2023.08.03 |
| [CRM 강의 후기] SeSAC 러닝스푼즈 데이터 드리븐 마케팅 강의 : CRM 1단계 : 고객세분화를 알아보자 (0) | 2023.07.31 |