데이터로 풀어보는 마케팅 최적화

안녕하세요, Tech Data AI검색팀 소속 권순철입니다!

AI검색팀은 주로 “고객에게 좋은 쇼핑 경험을 주기 위한 프로덕트 분석”, “많은 상품/셀러를 개인에게 맞게 제공하는 검색/추천 시스템”, “데이터를 활용한 마케팅 최적화”라는 어렵지만 재밌는 주제들을 선정한 후 데이터로 풀고자 시도하고 있습니다.

이번 포스팅은 그중에서 “데이터를 활용한 마케팅 최적화”를 위한 여러 시도, 배운 점과 성과, 그리고 개선할 점을 다뤘어요. 마케팅 최적화 관련하여 파편적인 내용을 종합적으로 묶었지만, 수식을 배제한 직관적인 방식으로 공유드려요!

🏀 들어가며

플랫폼의 본질과 마케팅의 역할은 무엇일까요?

현재 우리는 “연결의 시대” 속에서 살아가고 있습니다. 스마트폰이 출시된 이후 상품과 정보의 생산자와 소비자를 연결해 주는 앱 기반의 서비스가 많이 출시되었습니다. 개인의 일상 혹은 사회에서 발생하는 많은 정보를 압축하여 연결해 주는 플랫폼으로 시작한 후 다른 도메인으로 확장 및 변형하는 사례들은 소수지만 파급력과 영향력이 매우 높은 서비스입니다. 반면에 브랜디는 처음부터 ‘패션 커머스 플랫폼’으로 정의한 후 패션과 관련된 여러 버티컬 서비스들을 시장에 선보이고 “이커머스 플랫폼”과 관련된 다양한 문제를 풀고자 노력하고 있는데요.

패션 커머스 플랫폼은 앞의 글에서 말씀드린 대로 소비자인 고객’과 생산자인 ‘셀러’를 ‘상품’을 기반으로 연결합니다.

고객이 ‘패션 커머스 앱’에 들어오는 이유는 자신이 원하는 상품이 있고, 그 상품들을 편리하게 찾을 수 있으며, 그 상품들로부터 만족감을 얻을 수 있다는 기대감 때문입니다. 마찬가지로 셀러가 자사몰이 아닌 ‘패션 커머스 플랫폼’에 상품을 등록하는 이유는 더 많은 고객에게 심미적 만족감을 줄 수 있는 상품을 보여주고 설득할 수 있다는 자신감 때문입니다.

그렇다면 패션 커머스 플랫폼은 무엇에 집중해야 할까요? 패션 커머스 플랫폼은 플랫폼으로서의 본질을 지키면 됩니다.! 상품의 생산자인 셀러가 보유한 상품들을 플랫폼에 등록할 때, 플랫폼은 등록된 데이터를 추출하고 정돈하여 정보로 변환합니다. 좋은 정보로 변환될 수록 고객이 원하는 상품 정보들을 적절한 시점에 제공할 수 있습니다. 고객은 원하는 상품들을 적절한 상황에서 발견하실 때 플랫폼을 방문하십니다. 그리고 고객의 유입 데이터, 리뷰 데이터, 고객 메타 정보, 앱에서의 활동 데이터들을 엮어서 셀러축과 마찬가지로 좋은 정보로 변환해야 합니다. 다시 말해서 패션 커머스 플랫폼은 단순히 ‘상품’을 파는 것이 아니라 플랫폼에서 파생되는 데이터를 기반으로 새로운 정보를 발견한 후 연결해서 셀러와 고객이 불편을 겪는 문제를 풀어주는 역할에 집중합니다.

일반적으로 다수의 이커머스 플랫폼은 다음과 같은 Flow를 가지고 있는데요!

이커머스 플랫폼의 최종 목적은 ‘고객의 구매’ 여정을 최적화하는 것입니다. 이커머스 플랫폼은 검색이나 홈 화면처럼 트래픽이 많이 발생하는 페이지부터 보완재 성격의 상품을 추천할 수 있는 장바구니 페이지까지 다양한 페이지들로 구성되어 있습니다. 다만 온사이트 상의 고객 활동에 초점을 맞추는 작업이 중요할 뿐만 아니라, 고객 활동이 멈춘 오프사이트 시점에서의 작업도 중요해요!

