고객경험관리(CEM)을 위한 데이터
![](https://steemitimages.com/640x0/http://www.letitbe.biz/wp/wp-content/uploads/2018/12/gslee.jpg)
컬럼비아대학교 비즈니스스쿨의 번트 슈미트 교수(Bernd Schmitt) 교수가 그의 저서 [고객경험관리(Customer experience management)]에서 처음 소개한 이론인 CEM은 제품이나 회사에 대한 고객의 전반적 경험을 전략저긍로 관리하는 프로세스 혹은 전략인 동시에 과정과 실행에 중점을 두는 고객 만족 개념이다.
![ê³ ê°ê²½íê´ë¦¬ì ëí ì´ë¯¸ì§ ê²ìê²°ê³¼](https://steemitimages.com/640x0/http://contents.dt.co.kr/images/200809/2008091202011760600001.jpg)
국내에 2005년경 소개된 이 개념은 기존에 거래 데이터에만 중요성을 두었던 CRM(customer relationship management)의 한계를 극복하고자 한다.번트 슈미트 교수는 소비자가 자사 브랜드를 경험(관계)하는 모든 상황과 그 심리적 과정을 분석, 통합함으로써 총체적으로 고객을 이해하려 하는 CEM이 고객과의 '거래 내역'에만 중점을 두고 소비 패턴을 기계적으로 수치화한 CRM보다 훨씬 효율적이라고 주장한다.
모든 접점에서 고객과 관계를 맺고, 각기 다른 고객 경험 요소를 서로 통합해준다는 개념, 그리고 고객에게는 감동적인 경험을 갖도록 해 주어 기업가치에 대한 고객의 충성을 유발시킨다는 지극히 당연한 개념은 어째서 지금에서야 빅데이터와 함께 각광을 받게 되었을까?
도입 초기 CEM을 위해 기업들이 취득 가능한 데이터라고는 미스터리 쇼퍼 방식이나 관찰 기법에 기반을 둔 데이터들이었다. 이러한 데이터들은 그 측정 방식의 신뢰성을 확보하기 어렵고 측정자의 개인적 특성에 따라 측정 값의 스케일이 다소 달라질 수밖에 없었다.
게다가 이러한 데이터를 기존에 보유하고 있던 CRM을 위한 데이터에 연계, 결합하려면 전수 데이터 조사를 하거나 시스템을 변경하여 그 체계적 관리가 가능하도록 데이터 마트를 변경해야 하는 기술적, 관리적 문제점이 발생한다.그러나 소비자들의 비대면 채널 이용 패턴이 증가하고 다양한 수집, 분석 시스템을 통해 콜센터, 이메일, 채팅창, 웹/모바일 로그 분석이 가능해지면서 이제야 비로소 고객의 통합적인 경험 관리가 시스템적으로 그리고 데이터과학적으로 가능하게 된 것이다.
데이터 기반의 1)고객 세분화 2)프로세스 혁신 3) 상품 포지셔닝 4)브랜딩 전략 5) 서비스 고도화 등 다양한 영역에서 빅데이터를 통한 고객 경험 고도화가 진행 중이다.
금융권은 선도적으로 고객경험관리를 위한 빅데이터 플랫폼 도입을 추진 중이다.신한은행은 VoC 3.0을 위해 외부 SNS 모니터링 시스템과 내부 컨택트센터의 현황을 통합적으로 관리하기 위한 시스템을 구축하였고, 이어 신한카드, ING생명, KB금융, IBK기업은행, 우리은행에서도 해당 시스템 관련 PoC(prove of cencept)를 진행하거나 준비 중이다.
금융권은 환경의 변화에 따른 노트북, 태블릿, 모바일 등 개인 기기의 확산으로 고객 관리 접점 채널의 폭발적 증가에 놓여 있다. 또 문의, 신규 가입, 추가 상품 구매 과정에서 온라인과 오프라인을 자유롭게 이동하는 O2O 관점의 고객 행동이 늘어나고 있는 상황이다.
이에 따라 그동안의 고객 분석 방식으로는 효율적 대응이 불가능하게 되었고, 고객이 온라인과 오프라인 구분 없는 금융 소비 행태를 보이는 시대가 온 만큼, 금융사들은 온/오프라인 마케팅의 개별적 실행으로 운영비용은 증대되고 있는 반면 고객의 행동을 예측하는 데는 어려움을 겪고 있다.
