이탈리아의 한 중소기업 마케팅 담당자가 프로모션을 진행해야 합니다. CRM 시스템에서는 고객의 연령, 성별, 거주 지역을 확인할 수 있지만, 특정 카테고리를 여러 번 방문한 고객이 누구인지, 결제 과정을 중단한 고객이 누구인지, 할인 혜택을 받을 때만 구매하는 고객이 누구인지는 알 수 없습니다. 데이터베이스는 고객에 대한 정보를 제공하지만, 그들이 실제로 구매로 이어지는 결정적 요인은 알려주지 않습니다.
이것이 바로 기존 세분화의 한계입니다. 모든 사람에게 똑같은 메시지를 전달하면 많은 대상에게 닿을 수는 있겠지만, 실제로 공감을 얻는 사람은 소수에 불과합니다. 행동 기반 세분화는 관점을 달리합니다. 다양한 채널에서의 행동, 빈도, 최근 활동, 구매 금액, 상호작용을 관찰한 뒤, 이러한 신호를 의사결정에 유용한 그룹으로 분류합니다.
시작하기 위해 굳이 데이터 사이언스 부서를 신설할 필요는 없습니다. CRM, 웹사이트, 이메일, 전자상거래 플랫폼에 이미 존재하는 데이터와 AI 기반 플랫폼을 활용하면, 정적인 목록에서 실행 가능한 인사이트로 전환할 수 있습니다. 여기에서는 소매, 금융, 전자상거래 분야의 사례를 포함한 실용적인 가이드를 제공하며, 개인정보 보호에 대한 고려 사항과 세그먼트를 동적으로 관리하는 방법도 소개합니다.
온라인 쇼핑몰 운영자는 그 달의 매출액을 알고 있습니다. 어떤 상품이 잘 팔리는지, 그리고 특정 지역에 거주하는 고객 수가 대략 얼마인지 파악하고 있습니다. 하지만 프로모션을 보낼 대상을 선정할 때면, 종종 “특정 연령대의 여성”이나 “이탈리아 북부 지역 고객”과 같은 일반적인 범주를 사용합니다.
이러한 정보는 유용할 수 있지만, 소비자의 행동을 설명해 주지는 못합니다. 같은 지역에 사는 두 사람이라도 서로 정반대의 구매 성향을 보일 수 있습니다. 한 사람은 할인을 기다리지 않고 매달 구매하는 반면, 다른 한 사람은 웹사이트에 접속해 가격을 비교한 뒤 프로모션 기간에만 구매를 결정합니다. 이 두 사람을 똑같이 대하는 것은 중요한 신호를 간과하는 것과 같습니다.
행동 기반 세분화는 바로 이러한 신호들을 포착합니다. 반복 방문, 최근 구매, 장바구니 포기, 또는 ‘ newsletter ’에 대한 응답 등은 고객이 구매 여정의 어느 단계에 있는지 알려줍니다. 따라서 마케팅 담당자는 단순히 인구통계학적 데이터에만 의존하는 대신, 콘텐츠와 채널, 시기를 유연하게 조정할 수 있습니다.
실용적인 원칙: 어떤 메시지를 보낼지 고민하기 전에, 고객의 어떤 행동을 파악하고 싶은지 먼저 생각해 보십시오.
중소기업의 경우, 첫 번째 단계는 간단할 수 있습니다. 구매 이력을 디지털 상호작용 내역과 비교하여 차별화된 접근이 필요한 고객 그룹을 파악하는 것입니다. ELECTE의 고객 인사이트를 바탕으로, 분석의 복잡성을 정보의 가치와 혼동하지 않으면서 이용 가능한 데이터를 보다 명확한 작업 기반으로 전환할 수 있습니다.
행동 기반 세분화는 고객의 행동 양상에 따라 고객을 동질적인 그룹으로 나눕니다. 인구통계학적 세분화는 연령, 성별, 지역 등의 요소를 활용해 “누구인가?”라는 질문에 답합니다. 반면 행동 기반 세분화는 “회사와 관계를 맺을 때 어떻게 행동하는가?”라는, 실제 행동에 더 유용한 질문을 추가합니다.
변수에는 다음이 포함될 수 있습니다:
가장 간단한 비유는 상점 주인의 경우입니다. 어떤 사람이 매점 근처에 산다는 사실을 아는 것도 유용한 정보이지만, 그 사람이 매주 매장을 방문하고, 항상 같은 제품을 요청하며, 할인 혜택을 이용하지 않는다는 점을 기억한다면 그 고객을 더 잘 응대할 수 있습니다. 행동 데이터는 관찰 결과를 의사 결정과 연결해 줍니다.
