고객의 디지털 여정이 갈수록 복잡해지는 가운데, 각 터치포인트에서 고객이 어떻게 반응할지를 실시간으로 예측하는 기술에 대한 수요가 높아지고 있다. 특히 다채널, 다접점 환경에서 고객 행동을 단일 경로가 아닌 전체 흐름 속에서 분석하고, 이를 기반으로 개인화된 마케팅 전략을 수립할 수 있는 도구가 기업 마케터 사이에서 요구되고 있다.
기존의 LSTM, HMM, PPP 모델 등은 터치포인트 간의 시계열적 특징은 분석할 수 있으나 고객 개별 반응의 이질성이나 맥락에 따른 행동 차이를 반영하는 데 한계가 있었다.
미국 메릴랜드대학교 로버트 H. 스미스 경영대학원(Robert H. Smith School of Business)이 디지털 고객 여정을 예측하는 트랜스포머(transformer) 기반 AI 모델을 개발했다고 밝혔다.
고객 여정을 문맥으로 이해
이번 연구는 원래 자연어 처리(NLP)를 위해 고안된 트랜스포머 기반 모델을 고객 행동 분석에 적용했다. 트랜스포머는 고객 여정을 단일 이벤트의 나열이 아닌 전체 문맥으로 해석할 수 있어, 기존 기법보다 고객 행동에 대한 예측 정확도와 활용도가 향상됐다.
기존의 LSTM(Long Short-Term Memory), HMM(Hidden Markov Model), PPP(Poisson Point Process) 모델은 주로 시간 순서에 따른 이벤트 간 연관성을 분석하는 데 초점을 뒀으나, 트랜스포머 기반 모델은 각 터치포인트의 맥락과 의미를 통합적으로 고려할 수 있다. 연구진은 이 모델을 통해 9만 2천명 이상의 고객과 50만 건 이상의 디지털 접점 데이터를 분석했으며, 전환 가능성뿐 아니라 전환 시점, 전환 유도 요인에 대한 인사이트도 도출할 수 있었다.
개인 맞춤형 마케팅 제안
이 연구의 핵심 기여 중 하나는 모델 내에 ‘고객 수준의 이질성’을 구조적으로 통합했다는 점이다. 동일한 마케팅 접점이라도 고객마다 다르게 반응할 수 있는 요인을 학습하고, 시간 흐름에 따른 개별 행동 차이를 정밀하게 반영할 수 있다. 평균적인 여정 경로를 보여주는 기존 모델과 달리 디지털 환경에서 각 고객이 보여주는 고유한 반응 패턴을 파악하고 예측할 수 있다.
이 모델은 마케팅 담당자에게 다양한 실질적 인사이트도 제공한다. 예를 들어 ▲고객 주도 접점과 기업 주도 접점의 구분 ▲마케팅 개입의 최적 시점 식별 ▲예약 시점이 빠른 고객 혹은 막판 결정 고객 등 잠재적 고객 성향 구분 등이다. 이러한 정보는 광고 예산 배분, 캠페인 타이밍 결정, 맞춤형 메시지 전략 수립 등에 바로 활용될 수 있다.
이 연구는 딥러닝 기반의 강력한 예측 성능에 고객별 해석 가능성과 개인화 기능을 결합해, 디지털 마케팅 환경에서 실시간 대응력을 갖춘 전략 수립이 가능함을 보여준다.
박사과정 연구원 지페이 루(Zipei Lu)는 “단순히 누가 전환할지를 예측하는 데 그치지 않고, 왜, 언제 전환이 일어날지를 알려주는 것이 이 모델의 핵심”이라며 “마케터에게 시간 기반의 전략적 개입 기회를 제공할 수 있다.”라고 말했다.