웹분석과 eCRM에서의 분석방법, 이론, 측정지표들

다양한 분석방법, 이론, 측정지표들

통계분석 방법

eCRM 및 e-Business를 위한 Marketing Automation 솔루션에서 응용되는 사항들을 중심으로 설명하였다.

OLAP툴의 기능

OLAP툴의 주요 기능은 다음과 같다.

  • Pivoting : 2차원 데이터 조회 결과에서 행/열/페이지 차원을 바꾸어 가면서 보고서를 생성하는 방법
  • Filtering : 데이터를 특정 조건(항목명, 값의 범위, 계층구조 등)에 의해 만족되는 항목으로 한정하여 보고서를 생성하는 방법
  • Drill Down : 요약된 상위개념의 데이터에서 상세한 하위개념의 데이터로 접근하는 방법. 계층구조이거나 연관된 데이터로 연결되어 조회되거나 하여도 무방하다.
  • Drill Up : Drill Down과 반대방향으로 데이터 조회.
  • Drill Across : 다른 데이터영역의 데이터에 접근하는 것.
  • Drill Through : OLAP시스템에서 DW또는 다른 시스템의 상세데이터에 접근하는, 즉 구체적인 Raw데이터 영역에 접근하는 것.
Taguchi Method

다양한 경우의 수를 모두 조합하여 각 경우별 실험을 진행하여, 그 중 결과가 가장 좋은 케이스를 선택하는 방법. 온라인상에서 IT기술에 의해 Testing과 실험이 진행될 경우 경우별 조합과 진행이 어렵지 않으므로 Multi-Variate Testing 방법으로 자주 활용된다.

Google Optimizer, Omniture의 Multivariate Testing 기능이 본 방법을 이용하고 있다.

Multivariate Testing

온라인 마케팅 최적화(Optimization) 툴에서 Taguchi Method 를 이용하여 다수의 변수를 선정하고, 변수를 조합하여 생성되는 경우에 맞추어 방문자를 대상으로 랜덤(Random)하게 경우의 수를 구현하고, 각 경우 별 성과를 측정하여 가장 좋은 경우를 선정하는 방법.

일반적으로 온라인 마케팅 최적화 솔루션에서는 최종 전환페이지에 대한 전환율이 어떤 경우일 때 높이 나타나는지를 실험한 후 최적의 방법을 선택하는 방법으로 최적화를 진행한다.

아래 그림은 랜딩페이지(Landing Page)의 시안을 메뉴배치방법 2종류와 색상 3종류를 조합하여 6가지의 경우의 수를 만들고, 방문자에게 6가지 경우 중 한가지를 적용하게끔 프로그램에 의해 무작위로 제시한 후 최종 Goal 목적 페이지에 대한 전환율이 가장 높은 메뉴레이아웃과 색상의 조합을 찾아내는 경우를 도식화 한 것이다.

052808_0747_eCRM1

Personalization

개인화는 수집 및 분석된 데이터를 바탕으로, 고객 및 방문자에게 최적의 컨텐츠 또는 서비스를 제공하는 맞춤형 접근 방법이다. 1:1 (One to One) 마케팅이라고도 불려진다.

개인화의 정도에 따라 개인사생활 침해여부와 과잉접근에 대한 거부감 등의 논란이 있다.

개인화를 eCRM에서 시스템적으로 구현하는 알고리즘은 아래 방법이 가장 많이 사용된다.