유통권에서도 크게 다르지 않은 상황이 발생한다. 기존 유통은 리테일 마케팅이라는 차원의 오프라인에 집중되어 있었는데 이러한 접촉 채널들이 온라인화되고 디지털화된 소비자 경험 체계가 병행되면서 O2O 마케팅이라는 개념이 등장하였다. 국내에서도 이마트, 홈플러스, 아모레퍼시픽, 제일모직 등에서 관련 고민과 실행을 지속하고 있다.
여기서 바로 빅데이터 전략의 중요성이 제기된다. 부분적인 고객 행동의 이해에서 야기되는 의사 결정의 오류를 해소하고 고객 행동 관점의 전사 채널 관리가 중요해지기 떄문이다. 이를 위해 빅데이터 기반의 고객 경험 통합 관리 전략이 필요하며, 이는 기본적으로 6단계의 구성으로 진행된다.
통합적 고객경험관리는 특정 시점별로 고객의 '마이크로모멘트(Micro-moments)', 즉 고객의 반사적 행동 패턴을 문맥적으로 이해하고 관리하는 역량이 필요하다.
문맥적으로라 함은 고객의 행태 데이터에 기반한 배경과 맥락(context)을 이해하는 일이다. 이를 위해 빅데이터 기반의 플랫폼을 통해 모든 접점 채널에서의 고객 행동에 대한 예측이 필요하다.
먼저 1단계는 소비자 경험의 이해를 위한 접점 채널의 데이터를 한데 모아서 관리하는 데이터 수집 단계이다. 이때엔 기술적 이해를 배경으로 원천 데이터의 성격과 수집의 양을 고려하여 그 기술적, 방법론적 측면을 고려하는 것이 필요하다.무작위로 발생되는 센서 데이터의 경우 실시간으로 그 양을 수집하여 정제하는 것은 그 데이터의 이용 목적, 활용 범위에 따른 정책적 결정이 필수다
2단계는 고객의 경험적 기반 확립을 위한 전사 데이터 리니지(data lineage) 전략 수립이 필수가 된다. 데이터 리니지란 데이터의 생애 주기 관리와 비슷한 개념으로 어떤 원천에서 비롯되어 어떤 단계적 가공을 거쳐 활용이 구조화되는가에 대한 시계열적 관리 방법론이자 솔루션이다.
3단계는 일관성 있는 고객 경험 제공을 위해 다양한 상황에서 고객 인터페이스를 설계하는 일이다. 각 접촉 채널별로 독립적으로 제공 중인 사용자 경험 체계를 그 경험의 연속성과 체감적 통일성을 고려하여 재설계해야한다. 물론 이 단계에선 업무관리 측면의 효율성도 함께 고려되어야 할 것이다.
4단계는 분석 결과를 바탕으로 다양한 매체를 통해 통일된 경험을 제공하는 콘텐츠 및 세지 기획 단계다. 사실 현재 국내 기업 중 온/오프라인의 통합적 경험을 위해 유기적인 상품 마케팅을 기획하는 곳은 많지 않다. 상품의 포장부터 고객센터 상담사의 인사말까지 고객에게 각 기업의 아이덴티티를 제공하고 일관된 경험을 제공할 수 있도록 하는 가장 중요한 단계다.
5단계는 전달된 메시지에 따른 고객의 반응 및 효과를 다시 데이터로 분석하는 일이다. 매체가 디지털화되면서 고객의 로그 정보를 수집/분석하는 일은 마케팅 효율성에 즉각적 영향을 미친다. 데이터 기반의 의사 결정과 효율화는 이제 필수다.
마지막 6단계는 끊임없는 프로세스 혁신을 통한 고객 경험의 고도화 전략 단계다. 여섯 단계의 과정이 끊임없이 반복되면서 통합되고 정밀한 고객 경험의 디자인이 가능해질 것이다.몇몇 생산자 중심인 경제 시대엔 생산자가 고객을 알기위해 관리하던 한정된 정보와 데이터를 기반으로 만든 상품과 메시지를 생산자의 채널을 통해 일관된 한 방향으로 전달하여 시장을 만들어 나갔다.