개별 고객에게 필요한 상품, 혜택, 정보를 적절한 시점에 제공하는 것이 마케팅의 구성 요소입니다. 이러한 구성 요소를 충족시키는 마케팅을 통해 고객과의 관계를 강화하고 리텐션을 높이는 것이 중요합니다. 개별 고객마다 원하는 상품과 시점이 다르므로 마케팅은 다차원적으로 집행되어야 합니다.

위의 작업을 원활하게 진행하려면 유입부터 시작하는 고객 행동 단위와 셀러와 소통하는 상품 단위가 모든 팀별로 일치해야 해요. 그러나 마케팅 발송 시스템, MMP 시스템, 행동 데이터 툴 등 서로 다른 서드 파티 툴을 활용하면서 KPI의 불일치와 의사결정의 어려움이 발견되었습니다.

그래서 먼저 CRM 마케팅과 퍼포먼스 마케팅을 구분하지 않고 고객의 행동을 기준으로 채널, 캠페인, 소재 단위의 성과 트래킹 시스템을 먼저 고안하는 것이 중요했습니다!

✅ Conversion Tracking System

Conversion Tracking System(이하 CTS)는 마케팅 예산 집행과 마케팅 의사 결정에서 매우 중요한 역할을 합니다. 다만 마케팅 채널이 다양하고 온사이트상의 고객 행동과 유입을 측정하는 단위가 상이할 경우 마케팅의 정책 수립에 어려움을 겪게 되는데요.

그 문제를 원천적으로 해결할 수 있는 부분은 자체 CTS 시스템을 도입하는 방법입니다. 우선 마케팅 부서에서 임의로 세팅 규칙을 정하는 것이 아니라 일관된 세팅 규칙을 도입하고 설득해야 합니다. 다시 말해서 SRN 네이밍 규칙, Attribution Link 세팅 규칙, One Link 규칙을 규격화한 후 해당 마케팅 채널을 담당하시는 실무자분들께 해당 작업의 필요성과 편리성을 전파해야 해요!

그리고 마케팅 비용 데이터 같은 경우는 정확성을 위해서 수기로 기입하는 부분은 최대한 지양하고 API 연동 방식을 도입해야 합니다. 또한 서드 파티 툴에서 적재되는 데이터보다 내부 DB가 항상 정확하므로 유입 이후의 성과는 최대한 내부 DB내 데이터를 활용하고 엮어야 합니다. 이 부분에서 고객의 기준과 행동과 결부된 상품 단위를 일치시키는 것이 중요합니다.

앞에서 말씀드린 CTS는 브랜디와 하이버에 독립적으로 적용되어 있고 해당 시스템의 개략적인 아키텍처는 다음과 같아요!

• 브랜디 CTS

• 하이버 CTS

CTS를 통해 마케팅 채널, 캠페인, 소재 단위의 성과 추적을 객관적으로 할 수 있었습니다. 캠페인 및 소재 단위의 객관적인 성과 측정이 가능하면서 Attribution model(이하 어트리뷰션 모델)과 Budget Allocation System(이하 BAS)이 필요했습니다.

데이터 분석을 통해 다음의 현상을 발견할 수 있었어요!

• AOV(고객의 평균 객단가)는 크지 않았습니다. 일반적으로 AOV가 낮을 경우 해당 플랫폼은 저관여 제품(소비자가 구매할 때 비교적 적은 시간과 노력을 기울이는 제품)을 판매하는 것으로 간주합니다. 하지만 구매까지의 고객 여정이 하나의 세션에서 일어난 것이 아니라 다수의 세션을 통해 발생했어요. 이것은 고객이 다른 탐색을 행위를 진행하면서 상품에 대해 많은 정보를 수집하는 것을 의미합니다.
• 현재 브랜디는 많은 마케팅 채널을 운영하고 있습니다.
• 최종 목적인 고객의 구매 행동까지 비교적 많은 행동 퍼널을 가지고 있어요.

위와 같은 데이터 분석을 통해 비교적 일관적인 어트리뷰션 모델(Last click based)에서 두 가지 형태의 어트리뷰션 모델의 도입을 시도했습니다. 먼저 Time Decay 방식으로 구매와 가까운 행동을 유발한 캠페인에 많은 점수를 주는 방법론입니다.

