Skip to content

사용 사례: 시기적절한 콘텐츠 재참여로 고객탈퇴 감소

이 예는 가상의 브랜드가 예측 이탈을 사용하여 선제적으로 사용자 이탈을 줄이는 방법을 보여줍니다. 고객이탈이 발생할 때까지 기다리지 말고 위험에 처한 사용자를 예측하여 그들이 아직 활동 중일 때 맞춤형 메시지를 전달하세요.

카밀라가 인디 영화, 다큐멘터리, 해외 시리즈를 스트리밍하는 플랫폼인 MovieCanon의 CRM 매니저라고 가정해 보겠습니다.

Camila의 팀은 사용자가 가입하고 영화 한두 편을 스트리밍한 후 사라지는 문제적인 추세를 발견했습니다. 이전에는 일주일 후에 일반적인 “보고 싶어요” 이메일을 보냈지만 전환율이 3%에 불과해 너무 늦은 감이 있었습니다. 대부분의 사용자는 재참여하지 않기 때문에 고객이탈이 불가피합니다.

카밀라는 이를 바꾸고 싶어 합니다. 고객이탈이 발생한 후에 대응하는 대신 예측 이탈을 사용하여 향후 14일 이내에 비활성 상태가 될 가능성이 있는 사용자를 식별함으로써, 아직 활동 중인 사용자를 재참여시킬 수 있는 기회를 팀에 제공합니다.

이 튜토리얼에서는 Camila:

  • 사용자 행동에 기반한 고객 이탈 예측 모델 생성
  • 위험 수준에 따라 사용자를 세그먼트화합니다.
  • 가장 위험에 처한 사람들을 위한 맞춤형 재참여 캠페인 구축
  • 캠페인 분석을 통한 영향력 평가

1단계: 고객이탈 예측 모델 만들기

카밀라는 먼저 피하고 싶은 결과, 즉 사용자가 비활성 상태가 되는 것을 모델링합니다. MovieCanon에서 고객이탈은 14일 이내에 스트림을 시작하지 않는 것을 의미하므로 이를 예측하고자 하는 행동입니다.

  1. Braze 대시보드에서 Camila는 분석 > 예측 이탈로 이동합니다.
  2. 그녀는 새로운 이탈 예측을 생성하고 ‘2주 후 이탈 위험’이라는 이름을 붙입니다.
  3. 고객이탈을 정의하기 위해 do not 과 적극적인 고객 참여를 나타내는 커스텀 이벤트 stream_started 를 선택합니다.
  4. 그녀는 예측 기간을 14일로 설정했는데, 이는 모델이 새 스트림을 시작하지 않고 14일이 경과할 가능성이 있는 사용자를 식별한다는 의미입니다.

지난 14일 동안 커스텀 이벤트 “stream_started” 를 수행하지 않은 사용자로 정의된 이탈을 보여주는 이탈 정의.](/docs/ko/assets/img/ai_use_cases/churn_definition.png?cc778af093be0b49fc945b3859beba83)

5. 지난 30일 동안 관련 이벤트를 트리거한 모든 사용자를 포함하는 예측 오디언스를 선택하여 모델이 학습할 수 있는 충분한 최근 행동을 제공합니다. 6. 그녀는 예측 업데이트 일정을 매주로 설정하여 점수가 최신 상태로 유지되도록 합니다. 7. 예측 생성을 선택합니다.

그런 다음 모델이 학습을 시작하여 최근 세션, 시청 빈도, 콘텐츠 상호 작용 등의 행동을 분석하여 이탈을 예측하는 패턴을 표시합니다. 한 시간 후 예측 학습이 완료되었다는 이메일을 받은 Camila는 Braze에서 이메일을 열어 예측 품질 점수를 확인합니다. ‘좋음’으로 표시된 것은 모델의 예측이 정확하고 신뢰할 수 있다는 의미입니다. 모델의 성능/성과를 확신한 그녀는 다음 단계로 넘어갑니다.

2단계: 고객이탈 위험에 따른 사용자 세그먼트 세분화

모델이 학습을 완료하면 Braze는 각 적격 사용자에게 0-100 사이의 이탈 위험 점수를 할당합니다.

타겟팅의 시작 임계값을 결정하기 위해 카밀라는 예측 오디언스 슬라이더를 사용하여 각 점수 범위에 속하는 사용자 수와 해당 수준에서 예측이 얼마나 정확한지 미리 확인합니다. 그녀는 예상되는 진성 양성을 기반으로 커버리지와 정확성의 균형을 맞춥니다. 이를 바탕으로 위험 점수를 70점 이상으로 타겟팅하기로 결정합니다.