  • Collaborative Filtering (협업필터링)
    • 예: 대상고객과 유사한 성향/속성을 갖는 고객이 선택하는 상품들을 분석하여, 해당 고객도 유사한 상품을 선호할 것이라는 가정을 갖고 개인화된 상품을 제시. 직접적으로 친구의 Wish List를 보고 주문하는 기능을 제시하기도 하였다. (Amazon)
  • Rule Based (사전정의된 규칙에 의해)
    • 예: 상품추천 마법사와 같은 기능으로서, 준비된 RULE에 맞추어진 설문을 차례대로 진행할 경우 적합한 상품을 제시하는 방법
    • 사전에 정의된 고객속성, 조건, 구매이력등의 규칙에 따라 사전정의된 규칙은 실험을 위한 테스트로서의 접근도 있겠지만, 데이터마이닝등을 통해 분석된 고객군에 대해 접근하는 것이 유용할 것이다.
    • 고객군에 대한 프로파일링(Profiling)과 함께 이루어진다.
  • Case Based Reasoning (사례기반 추론)
    • 예: 기존 유사사례를 통해 현재의 개인화/추천 항목을 결정하여 제시.
  • Learning Agent ( 지능적으로 고객의 의도를 파악하여 )
    • 예: 고객이 노트북 상품 카테고리를 자주 살펴보고 체류하는 시간이 길어질 때 노트북 컴퓨터의 구매를 고려하고 있다고 판단하고 노트북에 대한 상품제안을 제시한다.
    • 사용행태, 페이지인쇄, 체류시간등 다양한 사항을 기준으로 선호도와 관심분야를 알아내고 제공하는 방법
  • Association Rule (연관규칙)
    • 특정 행위와 함께(근 시간내에)에 발생할 수 있는, 연관된 행위/컨텐츠등을 제시하는 방법
  • Sequential Pattern (순차패턴)
    • 특정 행위 다음에 발생하게 되어 있는 행위/필요사항들을 제시하는 방법
Data Mining의 통계분석에서 (본 항목은 위버라인 CRM전문가 과정에서 발췌)

Classification / Clustering / Association 을 위해

  • Neural Network
    • 생물학적 모형에서 비롯된 계산모형의 일종, 비선형에서 유리.
    • 일반화 능력 및 안정성이 타 방법에 비해 뛰어남
    • 학습방법
      • 교사 학습 (Supervised Learning) : 예- NN With BP
      • 비교사 학습 (Unsupervised Learning) : 예- SOM
  • Genetic Algorithm
    • 생물학적 진화과정을 모방한 알고리즘
    • 문제를 유전자 형태로 정의
    • 진화( Selection, Crossover, Mutation)의 과정을 통해 답을 탐색
  • Decision Tree
    • Instance를 root에서 Leaf 까지 내려오면서 Sorting
    • CART(classification and Regression Trees)
    • CHAID(Chi-Square Interaction Detection Analysis)
  • Case Based Reasoning (CBR)
    • 기존의 사례 데이터베이스를 이용하여 새로운 사례를 예측
    • K-NN 을 이용하여 유사한 사례 추출
    • 추출된 유사 사례들에 근거하여 새로운 사례에 대한 출력 산출
  • Discriminant Analysis: 통계적인 분류기법
  • Regression : 통계적인 추정기법
  • Association : link analysis(graph theory에 기반)
  • K-Means, FCM : 클러스터링 방법

마케팅 이론 & 측정지표

80/20 법칙 (파레토 법칙)

‘전체 결과의 80%는 전체 원인 중 20%에서 비롯된다.’라는 파레토가 세운 이 법칙은 다양한 부분에서 입증되면서 높은 설득력을 보이고 있다. 예를 들어 ‘상위고객 20%가 전체 매출의 80%를 일으킨다’거나 하는 것들이 이에 해당된다.

고객 Scoring을 통해 VIP고객과 일반고객을 구분하는 기준선을 정할 때, 타겟 고객층을 설정할 때 등 다양한 곳에서 응용되고 있다.

Long-Tail 이론

긴 꼬리이론 이라고도 불려지는 본 이론은 Amazon의 사업모델을 이용해 많은 예를 들기도 한다. 즉, 인터넷 상점과 같이 상품진열의 한계가 없는 공간에서, 1권씩 밖에 팔리지 않는 책이더라도 상당히 많은 책의 종류를 판매하게 될 경우 상위 10~20%가 일으키는 매출보다 하위 제품들의 합계 매출이 훨씬 클 수 있다는 이론이다.

WEB 2.0 시대에 크게 대중화 되어 관심을 받고 있는 이론이다.

Customer Experience Gap

고객이 기대한 가치와 실제 서비스/제품을 경험하고 얻은 가치의 차이. 이 차이가 적을수록 제품 및 서비스에 대해 만족하게 되며, 차이가 클수록 불만족 하게 된다는 것.

