Use case: 매출 중심 의사 결정 에이전트로 휴면 고객 윈백하기
이 예시는 가상의 브랜드가 BrazeAI Decisioning Studio™와 의사 결정 에이전트를 사용하여 각 고객을 액션 뱅크의 최적 결정으로 라우팅하고, 윈백을 위한 메시징을 개인화하며, 매출을 최적화하는 방법을 보여줍니다. 에이전트 설계, 오디언스 및 실험, Braze를 통한 오케스트레이션, 그리고 출시 후 학습을 하나로 연결합니다.
Poppy가 주방용품 전문 가상 온라인 리테일 브랜드인 Kitchenerie의 CRM 매니저라고 가정해 봅시다.
많은 고객이 시즌 컬렉션을 한두 번 둘러본 후 이탈합니다. 기존 윈백 프로그램은 고정된 여정과 수동 A/B 분할을 사용했는데, 이는 카피 테스트에는 유용했지만 각 고객에게 어떤 오퍼, 채널, 빈도, 타이밍 조합이 구매 매출을 극대화하는지 학습하기에는 부족했습니다. 경영진의 우선순위는 명확합니다: 가능한 한 많은 휴면 구매자를 되돌리고, 할인이나 빈도에 대한 가드레일을 깨지 않으면서 매출을 높이는 것입니다.
이 안내서는 Poppy가 어떻게 다음을 수행하는지 설명합니다:
- 에이전트의 오디언스로 휴면 또는 이탈 위험 고객을 타겟팅하면서 공정한 비교를 위한 실험 그룹을 구성
- 에이전트가 풍부한 액션 뱅크에서 최적의 허용된 동작을 선택하도록 하여 대규모로 개인화된 메시징 유지
- 의사 결정이 고객 참여 플랫폼인 Braze로 흘러가도록 오케스트레이션 설정
- 에이전트를 시작하여 윈백 매출을 높이는 요인을 자율적으로 학습하도록 허용
1단계: 성공 측정기준 및 에이전트 타겟 대상 정의
Poppy는 에이전트가 최대화해야 할 성공 측정기준을 확인합니다: 구매를 중단한 고객의 재구매 매출입니다.
그녀는 프로그램에 진입하는 대상을 정의합니다: 휴면 구매자 또는 고가치 휴면 사용자로 구성된 Braze Segment입니다. 이제 Poppy는 에이전트가 타겟팅해야 할 Segment를 AI Decisioning Services 팀과 공유하기만 하면 됩니다. 해당 Segment의 데이터를 가져오는 통합은 Poppy가 별도로 설정할 필요 없이 백그라운드에서 이루어집니다.
2단계: 액션 뱅크 및 제약 조건 구축
Poppy는 윈백 전략에 중요한 차원을 매핑합니다:
- 오퍼: 무료 배송, 할인율, 또는 아이템 번들
- 채널: 이메일, 푸시, 또는 SMS
- 발송 시간 또는 빈도
- 크리에이티브: 작은 일러스트레이션 또는 실용 중심 카피
각 차원에 대해 그녀는 액션 뱅크에 구체적인 옵션을 나열합니다—에이전트가 취할 수 있는 유일한 동작입니다(그 외 모든 것은 설계상 제한됩니다). 그런 다음 에이전트는 허용된 조합을 실험하여 선택한 성공 측정기준을 최적화하면서 각 고객에게 무엇이 효과적인지 발견합니다.
3단계: 데이터 준비 및 Braze에 오케스트레이션 연결
데이터 연결에 따라 Poppy는 풍부한 퍼스트파티 신호(구매 이력, 카테고리 친밀도, 브라우징 행동, 참여 포함)가 에이전트에 공급되도록 하여 각 의사 결정이 실제 행동에 기반하도록 합니다.
오케스트레이션을 위해 그녀는 네이티브 Braze 경로를 사용합니다: Decisioning Studio가 무엇을 언제 보낼지 결정하고, Braze가 이를 전달합니다. 그녀는 오퍼와 크리에이티브를 위한 동적 필드가 포함된 채널별 기본 템플릿(API 트리거 Campaigns)을 계획하고, 재적격성을 설정합니다.
4단계: 시작, 모니터링 및 매출 최적화
AI Decisioning Services와의 구성 검토 후 Poppy는 에이전트를 시작합니다. 에이전트는 사용자별로 동작을 추천하고 시간이 지남에 따라 개선하기 위해 Braze를 통해 발송을 오케스트레이션하기 시작합니다.
매출 우선 성공 측정기준과 허용된 동작을 지속적으로 테스트하는 의사 결정 에이전트를 결합함으로써, Kitchenerie는 정적인 윈백 일괄 발송에서 고객별로 적응하는 1:1 의사 결정으로 전환하여, Poppy가 정의한 비즈니스 규칙 내에서 더 많은 고객을 윈백하고 매출을 성장시키는 것을 목표로 합니다.