emart DT

타깃 코퍼레이션은 100년이 넘는 역사를 가진 미국 내 전통적인 종합 유통 업체로 미국 전역에 걸친 대형할인점을 보유하고 있습니다. 타깃 코퍼레이션 일찍부터 고객 데이터에 관심을 가지고 Guest Data and Analytics Service 팀을 2002년에 신설, 데이터를 수집하고 분석하는 일을 시작 했습니다.

팀이 상당한 규모였다고 알려지는데, 4명에서 시작한 팀이 60여명의 데이터 분석가와 데이터 사이언티스트가 있는 팀으로 성장했고, 고객들의 구매 데이터를 전문적으로 분석하여 이를 활용한 제품 판매 전략을 수립 했다고 알려져 있습니다.

특히 데이터 기반의 고객 마케팅에 관심을 가진 사람들이라면 누구나 한번쯤 들어 봤을 일화가 있습니다. 구매 패턴 속에서 임산부를 발견해 이들에게 마케팅을 진행한 사례입니다. 타깃은 고객들의 구매 패턴 속에서 임산부가 보이는 패턴을 발견해 내고, 이를 기반으로 임신 여부를 예측하는 모델 을 만들어 냈습니다.

이를 기반으로 다양한 육아 용품 관련 마케팅을 펼쳤던 것이죠. 실제로 임신한 여성들의 경우 일반적인 비누와 면봉을 구매하는 것이 아닌 무향 비누와 커다란 면봉(배가 불러올 때 배꼽의 때를 제거하는 용도로 사용을 한다고 합니다.)을 구매 한다거나 무향 로션을 찾는 패턴을 발견해 낸 것입니다.

이러한 분석을 통해 임신을 특정하는데 유력한 25가지의 제품을 발견했고, 이를 활용해 임신 예측 점수를 산출해 낼 수 있는 모델을 구성할 수 있었습니다.

특히 임신 주차까지 어느 정도 예측이 가능해 특정 시기에 쿠폰을 보낼 수 있을 정도였다고 합니다. 이 시점에서 그 유명한 “사연”이 언급 되는데, 임신 예측 모델을 활용을 시작한지 1년쯤 지났을 무렵, 미네소타주의 미네아폴리스에 위치한 타깃 점포에 한 여고생의 아버지가 거칠게 항의 하는 상황이 발생 됐다고 합니다. 사연인즉, 고등학생인 딸에게 타깃에서 우편으로 아기 옷과 유아용 침대 관련 쿠폰을 보냈고, 이를 보고 격분을 한 아버지가 “임신을 격려하는거냐?”라며 항의를 했다고 합니다. 결국 해당 점포의 매니저는 사과를 했고, 몇일 후 재차 사과를 하기 위해 여고생의 아버지에게 전화를 걸었다고 합니다. 그 과정에서 매니저는 놀라운 사실을 전해 듣게 되는데, 실제로 딸이 임신을 했다는 내용이었습니다.

세간에 많이 알려진 일화는 여기서 “종료” 됩니다. 하지만 이후에도 타깃 코퍼레이션은 멈추지 않았습니다. 이러한 사례들을 통해 “콕” 찝어 임신 여부에 대해 예측을 당하고, 이에 맞는 상품의 쿠폰을 추천 받는 것을 달가워하지 않는 여성들도 상당수 있다는 것을 인지하게 됐습니다. 그러함에도 목표는 임산부를 대상으로 육아 용품의 판매를 늘리는 것이 목표였고 이를 달성하기 위한 다른 방안들을 마련합니다. 무작위처럼 보이는 캠페인을 진행하는 것이 그 해결책이었습니다. 그래서 이러한 상품의 쿠폰을 추천할 때, 기저귀 옆에 잔디 깎는 기계를, 아기 옷 옆에 와인잔 쿠폰을 넣는 식의 “우연”을 가장한 마케팅을 진행합니다.

이를 통해 고객이 “염탐” 당하거나 “감시” 당한다는 기분이 들지 않도록 하면서 효과적인 판매량 증가를 이뤄 냅니다.

[출처: The New York Times, “How Companies Learn Your Secrets”]

영리한 분석과 마케팅이라 생각 됩니다. 이쯤에서 궁금증이 생깁니다. 할인 마트를 이용하는 고객들은 대부분 제품의 할인 쿠폰을 받곤 합니다. 그렇다면 이러한 쿠폰 추천은 어떻게 하는 것일까요?