예를 들어 ‘싼데 이 정도면 됐지’ 라는 표현과 같이 저렴한 제품에서는 큰 기대를 하지 않기 때문에 적정수준의 품질만 넘으면 만족하게 되는 경우와 같다.

Loyalty

고객의 충성도를 의미한다.

어느정도 기업의 상품/서비스/브랜드에 호감을 갖고 지속적으로 관계를 맺고 유지해왔는지를 나타낸다.

고객세분화(Customer Segmentation), Customer Scoring 등에서 충성도 지표는 잠재된 LTV를 높이기 위한(또는 높이는) 중요 요소로 인식된다.

LTV (Life Time Value)

고객의 생애가치 또는 평생가치로 해석된다. 일반적으로 1명의 고객에 대해 해당 고객이 과거 및 미래에 일으킬 매출액을 합산하여 결정하는 경우가 많다.

미래에 대한 LTV산정이 어려울 경우, 현재시점 기준으로 과거의 LTV를 합산하여 이용하기도 한다.

쉽게 말해 LTV가 높을수록 우수 고객인 셈 이다.

Customer Segmentation

고객 세분화를 의미하며, 고객을 다양한 속성 및 기준에 따라 세분화 하는 것을 말한다.

Data Mining에 의해 Cluster분석을 통해 기준을 세워 나누어질 수도 있으며, 사전 정의된 Rule에 맞추어 고객층을 세분화 할 수도 있다.

Customer Scoring

고객을 등급화 하고 세분화 하기 위해 고객에게 객관적 지표로서 점수를 부여하는 행위.

예를 들어 최근 1주일이내 구매시 1점, 10만원 이상 구매시 매 10만원마다 1점씩 추가 등의 방법이 이용될 수 있다. 기업의 사업에 맞춘 최고의 고객은 어떤 고객인가? 라는 정의가 된 후에 원활한 고객등급 부여 항목과 기준이 정해질 수 있다.

RFM 또는 RFD

고객세분화 및 등급결정을 위한 방법으로 이용되는 점수부여의 기준이다.

RFM 은 Recency, Frequency, Monetary 의 약어로서, 고객의 가치평가 또는 충성도 평가를 얼마나 ‘최근에’, ‘자주’ 방문하였거나 ‘얼마나’ 구매하였는지를 척도로 삼아 평가 점수를 부여하는 방법이다.

RFD (Recency, Frequency, Duration)모델은 주문금액이 존재하지 않는 서비스 및 운영모델에서는 Monetary 대신에 체류시간인 Duration을 이용한 방법이다. Duration 을 Time으로 표현하기도 한다.

2002-2008 © BizSpring, Inc.

연관 e-Business 툴에 대한 이해

웹분석 연관 및 응용 분야

웹분석(넓은 의미에서)의 기본 기술적 요소가 이용되거나, 웹분석을 통해 수집 또는 분석되는 데이터를 기반으로 기능이 수행되는 분야를 정리하였다.

웹분석 부분이 다양한 e-Business 툴에서 데이터의 수집과 분석에 이용되는 모듈영역으로서 자리매김 하고 있다.

웹분석 데이터를 이용하는 응용분야는 다음의 요소를 공통적으로 포함하고 있다.

  • 상태측정을 통한 모니터링
  • 측정 및 분석결과의 리포팅
  • 분석결과에 따른 최적화 작업의 수행

크게 구축/운영, 마케팅/광고, 최적화작업 으로 구분하여 아래와 같이 정리하였다.

구축 및 운영

Digital Dashboard

전통적으로는 MIS(Marketing Information System)등에서 사업상태의 모니터링과 Overview를 위해서 구현하던 기능이다.

E-Businesss부분이 성장하면서 웹분석 데이터가 사업적 중요성을 갖게 됨에 따라 웹분석 분야에서도 함께 응용되거나 기존 Dashboard들과 연계되어 활용되고 있다.

컨텐츠 관리 시스템(Contents Management System – CMS)

전통적인 CMS솔루션은 웹사이트 컨텐츠의 생산/승인/배포(게시)등의 프로세스를 시스템화 한 것이다. 웹분석은 각 컨텐츠의 웹분석결과를 통해 컨텐츠 생산 및 고객에 대한 제공을 최적화할 수 있는 데이터를 제공하고 있다.

