하버드비즈니스리뷰

SPOTLIGHT

AI 기반 마케팅

왜 나는 마케팅 AI에서 더 많은 이익을 못 낼까
올바른 질문을 하지 않았을 가능성이 크다.


한 대형 통신회사 마케터들이 고객이탈률을 낮출 요량으로 인공지능을 이용해 어떤 고객이 이탈 가능성이 가장 높은지 알아내기로 했다. AI의 예측 기능을 활용해 이탈할 위험이 있는 고객을 잡기 위한 프로모션 총공세를 펼쳤다. 하지만 고객 유지 캠페인에도 많은 고객이 결국 떠나버렸다. 왜 그랬을까? 마케터들은 근본적 오류를 범했다. 알고리즘에 질문을 잘못 던진 것이다. AI 예측은 좋았으나 진짜 문제를 해결하지 못했다.

이런 시나리오는 AI를 이용해 비즈니스 의사결정을 내리는 기업에서 매우 흔한 일이다. 2019년 슬론 매니지먼트리뷰와 보스턴컨설팅 그룹이 기업 임원 2500명을 대상으로 진행한 설문조사에서 응답자의 90%가 자신의 회사가 AI에 투자했다고 답했다. 하지만 지난 3년간 AI를 통해 비즈니스 이익을 얻었다고 대답한 비율은 40%가 안됐다.

우리는 교수, 컨설턴트, 사외이사로 활동하며 50개 이상의 기업에 대해 연구하고 조언하면서 마케팅에서 AI를 활용할 때 겪는 주요 문제들을 조사했다. 이를 통해 마케터가 AI를 활용하며 가장 자주 저지르는 오류를 파악 및 분류하고 이를 방지하기 위한 프레임워크를 개발했다.

먼저 오류부터 살펴보자.


일치
올바른 질문을 던지지 못하는 오류

앞선 통신회사에서 마케터의 진짜 관심사는 잠재적 이탈자를 찾아내는 게 아니었다. 그는 이탈을 줄이기 위해 어떤 마케팅 투자가 필요한지 알아냈어야 했다. AI에 누가 가장 이탈할 가능성이 높은지 묻기보다 누구에게 남도록 설득해야 할지 물었어야 했다. 즉 떠날 생각이었던 고객 중 누가 프로모션에 반응할 가능성이 가장 높을지 물었어야 했다. 정치인들이 누구에게 표를 줄지 결정하지 못한 유권자들에게 노력을 쏟듯, 마케터는 떠날지 말지 고민하는 고객들에게 행동을 집중해야 한다. AI에게 잘못된 목표를 주는 바람에 통신회사 마케터들은 어차피 떠났을 고객들에게 돈을 낭비하고 2배로 투자 했어야 할 고객에게 과소투자했다.

또 다른 사례를 보자. 어느 게임회사 마케터는 게임을 하는 동안 사용자가 더 많은 돈을 쓰기 바랐다. 그는 데이터과학팀에 어떤 새로운 기능이 사용자의 참여를 높일 수 있는지 알아봐 달라고 요청했다. 데이터과학팀은 알고리즘을 사용해 가능한 기능과 사용자가 플레이하는 시간과의 관계를 파악했고 (1)상 주기 (2)사용자의 공개 랭킹 순위를 더 눈에 띄게 만들기가 게임 시간을 더 늘릴 거라고 예측했다. 회사는 예측에 따라 게임을 조정했지만 수입은 늘지 않았다. 왜 그랬을까? 역시 마케터가 AI에 잘못된 질문을 던졌기 때문이다. 즉 사용자의 참여를 높이는 방법이 아니라 사용자의 지출을 늘리는 방법을 물었어야 했다. 대부분의 사용자가 게임에서 돈을 쓰지 않았기 때문에 전략은 실패했다.

두 회사의 사례에서 마케터들은 모두 해결하려는 비즈니스 문제와 최고의 의사결정을 내리는 데 필요한 예측을 신중하게 고려하지 못했다. 통신회사의 어떤 고객이 가장 설득될 가능성이 높을지, 어떤 게임 기능이 사용자의 지출을 늘릴지 예측했더라면 AI는 매우 높은 가치를 안겨줬을 것이다.

비대칭
옳음의 가치와 틀림의 비용 차이를 인식하지 못하는 오류

AI의 예측은 되도록 정확해야 한다. 당연한 얘기 아닌가? 하지만 꼭 그렇지만은 않다. 잘못된 예측이 어떤 상황에서는 매우 값비싼 비용을 치르지만 다른 경우에는 아닐 수 있다. 마찬가지로 고도로 정확성 높은 예측이 어떤 상황에서는 다른 경우보다 더 많은 가치를 창출할 수 있다. 마케터는 물론이고 그들이 의지하는 데이터과학팀조차 종종 이 사실을 간과한다.

어느 소비재 회사의 사례를 보자. 데이터과학팀은 새로운 판매량 예측 시스템의 정확도를 높여서 오류 발생률을 25%에서 17%로 낮췄다고 자랑스럽게 발표했다. 하지만 안타깝게도 이들이 시스템 전반의 정확도를 향상시키는 과정에서 수익성이 낮은 제품에 대한 정확도는 높아지고 수익성이 높은 제품에 대한 정확도는 낮아졌다. 수익이 높은 제품에 대한 수요를 과소평가하는 비용이 수익이 낮은 제품에 대한 수요를 정확하게 예측하는 가치보다 훨씬 컸기 때문이다. 회사가 ‘더 정확한’ 새로운 시스템을 실행하자 이익은 오히려 감소했다.

AI 예측이 다양한 방식으로 잘못될 수 있음을 인식해야 한다. 결과를 과대 또는 과소평가하는 것 말고도 긍정오류(실제로는 유지될 고객을 이탈 가능 고객으로 잘못 식별)나 부정오류(이탈할 고객을 유지 가능 고객으로 잘못 식별)가 나올 수 있다. 매우 다른 양상을 띨 수 있는 이런 오류의 상대적 비용을 분석하는 게 마케터의 임무다. 예측 모델을 만드는 데이터과학팀은 모든 오류를 똑같이 중요하다고 가정해서 종종 이런 문제를 무시하거나 제대로 전달조차 하지 않는 값비싼 실수를 범한다.

아티클을 끝까지 보시려면
유료 멤버십에 가입하세요.
첫 달은 무료입니다!

로그인 멤버십 결제