이탈리아에서는 식료품 고객에 대한 연구에서 오랫동안 구매 금액, 구매 빈도, 구매 시기의 10분위수를 활용해 왔습니다. 이러한 접근 방식은 RFM 모델을 선구적으로 도입한 것으로, RFM 모델은 최근 구매 시기(recency), 구매 빈도(frequency), 구매 금액(monetary)을 기준으로 고객을 분류하여 충성도 높은 고객, 고가치 고객, 이탈 위험이 있는 고객을 구분하는 데 도움을 줍니다. 이에 대한 배경 정보는 ‘다중 채널 소비자 행동’에 관한 심층 분석에서 확인할 수 있습니다.
설명적 분류는 이미 알려진 특성들을 묶어내는 것입니다. 반면 프로파일링은 상관관계와 모델을 활용하여 미래의 성향을 예측할 수 있습니다. 이 차이는 중요합니다. 세그먼트는 “이 고객들은 최근에 구매했다”라고 말할 수 있는 반면, 모델은 새로운 구매와 관련된 징후를 보이는 고객을 식별하는 데 도움을 줄 수 있습니다.
세분화에 관한 이탈리아의 연구 자료에 따르면, 최근 활동 시점과 이용 빈도는 단순한 인구통계학적 특성보다 더 높은 예측 가치를 가질 수 있는데, 이는 이미 표출된 수요를 반영하기 때문이다. 이로 인해 세분화는 디지털 마케팅의 세대별 세분화 분석에서 논의된 바와 같이, 캠페인과 영업 우선순위를 맞춤화하는 데 더욱 유용해진다.
유용한 세분화는 구조화된 데이터, 디지털 이벤트, 그리고 비즈니스 맥락이 결합될 때 비로소 이루어집니다. 단순히 많은 정보를 추가하는 것만으로는 충분하지 않습니다. 동일한 고객과 관련된 행동을 연결하고, 일관된 이벤트를 정의하며, 캠페인이나 비즈니스 의사결정을 이끌 수 있는 변수를 선택해야 합니다.
클러스터를 생성하기 전에, 어떤 결과를 얻고자 하는지 명확히 하세요. “고객을 더 잘 이해한다”는 표현은 너무 포괄적입니다. “오랫동안 구매하지 않은 고객을 다시 유치한다”거나 “주요 제품을 구매한 고객에게 액세서리를 추천한다”는 식의 표현은 데이터를 선별할 수 있는 구체적인 기준을 제시합니다.
중소기업의 경우, 초기 기반에는 다음이 포함될 수 있습니다:
RFM 모델은 과거 데이터를 세 가지 이해하기 쉬운 질문으로 정리해 주기 때문에 종종 좋은 출발점이 됩니다. 최근에 구매한 사람은 누구인가? 자주 구매하는 사람은 누구인가? 가장 높은 가치를 창출하는 사람은 누구인가? 클러스터링을 통해 이러한 변수들을 선호하는 카테고리, 프로모션에 대한 반응, 또는 탐색 행동과 결합할 수 있습니다.
CustomerMinding의 멀티채널 세분화 분석에 따르면, 2020년 이탈리아의 멀티채널 소비자는 4,650만 명으로, 5,270만 명 에 달하는 14세 이상 인구의88%를 차지했으며, 이는 전년 대비 6% 증가한 수치이다. 같은 연구에 따르면 행동 유형에 따라 결제 선호도가 달랐는데, ‘디지털 루티드(Digital Rooted)’와 ‘디지털 엔게이지드(Digital Engaged)’ 그룹은 모두 53%가 페이팔(PayPal)을 선호한 반면, ‘디지털 바운서(Digital Bouncers)’와 ‘디지털 루키(Digital Rookies)’ 그룹은 각각 41%와 44%가 선불카드를 선호했다 .
이 예시의 가치는 단순히 지불 자체에 있는 것이 아닙니다. 이는 관찰 가능한 행동이 일반적인 인구통계학적 범주보다 제안, 채널 및 메시지를 훨씬 더 효과적으로 이끌 수 있음을 보여줍니다.
클러스터는 누군가가 무언가를 할 수 있도록 도와야 합니다. “그룹 4”라는 표현은 마케팅 팀에게 아무런 의미도 주지 않습니다. 반면, “최근 고객, 단골 고객, 프로모션에 민감한 고객”이라는 표현은 커뮤니케이션의 논리와 모니터링해야 할 지표를 제시합니다.
