예측 세그먼트

전통적인 세그먼트는 고객을 나이, 성별 또는 지역으로 묶습니다. 예측 세그먼트는 대신 앞으로 나타날 가능성이 높은 행동을 기준으로 고객을 묶습니다.

질문은 "이 고객은 누구인가?"에서 "이 고객은 다음에 무엇을 할 것인가?"로 바뀝니다. 이러한 미래 지향적 관점 덕분에 예측 세그먼트는 마케팅에 훨씬 더 실행 가능하게 활용됩니다.

RFM 점수는 고객을 세 가지 축으로 평가합니다. 마지막 구매의 최신성, 구매 빈도, 금전적 가치입니다.

각 축은 보통 5분위에 따라 1점부터 5점까지 부여되므로, 가장 우수한 고객에게는 R5 F5 M5와 같은 코드가 주어집니다. RFM은 행동 기반 세분화에서 해석하기 쉬운 전통적 기반입니다.

원시 RFM 코드는 행동을 암시하는 이름이 붙은 세그먼트로 매핑할 때 유용해집니다.

최우수 고객은 자주, 최근에 구매합니다. 이탈 위험 고객은 과거에 많이 구매했지만 지금은 활동이 뜸합니다. 신규 고객은 최근에 구매했지만 아직 한 번뿐입니다. 각 이름은 서로 다른 캠페인을 제안합니다.

고객별 LTV를 예측한 뒤에는 고객을 플래티넘, 골드, 실버, 브론즈와 같은 가치 등급으로 나눌 수 있습니다.

이렇게 하면 유지 예산을 효과가 큰 곳에 집중할 수 있습니다. 상위 20%의 고객이 전체 수익의 대부분을 창출하는 경우가 많으므로, 이들을 보호하는 것이 우선순위입니다.

이탈 모델은 각 활성 고객이 다음 기간에 떠날 확률을 계산합니다. 이탈 위험과 예측 가치를 결합하면 강력한 2x2 그리드를 만들 수 있습니다.

가치가 높고 이탈 위험도 높은 고객이 가장 긴급하게 유지해야 할 대상입니다. 가치가 낮고 이탈 위험이 높은 고객에게는 유지 비용을 전혀 쓸 가치가 없을 수도 있습니다.

행동 성향 모델은 다음 구매, 상향 판매 수락, 카테고리 교차 판매처럼 특정한 미래 행동을 할 가능성을 예측합니다.

행동 성향이 특정 기준을 넘는 고객만 대상으로 삼으면 캠페인 효율이 높아집니다. 제안과 관계없이 전환할 가능성이 낮은 사람에게는 더 이상 비용을 쓰지 않기 때문입니다.

k-평균과 같은 비지도 방법은 여러 특성을 동시에 비교해 고객을 유사성에 따라 묶으므로, 미리 정의하지 않은 세그먼트를 발견할 수 있습니다.

군집을 분석하면 "주말 할인 사냥꾼"이나 "프리미엄 얼리 어답터" 그룹이 드러날 수 있습니다. 대신 해석하기 어렵다는 단점이 있으므로, 군집을 실제 행동에 활용하기 전에 특성을 분석하고 이름을 붙여야 합니다.

좋은 예측 특성은 구매 이력을 넘어 이메일 참여도, 고객 지원 문의, 앱 세션 빈도, 주문 간 시간까지 포함합니다. 이러한 요소는 모두 미래 행동의 신호가 됩니다.

예상 구매 시점과 실제 구매 시점의 차이가 점점 커지는 것은 이탈을 알리는 가장 강력한 초기 경고 중 하나이며, 고객이 공식적으로 이탈하기 몇 주 전부터 나타나는 경우가 많습니다.

고객은 계속해서 세그먼트 사이를 이동합니다. 구매를 중단한 최우수 고객은 이탈 위험 고객이 되고, 신규 고객은 골드 등급으로 올라갈 수 있습니다.

예측 세그먼트는 정기적으로, 보통 매일 또는 매주 다시 계산해야 합니다. 가입 시점에 고정된 세그먼트는 빠르게 낡아 관련성 낮은 메시지를 보내게 됩니다.

세그먼트는 다른 고객과 다르게 행동할 때만 유용합니다. LTV가 높다고 예측된 고객이 실제로 시간이 지날수록 더 많은 매출을 내는지 확인해야 합니다.

상승 효과 차트와 검증용 제외 그룹을 사용하면 모델이 고객을 의미 있게 구분하는지, 아니면 단순히 평균을 재배치하는지 확인할 수 있습니다. 제대로 구분되지 않은 세그먼트는 타기팅 노력을 낭비하게 합니다.

각 예측 세그먼트는 명확한 마케팅 대응으로 이어져야 합니다. 이탈 위험 고객에게는 재활성화 흐름을, 플래티넘 고객에게는 VIP 프로그램을, 신규 고객에게는 온보딩 시리즈를 연결할 수 있습니다.

이러한 연결이 없다면 세분화는 단순한 분석에 그칩니다. 다음 레슨에서는 이러한 예측을 구체적인 캠페인과 예산 결정으로 전환합니다.

가장 긴급하게 행동해야 할 세그먼트를 찾아보세요.

예측 세그먼트는 RFM, 예측 LTV 등급, 이탈 위험, 행동 성향 점수, 군집화를 사용해 고객을 미래 행동에 따라 묶습니다.

우수한 특성과 잦은 재계산은 정확성을 유지하고, 검증은 실제 상승 효과를 확인해 줍니다. 또한 모든 세그먼트는 행동으로 연결되어야 합니다. 다음에는 이러한 예측을 바탕으로 행동합니다.