분석데이터를 통해 자동적인 컨텐츠의 최적화 작업이 이루어질 경우 behavioral targeting, 개인화(Personalization)등으로 추가 확장이 가능하다.

MD(Merchandizing)

전자상거래 웹사이트 운영의 측면에서 본다면, 컨텐츠 관리의 일부분으로 이해될 수 도 있다.

상품의 매출/주문 데이터가 아닌, 잠재고객의 주문 전 단계에서의 분석을 통해 접근이 가능하다. 방문자의 상품 조회/체류시간/연관관계 등을 통해 관심도를 분석하고 상품구성 및 추천 등에서 활용할 수 있다.

UI (User Interface) & UX (User Experience)

방문자의 웹사이트 이용을 위한 사용자환경( OS/브라우저/화면해상도/브라우저 윈도우 크기 등 )과 웹사이트의 메뉴/색상/레이아웃, 그리고 최근 RIA 경향에 따라 발전하고 있는 Interactive한 웹사이트에서의 사용자 경험등을 분석하고 최적화 하는데 사용된다.

마케팅/광고

Viral Marketing

입소문 마케팅이라고도 불려지는 Viral Marketing은 다양한 마케팅에 지친(?) 기업들이 새로운 접근방법으로 많은 시도를 하고 있다. 최근들어 Viral Marketing에 대한 도달율 및 효과분석 방법에 대해 많은 실험이 이루어지고 있다.

대표적인 사례는 오피니언리더(Opinion Leader) 또는 얼리어답터(Early Adopter)와 같이 주도적인 역할을 하는 사람들과 프로블로거(Pro-Blogger)라 불릴 수 있는 사람들을 고용하여 ‘입소문’이 날 수 있는 리뷰 게시글, 체험기 등을 작성하게 하는 것이다.

일단 UCC동영상 및 블로그게시물과 같은 경우에 요구되는 효과분석은 게시글의 노출과 위치를 추적하고, 이를 통한 레퍼러를 검출하여 접근이 가능하다.

브랜딩

브랜드에 대한 평판분석도 Viral Marketing과 같은 맥락에서 살펴볼 수 있다. 온라인상의 다양한 커뮤니티/UCC등의 컨텐츠를 로봇을 보내어 스크래핑하고 자연어검색기술을 이용하여 해당 브랜드 및 기업에 대한 평판을 판단하기도 한다.

자사 웹사이트에 오는 검색키워드 중에서 해당 브랜드 또는 기업명에 해당하는 키워드가 어느정도 되는지 그 비율과 숫자의 변화추세를 통해서도 접근이 가능하겠다.

참여도

특히 WEB 2.0 시대에서 강조되는 참여와 공유라는 관점에서, 참여도에 대한 분석이슈가 증가하고 있다. Social Engagement 라고 불려지기도 하는 사회참여도와 사이트에 대한 참여도로 나누어 생각해볼 수 있다.

사회참여도는 타사이트(특히 외부 블로그 등)에서 자사의 웹사이트로 얼마나 많은 링크와 방문자의 교류가 있는지, 웹사이트의 브랜드/기업명으로 검색하여 방문하는 비율은 어느정도 되는지 추정이 가능하고, 사이트내 방문자의 참여도는 방문횟수, 댓글작성 횟수, 체류시간등을 통해 분석적 접근이 가능하다.

광고서버 (Ad. Server) / 광고 서비스

온라인 광고는 전통적으로 웹분석기술이 함께 요구되었던 분야이다. 온라인 광고 제공시 대상 고객의 성향판단과 Targeting, 광고에 반응한 이후의 추적부분에서 웹분석의 방법과 기술이 함께 이용되고 있다.

e-Business 에서 전자상거래 부분과 함께, 가장 빠른 기술개발과 실험이 이루어지는 분야이다.

최근의 광고서버(또는 광고 서비스)는 광고 이후 효과추적 부분에서 더욱 발전되었으며, 광고 제작물/캠페인별 효과분석과 Targeting 분야에서라면 일반 웹분석 제품보다 앞서있다고 할 수 있다.

