인공 지능을 통한 개인화
인공지능은 이전과는 전혀 다른 방식으로 고객 경험을 개인화하고 있습니다.
너무 많은 고객 개인화 노력이 인구 조사국 접근 방식에 갇혀 있습니다.
회사는 당신의 성별, 나이, 직업, 생일을 알고 있습니다. 그래서 그들은 소위 개인화된 이메일 폭발을 귀하와 귀하와 같은 시장 세분화에 있는 수천 명의 사람들에게 보내 그들이 귀하를 위해 만든 판매 프로모션을 귀하가 만족할 수 있기를 바랍니다.
Humana의 전 디지털 마케팅 책임자이자 현재 고객 경험 컨설턴트인 Dan Gingiss 는 가능성이 희박하다고 말합니다 . IKEA, Samsung, Adobe를 고객으로 두고 있는 Gingiss는 "누군가에 대한 수많은 변수와 데이터 포인트를 아는 것만으로는 개인화가 아닙니다."라고 말합니다. "진정한 개인화는 내가 열렬한 야구 팬이고 평생 동안 컵스를 응원해 왔다는 것, 핀볼과 피클볼을 하고, 고등학교에 두 아이가 있고, 일을 위해 많은 여행을 한다는 것을 아는 것입니다."
AI는 기업을 이상에 더 가깝게, 고객에게 더 가깝게 만듭니다. 머신러닝과 같은 AI 기술은 고객 행동, 정서, 인구통계, 구매 내역을 분석할 수 있습니다. 이러한 이점은 기업이 도구 사용 방법을 배우면서 결과를 제공하고 있습니다. 전략 자문 회사인 NewVantage Partners는 작년에 AI 기술에 투자하는 기업의 92%가 측정 가능한 결과를 경험했다고 보고했습니다 . 이는 5년 전의 48%에서 증가한 수치입니다.
다음은 개인화 전략의 가장 일반적인 사용 사례와 AI가 각각에 미치는 영향입니다.
콘텐츠 개인화
특정 고객 부문을 위한 맞춤형 메시지 및 프로모션
기존 전략:
전통적인 마케팅 개인화는 사용자를 일련의 광범위한 인구통계(예: 연령, 소득, 직업)로 나누는 개인 기반 세분화에 의존합니다. 그러나 Gingiss가 지적했듯이 그 데이터는 진정한 개인적인 것이 아닙니다. 그것은 개인의 열정과 생활 방식에 호소하지 않습니다.
AI의 장점:
더 큰 통찰력은 데이터에서 비롯되지만 더 자세하고 더 많은 양과 더 빠른 속도로 제공됩니다.
AI 알고리즘은 고객 인구통계, 페이지 조회수, 다운로드 등 방대한 양의 데이터를 학습합니다. 모델은 스포츠를 하는 특정 연령대의 남성이 제품 비디오의 특정 하위 집합을 보는 것을 정말 좋아하지만 모바일에서만 볼 수 있다는 사실과 같은 패턴을 발견합니다. 이를 활용하여 콘텐츠 전략을 맞춤화할 수 있습니다.
스트리밍 거대 기업인 Spotify는 청취자를 이해하기 위해 오랫동안 기계 학습을 사용해 왔다고 자사 R&D 사이트 에서 설명합니다 . 개인화 부문 수석 리더인 Oskar Stål은 스트리밍 기록(예: 아티스트, 장르, 심지어 좋아하는 노래의 분당 비트 수)을 분석하여 회사가 개인화된 음악 콘텐츠의 주간 다이제스트를 제공할 수 있는 방법을 자세히 설명했습니다 . Spotify는 또한 아티스트와 노래에 대한 해설과 함께 프롬프트 없이 청취자를 위한 맞춤형 콘텐츠를 현실적인 자동 음성으로 재생하는 생성 AI "DJ"를 추가하는 방법을 설명했습니다 .
