개인화 마케팅은 고객의 취향과 행동 패턴에 맞춘 맞춤형 서비스를 제공하는 전략입니다. 그러나, 패션 업계에서 성공적으로 적용된 개인화 마케팅 사례를 찾기 힘들죠. 이 글에서는 넷플릭스의 개인화 알고리즘을 패션 브랜드 마케팅에 어떻게 활용할 수 있는지 살펴보겠습니다.
개인화 마케팅이 어려운 3가지 이유
많은 브랜드는 "우리가 어떻게 개인화 마케팅을 적용할 수 있을까?"라는 고민을 하게 됩니다. 고객의 취향을 파악해 맞춤형 상품을 추천하는 데 성공하면 매출이 오르겠지만, 실패하면 오히려 브랜드에 대한 관심을 잃을 수도 있죠. 개인화 마케팅이 중요하다는 사실은 모두가 알고있지만 그것을 도입하는 것에는 크게 3가지 어려움이 존재합니다.
데이터 수집의 어려움
개인화 마케팅을 하기 위해서는 데이터를 효과적으로 수집하고 분석하고 활용하는 것이 필수적입니다. 단순히 데이터를 수집하는 것만으로 충분하지 않다는 의미이기도 하죠. 많은 패션 브랜드가 개인화 전략을 도입하려고 하지만 복잡해지는 고객의 소비패턴과 어떤 데이터를 수집해야 하는지 모른다는 것은 개인화 마케팅을 어렵게 만드는 이유 중 하나입니다.
패션 브랜드 사례 부족
개인화 마케팅을 성공적으로 실행한 패션 브랜드를 꼽으라면 어떤 브랜드가 생각나나요? 머릿속에 바로 떠오르는 브랜드가 없다는 것은 그만큼 패션 산업에서 개인화 마케팅을 성공적으로 적용한 사례가 없다는 의미입니다. 새로운 기술을 접목하거나 패션 산업에 맞는 마케팅 방법을 찾아야 하는데, 사례가 부족하다는 것은 개인화 마케팅을 더욱 어렵게 만듭니다.
고객 맞춤형 추천의 복잡성
개인화 마케팅은 단순히 데이터를 수집하고 사례를 아는 것만으로 충분하지 않습니다. 빠르게 변화하고 다양한 스타일이 탄생하는 패션 산업은 고려해야 할 사항이 더욱 많기 때문이죠. 다양한 상품과 스타일이 탄생하는 만큼 고객 맞춤으로 무언가를 추천하는 것은 점점 더 복잡해집니다.
넷플릭스에서 찾은 개인화 마케팅 전략
패션 브랜드와 넷플릭스는 다른 산업군이지만, 넷플릭스의 개인화 알고리즘은 모든 산업군에 적용할 수 있는 중요한 통찰을 제공합니다. 넷플릭스는 방대한 데이터를 바탕으로 고객이 좋아할 콘텐츠를 예측하고 추천해 줍니다. 이 과정에서 고객의 행동 패턴과 선호도를 세밀하게 분석하며, 개인 맞춤형 콘텐츠를 제공하는 데 집중하고 시청률을 높이고 있습니다.
넷플릭스가 수집하는 데이터
넷플릭스는 크게 고객과 상호작용 가능한 데이터, 고객의 데이터, 시청정보 등을 수집하고 있는데요. 넷플릭스 공식 홈페이지에서 이야기하는 수집, 활용 데이터는 아래와 같습니다.
- 넷플릭스 서비스와의 상호작용(시청 기록, 다른 콘텐츠 평가 결과 등)
- 유사한 취향을 가진 회원 및 넷플릭스 서비스에서의 선호 대상
- 장르, 카테고리, 배우, 공개 연도 등 콘텐츠 관련 정보
회원이 넷플릭스에서 시청한 콘텐츠를 파악할 뿐 아니라 개인화된 추천 콘텐츠를 최적화하기 위해 다음과 같은 요소도 고려합니다.
- 하루 중 넷플릭스를 시청하는 시간대
- 선호하는 언어
- 넷플릭스를 시청하는 디바이스
- 넷플릭스 콘텐츠 시청 시간
넷플릭스의 개인화 알고리즘
넷플릭스는 수집한 데이터를 기반으로 개인화된 추천을 진행합니다. 크게 사용자와 아이템, 잠재 모델, 콘텐츠를 기반으로 데이터를 활용하고 있는데요. 그 방법을 간략하게 설명하면 아래와 같습니다.