두번째 방법은 주요 Funnel별 고객의 행동을 일으킨 캠페인 및 채널 단위를 Hidden Markov Model(이하 HMM)로 추상화하는 것입니다. 이 때 주요한 가정은 “다음의 행동은 현재의 행동에만 영향을 받는다”는 것입니다. 이 가정이 이커머스에서 성립할 수 있는 이유는 이커머스 상의 최종 목적인 구매까지의 Flow가 아래 이미지와 같이 단방향이기 때문입니다.

고객의 단방향적인 행동을 HMM을 마케팅 채널 및 캠페인 단위로 표현하면 다음과 같이 간략하게 표현할 수 있습니다.

여기서 첫 번째 구매 행위를 한 고객과 두번 이상의 재구매 고객을 나눈 후 마케팅 채널별 HMM을 활용해 보다 효과적인 어트리뷰션 모델을 고안할 수 있습니다. 위의 어트리뷰션 모델을 활용해서 마케팅에서 원하는 고객 행위(Ex : 구매)를 이끌어 내는 채널을 선정할 수 있습니다. 또한 위의 어트리뷰션 모델은 BAS의 근거 데이터로서 마케팅 예산을 효율적으로 집행할 수 있어요.

어트리뷰션 모델과 BAS는 어떻게 컴포넌트로 작동할까요? 오프사이트 캠페인 최적화 파이프라인을 압축하면 다음과 같습니다.

컴포넌트별로 설명하면 다음과 같아요.

• 첫 번째 단계는 “어떻게 예산을 가능한 활동에 분배하느냐?”입니다.
• 두 번째 단계는 캠페인 디자인(각 목적을 마케팅 캠페인으로 발전시키는 것)입니다.
  • 각 캠페인에 대해 고객,메시지와 같은 결정이 요구됩니다.
  • 이를 위해서는 캠페인과 연결될 수 있는 예측 모델이 필요합니다.
  • 예측 모델은 타겟 대상과 캠페인의 최적 모수를 결정하는 데 사용할 수 있습니다.
• 마지막으로 캠페인은 추가 최적화와 결과 측정에 사용할 데이터를 수집합니다.
  • 다만 프로그램 기반 시스템은 다양한 전략을 평가하기 위해서 시뮬레이션과 실제 타겟팅의 효과를 모두 테스트할 수 있어야 합니다.
• 마케팅 오퍼레이션 관점에서 활용할 수 있습니다.
  • 1. 예산 분배
  • 1. 목적 선택
       • 프로모션 대상 제품과 상위 마케팅 목표 설정합니다.
       • 이때 캠페인 시스템은 캠페인 전략을 제공하기 위해 과거 데이터, 예측 모델 등을 활용합니다.
  • 1. 비용 및 이익과 같은 캠페인 결과는 예측할 수 있으므로 마케터는 최적의 옵션을 선택할 수 있습니다.
  • 1. 캠페인 변수가 시스템에 의해 선택되면 마케팅 메시지, 폰트, 이미지 등과 같은 자산들을 마케터가 관여합니다.
  • 1. 정의된 캠페인이 실행됩니다.
  • 1. 캠페인의 효과를 측정하고 피드백을 진행합니다.

지금까지 채널 및 캠페인 단위에서 집행된 마케팅 예산의 효율성을 판단할 수 있는 저울을 고안했습니다. 이제는 저울을 기준으로 본격적으로 음식을 만들어 볼까요?

🙏🏻 Feature Store

Feature Store와 마케팅 최적화

본격적으로 음식을 만들기 전에 신선한 재료를 다듬는 작업을 진행하겠습니다.

앞에서 살펴보았듯이 패션 플랫폼은 크게 세 가지 축으로 구성됩니다.

마케팅은 결국 적절한 시기에 개인에게 적합한 소재를 보내는 것이 중요한데요. 상품과 셀러는 마케팅 소재의 미시적인 단위가 됩니다. 그리고 고객의 메타 정보와 행동 데이터는 마케팅의 발송 시점과 유저 세그멘테이션에서 중요한 역할을 합니다.