주요 부문:
콘텐츠가 주요 제품인 곳이라면 어디든(예: 미디어 및 엔터테인먼트) 예를 들어, 제품 데이터 분석 수석 소유자인 Timothy Whitney와 Warner Bros Discovery의 직원 데이터 엔지니어인 Stephen Shepherd는 시청자가 시청 내용을 기반으로 관련성 높은 새 콘텐츠를 찾을 수 있도록 회사가 AI 기반 콘텐츠 추천 시스템에 어떻게 막대한 투자를 했는지 설명했습니다 . 버릇. 구현 첫 4개월 동안 개인화 시스템에 노출된 사용자는 무작위 대조 사용자보다 권장 쇼에 대한 참여도가 평균 최대 14% 더 높았습니다.
제품 추천
고객의 과거 탐색 및 구매 내역을 바탕으로 고객이 관심을 가질 수 있는 특정 제품이 표시되는 경우
기존 전략:
기업은 소비자의 온라인 검색 기록을 사용하여 구매자, 잠재 구매자 및 유사한 검색 기록을 가진 구매자의 관심을 끄는 제품 카테고리를 이해합니다.
협업 필터링으로 알려진 프로세스는 시스템이 추천할 제품에 대해 충분히 알지 못하기 때문에 새 제품을 추천하지 못하는 경우가 많습니다. 전문 전자상거래 사이트에서는 고객이 핸드백을 보고 있다는 이유만으로 어떤 핸드백을 추천할 수 없습니다. 제품은 색상, 모양, 스타일, 대상 고객 세그먼트 등 정확한 기준과 일치해야 합니다.
AI의 장점:
AI는 데이터를 기반으로 성장하지만 이것이 고객 데이터만을 의미하는 것은 아닙니다. Earley Information Science 의 CEO 이자 "The AI-Powered Enterprise"의 저자인 지식 전략가 Seth Earley는 기업이 AI 개인화 엔진을 제공하기 위해 보다 정확한 제품 포트폴리오 모델을 구축해야 한다고 말합니다 . “제품 정보 모델은 사용자에게 중요한 것과 일치해야 합니다.”라고 그는 말합니다.
이러한 정확성은 제품 자체에 대한 보다 자세한 데이터에서 나올 수 있습니다. 여기에는 고유한 라이프스타일 특징 및 에너지 등급과 함께 사용 설명서의 전체 텍스트나 냉장고의 작동 매개변수가 포함될 수 있습니다.
이 콘텐츠는 다양한 상황에서 다양한 유형의 고객의 관심을 끌 수 있습니다. 기술을 사랑하는 부유한 고객은 연간 전기 사용량보다 냉장고에 내장된 화면과 인터넷 연결에 더 관심을 가질 수 있습니다. 아마추어 칵테일 전문가는 제빙기에 대해 알고 싶어할 수도 있습니다.
주요 부문:
제품 추천은 전자상거래의 핵심입니다. 기업은 소비자가 최소한의 마찰로 올바른 제품을 신속하게 찾을 수 있도록 도와야 합니다.
850개 이상의 브랜드를 온라인으로 판매하는 패션 중심 전자상거래 소매업체 ASOS는 협업 필터링을 사용하지만 그 이상입니다. 기술 블로그에서 기계 학습 과학자 Jacob Lang은 회사가 사이트에 신제품을 추가할 때 먼저 신경망을 사용하여 제품의 사진과 설명 텍스트를 분석하고 스타일, 색상, 가격 범위, 패턴과 같은 속성을 식별한다고 설명합니다 . , 시장 부문 및 계절성.
그런 다음 AI는 이러한 특성을 각 고객의 관심을 끌 가능성이 가장 높은 제품 기능과 비교하여 각 고객의 추천 필드에 즉시 새로운 제품을 제공합니다.
