결제 시스템이 모르는 60%의 고객을 알아냅니다.

6 months ago   •   4 min read

By mAsh
기성 고객 데이터 솔루션에서 생기는 데이터 오염에 대해 아시나요?

카드사로부터 받는 결제자 데이터로 오늘 어떤 사람들이 매장을 찾았는지 정확히 알기란 불가능합니다. 만약 카드사 데이터로 실제 방문객을 예측한다면, 데이터 오염이 발생할 확률이 큽니다.

예를 들어 4인 가족이 매장에 방문할 때, 부모님 중 한 분이 가족의 티켓을 모두 구매하는 게 일반적 입니다. 실제 방문한 고객은 40대 남여 성인과, 10대 남여 아이입니다. 하지만, 카드사 데이터에는 40대 여성이 4명 방문한 것으로 기록됩니다.

_83x-8.png

방문자 통계에서 나타나는 데이터 오염은 비단 카드사 결제 데이터 뿐만 아니라 현금 결제, 멤버십 미가입 등 다양한 상황에서 빈번히 발생하는 현상입니다. 이렇게 특정되지 않는 고객은 평균적으로 전체 고객의 60% 를 차지하고 있습니다. 절반이 넘는 타겟을 잘 알지 못하는 상태로 매장을 관리하고 마케팅을 진행하는 것은 근본적인 한계가 있다고 볼 수 있습니다.

'40%의 고객'이 '60%의 고객'의 패턴을 대변할 수 있을까요?

비회원 고객의 데이터를 수집하기 어려워서, 많은 곳에서 '업 스케일링'을 사용합니다.

'업 스케일링'이란 '확실한 데이터를 기반으로, 잘 모르는 데이터를 추정하는 방식'입니다. 예를 들면, 영화관에서 비회원 고객의 데이터를 전혀 수집하지 못하기에 20대 여성 비회원 고객이 몇 명이 왔는지 알 수 없습니다. 반면, 회원으로 등록된 20대 여성이 몇 명이 왔는지는 알고 있습니다. 이 때, 확실하게 알고 있는 20대 여성 회원 고객의 수를 활용해, 20대 여성 비회원 고객이 얼마나 왔는지 예측합니다.

하지만, 업스케일을 통한 방문객 수는 추정치이므로, 필연적으로 오차가 포함될 수에 없습니다. 무엇보다 40%의 고객으로 그보다 훨씬 많은, 나머지 60%의 고객을 정확히 대변할 수 있을까요? 성공적인 마케팅과 매장 관리를  위해서, 모든 고객을 반드시 알아야 합니다.

이제 AI 솔루션을 통해 전수 조사가 가능해졌습니다

메이아이가 개발한 mAsh 솔루션은 공간에 설치된 CCTV를 분석해 모든 고객의 데이터를 수집합니다. 회원 정보가 없는 고객, 제품을 구매하지 않고 이탈하는 고객 등 모든 고객을 분석할 수 있습니다. 기존에는 계수 인력을 고용해 제한된 날짜의 출입자를 집계하거나, 통계적인 추론을 통해 방문자를 추정하는 수준에 그쳤습니다. 그러나 이제는 AI를 통해 효율적으로 방문객 100% 에 대한 특징 데이터를 산출할 수 있게 되었습니다.

_93x-8.png

국내 대표적인 테마파크 L 사 역시 메이아이의 분석 솔루션을 통해 방문객 데이터를 산출하였습니다. 어느 요일, 어느 시간대에 중년 고객층과 아동 고객층이 방문하는지 여부를 분석하기 시작했으며, 이를 통해 보다 효율적인 마케팅 전략 수립이 가능해졌습니다.

Spread the word

Keep reading