플랫폼이 가지고 있는 데이터를 활용하여 세 가지 축을 다양한 관점이 담긴 임베딩(Embedding)으로 표현할 수 있습니다. 피처스토어는 ML 모델의 개발과 운영을 빠르고 안정적으로 하기 위한 개념인데요. 피처스토어는 현재 Medallion 아키텍처에 따라 생성되고 유지되고 있습니다. 구체적인 피처스토어 파이프라인은 다음과 같습니다.

ML 모델의 최종 활용 지점은 앞에서의 세 가지 축{고객, 상품, 셀러}에 속하므로 마케팅 최적화와 연결됩니다. 즉 정돈된 세 가지 축은 패션 커머스의 바탕을 이루므로 범용적으로 활용할 수 있습니다. 예를 들어 “추천/검색 태스크”를 풀기 위한 ML 모델을 거친 임베딩값은 “마케팅 최적화 태스크”에도 활용될 수 있는데요. 추천 태스크에서 활용하는 상품 피처는 다음과 같이 표현될 수 있습니다.

기존의 300만개 이상의 상품을 보유하고 유행이 수시로 바뀌는 브랜디와 하이버는 오늘도 매일 몇만 개의 상품이 등록되고 있습니다. 이 정도의 규모의 상품 수를 MD 혹은 마케터 분들이 모두 다루는 것은 어려운데요. 마케팅의 주요한 소재인 상품을 기준으로 비즈니스 상황(Ex : 광고 소재)을 반영하면서, 해당 상품과 유사한 상품을 마케팅할 때 피처스토어의 상품축을 응용할 수 있습니다.

또한 플랫폼에 쌓인 데이터를 활용하여 고객 임베딩과 셀러 임베딩을 피처스토어에 적재할 수 있습니다. 다음과 같은 마케팅 캠페인 상황에 피처스토어를 요긴하게 활용할 수 있습니다.

• 고객이 마지막으로 접한 상품과 스타일과 상품 카테고리가 같으면서 평소 고객이 주로 살펴보는 셀러(고객축 + 상품축)
• 고객이 마지막으로 접한 상품과 스타일과 상품 카테고리가 같으면서 해당 상품을 보유한 셀러와 비슷한 셀러가 보유한 상품(상품 축 + 셀러 축)
• 고객이 마지막으로 접한 상품과 스타일과 상품 카테고리가 같으면서 해당 상품을 보유한 셀러와 비슷한 셀러가 보유한 상품들 중에서 고객이 선호하는 가격 구간에 속한 상품(상품축 + 고객축 + 셀러축)

위와 같이 데이터 정합성을 거친 ML 모델을 위한 피처스토어는 마케팅 최적화 태스크에도 빠르고 효과적인 역할을 합니다.

📌 퍼포먼스 마케팅 최적화

개인 정보가 강화된 이슈와 퍼포먼스 마케팅

이제 본격적으로 요리를 해볼까요? 먼저 퍼포먼스 마케팅 최적화를 살펴보겠습니다. 큰 틀에서 마케팅 예산은 BAS를 참고하여 결정하는 것이 좋은데요.

퍼포먼스 마케팅에서 중요한 지표는 ‘CPI(신규 설치 1건당 비용)’, ‘CAC(고객 1명당 획득 비용)’, ‘ROAS(광고 비용 기준 상대적 매출 총액)’가 있는데요. 어트리뷰션 모델을 살펴보면 ‘신규 회원 가입’에 퍼포먼스 마케팅이 일반적으로 성과가 좋았습니다. 그래서 퍼포먼스 마케팅에서 가장 먼저 고려할 지표는 ‘CAC’로 규정할 수 있습니다.

퍼포먼스 마케팅은 IOS 14 업데이트 이후 개인 정보를 취득하기 어려운 상황인데요. 무엇보다 퍼포먼스 마케팅은 외부 채널에서 자체 엔진으로 고객에게 마케팅 소재를 노출하므로 CRM 마케팅만큼 플랫폼 내 데이터를 활용하는 것은 어렵습니다. 다만 캠페인 디자인 단계에서 소재를 선정할 때 피처스토어 내 상품축과 고객축을 활용할 수 있습니다.