ASOS는 또한 Style Match라는 모바일 앱 기능을 제공합니다. 쇼핑객은 자신이 좋아하는 의류 이미지를 업로드하고, Style Match는 AI를 사용하여 이미지를 "보고" 유사한 색상과 스타일과 일치하는 제품을 찾습니다.
동적 가격
고객의 구매습관이나 경쟁사의 가격에 따라 가격이 조정되는 경우
기존 전략:
회사에서는 제품이나 서비스에 대한 가격을 결정하기 위해 자체 재고 데이터나 경쟁업체 가격 데이터를 사용하는 경우가 있습니다. 규칙 기반 가격 책정 시스템은 재고 수준과 같이 상대적으로 느리게 움직이는 정보를 사용하고 계산을 위해 여러 비즈니스 주기에 걸쳐 연장되는 판매 수치와 같은 과거 데이터에 크게 의존합니다.
이러한 내용은 자신의 업계 경험을 활용하여 결과가 온전한지 확인하는 인간 업계 전문가가 검토하는 경우가 많습니다. 그 결과, 공급망 중단 및 경쟁업체의 수요에 대한 가격 변동 효과와 같은 미래의 사건을 종종 예측하지 못하는 반응적 가격 책정이 이루어집니다.
AI의 장점:
AI 기반 가격 책정 시스템은 실시간으로 더 많은 유형의 데이터를 수집합니다. 이 데이터는 업계에 따라 다르지만 날씨와 고객 위치부터 도로 교통 정체까지 모든 것이 포함될 수 있습니다. AI는 이 데이터를 사용하여 몇 분 안에 제품이나 서비스 가격을 지역 또는 개별 고객 수준으로 조정합니다.
주요 부문:
업계 내 가격 변동이 심할수록 AI 기반 개인화의 관련성이 높아질 수 있습니다. Uber는 기계 학습을 사용하여 시간대, 개인 탑승 내역, 휴대폰 배터리 수명까지 고려하여 즉석에서 요금을 조정합니다. 배터리가 부족하면 더 높은 '급증 요금'을 받아들일 가능성이 더 높습니다. ” 기다렸다가 더 낮은 요금을 얻으려고 노력하는 것보다.
행동 개인화
고객의 행동이 회사와의 상호 작용에 영향을 미치는 경우
기존 전략:
구매 내역은 오랫동안 소비자 행동을 결정하는 데 가장 신뢰할 수 있는 데이터 세트였습니다. 그러나 해당 데이터에는 고객이 "지금 구매" 버튼을 클릭하는 과정에 대한 많은 중요한 정보가 누락되어 있습니다.
AI의 장점:
AI를 사용하면 기업은 온라인에서 더 많은 시간을 보내고 더 많은 개인 디지털 이동 경로를 남기는 소비자에 대한 더 많은 데이터를 실시간으로 수집하고 분석할 수 있습니다.
이렇게 포착된 행동은 소비자의 웹사이트 탐색 습관부터 특정 웹페이지에서 보낸 시간까지 다양합니다. 또한 브랜드 모바일 앱의 특정 기능과 사용자 상호 작용, 해당 앱에 액세스한 시간 및 위치를 캡처합니다.
기업들은 이 디지털 원격 측정을 고객의 메시지나 전화 통화 시 음성 톤에서 수집한 감정 분석과 결합하고 있습니다. 마케팅 기술 및 디지털 혁신 컨설턴트인 Greg Kihlström은 이를 통해 새로운 수준의 예측 분석이 가능하다고 말합니다.
"이는 고객이 수행한 작업을 기반으로 성향 모델을 구축한 다음 이를 사용하여 다음에 무엇을 보여줄지 결정하는 '차선 최선의 조치'라는 개념을 제공합니다."라고 그는 말합니다.
주요 부문:
동급 최고의 고객 지원을 제공하려는 이동 통신사부터 고객의 삶에 대한 결정과 재정적 요구 사항을 이해하려고 노력하는 금융 서비스 제공업체에 이르기까지 온라인 사용자와 상호 작용하는 모든 산업.