흔히 추천 알고리즘이라고 하면 Collaborative Filtering과 Contents Based Filtering이 아주 많이 알려져 있습니다. 두 알고리즘 모두 원리는 간단합니다. 자, 물건을 산다고 가정을 해 봅시다. 점심을 간단히 해결하고 싶은데, 라면과 콜라와 김치를 구입한 선녀라는 분이 있습니다. 그런데 선남씨도 간단히 점심을 해결하고 싶어 콜라와 라면을 구입했습니다. 이 때 매점의 직원이 선남씨에게 “김치도 같이 드시면 맛있는데”라고 추천을 해 준다면, 선남씨도 김치를 먹고 싶어 하지 않을까요? 그렇습니다. 구매기록이 유사한 사람들을 묶어 이들의 패턴대로 추천을 해 주는 방식이 Collaborative Filtering입니다.

Contents Based Filtering은 이름에서 유추가 가능하듯 컨텐츠 간의 유사도를 기반으로 추천을 해 주는 알고리즘입니다. 자, 우리 선남씨의 취향을 한번 볼까요? 라멘을 무척 좋아하나 봅니다. 육수 맛이 구수하고 진한 라멘들을 좋아하는 것이 구매 내역에서 보입니다. 그 동안 샀던 라멘들과 비슷해 보이는 신제품을 보여주며 반응을 살피면 취향 저격이라고 하지 않을까요? 이런 형태로 추천을 해 주는 알고리즘이 Contents Based Filtering입니다.

이외에도 통계학에 기초한 Association Rule(장바구니 분석)이나, 최근 그 활용 빈도가 높아지고 있는 Item2vec 등의 알고리즘도 있습니다.

Association Rule 은 장바구니에 담았던 물건들을 확률에 기반해 분석을 하고, 이를 통해 어떤 상품과 어떤 상품이 함께 팔리는 지의 경향성을 파악해 추천에 활용이 됩니다. 통상 조건과 반응 형식으로 규칙이 생성이 되는데 “사과를 사면 동시에 맥주를 사는 사람 20% 가 있다”는 식으로 규칙이 생성되고, 사과를 사는 사람에게 맥주를 추천하는 형태의 마케팅이 이루어지게 됩니다.

Item2vec은 언어학적 특징을 활용하는 Word2vec에서 파생된 기법으로 그 태생이 Text Mining(문서에서 수치화 된 고품질 정보를 도출하는 기법)에 기반하고 있습니다. 사람들이 구매한 상품들을 기반으로 상품 간의 관계와 맥락을 파악하고 이 관계를 바탕으로 상품을 추천하는 방법입니다. 아래 구매 제품들을 볼까요? [딸기잼, 빵, 우유, 모자], [딸기잼, 빵, 우유, 사과], [딸기잼, 빵, 우유, 무], [딸기잼, 빵, 우유, 고추]를 구매한 장바구니들이 보이네요. 이럴 경우 Item2vec 알고리즘은 전혀 다른 속성을 지닌 “딸기잼”과 “빵”과 “우유”는 함께 영수증에 기재되는 높은 빈도로 미루어 보아 관련이 있다고 판단을 하게 되고 이 세 상품 간의 관계를 밀접하다고 봅니다. 반면 모자와 사과, 무, 고추는 별 다른 관련성이 없겠네요.

“딸기잼”을 담은 사람은 식빵과 우유를, “식빵”을 담은 사람은 딸기잼과 우유를, “우유”를 담은 사람은 딸기잼과 식빵을 선호할 가능성이 높지 않을까요? Item2vec은 이러한 형태로 고객들이 각각의 한 장바구니에 담았던 물건들을 가까운 관계에 있다고 추정하여 상품을 추천하는 방법입니다.

그럼 실제로 이마트의 데이터를 가지고 Item2vec을 이용한 상품 추천을 잠시 살펴볼까요? 수입맥주를 사신 분들은 주로 안주류를 추천하는 결과가 나왔네요. 기저귀를 사신 분들께는 베이비 케어 상품과 올가닉 상품들을 추천을 하고 있네요. 레드 와인을 사신분들께는 곁들일 수 있는 마리아주 조합을 추천해 주네요. 여러분이 만약 맥주를 좋아하시는 분이고, 아이를 키우시고, 레드와인을 좋아하시는 분이라면 추천을 해준 상품들을 사실 생각이 있으신가요?