강화 학습: 학습하는 AI 의사 결정 시스템을 만드는 방법

마케팅 캠페인은 카피, 이미지, 채널에 제공하는 오퍼의 유형, 발송 날짜와 시간 등, 수십 가지의 고유한 배리언트로 이루어집니다. 제 몫을 제대로 해내는 마케터라면 누구나 이러한 각 요소가 고객 참여 성과에 미치는 영향을 측정하여 효과 있는 요소를 반복 적용하고 전체적인 성과 개선에 활용할 수 있기를 바랄 것입니다. 그러기 위해 지금까지는 A/B 테스트나 다변량 테스트 같은 복잡하고 시간이 많이 소요되는 방법에 의존해야 했습니다.

하지만 이제 더 효과적인 새로운 옵션이 있습니다. AI 의사 결정 플랫폼을 활용하면 브랜드는 같은 목표를 훨씬 더 효율적으로 달성할 수 있습니다. 이러한 플랫폼의 대표적인 예 중 하나인 BrazeAI Decisioning Studio™는 머신 러닝의 한 유형인 강화 학습을 통해 학습합니다.

전통적인 A/B 테스트와 다변량 테스트의 함정

브랜드가 이 실험에서 직면하게 되는 문제는 일반적으로 두 가지입니다. 첫째, 이런 종류의 테스트를 통해서는 각 배리언트의 영향을 개별적으로만 알 수 있을 뿐, 배리언트를 어떤 식으로든 그룹화할 수는 없습니다. 따라서 성과를 주도하는 일반적인 트렌드가 무엇인지 파악하고 성공 전략을 활용하는 새로운 마케팅 콘텐츠를 개발하기가 어렵습니다.

둘째, 테스트할 배리언트가 많을수록 샘플 규모가 커야 합니다. 예를 들어 비교할 배리언트가 100개라면 오디언스를 100개 세그먼트로 나눠야 합니다. 결과적으로 샘플 규모가 아주 작아지므로 유의미하고 유용한 인사이트를 도출하기가 어려워집니다.

셋째, 단일 A/B 테스트에서 얻은 결과를 다음 마케팅 캠페인에 적용할 수 없습니다. 예를 들어 여름에 캠페인을 실행하여 특정한 결과를 얻었다고 가정해 보겠습니다. 이 경우 고객 기반의 행동이 겨울에는 전혀 달라서, 여름 캠페인에서 얻은 결과를 일반화하기 어려울 가능성이 매우 높습니다.

AI 의사 결정을 활용하여 전통적인 A/B 테스트와 다변량 테스트의 한계를 극복하는 방법

AI 의사 결정은 결정 트리에 일반적인 종류의 그룹화 로직을 활용하여 다양한 시나리오를 실행하고 성과를 비교함으로써 일반적인 결론을 도출할 수 있으며 여러 테스트를 백그라운드에서 동시에 실행할 수 있습니다. 브랜드는 각 테스트를 순차적으로 실행하며 성과가 저조한 캠페인 배리언트를 하나씩 제거하는 방법을 쓸 필요 없이, 영향력이 낮은 배리언트와 효과가 뛰어난 배리언트 조합을 신속하게 파악하고 그룹화할 수 있습니다. 일례로, AI 의사 결정을 통해 다양한 캠페인 이미지를 비교하고, 이모지 추가 또는 제거 시의 효과를 테스트하고, 1달러 할인이나 1퍼센트 할인이 캠페인 성과에 미치는 영향이 어떻게 차이가 나는지 확인할 수 있습니다.

AI 의사 결정 시스템에서 효율적으로 옵션을 매개변수화하면 모델이 다양한 옵션으로부터 신속하게 학습할 수 있습니다. 매개변수화는 예술과 과학의 중간쯤에 해당하는 기법으로, 많은 경우 해당 업계 또는 사용 사례에 효과적인 매개변수화 전략을 사용해 본 경험이 있는 전문가 팀을 활용하는 것이 가장 좋습니다.

AI 의사 결정 모범 사례

AI 의사 결정을 고려하는 중이든 이미 AI 의사 결정을 사용하기 시작한 경우든, 이 마케팅 유형을 활용해 최대 가치를 끌어내려면 다음과 같은 방법을 참고하세요.

이전부터 늘 살펴보고 싶었던 가설부터 테스트하기

AI 의사 결정을 구현할 때 완전히 새로운 전략을 고안할 필요는 없습니다. 이전부터 궁금했던 아이디어로 시작하면 됩니다. 일례로, 개별 고객에 대한 발송 시간 또는 채널을 개인화해 볼 수 있습니다. 개개인 수준에서 실행해 보고 싶었던 테스트라면 무엇이든 좋습니다.

첫 실험 이후 멈추지 말고 더 깊이 탐색하기

새롭거나 다른 접근 방식으로 더 많은 실험을 반복하며 효과적인 요소를 확인하고 심층적으로 탐색할수록 시스템의 효율성이 높아집니다.

예를 들어 소비자가 1퍼센트 할인과 1달러 할인 중 어느 쪽에 더 크게 반응하는지 살펴본 다음, 소비자 행동 변화를 끌어내지 못한 1달러 할인 테스트를 배제한 후 다양한 할인 오퍼의 효과를 비교하는 방식으로 심화 분석할 수 있습니다.

모든 것을 테스트하려고 무리하지 않기

모든 마케팅 배리언트가 동등하지는 않습니다. Braze의 경험에 따르면 가장 영향력 있는 마케팅 KPI는 다음과 같습니다.

