IoT technology for e-commerce customer information segmentation

활기 넘치는 온라인 쇼핑의 세계에서, 한 상인은 상업의 역사만큼이나 오래된 난제에 직면해 있습니다. 그것은 바로 정신을 놓지 않으면서도 어떻게 모든 고객을 개별적인 존재로 대우할 것인가 하는 문제입니다. 과거의 상점 주인은 단골손님의 이름과 얼굴을 기억했습니다. 오늘날의 디지털 상점은 수백만 명의 사람들에게 서비스를 제공할 수 있지만, 그들 대부분은 그저 사용자 이름과 배송 주소로만 존재할 뿐입니다. 살아남기 위해 이 기업들은 고객을 그룹으로 분류하여, 누가 가장 많은 이익을 가져다주는지, 그리고 누가 조금 더 세심한 주의가 필요한지를 이해해야 합니다. 이것이 바로 고객 세분화의 기술입니다. 전통적으로 기업들은 쇼핑객의 가치를 판단하기 위해 세 가지 단순한 요소, 즉 얼마나 최근에 구매했는지, 얼마나 자주 구매하는지, 그리고 얼마나 많은 돈을 쓰는지를 살펴보았습니다. 이 세 가지 사실의 조합은 고객 습관의 기본적인 지도를 형성합니다. 그러나 단순히 이 숫자들을 더하는 것만으로는 실제 행동의 미묘한 차이를 놓치기 쉽습니다. 많이 쓰지만 드물게 방문하는 고객은 매일 방문하지만 적게 쓰는 고객과는 다를 수 있기 때문입니다. 질문은 여전히 남아 있습니다. 쇼핑객의 진정한 가치를 보기 위해 이 요소들의 비중을 어떻게 공정하게 설정할 것인가 하는 점입니다.

허난 폴리테크닉 대학교(Henan Polytechnic Institute)의 한 연구자는 온라인 상인들이 데이터를 분석하는 방식을 개선함으로써 이 질문에 답하고자 했습니다. 연구자는 세 가지 요소인 최근성, 빈도, 또는 지출 중 무엇이 가장 중요한지 추측하는 대신, 데이터가 스스로 말하게 하는 '엔트로피 가중치법(entropy weight method)'이라는 수학적 접근 방식을 사용했습니다. 이 기법은 데이터가 얼마나 변하는지에 따라 각 요소의 중요도를 계산하여, 최종 점수가 미리 정해진 의견이 아니라 실제 판매 기록의 패턴을 반영하도록 보장합니다. 이 연구는 핀둬둬(Pinduoduo) 플랫폼에서 쿠키와 케이크를 판매하는 특정 상점에 초점을 맞추어, 2019년 8월부터 2020년 1월까지의 32,000건 이상의 구매 기록을 조사했습니다. 무효한 주문을 제거하기 위해 데이터를 정제하고 배송 주소를 기준으로 고객을 식별한 후, 연구자는 모든 구매자를 평가하기 위해 이 새로운 점수 산정 시스템을 적용했습니다.

고객의 점수가 매겨지자, 연구자는 클러스터링 도구를 사용하여 이들을 그룹화했습니다. 혼합된 돌 더미를 단순히 색상이나 크기로만 나누는 것이 아니라, 비슷한 무게와 질감을 가진 돌들이 자연스럽게 모이는 자연스러운 군집을 찾아 분류한다고 상상해 보십시오. 컴퓨터는 두 개에서 여덟 개의 그룹까지 다양한 숫자를 테스트했으며, 가장 뚜렷하고 명확한 카테고리를 만들어내는 배치를 선택했습니다. 그 결과 네 가지의 뚜렷한 유형의 쇼핑객 지도가 만들어졌습니다. 첫 번째 그룹은 전체 고객의 약 27%를 차지하는 저가치 쇼핑객으로, 최근에 구매한 적이 없고, 구매 빈도가 낮으며, 지출액도 매우 적었습니다. 두 번째 그룹은 거의 23%를 차지했는데, 과거에는 상당한 금액을 지출하고 자주 구매했지만 최근에는 조용해진 고객들로, 상인이 다시 불러들여야 할 고객들이었습니다. 세 번째 그룹은 또 다른 27%를 차지하며, 최근에 구매를 시작했으나 아직 높은 지출이나 빈번한 방문으로 이어지지는 않은 탐색 단계의 구매자들이었습니다. 마지막으로 네 번째 그룹은 전체의 약 22.5%를 차지하는 고가치 고객으로, 최근에 구매했고, 자주 구매하며, 가장 많은 돈을 썼습니다.

연구자가 이 새로운 방법을 전통적인 고객 점수 산정 방식과 비교했을 때, 그 차이는 명확했습니다. 전문가가 결정한 고정된 가중치에 의존하는 전통적인 방식은 가장 가치 있는 쇼핑객을 아주 작은 부분으로 몰아넣어, 단 0.8%만을 고가치 고객으로 식별하는 경傾向이 있었습니다. 반면, 데이터가 가중치를 결정하게 한 새로운 방식은 훨씬 더 크고 현실적인 고가치 고객 집단을 식별해 냈으며, 이는 소수의 고객이 대다수의 이익을 창출한다는 잘 알려진 비즈니스 관찰 결과와 밀접하게 일치했습니다. 새로운 모델은 그룹 간의 구분이 더 뚜렷함을 보여주었는데, 이는 상인이 이제 고객 유형 간의 차이를 더 명확하게 볼 수 있음을 의미합니다. 이는 최근성, 빈도, 또는 지출에 얼마만큼의 비중을 둘지를 데이터가 결정하게 함으로써, 온라인 기업들이 쇼핑객의 더 정확한 프로필을 만들 수 있음을 시사합니다. 이 연구는 이러한 접근 방식이 고객을 세분화하는 더 나은 방법을 제공하며, 상인들이 더 명확한 고객의 실체를 바탕으로 최고의 고객을 만족시키고 다른 고객들의 복귀를 부드럽게 유도하기 위한 전략을 맞춤화할 수 있게 해준다고 결론짓습니다.