💡 이런 고민이 있는 분께 이 페이퍼를 추천해요

이런 고민이 있는 분께 이 페이퍼를 추천해요

• 개발 없이 상품 추천 알고리즘을 적용한 CRM을 운영해보고 싶으신 분들
• 브레이즈의 더 고도화된 개인화 및 자동화 사례가 궁금하셨던 분들
• 브레이즈의 AI 기능과 그 사례에 대해서 알고 싶으셨던 분들

배경

다담리테일

다담리테일은 1997년 창립 이래로 식자재 유통 전문 브랜드로 자리 잡았으며, 품질 좋은 식자재를 저렴한 가격에 제공하기 위해 다양한 유통채널을 운영하고 있습니다. 다담리테일의 대표적인 유통망으로는 7개 대형 매장, 1개의 SSM 마트, 온라인 식자재몰인 다담몰이 있으며, 이 외에도 종합 물류센터와 농산물 집하 센터를 통해 고품질의 상품을 고객들에게 제공합니다.

⏩️ 다담몰 다운로드하기

Needs

다담몰은 시즌별 특가 상품을 프로모션할 때, 정교한 고객 맞춤형 상품 추천을 통해 구매 전환율을 높이고자 했습니다. 이 과정에서 데이터 팀이나 개발자의 도움 없이 정교한 상품 추천 모델을 구축하고 운영하기 위한 방안이 필요했습니다.

액션 아이템

Strategy

다담몰은 브레이즈의 Catalog 기능을 활용해 다양한 상품 데이터를 등록하고, AI Item Recommendation 기능을 통해 상품 추천 모델을 학습시켰습니다. 이후 AI 모델에 의해 추천된 상품을 푸시 메시지에 개인화된 형태로 반영하여 고객 맞춤형 추천 상품 CRM 캠페인을 운영했습니다.

AI Item Recommendation 이란

브레이즈의 AI Item Recommendation 기능은 유저 개개인의 데이터를 바탕으로 메시지 단에 맞춤형 상품을 추천하는 역할을 합니다. Catalog에 등록된 상품들 중 특정 기준에 따라 모델이 학습되고, 이후 고객에게 가장 적합한 상품을 추천합니다. 추천 방식은 인기 상품 추천(Most Popular), 최근 상품 추천(Most Recent) 등 다양한 방식으로 구성됩니다.

How to do

[STEP 1] 사전 준비사항

• 상품 추천 모델(AI Item Recommendation)을 학습시킬 ‘Catalog’가 반드시 하나 이상 등록되어 있어야 합니다. Catalog에 대한 사항은 브레이즈 가이드를 참고하세요.

• 브레이즈로 구매 이벤트(Purchase Event)가 수집되어야 합니다.

• AI Recommendation이 잘 학습되기 위해서는 두가지 조건이 필요합니다.

• 카탈로그에 100 ~ 1,000 단위 갯수의 상품이 등록되어 있어야 합니다.

• 최소 30,000명 이상 유저들의 구매 혹은 행동 데이터가 수집되어 있어야 합니다.

[STEP 2] 새로운 Item Recommendation 모델을 생성하기

• Analytics → Predictions → AI Item Recommendations → Create Predictions 페이지로 진입합니다.

• Name과 Description을 입력합니다.

[STEP 3] 추천 모델을 AI Personalized로 선택하기

• 모델 Type은 3가지가 있습니다. 이 중 AI 모델을 선택해야 합니다.

• Most popular 모델은 카탈로그 및 유저 데이터를 학습해 다양한 기준으로 해석되는 인기 상품을 추천합니다.
• Most recent 모델은 카탈로그 및 유저 데이터를 학습해, 다양한 기준으로 유저가 상호작용을 가장 많이 하는 상품을 추천합니다.

[STEP 4] 추천 모델의 추천 상품 목록이 될 Catalog를 선택하기

• 등록 되어있는 카탈로그 목록 중에서 사용할 카탈로그를 선택합니다.

[STEP 5] 추천 모델의 학습을 최적화시킬 Event를 선택하기

• Purchase Event와 같이 전환과 관련이 깊은 Event를 최적화용으로 사용하시길 권장드립니다.

[STEP 6] Catalog에 매핑할 Event Property를 선택하여 연결하기

• 선택한 최적화 이벤트의 Event Property와 카탈로그의 상품 id가 매핑되어야 모델 학습이 가능합니다.
• 카탈로그 상품 id와 매핑할 Event Property가 최적화 Event에 없다면 새로운 Event를 선택해주시거나 데이터를 새롭게 수집하셔야 합니다.

[STEP 7] 추천 모델을 학습시키기

• 모델 학습 버튼을 클릭하고 나면 학습되기까지 최소 10시간에서 36시간이 소요됩니다.

[STEP 8] 추천 모델의 학습 결과를 확인하기

• **Precision **

• 모델의 예측 정확도를 나타냅니다. 6%~20% 범위에서 유의미한 결과를 뽑아낸다는 브레이즈 내부 연구 결과가 있습니다. 이에 다담리테일에서는 7%의 정확도가 나와 캠페인을 진행하였습니다.