구체적으로 해당 분기 / 월 / 주차 단위로 고객 행동 목표를 설정합니다. 소재 선정시 마케팅 캠페인 집행 시기 기준으로 공통되는 분기, 월, 주차에 유행했던 키워드와 소재를 파악합니다. 그리고 최근 거래 및 북마크 데이터 기준으로 급등하고 있는 인기 상품을 선정할 수 있습니다. 현재는 상품 단위 분포의 차이를 정량화할 수 있는KLD(Kullback-Leibler Divergence) 알고리즘을 활용하고 있습니다. 추가로 고려한 점은 광고 비즈니스 로직과 고객 메타 정보를 추가한 소재 최적화입니다.

💥 CRM 마케팅 최적화

성숙한 플랫폼은 리텐션을 어떻게 올릴 수 있을까요?

현시점에서 ‘브랜디/하이버/서울스토어’는 성숙한 앱으로 분류할 수 있어요. 다시 말해서 많은 회원을 보유하고 있는 앱이므로 CRM 마케팅은 퍼포먼스 마케팅보다 높은 비중을 자연스럽게 차지하고 있습니다.

CRM 마케팅은 기본적으로 마케팅 수신 동의율과 심야 수신 동의율을 기본적으로 높이는 것이 중요한데요. 특히 통계적으로 여성분들이 저녁 시간과 심야 시간에 앱을 많이 사용하시는 경향이 있으므로 심야 수신 동의율을 올리는 것이 중요합니다. 그래서 마케팅 부서에서 기본적으로 마케팅 수신 동의율과 심야 수신 동의율을 유지하기 위해서 여러 마케팅 캠페인을 진행하고 계십니다.

😁 APP-PUSH

“마케팅 수신 동의율과 심야 수신 동의율이 일정 수준 유지된다”는 전제하에 CRM 마케팅에서 다룰 수 있는 채널은 App-push(이하 앱푸시)와 카카오 플러스 친구(이하 카플친)이 존재합니다.

앱푸시는 대부분의 커머스 플랫폼에서 사용하는 마케팅 채널입니다. 다른 마케팅 채널과 다르게 앱푸시는 무료입니다. 또한 고객의 메타 정보와 행동 데이터를 활용하여 ‘유저 세그멘테이션’을 할 수 있는 몇 안되는 채널입니다.

브랜디 내 앱푸시는 특정 기간에 메시지는 보내는 방법과 고객의 행동을 기준으로 메시지를 전달하는 방법이 존재합니다. 고객 여정을 다시 한번 살펴보면 아래 이미지와 같았는데요.

Frequency cap(고객이 받는 메시지 양에 대한 한계치)에 어긋나지 않았을 경우 고객은 마지막 행동을 기준으로 앱푸시 메시지를 받습니다. 예를 들어 마지막 행동이 ‘상품에 관한 찜’인 경우 다음과 같은 앱푸시 메시지를 받게 됩니다.

그리고 단위를 한 단계 넓혀서 가디건과 관련된 행동이 마지막 행동인 경우 다음과 같은 앱푸시 메시지를 발송합니다.

위와 같이 고객의 마지막 행동에 맞춘 마케팅 캠페인이 대다수 운영된 상황인데요.

기존의 마케팅 성과 측정은 해당 캠페인의 전환율이 기준이었습니다. 다만 해당 지표는 직관적이지만 실제 마케팅의 성과를 측정할 수 없는 지표입니다. 그래서 Uplift 지표를 기준으로 캠페인의 성과를 측정했습니다. Uplift는 해당 캠페인의 대상자를 기준(Capping rule 준수)으로 앱푸시를 받지 않는 군(Organic Response)과 앱푸시를 받는 군(Treated Response)으로 랜덤하게 나눕니다. 그래서 앱푸시를 받지 않는 군 대비 앱푸시를 받는 군의 전환율이 1을 넘는 경우 해당 캠페인은 고객 여정에서 효과적인 캠페인으로 간주할 수 있습니다. Uplift를 표현한 이미지는 아래와 같아요.

결과적으로 Uplift를 기준으로 효과적이지 않은 캠페인을 CRM 마케팅팀 분들과 협업하여 제거하였습니다. 효과적인 캠페인을 제거하면서 마케팅 캠페인을 데이터 기반으로 모든 고객 여정 단위로 설계하지 못하고 부분적으로 만든 점은 개선할 점입니다. 데이터 분석 결과 해당 고객이 다음 세션에서 ‘마지막으로 접한 상품’을 살피지 않습니다.