유사 사용자 기반 알고리즘
A,B,C 사용자의 시청기록을 바탕으로 유사 그룹을 만들어 콘텐츠 추천
유사 아이템 기반 알고리즘
가,나,다 아이템을 기반으로 타깃 사용자에게 콘텐츠 추천
잠재 모델 기반 알고리즘
전문가가 콘텐츠 시청 후 지표화
콘텐츠 기반 알고리즘
콘텐츠의 장르, 배우, 국가, 시대, 연령대 등을 분석하고 타깃 사용자에게 제안
넷플릭스 알고리즘의 핵심은 고객의 행동과 콘텐츠를 기반으로 한 맞춤형 추천에 있습니다. 패션 브랜드의 경우에 사용자를 고객으로, 콘텐츠와 아이템을 상품으로 치환한다면 어떤 데이터를 활용해 누구에게 상품을 추천할 것인지 확인할 수 있겠죠?
넷플릭스의 초개인화 알고리즘을 패션 브랜드가 활용하는 방법
패션 브랜드도 마찬가지로 고객과 상품 데이터를 분석해 고객이 관심을 가질 만한 상품을 추천할 수 있는데요. 넷플릭스가 활용하고 있는 알고리즘을 패션 브랜드로 치환해 보겠습니다.
유사 고객 기반 알고리즘
고객의 구매이력을 바탕으로 유사 그룹을 만들어 상품 추천
아래 그림을 보면 A,B,C 고객이 있습니다. 우리가 타깃해야 할 고객은 C 고객인데요. A 고객은 반팔과 청바지, 그리고 반바지를 구매했고, C 고객은 반팔과 청바지를 구매했습니다. 이 경우 A 고객과 C 고객을 유사 고객으로 묶을 수 있고, A 고객과 같은 상품을 구매한 C 고객에게 반바지를 추천하는 방식입니다.
유사 고객 기반 알고리즘 예시
유사 아이템 기반 알고리즘
아이템을 기반으로 타깃 고객에게 상품 추천
유사 아이템 기반 알고리즘은 구매 상품을 파악해 유사한 상품을 추천해주는 방식입니다. 아래 그림을 통해 확인하면 A는 반팔과 청바지 그리고 반바지를 구매했고, B는 청바지와 반바지를 구매했습니다. 이때 청바지와 반바지를 유사 아이템으로 묶을 수 있고, 아직 반바지를 구매하지 않은 C에게 반바지를 추천하는 것입니다.
유사 아이템 기반 알고리즘 예시
잠재 모델 기반 알고리즘
리뷰를 지표화해 고객에게 상품 추천
잠재 모델 기반 알고리즘은 고객과 상품간의 패턴을 이용하는 방법입니다. ‘반팔’을 구매한 고객은 반팔이 좋아서 구매했을 수도 있고, 반팔의 컬러나 소재가 좋아서 구매했을 수도 있습니다. 따라서 이것을 세부적으로 분류해 특정 기준을 바탕으로 점수를 예측하고 추천하는 것입니다.
무신사에서 상품 리뷰를 작성할때, 컬러, 두께감, 사이즈 등을 분류해 평가하게 하는 것 또한 잠재 모델 기반 알고리즘 데이터를 수집하는 예라 할 수 있습니다. 밝은 컬러를 좋아하는 사람들에게는 밝기 : 밝아요, 발볼이 넓은 사람에게는 발볼 : 넓어요 등 후기를 활용한 상품제안을 하는 것이죠.
상품 기반 알고리즘
상품의 컬러 정보, 사이즈, 소재 등을 분석해 타깃 고객에게 제안
콘텐츠 기반 알고리즘은 그 자체를 분석해 고객이 좋아할 만한 상품을 추천하는 방식인데요. 상품을 분석해 상품의 프로파일을 생성하고, 고객이 장바구니에 담았거나 찜한 상품을 바탕으로 사용자의 프로파일을 도출합니다. 그리고 상품의 프로파일과 고객의 프로파일을 비교해 고객이 선호하는 상품을 추천하는 것입니다.
넷플릭스는 언급했던 네 가지 방식을 포함하여 다양한 알고리즘을 섞은 하이브리드 추천 시스템을 활용하고 있다고 하는데요. 콘텐츠의 점수를 1~10점으로 메기던 과거와 달리 좋아요, 더 좋아요, 별로에요와 같이 간편해진 리뷰 요청을 통해 더 빠르게 데이터를 수집하고 있습니다.
무신사 리뷰(이미지=무신사 캡쳐)
패션 브랜드도 넷플릭스가 될 수 있다.
넷플릭스는 다양한 알고리즘 구현 방식을 통해 알고리즘을 고도화하여 초개인화된 추천을 제공하면서 시청률을 높이고, 사용자가 다시 방문하는 데 중점을 둡니다. 결국 패션 브랜드도 이런 넷플릭스의 알고리즘을 활용해 고객의 스타일, 선호도, 트렌드, 유사고객 등을 파악하고 그에 맞춘 맞춤형 상품 추천을 할 수 있겠죠?
개인화 알고리즘을 만들어 마케팅에 활용하고 싶지만 데이터 수집부터 막막한 마케터가 있다면, 데이터 마케팅을 위한 데이터 수집 툴 4가지 추천을 확인해 보세요.