• **Coverage **

• 학습된 카탈로그 상품 중 추천 상품으로 쓰이는 상품들의 비중을 의미합니다. 다담리테일의 경우 11.1% 의 상품이 추천 가능한 상태로 전환되었으며 총 99가지의 상품이었습니다.

• **Recommendation Type **

• AI 상품 추천이 적용될 유저들의 비중과, Most Popular 상품의 추천이 적용될 유저들의 비중을 나타냅니다. AI 추천 모델을 생성했음에도 Most Popular 상품이 추천되는 이유는, 모델을 학습시킬 충분한 이벤트 데이터가 없는 유저들이기 때문입니다.

• **학습 결과 업데이트 주기 **

• **상품 추천 업데이트 주기(User Update Frequency)**는 일주일 단위로 이뤄집니다. 예를 들어, 사용자가 AI 추천 시스템을 통해 추천된 상품을 구매하면, 그 사용자의 데이터가 업데이트되어 새로운 추천 목록이 생성됩니다. 단, "Most Popular" 추천 모델은 일반적인 AI 모델과 다르게, 사용자가 상호작용할 때마다 갱신되지 않고, 모델이 재학습될 때마다 갱신됩니다.

• **추천 모델 재학습 주기(Model Retraining Frequency)**는 한달 단위로 이뤄집니다. 처음 학습된 모델의 Precision이 낮아도 재학습 됨에 따라 수치가 증가할 수 있습니다.

**[STEP 9] 캠페인 메시지 단에 추천 모델을 반영하기 **

• Compose 단계에서 [+] 아이콘, 즉 개인화 태그 아이콘을 클릭하여 Item Recommendation을 선택합니다.

• Item Recommendation Name에 학습시킨 모델명을 넣고, Information to Display에 노출시킬 정보를 선택합니다. 상품 추천의 경우 상품명을 사용하므로, [name] 을 선택했습니다.

• 아래는 다담몰에서 운영한 메시지의 구성 예시입니다.

[STEP 10] Schedule Delivery 설정으로 발송 자동화하기

• CRM 메시지를 발송하고자 하는 전달 시점을 설정합니다.

Impact

다음은 다담리테일의 김진솔 마케터님과의 인터뷰 내용입니다.

Q. 브레이즈의 AI Item Recommendation 기능을 활용한 CRM에서 어떤 성과가 있었나요?

개발 리소스 없이도 정교한 개인화 상품 추천 모델 구현

브레이즈의 AI Item Recommendation 기능을 통해, 개발자의 개입 없이도 마케터가 고객의 실시간 행동 데이터와 관심사를 반영한 정교한 개인화 추천 모델을 구축할 수 있었습니다. 브레이즈의 카탈로그 업로드는 간단한 CSV 파일로 가능하며, AI 추천 모델을 생성하거나 학습시키는 과정에서 개발자의 개입이 필요하지 않았습니다. 또한 마케터 스스로도 모델의 성과를 쉽게 분석하고, 캠페인에 반영할 수 있었습니다. 이로 인해 저희 다담리테일은 마케팅 팀의 독립성을 유지하면서도 고성능의 추천 캠페인을 운영할 수 있었습니다.

개인화 캠페인 자동화 및 운영 효율성 개선

기존에는 캠페인 설정 시 고객 맞춤형 개인화 메시지를 구성하는 데에 많은 시간과 리소스가 필요했습니다. 하지만 브레이즈의 AI Recommendation 기능을 활용함으로써 적합한 고객에게 적절한 상품을 자동으로 추천할 수 있게 되었습니다. 이에 따라 시즌별 프로모션과 연계된 CRM을 자동화하여 마케터의 부담이 크게 줄었습니다. 결과적으로 마케팅 팀이 더 효율적으로 일할 수 있게 되어 만족스럽습니다.

앱 푸시 오픈율 성과 36.8% 개선

AI 추천 기능을 도입한 이후, 실제로 추천된 상품에 대한 메시지 클릭율이 이전에 사용했던 타 솔루션 보다 향상되었는데요. 기존의 단순한 추천을 넘어, AI 기반으로 실제 고객들의 관심을 끌 수 있는 개인화된 추천 경험을 제공한 결과라고 생각합니다. 정교한 고객 맞춤형 개인화 마케팅 전략이 얼마나 중요한지 다시 한 번 입증하는 결과였습니다.

Key Takeaways

CSM's Insight

1. 모델 학습이 잘 되기 위해서는 카탈로그에 충분히 많은 상품(1,000개 이상 추정)이 필요합니다. 그리고 최적화 이벤트로는 꼭 구매완료가 아니더라도 장바구니 담기, 찜하기 등 전환과 관련이 있으면서 많은 데이터가 확보되는 이벤트일수록 효과적입니다.
2. 다양한 Catalog와 custom event의 조합으로 학습을 여러번 시키면서 Precision 및 Coverage를 올려 나가는 작업이 필요합니다. 모델 재학습은 한달 단위로 진행되므로 바로 정확도가 오르지 않더라도 장기적인 모니터링을 해주셔야 합니다.
3. 디폴트 설정으로는 한번에 한개의 추천 모델을 학습시킬 수 있습니다. 여러 개의 학습 모델을 동시에 생성하는 것은 Add on 기능으로, 사용을 희망하시는 경우 담당 CSM 및 AE에게 문의하시기 바랍니다.