대용량 메일발송 / 퍼미션 마케팅(Permission Marketing)

온라인 광고와 더불어 e-Business시장에서 초기부터 성장해왔던 분야이다. 각 고객의 분석을 통해 Target을 구분하고, 마케팅메시지를 전달하고, 고객의 반응과 효과분석이 이루어진다.

이를 통해 더욱 최적화된 메시지 컨텐츠 구성, 전달시점, 전달대상에 대한 세분화 부분에서 웹분석이 깊게 활용될 수 있다.

광고입찰관리 (Bid Management)

최근에는 자동 광고입찰 관리 시스템 시장이 위축되었으나, 2004년부터 2006년까지 상당히 빠른 성장을 해왔다.

오버추어/구글애드워즈와 같은 CPC광고서비스에 접근(연계)하여 사용자가 정해놓은 RULE에 의해 입찰을 진행하거나, 각 검색키워드에 의한 방문자 수와 웹사이트내에서 발생하는 성과( 회원가입/매출 등 )를 웹분석을 통해 분석하고, 그 결과에 따라 입찰을 진행하는 자동화된 시스템이다.

캠페인/광고 효과 분석

웹분석의 여러 분석요소 중에서 광고 및 제휴링크등과 같은 외부유입 채널에 대해서만 ROI를 분석하여 리포트를 제공하는 분야이다. 즉, 외부 레퍼러 및 URL파라미터와 웹사이트에서 발생하는 전환(회원가입/주문/매출액)을 연결시켜 분석하고 ROI효율성이 높은 광고/캠페인을 선별할 수 있도록 하는 방법이다.

웹분석에 비해 PageView 트래픽을 처리하지 않기 때문에 시스템부하가 적고, 분석하고자 하는 핵심기능의 강화가 쉬운 장점이 있다. 하지만, 전환율을 높이기 위한 중간단계를 파악할 수 없기에 웹사이트를 최적화하기 위한 다양한 분석결과를 얻지 못하는 단점이 있다.

최적화 (Optimization)

개인화 및 추천

개인화(Personalization)의 범위는 매우 넓은 범위를 포함하지만, 지금 개인화추천의 범위는 웹사이트에서 개인에게 적합한 컨텐츠 및 상품추천이 주를 이루고 있다.

웹분석데이터와 고객데이터의 연계를 통해 일반 방문자가 아닌 ‘고객(회원)’에 대해 개인화된 서비스를 제공하는 것을 좁은 의미의 개인화/추천으로 볼 수 있다.

Behavioral Targeting

‘개인화/추천’ 영역의 일부분으로서 ‘방문자 성향 타겟팅’으로 번역해 볼 수 있다.

개인화가 고객/회원을 대상으로 기존 이력을 바탕으로 최적화를 수행한다면, Behavioral Targeting은 익명의 방문자에 대해 최적화/개인화/추천 작업을 수행하여 회원 및 고객을 만드는 것에 중심을 두고 있다고 할 수 있다.

예를 들어, 방문자가 어떤 지역(IP기반으로)에서 방문하였는지, 선호하는 사이트내부 컨텐츠는 어떤 카테고리인지, 어떤 유입도메인(참조 사이트의 성향에따라)에서 왔는지 등을 종합적으로 판단하여 랜딩페이지/마케팅메시지/상품 및 컨텐츠등을 최적화하여 제공하는 것을 생각할 수 있다.

웹분석과 연계되어 진행할 경우, 실시간으로 방문자 성향별 최적화된 서비스를 제공하는 시스템을 구현할 수 있을 것이며, 웹사이트내 전환율 향상에 크게 기여할 것으로 예상된다.

Multivariate Testing

Behavioral Targeting(방문자 성향 타겟팅)이 익명의 방문자에 대해 실시간으로 학습하고 최적화된 서비스를 제공하여 전환율을 향상시키는 방향으로 접근한다면, Multivariate Testing은 다양한 조건별 최적화 케이스를 먼저 구성한 후, 실험을 통해 가장 효율성이 좋은 케이스를 선별하고 적용하는 반대의 접근방법을 보이고 있다.

웹분석 데이터를 이용하여 Testing을 수행할 경우, 동일 기간 내에서 다양한 케이스에 대해 방문자에 대해 실험이 가능하고 분석결과를 빠르게 얻을 수 있는 장점이 있다.

© Jahoon

Advertisements