결제 데이터와 멤버쉽 시스템에서 알 수 없는 60%의 고객, 매쉬는 알아냅니다

기성 고객 데이터 솔루션에서 생기는 데이터 오염에 대해 아시나요?

카드사로부터 받는 결제 정보 데이터로 오늘 어떤 고객이 매장을 방문했는 지 정확하게 파악하기란 쉽지 않습니다. 그 이유는 카드사가 제공하는 데이터를 바탕으로 실제 방문객을 예측할 경우, 결제자 외의 동반 방문객의 부정확한 데이터가 되어 실제 방문객 데이터로서는 정확도가 매우 떨어지게 되기 때문입니다. 즉 예측데이터에서 바로 데이터가 오염이 발생하고 있다고 할 수 있습니다.

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.

방문자 통계에서 나타나는 데이터 오염은 비단 카드사 결제 데이터 뿐만 아니라 현금 결제, 멤버십 미가입 등 다양한 상황에서 빈번히 발생하는 현상입니다. 이렇게 특정되지 않는 동반 고객은 평균적으로 전체 고객의 60% 를 차지하고 있습니다. 절반이 넘는 타겟을 파악하지 못한 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 추정치이기 때문에 필연적으로 오차가 발생할 수 밖에 없습니다. 무엇보다 40%의 고객으로 그보다 훨씬 많은, 나머지 60%의 고객을 정확히 대변할 수 있을까요? 성공적인 마케팅과 매장 관리를 위해서, 모든 고객을 반드시 파악할 수 있어야 합니다.

이제 AI 솔루션을 통해 실제 방문객 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 방문객을 분석할 수 있습니다. 기존에는 계수 인력을 고용해 제한된 날짜의 출입자를 집계하거나, 통계적인 추론을 통해 방문자를 추정하는 수준에 그쳤습니다. 그러나, 이제는 AI를 통해 매장에 방문하는 고객 100% 에 대한 특징 데이터를 산출할 수 있게 되었습니다.

국내 대표적인 테마파크 L 사 역시 메이아이의 분석 솔루션을 통해 방문객 데이터를 산출하였습니다. 특정 요일이나 시간대에 특정 고객층이 동반 방문하는 지 여부를 분석하여 특정 고객층 각각에게 다가갈 수 있도록 보다 효율적인 마케팅 전략을 수립하고 놀이공원을 운영하게 되었습니다.

▼ 동반 방문객의 데이터까지도 정확하게 분석하는 매쉬에 대해 알아보세요!