😛 카카오 플러스 친구

카카오 플러스 친구(이하 카플친)는 한 건당 20원 정도를 소요하는 유료 마케팅 채널인데요. 데이터 기반 실험을 진행해본 결과 앱푸시보다 훨씬 진입률이 높은 것을 확인할 수 있었습니다. 카플친은 주로 쿠폰 플레이 혹은 고객 세그멘테이션 이 후 상품 및 셀러를 소재로 발송하는 캠페인을 진행합니다.

먼저 쿠폰 플레이를 살펴보겠습니다. 쿠폰 플레이의 목적은 ‘구매 빈도 증대’와 ‘AOV(주문 건당 평균 걸제 금액) 상승’입니다. 기존에는 최근 구매일을 활용한 임의적인 세그멘테이션을 기반으로 쿠폰을 매칭하였는데요. 피처스토어 내 여러 데이터를 활용하여 ‘현재 시점 기준 특정 시점 이내 구매 유무’를 예측하는 태스크로 고객 세그멘테이션을 진행하였습니다.

구매 데이터를 활용한 시계열 데이터 분석을 진행하여 계절성과 고객의 구매 패턴을 파악할 수 있었습니다. 그리고 구매에 영향을 주는 피처와 추가 피처 엔지니어링을 진행하였습니다. 구매에 영향을 주는 복합 변수들을 적절히 반영할 수 있는 ML 모델을 선정하여 ML 모델을 설계하였습니다.

또한 구매 확률을 예측할 뿐만 아니라 같은 기간 고객의 LTV도 구매 확률 예측 태스크 이후 예측할 수 있도록 모델을 설계하였습니다. 이때 LTV는 Zero-inflated log-normal 형태의 분포를 가지고 있습니다.

그래서 구매 확률 예측 모델과 LTV 예측 모델은 다음과 같은 형태로 오프사이트 캠페인 최적화 모듈에 작동할 수 있습니다.

실질적인 쿠폰 플레이는 구매 확률과 LTV 예측값을 기준으로 고객 세그멘테이션을 진행합니다. 실제 고객을 대상으로 집행 결과 기존 쿠폰 플레이 방법보다 주간 구매 전환율은 25%, AOV가 33% 향상된 것을 발견할 수 있었습니다. 다만 모수 이슈 때문에 Uplift 모델링을 진행하지 못했는데요. 향후 ‘쿠폰에만 반응하는 고객군’과 ‘쿠폰과 상관없는 고객군’을 구분할 수 있는 Uplift 모델링 관련 고도화가 진행될 경우, 더 효율적인 쿠폰 플레이를 진행할 수 있을 것입니다.

카플친은 쿠폰 플레이에만 쓰이지 않는 범용적인 채널입니다. 현재 카플친은 고객 여정에 맞춘 오프사이트 {상품, 셀러} 추천을 할 수 있는데요. 이 때 고객의 행동 데이터와 상품의 메타 정보를 주로 사용하여 상황에 맞는 보완재 및 대체재 상품을 추천하고 있습니다. 무엇보다 앱에 활동하는 시간과 오프사이트 캠페인의 발송수에 반응하는 스트레스 정도가 개인마다 다릅니다. 그래서 ‘개인에 맞는 소재 선정 태스크’, ‘개인별 발송수 제한 태스크’, 그리고 ‘고객별 발송 시간 최적화 태스크’를 개별적으로 풀 수 있는 모듈을 독립적으로 구성합니다. 그래서 카플친 발송 시스템은 고객의 쇼핑 여정 및 상황에 따라 다음과 같은 아키텍처로 구성됩니다.

❣️ 글을 마치며

결국 패션 커머스 플랫폼의 본질은 고객과 셀러를 상품과 정보로 원활하게 연결해 주는 것인데요. 지금까지 플랫폼에서 마케팅의 역할, CTS, 피처스토어, 그리고 개별적인 CRM 마케팅 및 퍼포먼스 마케팅을 데이터로 해석하고 풀어보는 과정을 간략하게 살펴보았습니다.