자동화를 진행하기 전에 중앙 집중식 데이터베이스를 유지하고, 일관된 식별자를 정의하며, 데이터 품질을 점검하십시오. 기업 데이터 분석 가이드라인을 활용하면 데이터 수집, 정리 및 해석을 비기술 팀도 이해할 수 있는 하나의 프로세스로 통합하는 데 도움이 될 수 있습니다.
세그먼트는 워크플로를 실행할 때만 유용해집니다. 이 프로세스는 비즈니스 목표에서 시작하여 관련 이벤트를 선별하는 단계를 거쳐, 캠페인, 영업 사원의 조치 또는 서비스 관련 결정으로 마무리될 수 있습니다.
어떤 전자상거래 업체가 결제 단계 이탈률을 줄이고자 한다고 가정해 봅시다. 이 업체는 가능한 모든 행동을 분류할 필요는 없습니다. 대신, 특정 상품을 여러 번 방문하고 장바구니에 상품을 담았으나 구매 전에 과정을 중단한 고객들에게 집중하면 됩니다.
해당 세그먼트는 다음을 포함할 경우 실행 가능해집니다:
이탈리아 시장을 대상으로 한 기술 가이드에서는 RFM 지표와 재방문, 클릭 경로, 이메일 상호작용, 결제 과정 중 이탈과 같은 탐색 이벤트를 결합하여, 세분화되어 있으면서도 측정 가능한 마이크로 세그먼트를 생성할 것을 권장합니다. 원리는 간단합니다. 불필요한 라벨은 줄이고, 구체적인 행동과 연계된 그룹을 늘리는 것입니다.
전환율은 해당 세그먼트가 캠페인에 반응하는지 여부를 나타냅니다. 구매 빈도는 고객 관계가 공고해지고 있는지 파악하는 데 도움이 됩니다. 평생 가치(LTV)는 고객 관계의 경제적 가치를 마케팅 결정과 연결해 주는 반면, 이탈률은 고객 참여도의 저하를 나타냅니다.
이러한 지표들을 세그먼트별로 구분된 NPS와 함께 활용할 수 있지만, 이때는 해당 데이터를 실제 조치와 함께 종합적으로 분석해야 합니다. 고객은 만족한다고 말하면서도 구매 빈도가 낮을 수 있고, 주문은 완료하지 않으면서도 사이트와 자주 상호작용할 수도 있습니다. 고객 행동은 피드백을 대체하는 것이 아니라, 이를 보완하는 역할을 합니다.
품질 기준: KPI는 대시보드를 채우는 것이 아니라, 의사결정에 변화를 가져올 때 유용합니다.
동적 세분화는 고객의 행동이 변화할 때 해당 그룹을 업데이트합니다. 구매를 완료한 고객은 ‘이탈 고객’ 세그먼트에서 제외됩니다. 자주 방문하던 고객이 방문을 중단하면 재활성화 프로세스에 진입할 수 있습니다. 이러한 관리를 체계화하고 일관된 지표를 선정하려면, 기업용 KPI 분석을 위한 ELECTE를 참고하시기 바랍니다.
같은 논리도 업종에 따라 형태가 달라집니다. 슈퍼마켓은 쇼핑 빈도와 구매 금액을 분석합니다. 금융 회사는 서비스 이용 현황과 위험 신호를 살펴봅니다. 전자상거래 업체는 검색, 상품 선택, 장바구니, 결제까지의 과정을 추적합니다.
이탈리아 소매업계에서, 지출 10분위 및 구매 빈도와 최근 구매 여부를 기준으로 한 세분화는 식료품 고객 연구에서 밝혀진 바와 같이 RFM 접근법의 역사적 토대를 이룹니다. 따라서 각 매장은 고가치 고객, 구매 빈도는 높지만 지출액이 적은 고객, 가끔 구매하는 고객, 그리고 구매 빈도가 줄어든 고객을 구분할 수 있습니다.
이러한 고객 그룹에 반드시 동일한 인센티브가 필요한 것은 아닙니다. 단골 고객에게는 더 신속한 서비스나 추가적인 제안을 제공할 수 있습니다. 가끔 이용하는 고객에게는 이미 구매한 상품 카테고리와 관련된 메시지를 보내야 할 수도 있습니다. 구매 빈도가 줄어든 고객의 경우, 자동 프로모션보다는 먼저 상황을 분석해야 합니다.
가격은 다루기 까다로운 변수입니다. 한 가정이 더 저렴한 대안을 구매하는 이유는 해당 가정이 유통업체 자체 브랜드를 선호하기 때문일 수도 있고, 당장의 예산이 더 빠듯하기 때문일 수도 있습니다. 관찰된 행동만으로는 그 이유를 설명할 수 없습니다.
