커머스 회사에 다니고 있는 프로덕트 마케터 A 씨는 매출 감소의 원인을 파악하고 해결 방안을 찾는 업무를 맡았습니다. 데이터를 어떻게 봐야 할지 막막해하다 저번 핵클 웨비나에서 핵심 지표를 개선하기 위해서는 선행 지표를 움직여야 한다는 걸 기억해 내고, 전체 구매자를 신규 유저와 기존 유저로 나눠 데이터를 확인해 봅니다.
데이터를 보니 신규 유저의 매출은 일정한데 기존 유저의 매출이 감소해 전체 매출 추이에 영향을 미쳤다는 걸 알게 되었습니다. 팀원들과 데이터를 보고 논의해 기존 유저들에게 할인 쿠폰을 발행하기로 합니다. 그런데 누군가 “모든 고객에게 같은 쿠폰을 발행하는 건 비효율적이지 않나요?”라는 질문을 합니다.
안녕하세요.
핵클 AI의 새로운 기능 소개로 돌아온 Data Science 팀의 Wonder입니다. 핵클 AI는 지표를 모니터링하거나 핵클 관련 질의응답, 실험 의사결정 등 핵클을 더 잘 사용할 수 있는 기능을 제공하고 있는데요.
이번에 유저가 가까운 미래에 다시 방문할지 또는 특정 이벤트를 수행할지 알려주는 사용자 행동 예측 기능이 추가되었습니다.
일을 하다 보면 우리는 A 씨와 비슷한 고민을 하게 됩니다. 개인화가 중요하다고는 하던데 어떻게 시작해야 할지 막막하기도 하고, 다음 주에 시작할 캠페인에 사용할 결과가 필요한데 매번 데이터 분석가나 데이터 사이언티스트에게 부탁하는 것도 어렵습니다.
이러한 어려움을 해결해 주고자 핵클 AI의 사용자 행동 예측은 사용자가 다음 주에 재방문 또는 특정 이벤트를 발생시킬 확률을 자동으로 계산해 주고, 서비스 개선에 사용할 수 있도록 추가 정보를 제공합니다.
다시 A 씨의 고민으로 돌아가면 기존 유저라고 하더라도 어떤 유저는 쿠폰을 받지 않거나 할인율이 낮은 쿠폰을 받아도 구매할 확률이 높을 수 있습니다. 그렇다면 모든 유저들에게 같은 쿠폰을 발행하는 건 비효율적일 겁니다. 또한 캠페인을 진행한다고 하더라도, 모든 유저에게 같은 캠페인을 진행하기보다는 캠페인에 전환될 확률에 따라 메시지의 주기나 내용을 다르게 적용하면 리소스를 더 잘 사용할 수 있습니다.
Hackle AI는 과거 사용자 행동 데이터를 활용해 유저가 미래에 특정 행동을 할지 안 할지를 예측합니다.
먼저 2주 전에 방문한 유저들을 그다음 주에 특정 행동을 한 유저와 하지 않은 유저, 두 그룹으로 나눕니다. 그리고 이 두 그룹의 특징을 비교하는데, 변수로 각 유저가 발생시킨 이벤트 횟수, 유저 속성, 이벤트 속성 등을 사용합니다.
이 변수들은 logistic lasso regression을 만드는 데 활용됩니다. Logistic regression은 반응 변수가 0 또는 1을 가지는 범주형일 때 데이터가 1의 값을 가지는 확률을 예측하는 대표적인 지도 학습 모델입니다. 다양한 모델 중 logistic regression 을 선택한 이유는 정확도가 다른 모델에 비해서 떨어질 수는 있지만 결과를 직관적으로 해석할 수 있기 때문입니다. (그래도 정확도가 너무 낮으면 해당 결과는 제공하고 있지 않습니다.) Lasso는 과적합을 막기 위한 정규화 방법 중 하나로 데이터 특성상 데이터 수에 비해 변수가 많을 수 있기 때문에 사용합니다.
위 메시지는 8월 21일에서 8월 27일 기간에 방문한 유저들이 그다음 주에 다시 방문할 확률을 예측해서 재방문 확률이 높은 유저들이 확률이 낮은 유저들보다 많이 한 이벤트 3개를 알려줍니다. 이 이벤트는 8월 21일에서 8월 27일 기간에 방문하고 그다음 주도 방문한 유저와 다음 주에 방문하지 않은 유저가 발생시킨 이벤트의 발생 횟수 비율을 기준으로 선택합니다. 두 그룹 간의 이벤트 발생 횟수 차이가 클수록 비율은 1에서 멀어지게 됩니다. 메시지는 두 그룹 간의 차이가 가장 큰 이벤트 3개를 알려주는데 쉽게 설명하면 재방문 확률이 낮은 유저들이 A, B, C 이벤트를 재방문 확률이 높은 유저만큼 발생시키면 재방문 확률이 높아질 수 있을 거라는 걸 의미합니다.
또한, 아직은 제공되고 있지 않지만 이제 곧 메시지의 자세히 보기 버튼을 클릭하면 모델 결과로 나온 재방문 확률이 낮은 유저의 코호트를 만들 수 있는 코호트 생성 페이지로 이동할 수 있게 됩니다. 아니면 메시지에서 추가로 제공해 주는 내용을 참고해 데이터 분석 메뉴에서 직접 코호트를 만들 수도 있습니다.
코호트를 만들었다면 이제 각 코호트의 특징을 살펴보고, 전환될 확률이 낮은 그룹의 유저들이 전환될 수 있도록 개선을 시작해 보세요!
.png)