패션 커머스 플랫폼 특성을 반영하여 퍼포먼스 마케팅 채널과 CRM 마케팅 채널을 구분하지 않고 CTS를 통해 마케팅 채널, 캠페인, 소재 단위의 성과 추적을 진행할 수 있었습니다. 그리고 “고객 여정이 하나의 세션에서 일어난 것이 아니라 다수의 세션을 통해 발생”하는 점을 고려하여 어트리뷰션 모델을 고도화하고 BAS를 도입했습니다.

저울을 만든 후에 신선한 재료를 다듬었는데요! 다시 말해서 범용적인 피처스토어를 도입하여 캠페인 디자인을 보다 효과적이고 효율적으로 진행할 수 있었습니다. 이 때 항상 패션 플랫폼에서 가장 중요한 축인 {고객, 셀러, 상품}을 항상 고려하고 다양한 관점과 가정을 가진 ML 기반 임베딩을 세 축을 기준으로 진행했습니다.

마지막으로 퍼포먼스 마케팅과 CRM 마케팅 최적화를 피처스토어를 기반으로 진행했습니다. 개인에 맞는 소재 선정, 발송 스트레스를 고려한 발송수 정책, 개인별 발송 시간 최적화, 그리고 데이터에 기반한 쿠폰 플레이를 진행했습니다.

많은 팀들과의 협업과 이해를 기반으로 데이터를 통한 마케팅 해석 및 시스템 도입은 분명한 성과를 이끌었어요. 성과를 기반으로 개별적인 태스크에서 모듈별로 고도화가 필요합니다. 마케팅실 내 팀원분들과 고객이 겪는 문제에 공감하고 데이터로 풀어보는 시도 또한 아직 많이 필요합니다. 그래서 위의 사항에 초점을 맞춰 “데이터를 활용한 마케팅 최적화” 관련한 고도화를 계속 진행할 예정입니다.

PS. ‘데이터를 활용한 마케팅 최적화’ 관련하여 많은 분들이 도움을 주셨습니다. 특히 작년부터 마케팅 전반에 관련하여 많은 도움을 주신 브랜디 마케팅팀에 감사드립니다. 그리고 CTS, CRM 발송 시스템 관련하여 광고실, 그리고 TECH 팀원분들께 감사드리며 글을 맺습니다.

CF) Dalle-e3로 생성한 브랜디 개발자와 마케터가 협업하는 이미지

♥️ Reference

• 이커머스 데이터 분석과 개선을 위한 작은 실험
• 강력한 데이터 파이프라인 구축으로 성과 관리부터 예산 기획까지 한번에
• Brandi DA의 데이터 분석 비망록
• 돈이 되는 Data Analytics
• Pipelines, Platforms, and the New Rules of Strategy
• MMP (Mobile measurement partner) by appsflyer
• A New Gold Standard for Digital Ad Measurement?
• 12 reasons to select OWOX BI ML Funnel Based Attribution
• Incrementality & Attribution
• AARRR vs RARRA: Which one is better and what to choose?
• An Overview of Multi-Task Learning in Deep Neural Networks
• A DEEP PROBABILISTIC MODEL FOR CUSTOMER LIFETIME VALUE PREDICTION
• Modeling partial customer churn: On the value of first product-category purchase sequences
• Investigating purchasing patterns for financial services using Markov and MTD models
• Causal Inference and Uplift Modelling: A Review of the Literature
• Mining for the truly responsive customers and prospects using true-lift modeling: Comparison of new and existing methods
• Real-World Uplift Modelling with Significance-Based Uplift Trees
• How Uber Optimizes the Timing of Push Notifications using ML and Linear Programming
• Improving Instagram notification management with machine learning and causal inference
• Churn Prevention with Reinforcement Learning
• Decoupled graph convolution network for inferring substitutable and complementary items
• Personalized complementary product Recommendation
• [Behavior Sequence Transformer for E-commerce Recommendation in Alibaba](https://arxiv.org/abs/1905.06874)
• [P-Companion: A Principled Framework for Diversified Complementary Product Recommendation](https://www.amazon.science/publications/p-companion-a-principled-framework-for-diversified-complementary-product-recommendation)

글
권순철 | Tech Data AI검색 개발팀

브랜디, 오직 예쁜 옷만