프롤로그
데이터 자체는 ‘구슬’ 이다.
구슬도 꿰어야 보배가 되고, 구슬을 잘 꿸 수 있는 장인도 필요하다.
1.
데이터의 목적은 돈을 버는 것이다.
소비자를 대상으로 하는 기업이라면, 어떻게 하는 것이 돈을 버는 것일까?
2.
소비자가 돈을 쓰게 만들어라!
결국 소비자가 돈을 쓰게 만들려면, 소비자의 필요와 마음을 알아차리는 것이 중요하다!
3.
결국 소비자를 이해하는 것이 데이터의 목적이다
하지만, 소비자를 완벽하게 이해하는 것은 불가능하다. 그나마 데이터를 목적에 맞게 재배치하고 가공했을 때, 조금이나마 소비자를 이해할 수 있다.
소비자를 이해하려면, 공급자 마인드에서 벗어나야 한다.
소비자는 소비자일 뿐, 브랜드 담당자나 그 담당자의 지인이 아니다. 즉, 기업 내부 상황을 알지 못하기 때문에, 이런 공급자 마인드에서 벗어나야 한다.
소비자의 필요를 찾아가는 과정
결국 데이터의 목적은 소비자를 진심으로 이해하고 그들의 필요를 채워줄 단서를 찾아나가는 것이다.
저자는, 이를 위해 어떻게 데이터를 보면 되는지, 분석한 결과를 어떻게 활용하면 되는지에 대한 이야기를 전달하고자 한다.
1부 - 데이터가 알려주는 소비자의 마음 10가지
1.
소비자의 마음은 매출 데이터가 알려준다.
︎ 왜 데이터를 믿지 못할까?온라인 기업의 경우, 데이터로 돈을 벌어야 하는 생태계 상, 데이터 마이닝의 중요성은 이미 인정되고 그 어느때보다 적극적으로 활용되고 있다.
하지만, 오프라인의 경우에는 아직도 월마트의 ‘기저귀 + 맥주’ 이후 회자될만한 빅데이터 성공 사례가 없다고 저자는 말한다.
그 이유 즉슨, 그 간의 ‘경험’ 과 ‘직관’ 이 익숙한 인력들로 구성되어 있기 때문에 데이터를 활용하여 테스트하는데까지 걸리는 시간보다 직접 바꿔보고 피드백하는 것이 적은 시간이 걸리기 때문이다.
또 다른 이유는 매출이 아직까지 잘 나오기 때문이다.
그다음으로는 데이터를 제대로 활용하지 않기 때문이다.(즉, 데이터의 참맛을 보지 못해서(?))
︎ 데이터의 목적은 돈을 버는 것이고, B2C 기업이라면 소비자가 돈을 쓰게 하는 것이 곧 매출 상승이다.그렇다면, 소비자는 언제 돈을 쓰는가?
긍정 인지 → 태도(호불호) → 구매 행동(언제,어디서, 어떻게)
물론, 각 단계에서 데이터를 최대한 많이 가지고 있는 것이 좋다.
︎ 모든 것이 데이터가 된다.데이터는 크게 액티브 데이터(active data)와 패시브 데이터(passive data) 가 있다.
액티브 데이터는 자동으로 쌓이는 데이터를 의미하고, 패시브 데이터는 수기조사 등을 통해서 사람이 스스로 만들어내는 데이터를 의미한다.
뭐, 이제는 거의 모든 행동이 액티브 데이터 형태로 집계가 되고 있긴 하다.(신용카드만 해도 빅데이터가 된다)
와이파이나 저전력블루투스, 혹은 카메라나 적외선을 통해서도 행동 데이터를 쌓을 수 있게 되었다. 즉, 온라인의 로그 데이터처럼 오프라인에서도 사용자 행동 데이터를 얻을 수 있게 된 것이다.
소비자가 원하는 것을 알아내는 것은 소비자가 말한 것을 그대로 수집하는 것과는 포인트가 약간 다르다.
피상적이지 않고 너무 뜬구름 잡지 않는 지점을 찾아내는 것이 중요하다
→ 즉, 실행 가능한 단위의 프로젝트로 포인트를 제시하는 것이 중요하다는 말인데,
그래야지만 이에 따른 기술적인 문제나 비용, 발생 가능한 문제점을 구체적으로 논의할 수 있기 때문이다.
여기서 중요한 포인트!!!
쉬운 결제는 빠른 구매와 재구매로 이어진다 스타벅스의 ‘사이렌 오더’
→ 멤버십과 ‘O2O(online to offline)’ 을 연결한 성공적인 사례
: 사이렌 오더 앱으로 주문과 결제를 하면, 오프라인 매장에서 제품을 가져갈 수 있는 서비스
위의 사례에서 보여주듯, 이제는 온라인에서 결제하고 오프라인에서 제품을 가져가거나, 오프라인에서 제품을 보고 온라인으로 주문 배송을 하는 이런 일들이 낯설지 않게 되었다.
빅데이터 분석을 위해서는 통계 처리 전 로그 단위의 데이터가 오히려 가치 있을 수도 있다 2.
소비자의 마음은 영수증 한 장에 들어 있다
︎ 천 리 길도 영수증 한 줄부터영수증 안의 데이터만 분석해도 기업은 소비자의 많은 부분을 이해할 수 있다.
