인구 특성이 아니라 개인 특성

점점 성별과 나이의 구분이 무색해지고 있다. '제 나이다운' '여자다운' '남자다운' 제품의 경계가 사라진다. 그래서 오히려 개인의 성향에 맞춘 추천, 혹은 행동 속성에 따른 군집화가 적합하다. 특정 기준을 가지고 고객을 집단화하는 것이다. 

개인화 추천은 고객의 회원가입과 이들이 볼 수 있는 웹이나 앱의 존재를 대전제로 하는 것이 좋다. 개인의 이력을 바탕으로 유사한 고객군이 좋아한 것을 추천하거나, 물성이 유사한 제품을 추천하는 등 다양한 방법으로 개인에게 구매 제안을 하는 것이다. (52쪽)

 

차현나의 '데이터 읽기의 기술' 중에서(청림출판) 

 

​(예병일의 경제노트)

 

요즘이야 많은 사이트와 앱이 개인에게 '추천' 서비스를 하고 있지만, 그 대표선수는 아마존이라고 할 수 있습니다. "당신은 아마 이것도 좋아할 걸..."이라며 우리를 구매로 유혹하는 것이 추천이지요.

 

추천은 개인의 이력 등을 고려해 취향을 자극합니다. A와 비슷한 사람들에게 A가 좋아했던 것, 즉 구매했거나 클릭했던 것들을 보여주는 겁니다. 

이런 방법도 있습니다. 구매한 목록이 비슷한 A와 B가 있는 경우, A는 구매했지만 B가 아직 구매하지 않은 것을 B에게 추천하는 겁니다. 그런데 이 방법은 과거에는 계산에 시간이 좀 걸렸습니다.

 

이런 단점을 해결하려던 아마존이 생각해낸 것이 상품 기반 추천 방식입니다. 사람보다는 수적으로 적은 상품 간의 유사성을 계산하는 겁니다. A상품을 산 사람과 B상품을 산 사람이 많이 겹친다면 A와 B는 유사한 상품이라는 식으로 추천의 규칙을 만듭니다. 그리고 "OO를 좋아하는 당신은 XX도 좋아할 겁니다"라고 말을 거는 것이지요.

이 방식의 장점은 신제품을 기획하는데도 활용할 수 있다는 겁니다. 회원들이 좋아하는 취향인데 우리가 갖추지 못하고 있는 영역이 무엇인지 알 수 있으니까요.

 

이처럼 저자는 추천을 할 때는 인구통계학적 특성보다는 고객 행동에 기반해 제시하는 것이 좋다고 조언합니다. 점점 성별이나 나이의 구분보다는 개인의 성향이 중요해지는 시대이니, 기업의 추천 서비스도 개인의 성향이나 행동을 기준으로 삼는 것이 효과적이겠지요.

 

"과거엔 모두에게 광고를 뿌리고(spray) 그것이 원하는 고객에게 전달되기만을 바라는(pray) 방식이었지만, 이제는 개인이 볼 수 있는 웹이나 앱 플랫폼에서 그들에게 적합한 정보를 제공한다."

 

데이터의 시대입니다. 우리가 소비자의 마음을 찾아가는 방법도 이렇게 데이터를 활용하며 변화하고 있습니다