금융 부문에서 행동 클러스터는 고객이 서비스를 이용하는 방식, 즉 접속 빈도, 거래 유형, 선호하는 채널, 거래 프로필의 변화 등을 설명할 수 있습니다. 이러한 신호는 서비스 제공의 개인화, 우선순위 관리, 그리고 규정 준수 프로세스 모니터링을 뒷받침할 수 있습니다.
그러나 분석은 적절히 관리되지 않은, 중대한 영향을 미치는 자동화된 의사결정과는 분리되어야 합니다. 모델은 확인이 필요한 변화를 알려줄 수는 있지만, 고객 행동에 대한 완전한 설명으로 간주되어서는 안 됩니다. 금융, 신용 또는 규정 준수 업무의 경우, 사람의 감독, 문서화 및 구체적인 법적 평가가 필요합니다. 본 콘텐츠는 금융 자문이나 규정 준수 의견으로 간주되어서는 안 됩니다.
신중한 워크플로는 다음과 같은 순서를 따를 수 있습니다:
온라인 쇼핑몰은 사용자가 구매 과정을 중단한 시점에 따라 사용자를 세분화할 수 있습니다. 상품 상세 페이지를 여러 번 확인하는 사용자는 결제 단계까지 진행했다가 마지막 단계에서 이탈하는 사용자와는 다른 관심사를 가지고 있습니다. 또한 이메일을 열람만 하고 클릭하지 않는 사용자는, 이메일을 클릭하고 여러 상품을 비교하며 사이트로 다시 돌아오는 사용자와는 다른 요구를 나타냅니다.
캠페인은 이러한 차이를 반영해야 합니다. 정보를 제공하는 메시지는 구매를 고려 중인 고객에게 도움이 될 수 있습니다. 결제 과정을 중단한 고객에게는 알림 메시지가 적합할 수 있습니다. 이미 구매를 완료한 고객에게는 추가적인 제안이 유용할 수 있습니다. 목표는 더 많은 메시지를 보내는 것이 아니라, 행동과 콘텐츠 간의 간극을 줄이는 것입니다.
이탈리아 가구를 대상으로 한 연구에 따르면, 표명된 의도와 관찰된 행동 사이에 다양한 차이가 드러난다. 일관된 집단도 있고 다소 모순적인 집단도 존재하므로, 개인이 선호한다고 말하는 것과 실제로 구매하는 것이 항상 일치하는 것은 아니다.
파르마 대학교 아카이브에서 확인할 수 있는 연구에 인용된 Statista의 데이터에 따르면, 2024년 중반 기준저소득층 이탈리아 소비자의 85%가 이미 더 저렴한 대안을 선택하며 ‘트레이드다운’을 단행한 것으로 나타났다. 이는 반드시 브랜드 충성도가 낮아졌음을 의미하는 것은 아니다. 일시적인 예산 축소일 수도 있다.
따라서 소매 및 전자상거래 분야에서는 소비자 행동, 가격, 카테고리, 채널, 맥락을 종합적으로 고려해야 합니다. 가격 민감도를 실제 선호도와 혼동하는 세분화 방식은 잘못된 마케팅 캠페인을 유발하고 고객에 대한 부당한 결론을 내리게 할 수 있습니다.
정적 세그먼트에서 동적 세그먼트로의 전환은 알고리즘에만 달려 있는 것이 아닙니다. 중소기업(SME)이 훌륭한 모델을 보유하고 있더라도, CRM이 웹사이트와 연동되지 않거나, 이메일이 동일한 식별자를 공유하지 않거나, 영업팀이 마케팅팀과 다르게 이벤트를 해석한다면 여전히 저조한 성과를 거둘 수 있습니다.
이탈리아에서는 대기업이 중소기업보다 AI 도입이 더 널리 퍼져 있다. 인테사 산파올로(Intesa Sanpaolo)가 발표한 ‘이탈리아 기업의 인공지능’ 연례 보고서에 따르면, 대기업의 53.1%가 AI 솔루션을 사용하는 반면 중소기업은 15.7%에 그쳤다. 이 수치는 인프라, 전문성, 데이터 품질 면에서의 격차를 보여줄 뿐, 해당 방식의 가치가 부족하다는 것을 의미하지는 않는다.
범위가 명확히 정의된 사용 사례부터 시작하세요. 비활성 고객을 재활성화하는 것이 목표라면, 귀사의 비즈니스에서 “비활성”이 무엇을 의미하는지, 이를 뒷받침하는 이벤트는 무엇인지, 그리고 어떤 팀이 대응해야 하는지 정의하세요. 그런 다음 책임 소재를 명확히 하세요: 누가 데이터를 관리할지, 누가 캠페인을 승인할지, 누가 성과를 측정할지.