유비무환. 성장하기에 바빠 기본적인 내부 데이터 분석을 게을리하면, 소비자가 보내는 이상 신호를 발견하지 못할 수도 있다.
︎ 영수증에 담긴 데이터[데이터의 육하원칙]
5W1H | 데이터 종류 | 의미 |
누가 | 멤버십 등급. 동의를 받고 수집한 개인정보(생년월일, 성별, 거주지 등) | 고객 정보. 멤버십 회원이라면, 고유한 고객 정보로 활용할 수 있다. |
언제 | 연/월/일/시/분/초 , 요일, 공휴일 여부 외 | 외부 데이터와 연결할 수 있는 중요한 ‘핵심 가치’가 된다 |
어디서 | 매장 이름, 주소, 상권, 위경도 외 | 오프라인 매장. 행정구역 또는 위경도와 만나면 지도 시각화까지 가능하다. |
무엇을 | 제품 기준 정보, 카테고라이제이션, 속성 정보, 발주 일시, 할 수 있다면 분자단위까지 | 기업의 제상품 기준 정보. SKU(재고 관리 식별코드) 단위까지 세세하게 분류하고, 되도록 자세하게 태그 한다. |
어떻게 | 결제 수단, 쿠폰 사용 여부, 이벤트 참여 여부 외 | 결제 수단, 이벤트 정보 등을 담는다. 소비자가 어떻게 기업에게 비용을 지불했는지 다각도에서 설명할 수 있고, 이 결제 수단에서 프로모션 아이디어가 나온다. |
왜 | SNS 분석, 설문 조사, 특정 집단 대상 심층면접 외 | 영수증 데이터만으로는 소비자의 행동 원인을 알기 어려울 때가 있다. 이때 다른 데이터로부터 왜 그럴지 ‘추정’하는 것이다. |
영수증에는 ‘왜’ 를 제외하고 거의 모든 정보가 담겨 있다.
︎ who : 이 제품(서비스)를 구매(이용)하는 사람이 누구인가멤버십, 회원 데이터는 고객의 한주, 한 달, 한 해를 설명할 수 있기에 매우 중요한 정보이다.
→ 이를 이용해 고객별 타겟 마케팅이 가능해진다.
인구통계학적 특성이 아니라 고객 행동에 기반
이제, 근거없는 인구통계학적 특성을 통한 분류는 고객의 행동 패턴에 기반한 분류보다 그 설득력이 떨어지게 됐다.
→ 즉, 개인의 성향에 맞추거나 행동 속성에 따른 군집화가 제품과 서비스에 유의미한 인사이트를 주기 시작했다.
︎ what : 무엇을 사는가개인화 추천은 크게 두 가지 방법으로 사용된다.
•
개인 이력을 바탕으로 좋아했던 것을 보여주는 것 → easy 버전이다.
→ 가장 최근에 구매한 것, 가장 많이 구매한 것을 보여주는 방식
•
좋아하는 것이 비슷한 사람이 구매한(이용한) 제품(서비스)를 보여주는 것
ex ) 사용자 기반의 협업 필터링(사람들의 유사성 계산)
→ but 한계 : 계산 시간이 너무 오래 걸린다..
→ 대안 : 상품 기반의 협업 필터링(상품 간의 유사성 계산)
A와 B 를 동시에 구매한 고객이 많다면, A와 B는 유사한 상품이라는 로직
콘텐츠 추천과 같은 취향 분석에 매우 용이하다.
신제품을 만드는 데도 매우 유용.
︎ when : 제품이 언제 팔리는가기본적인 단계( 어느 요일, 어느 시간대에 무엇이 특히 많이 팔리고 적게 팔리는지 ) 부터 알고 있어야 한다.
특정 요일이나 시간대에 혜택을 주는 프로모션의 경우에는 더 많이 팔리는 시간대를 활성화하거나, 적게 팔리는 시간대에 고객을 유도하는 방식으로 나눌 수 있다. 영수증 데이터라면, 영수증이 많이 찍힌 시간대가 집객이 많이 된 시간대라고 볼 수 있다. 멤버십 데이터라면, 한 달에 몇 번 방문하는지, 방문 빈도와 간격을 알 수 있고 이를 활용해 적절한 이벤트 진행 기간을 설정할 수 있다. 사후적으로는 어떤 이벤트의 영향력이 높았는지도 확인할 수 있다. ︎ where : 어디에서 사는가매장의 위치는 상권과 함께 다양하게 분석할 수 있다. 어디서 샀는지를 알아야 물량을 어디에 얼만큼 배분할지 알게 된다.
더 나아가, 매장 간 비슷한 고객이 겹치며 발생하는 잠식도 계산할 수 있다.
인구와 유행의 흐름을 제대로 파악하고 있어야 죽어가는 상권과 살아나는 상권에 위치한 매장을 효율적으로 지원할 수 있다.
︎ how : 어떤 지불 수단으로 샀는가어떤 지불 수단을 사용했는지 분석하면, 어떤 결제 방법을 활성화해야 할지 트렌드를 파악할 수 있다.
물론, 지불 방법에 따라 수익도 달라질 수 있기 때문에 함께 고려해야 한다.