• 캠페인의 히어로 이미지
• 제목란(이메일)
• 클릭 유도 문안
• 오퍼 유형
• 빈도
• 발송 날짜 및 시간

이미지 배경색 또는 면책 조항 배치 같은 다른 배리언트는 그리 큰 차이를 만들지 못합니다.

테스트할 요소를 완벽한 조합으로 설계하느라 시간 낭비하지 않기

앞서 언급했듯이, 평소 궁금해하던 질문으로 시작하거나 Braze가 판단한 영향력 있는(위 목록) 주요 요소를 테스트한다면 충분히 성공할 수 있습니다.

강화 학습이 좋은 점은 특정 옵션이 그리 효과적이지 않더라도 테스트에 투입한 시간, 비용 또는 리소스가 낭비되는 것은 아니라는 점입니다. AI 의사 결정 시스템은 특정 옵션이 효과가 있는지 여부를 상당히 빨리 알아내고 효과가 없는 경우 해당 옵션이 표시되지 않도록 조치합니다.

절대적인 승자나 패자는 없음을 인식하고, 항상 학습하고 최적화하기

A/B 테스트에서는 구체적인 목표를 설정합니다. 예를 들어 클릭 유도 문안 버튼이 다른 색상보다 높은 성과를 내는지 여부를 확인하고 결과를 알아내고 나면 승리를 선언하거나 실험이 종료되는 식입니다.

하지만 AI 의사 결정에서는 그렇지 않습니다. AI 의사 결정은 상시 작동하는 방식입니다.

획득한 고객이 늘어나고, 이들의 고객 여정이 진행되는 과정에서 AI 의사 결정은 각 개인에 효과적인 요소와 그렇지 않은 요소를 지속적으로 학습합니다. 이런 유형의 테스트, 학습, 반복의 프로세스는 계절적 요인이나 소비자의 경제 여건 같은 다른 요소로 인해 소비자 행동이 변화하는 경우와 같이 상황이 달라지면 그에 따라 조정됩니다.

테스트 중인 배리언트에 대해 분기별 정기 검토 수행

유지 관리를 수행하고, 가치를 창출하는 상위 80% 요소를 살펴보고 가치를 창출하지 못하는 하위 20% 요소를 제거한 후 효과적인 새로운 아이디어로 대체하세요.

현실적으로, 테스트할 새로운 아이디어가 없더라도 성과가 낮은 캠페인 배리언트에 계속 트래픽을 전송하며 해당 배리언트를 추가로 테스트 및 탐색할 필요는 없습니다.

AI 의사 결정 서비스를 제공하는 브랜드와 함께 일할 때 최대 가치 실현 가능

기본 제공되는 셀프 서비스 AI 의사 결정 시스템을 도입하면 비즈니스를 최적으로 지원하도록 모델을 커스터마이징할 수 없습니다. BrazeAI Decisioning Studioᵀᴹ의 일환으로 현장 배치 데이터 과학자와 기술 지원팀이 AI 의사 결정 시스템을 맞춤화해 드립니다. 이를 통해, 브랜드에 중요한 측정기준과 데이터를 인식하고 조직에 최고의 가치를 창출하는 방식으로 작동하는 AI 의사 결정 시스템을 갖추게 됩니다.

예를 들어 한 스트리밍 서비스 브랜드가 BrazeAI Decisioning Studioᵀᴹ를 사용하여 할인 옵션을 테스트했습니다. 두 달 이용 시 월 $10 할인, 석 달 이용 시 월 $15 할인 등 다양한 옵션을 제시했습니다. 사용자는 총 절감액보다 직관적인 현금 액수에 더 크게 반응하는 것으로 관찰되었습니다. 석 달 이용 시 월 $15 할인을 받으면 총 절감액이 $45이지만 사용자는 한 달 이용 시 $20 할인을 받는 쪽을 선호했습니다. 이러한 인사이트를 바탕으로 Braze는 해당 브랜드의 마케팅 성과 향상 및 전반적인 비용 절감을 도울 수 있었습니다.

엔터테인먼트, 여행 및 숙박, 금융 서비스 분야의 주요 브랜드가 BrazeAI Decisioning Studioᵀᴹ를 통해 더 스마트한 마케팅 의사 결정을 더 빠르게 내린 다양한 사례를 확인해 보세요.

미래 예측 진술

이 블로그 게시물에는 1995년 증권민사소송개혁법의 ‘세이프 하버’ 조항의 의미 내에서 '미래 예측 진술'이 포함되어 있으며, 여기에는 BrazeAI Decisioning Studio™를 비롯한(이에 국한되지 않음) Braze 및 그 제품과 기능의 성능과 예상되는 이점에 관한 진술이 포함되며 이에 국한되지 않습니다. 이러한 미래 예측 진술은 Braze의 현재 가정, 기대 및 신념을 기반으로 하며, 실제 결과, 실적 또는 성과가 미래 예측 진술에 표현되거나 암시된 미래의 결과, 실적 또는 성과와 실질적으로 다를 수 있는 상당한 위험, 불확실성, 상황의 변화를 수반할 수 있습니다. Braze의 실적에 영향을 미칠 수 있는 잠재적 요인에 대한 자세한 정보는 2025년 12월 10일에 미국 증권거래위원회에 제출한 2025년 10월 31일 마감 회계 분기의 10-Q 양식 분기 보고서와 미국 증권거래위원회에 제출한 Braze의 기타 공개 서류에 포함되어 있습니다. 이 블로그 게시물에 포함된 미래 예측 진술은 이 블로그 게시물 작성일 현재의 Braze 견해만을 나타내며, Braze는 법률에서 요구하는 경우를 제외하고는 이러한 미래 예측 진술을 업데이트할 의무가 없으며 업데이트할 의도도 없습니다.