그러나 20세기 현대사회의 기업은 국경을 초월하여 경쟁 환경이 달라지고 산업의 경제가 허물어지고 그로 인한 고객의 경험이 변화하는 시대에 직면해 있다. 이런 환경에선 생산자 측면의 한계가 있는 내부 데이터로 만들어내는 시장에 대한 정보는 한정적일 수밖에 없다. 한 명의 고객이 겪는 일련의 경험이 다채널로 변화되고 있고, 생산자가 주입하는 내용이 아니라 고객의 니즈 기반 상품이 필요하며, 이러한 변화 속에서 이제 내부 역량(data)의 외연화(inside-ou capacity)보다 외재적 역량(data)의 내부화(out side-in capacity)가 필요한 상황이다.
빅데이터 기반의 데이터과학이란 기존의 기업들이 수집할 수 없었던 다양한 이종(heterogenous)의 데이터를 연계, 결합하여 비즈니스적 가치(business value)를 창출하기 위해 끊임없이 적용하는 지속적이고 창의적인 일련의 과정이며 방법론이다.그런 관점에서 빅데이터가 21세기의 원유가 될 것이라는 가트너의 전망은 매우 의미가 깊은데, 왜냐하면 데이터나 분석 자체에서 발생하는 가치보다도 원래의 각 산업별 효율을 더욱 증진시킬 데이터과학의 가치를 제대로 전달하는 화두이기 때문이다.
즉 중요한 것은 데이터 정제와 분석을 통해 새롭게 생성되는 가치다.
그러므로 이 시대에는 데이터과학에 대한 사람들의 기대가 높다. 데이터 사이언티스트라는 직업이 각광받기 시작하고 대학교에도 빅데이터 분석 관련 학과나 과정이 생겨나기 시작했다.
구글의 수석 경제학자인 할 베리언(Hal Varian)은 2009년 발간한 논문에서 10년 후 가장 섹시한 직업이 통계학자라고 밝혔을 뿐 아니라 데이터를 수집하고, 분석하고, 다루고, 해석하는 능력자가 가장 주목받게 될 것이라고 발언하기도 했다.
국내에선 2011년 이후 빅데이터와 데이터상이언티스트 또는 데이터과학자라는 용어가 새롭게 등장하면서 비즈니스 영역에 대한 기대 심리가 팽배한 듯 보인다.그러나 데이터과학은 어느 날 갑자기 튀어나온 말이 아니다.
마치 안전이나 사랑, 식용에 대한 인간의 근본적인 기본 심리 욕구가 변하지 않는 것처럼, 기업과 비즈니스맨 입자엥선 한 명 한 면의 고객 대상으로 비즈니스 기회를 극재화하여 이윤을 추구하기 위한 방법에 대한 고민은 전통적인 것이다.
수많은 기업들은 고객 관리를 더잘하기 위한 다양한 방식으로 고객과 관련한 데이터를 측정하고 활용하기 위한 노력들을 지속적으로 해 오고 있다.고객을 관리하기 위한 매출 장부, 고객이 좋아하는 취향과 관련된 특성 정보 등 현대사에 사업 모델이 등장하기 시작한 이래로 기업의 이러한 노력에 대한 방법론의 명칭이 경영정보관리(MIS), 데이터베이스마케팅(DBM), 고객관계관리(CRM), 데이터 마이닝(Data Mining), 지식 발견(Knowledge Discovery), 예지 분석 알고리즘 개발(Predictive Modeling), 비즈니스 인텔리전스(Business Intelligence) 등 다양한 명칭으로 변화되명 불려오고 있을 뿐이다.
![ë°ì´í°ê³¼íì ë°©ë²ë¡ ì ëí ì´ë¯¸ì§ ê²ìê²°ê³¼](https://steemitimages.com/640x0/http://www.dator.co.kr/files/attach/images/120/623/854/001/img01.png)
파이선(Python)이나 하이브(Hive), 피그(Pig)를 다룰 줄 알아야만 빅데이터 전문가라는 인식은 잘못된 것이다. 하둡 생태계를 조성하는 위의 기술들이 데이터 전처리를 위해 필수일 수도 있지만 정작 중요한 것은 데이터 전 처리가 아닌 이들 기술로 정데된 데이터를 정보화하고 다시 지식으로 탄생시킬 수 있는 과학적 방법론의 적용이다. 그러므로 데이터과학자에 대한 기대는 데이터과학적 방법론(Data Scientific Reaserch)으로 연결되어야 한다.
- 데이터 과학 비즈니스, 김정선 -
Posted from my blog with SteemPress : http://www.letitbe.biz/wp/archives/2902