SUCCESS STORY

글로벌 유통사 사례

유통산업 데이터 분석 필요성

IT 기술 발달로 인한 유통 채널 다양화로 인해 소비자들의 구매 패턴이 빠르게 변화하면서 신속한 의사결정과 함께 예산 및 재고의 효율적 관리가 더욱 중요 해졌습니다. 이를 위한 고객 구매행동 분석부터, 프로모션 성과 관리, 상품 판매 관리 등 실제 데이터를 활용한 프로세스 분석과 혁신이 필수적인 요소가 되었습니다.

A사 도입 배경

유통 채널 중 온라인 비중이 점차 커지면서, 온라인 채널의 비중이 80%에 도달하게 되었습니다. 이는 고객이 A사를 접하는 가장 중요한 채널은 온라인이며, 온라인에서 고객 경험 개선이 고객 만족도를 높이는 가장 좋은 수단임을 의미합니다. A사는 이를 위해 지속적으로 온라인 채널 개선에 공을 들이고 있었습니다. 하지만 온라인 채널을 개선해도 고객 만족은 증가하지 않았으며, 고객 불만 사항에 온라인 채널의 불편함이 증가했습니다.

A사 목표

문제는 기존의 분석 방법으론 전체 고객 여정을 파악하고, 고객의 불편사항을 파악하여 선제적으로 대응하는 것이 어렵다는 점입니다. 고객의 행동 데이터를 직접 파악하는 행동 데이터를 기반으로 고객 여정을 개선하는 것이 좋은 방법 입니다. 새로운 분석 방법을 도입하는 것이 중요했습니다. A사는 Pro Discovery 솔루션을 구축하여 이 문제를 해결했습니다.

A사는 Pro Discovery 솔루션을 통해 고객의 불편을 사전에 효과적으로 방어할 수 있는 Preventive Action과 고객이 여정상 이탈하는 원인을 분석하는 Predictive Analysis을 도입했습니다. Preventive Action과 Predictive Analysis를 통해 A사는 가시적인 성과를 거두었습니다. 그러나 A사는 여기서 더 나아가 고객 만족도를 극대화하기를 원했습니다. Customized Data와 고객 개개인의 분석을 통해Personalization 시스템을 준비 중에 있습니다.

데이터 분석 내용 기법

프로젝트의 목표는 고객 세분화 분석(User Segmentation), 고객 이탈방지 관리(Churn Management), 개인화(Personalization)로 설정하였으며, 프로젝트는 전처리 자동화 (Adobe Analytics DB 상에 저장된 Web Log Data를 사용 가능한 형태로 정제), User Journey Map (Activity & Case를 기준으로 디지털 서비스 내 유저의 행동 흐름을 시각화), 개선 포인트 발견 (병목 구간 분석, 재작업 분석, 고객 Segment별 필터링 등을 활용해 문제점과 개선이 가능한 포인트 식별), 액션 & 성과 확인 (개선 전/후 비교, 개선 포인트 개선을 진행하고 그에 따른 성과를 측정) 순으로 진행되었습니다.

Ad hoc User Journey Map
  • 고객 유형 별 행동 패턴 분석을 위해, 고객 유형 별(Non-Engaged, Occasional Buyer, Loyal Buyer, Emerging Business, Business Builder) 세분화 하여 User Journey Map 도출
  • 고객 유형 별 주요 행동 패턴 및 차이 확인
  • 고객 유형 별 패턴 및 리드타임 분석을 통해 개선 및 새로운 이슈 사항 도출
  • 불만이 발생하기 전 온라인 유통 채널 개선(Preventive Action)

Loyal Buyer

Business Builder

Action

고객 세분화 분석 (User Segmentation)

메뉴 차별화 & 접근성 강화

Business Builder형 사용자들의 편의성을 위해 비즈니스 유입 경로를 개선하여 메인 개편 이전 대비 비즈니스 페이지 유입률이 31.2% 증가하였습니다.

제품 탐색/주문 경로 추가

메인 콘텐츠를 개선하여 제품 탐색 및 주문 경로를 추가하였습니다. ‘제품 상세 이동 경로 추가’로 인해서 제품 상세 페이지 내 장바구니 추가 수 150% 증가, 주문 완료 수는 39% 증가하였고, ‘장바구니 바로 담기 기능 추가’로 인해서는 개편 이전 대비 142,256건의 추가적인 장바구니 담기가 발생하였습니다.

검색 기능 개선

전체 고객군에서 주문 수단으로 가장 많이 사용하고 있는 검색 기능을 개선하여 제품 탐색/주문 경로를 추가하였습니다. 제품 상세 이동 경로 추가로 인해서 제품 상세 페이지 내 장바구니 추가 수 150% 증가, 주문 완료 수는 39% 증가하였고, 장바구니 바로 담기 기능 추가로 인해서는 개편 이전 대비 142,256건의 추가적인 장바구니 담기가 발생하였습니다.

이탈 예측

  1. 이탈 고객 행동 패턴 도출 – 주요 정보 확인 및 추출
  2. 불균형 데이터 문제 최소화를 위한 sampling 기법 활용
  3. Stepwise 기법을 통한 활용 변수 확정
  4. 이탈 예측 모델링 (Predictive Analysis)

개인화 (Personalization)

Personalization Service

고객의 세션 내 제품 탐색 데이터를 기반으로 개인화 된 제품을 추천 하는 파일럿 서비스를 런칭하였습니다.

Process Mining 적용 예시

고객 유형별 선호 페이지 & 제품군의 데이터를 input하여 개선 예정입니다.

고객의 세션 내 제품 탐색 데이터를 기반으로 개인화 된 제품을 추천 하는 파일럿 서비스 런칭

Advanced Personalization Process 구축

추천의 정확도 향상 및 목표 타겟에 대한 Customized Action을 진행하였습니다.

분석 효과

웹사이트 개편 전 고객 세분화 분석 (User Segmentation), 고객 이탈방지 관리 (Churn Management), 개인화 (Personaliztion) 작업을 선행하여 개편 이후 수치적으로 확실한 결과를 얻을 수 있었습니다.

  • 페이지 유입률 31.2% 증가 / 주문완료 리드 타임 2분 감소 / 장바구니 추가 수 150% 증가 / 주문완료 수 39% 증가
  • 이탈고객 행동 프로세스 특징 파악 및 이탈방지 방안 확립
  • 고객 데이터 기반 개인화 제품 추천 파일럿 서비스 런칭