  1. Camila는 Braze의 세그먼트로 이동합니다.
  2. 이탈 위험 점수 필터를 사용하여 세그먼트를 생성하고 자신이 생성한 이탈 예측을 선택합니다:
    • 고객이탈 가능성: 70점 이상

고객이탈 위험 점수가 70점 이상인 사용자에 대한 세그먼트 필터링.](/docs/ko/assets/img/ai_use_cases/churn_risk_score.png?a599a5f9a942e33433eaabb9c17e99e1)

3단계: 반복적인 재참여 콘텐츠로 위험에 처한 사용자 타겟팅하기

예측과 세그먼트가 준비되면 Camila는 매주 위험에 처한 사용자에게 자동으로 도달하는 반복 캠페인을 설정합니다.

  1. Camila는 반복 캠페인을 생성하고 Intelligent Timing을 인에이블먼트하여 각 메시지가 정해진 요일과 시간에 의존하지 않고 개별 사용자가 참여할 가능성이 가장 높은 시간에 전달되도록 합니다.
  2. 그녀는 방금 생성한 ‘고객이탈 가능성’ 세그먼트를 타겟팅합니다.
  3. 그녀는 캠페인 전환 이벤트를 커스텀 이벤트 stream_started 로 설정하여 실제로 콘텐츠를 보기 위해 돌아온 사용자 수를 추적합니다.
  4. 카밀라는 이메일을 기본 채널로 선택했는데, 이는 개인화된 여러 콘텐츠를 시각적으로 풍부한 형식으로 큰 부담 없이 강조할 수 있는 공간을 제공하기 때문입니다. 이메일에는 다음이 포함됩니다:
    • 무비캐논의 카탈로그에서 동적으로 선택된 AI 아이템 추천으로 구동되는 개인화된 관심 리스트
    • 앱으로 바로 연결되는 클릭 유도 문안입니다.

이를 통해 MovieCanon은 매주 과도한 메시징이나 추측 없이 넛지가 필요한 사용자에게만 도달할 수 있습니다.

이메일 예시

  • 제목란: 이러한 제목을 그대로 두지 마세요.
  • 헤더: 다음 멋진 시계가 기다리고 있습니다.
  • Body: 한동안 플레이를 하지 않으셨나요? 걱정하지 마세요. 여러분을 위한 몇 가지 추천 상품을 준비했습니다. 느리게 진행되는 스릴러부터 수상 경력에 빛나는 다큐멘터리까지, 여러분의 이름이 들어간 작품이 여기 있습니다.
  • CTA: 더 많은 추천 보기

4단계: 성능/성과 측정

카밀라는 몇 주 후에 캠페인 분석을 확인하여 전략의 성능/성과를 평가합니다.

그녀는 본다:

  • 열람율: 31%
  • 클릭률: 15%
  • 전환율 (48시간 이내에 스트림 시작): 11%

전환율이 3%에 머물렀던 기존의 ‘보고 싶어요’ 캠페인과 비교했을 때, 이 새로운 흐름은 타겟 그룹의 고객 이탈률을 28% 감소시켰습니다. 그녀는 퍼널 보고서를 분석하여 사용자가 이탈하는 지점을 파악합니다. 열람율과 클릭률은 높지만 클릭과 전환율 사이에 약간의 마찰이 있음을 발견하고 CTA 카피 테스트나 레이아웃 실험을 고려하게 됩니다.

장기적인 영향을 파악하기 위해 카밀라는 매주 ‘고객이탈 가능성’ 세그먼트에 진입하는 사용자의 규모도 추적합니다. 이를 통해 라이프사이클의 전반적인 상태를 평가하고 더 광범위한 수준에서 리텐션 전략을 수립할 수 있습니다. 마지막으로 예측 기반 분석 페이지를 다시 방문하여 예측 이탈자와 실제 이탈자를 비교하여 모델이 예상대로 작동하고 있는지 확인하는 데 유용합니다.

이러한 인사이트를 바탕으로 제목란을 A/B 테스트하고, 다양한 타이밍 창을 테스트하고, 인앱 메시지에서 캐러셀 스타일 추천과 같은 콘텐츠 형식을 실험해볼 계획입니다.

예측 이탈, Intelligent Timing, AI 기반 개인화를 통해 Camila의 팀은 고객 이탈에 대응하는 데 그치지 않고 고객 이탈을 사전에 예방하고 있습니다. 그리고 그녀의 캠페인은 백그라운드에서 조용히 진행되며, 적시에 적절한 사람들에게 그들이 실제로 관심을 가질 만한 콘텐츠를 전달합니다.
Github   GitHub 에서 이 페이지를 편집합니다.
New Stuff!