지속 가능한 여정에는 다음이 포함됩니다:
꼭 지극히 복잡한 세분화부터 시작할 필요는 없습니다. 명확하게 정의되고, 정기적으로 업데이트되며, 명확한 조치와 연계된 소규모 그룹 하나만으로도 아무도 사용하지 않는 수십 개의 클러스터보다 더 큰 가치를 제공합니다.
GDPR은 프로파일링을 선호도, 관심사, 신뢰도, 행동, 위치 및 이동 경로 등 개인의 특성을 평가하는 데 사용되는 자동화된 처리의 한 형태로 정의하고 있으며, 개인정보보호위원회는 프로파일링에 대한 정의에서 이를 명확히 밝히고 있다. 이탈리아에서는 개인정보보호위원회가 데이터 수집과, 이를 바탕으로 특정 목적을 위해 정보주체를 동질적인 그룹으로 분류하는 과정을 별도로 구분하고 있다.
마케팅 프로파일링의 경우, 동의는 원칙적으로 구체적이어야 하며 홍보용 통신 발송에 대한 동의와는 별도로 이루어져야 합니다. 개인정보 처리방침에는 프로파일링에 대해 설명해야 하며, 해당 처리는 처리 기록부에 기재되어야 합니다. 또한, 해당 활동이 대규모로 이루어지는 경우, GDPR에 따른 프로파일링에 관한 이탈리아 관행 요약에 따라 영향 평가가 필요할 수 있습니다.
개인정보보호위원회의 구글 사건은 또한 사전 동의 없이는 데이터를 프로파일링 목적으로 사용할 수 없음을 보여줍니다. 개인정보처리방침에는 광고 목적으로 데이터를 모니터링하고 사용하는 방식이 명확히 설명되어야 하며, 여기에는 지문 인식(fingerprinting)과 같은 기술도 포함되어야 합니다. 이는 개인정보보호위원회의 구글 관련 조치에서 드러나는 바와 같습니다.
단순한 세분화는 알려진 특성에 대한 쿼리를 활용할 수 있습니다. 프로파일링은 프로파일링과 세분화의 차이점에 대한 분석에 따라, 모델, 상관관계 및 추론을 추가하여 성향이나 행동을 추정합니다.
이러한 구분은 책임의 소재를 바꿉니다. 모델을 활성화하기 전에 법적 근거, 투명성, 데이터 품질, 그리고 해당 세그먼트의 사용 목적을 설명할 수 있는지 여부를 확인해야 합니다. 중소기업을 위한 AI 기반 데이터 분석 플랫폼인 ELECTE와 같은 플랫폼은 데이터 소스를 연결하고, 전처리 및 분석을 자동화하며, 패턴, 이상치 및 추세를 식별하고, 보고서를 생성하는 데 도움을 줄 수 있지만, 처리 목적 및 처리 방식에 대한 거버넌스는 여전히 기업의 책임입니다.
행동 기반 세분화는 대기업만을 위한 프로젝트가 아닙니다. 이는 소매 프로모션부터 장바구니 관리, 금융 서비스에서의 신호 해석에 이르기까지, 관찰 가능한 행동을 일상적인 의사결정과 연결하는 방법입니다.
이미 보유하고 있는 데이터부터 시작하세요. 목표를 설정하고, 가장 관련성이 높은 변수를 파악한 뒤, CRM, 웹사이트, 이메일 및 영업 부서가 서로 연동되는지 확인한 다음, 해석 가능한 초기 세그먼트를 생성하세요. 일관된 KPI를 통해 반응을 측정하고, 고객 행동, 경제 상황 또는 기업 우선순위가 변할 때마다 규칙을 업데이트하세요.
정적 세분화와 동적 세분화의 차이는 단순히 기술적인 측면에만 있는 것이 아닙니다. 최근 구매나 중단된 결제와 같은 이벤트를, 개인정보 보호를 준수하면서 신속하게 조치로 전환할 수 있는 팀의 역량에 달려 있습니다. AI 기반 프로세스는 수작업 부담을 줄이고, 데이터 사이언스 팀이 없더라도 인사이트를 활용할 수 있게 해줍니다.
ELECTE는 귀사의 데이터 소스를 연결하고, 구매 행동을 자동으로 분석하며, 세분화 결과, 이상 징후 및 트렌드를 실용적인 보고서로 전환할 수 있도록 지원합니다. ELECTE를 방문하여 중소기업의 일상 업무에 동적 세분화를 도입하는 방법을 확인해 보세요.
.svg)
.svg)
.svg)
