[📈 A/B 테스트를 넘어선 기술적 프레임워크] 🔎 마케팅 + 데이터 & 기술에서 2가지의 관점 1. 고객의 입장에서 직접적으로 체험하게 되는 경험이 달라짐 (상황에 따라 다른 콘텐츠 노출)

[📈 A/B 테스트를 넘어선 기술적 프레임워크] 🔎 마케팅 + 데이터 & 기술에서 2가지의 관점 1. 고객의 입장에서 직접적으로 체험하게 되는 경험이 달라짐 (상황에 따라 다른 콘텐츠 노출) 2. 기업/마케터 입장에서 마케팅 업무 성과 극대화 및 업무 효율화 (A/B 테스트, 머신러닝을 통한 타깃 고객 선정) 두 번째 관점에서의 기술적 프레임워크에 대해 알아보자 ! ✅ Auto-Research - 시장의 트렌드와 이슈를 파악하기 위해 마케터는 많은 시간을 쏟고 있음 - 정보량의 차이는 적시에 적절한 고객들에게 알맞는 마케팅 메시지를 전달하고 있느냐 & 그렇지 않느냐의 차이로 드러남 👉 소셜미디어에서 어떤 콘텐츠가 어떠한 맥락에서 화제가 되어 소비되는지를 빠르게 수집하고 분석해주는 기술을 활용해 정보 수집에 들이는 리소스를 줄여줌으로써 생산적인 다른 업무에 집중할 수 있도록 도와줌 ✅ Auto-Targeting - 모든 이들에게 동일한 상품/서비스를 홍보하고자 여러 마케팅 메시지를 보내고, 이를 스팸으로 취급해 고객의 반응율이 점차 낮아지게 됨 -> '마케팅 피로도 관리 실패' - 빅데이터를 활용해 개별 상품/서비스를 해당 사람이 얼마나 필요로 하고 관심을 갖고 있을지에 대해 점수화한 '니즈 스코어(Needs Score)'는 오래 전부터 운영되던 데이터 기반 마케팅 방식. 하지만 모델 개발 및 배포가 오래 걸려 빠른 속도로 변화하는 마케팅 환경에 대응하기엔 어려움 존재 - 시스템적으로 머신러닝 알고리즘 구현 및 최적화가 자동으로 구현되는 방식인 Auto-ML의 활용은 마케팅 조직의 업무 효율과 퍼포먼스가 매우 크게 개선될 것 (성능 개선보단 빠른 테스트와 적용) <- 모델에 입력될 적절한 변수들을 선택할 수 있는 데이터 엔지니어링 환경 구축이 선행되어야 함 ✅ Auto-Action - 고객에게 해당 상품을 어떤 채널로 어떠한 혜택을 담아 전달할 것인지 결정해야 함 - 과거 실험 경험을 데이터화해 컴퓨터 알고리즘이 마케터의 의사결정 판단 프로세스를 빠르고 정확하게 캐치하고 이를 자동적으로 매칭시켜 발송될 수 있도록 처리 ✅ Auto-Creation - 딥러닝을 활용해 고객과 기업이 상호작용하고 있는 수많은 메시지 내용과 그에 대한 반응 데이터를 토대로 텍스트 메시지를 자동으로 생성해줌 ✅ Auto-Analyzing - 다양한 채널을 통해 동시다발적으로 고객에게 노출된 상품/서비스에 대한 성과를 분석하고 판단하기엔 복잡하고 어려움. 알고리즘 기반 어트리뷰션 모델을 활용하면 개별 마케팅이나 개별 채널별로 정확히 상품 전환에 어느 정도 기여를 했는지 파악하기 수월함 ✍🏼 짧은 코멘트 이 글만 본다면 머신러닝/알고리즘이 뭐든지 다 해결해줄 것 같다는 느낌을 받을지도 모른다. 머신러닝을 공부하고 부족한 실력으로 모델을 만들어본 사람으로서 데이터가 무수히 많고 질이 좋아야 의미 있는 결과가 나올 수 있다는 걸 체감했었다. 아무리 속도가 중요하더라도 어느 정도 이상의 성능을 보장해야 결과를 믿고 활용할 수 있을 텐데, 이를 위해 데이터 전문 인력이 많이 필요할 것이다. 개인적으로 모델링은 적성에 안 맞아 방향을 살짝 돌린 게 없지 않아 있는데, 실력 좋으신 전문가분들 힘내주세요,,,