최근 설문 조사에 따르면 전 세계 CMO는 생산성을 향상하고 경쟁 우위를 창출할 수 있는 GenAI의 미래 능력에 대해 낙관적이고 확신하고 있는 것으로 나타났습니다. 70%는 이미 GenAI를 사용하고 있으며 19%는 테스트 중입니다. 그리고 그들이 탐구하고 있는 주요 영역은 개인화(67%), 콘텐츠 제작(49%) 및 시장 세분화(41%)입니다.
그러나 많은 소비자 브랜드의 경우 기대와 현실의 격차가 매우 큽니다. 원활하고 마법 같은 고객 경험을 구상하는 마케팅 담당자는 AI의 효과가 고품질 기본 데이터에 달려 있다는 점을 인식해야 합니다. 그것이 없으면 AI는 무너지고 마케터들은 마법보다 못한 현실에 맞서 씨름하게 됩니다.
AI 기반 마케팅 실패
데이터 품질이 좋지 않은 AI 기반 마케팅이 어떤 모습일 수 있는지 자세히 살펴보겠습니다. 제가 일반 스포츠 의류 및 아웃도어 매장의 고객이고 다가오는 연례 겨울 스키 여행을 계획하고 있다고 가정해 보겠습니다. 퍼스널 쇼퍼 AI를 사용하여 나에게 쉽고 맞춤화된 경험을 제공하게 되어 기쁩니다.
스키장 옷장에 부족한 부분을 채워야 해서 퍼스널 쇼퍼 AI에게 구매할 아이템을 추천해 달라고 요청합니다. 하지만 AI는 브랜드의 여러 시스템에 분산된 나에 대한 데이터를 기반으로 응답을 생성합니다. 내가 누구인지에 대한 명확한 그림 없이 이미 알고 있어야 할 몇 가지 기본 정보를 묻습니다. 약간 짜증나네요… 온라인 쇼핑을 할 때 내 정보를 입력하는 데 익숙했지만, AI 경험이 업그레이드되면 일이 더 쉬워지길 바랐습니다.
내 데이터가 너무 단절되어 있기 때문에 AI 컨시어지는 실제로 선물이었던 2년 전 내 이름과 관련된 주문만 가지고 있습니다. 나에 대한 전체 그림이 없으면 이 개인 쇼핑객 AI는 정확한 통찰력을 생성할 수 없으며 결국 도움이 되지 않는 권장 사항을 공유하게 됩니다.
결국 이 수준 이하의 경험으로 인해 이 브랜드에서 구매하는 것에 대한 흥미가 덜해지고 다른 곳으로 가기로 결정했습니다.
단절되고 비개인적인 생성 AI 경험의 원인은 데이터 품질입니다. 즉, 열악한 데이터 품질 = 열악한 고객 경험입니다.
승리를 위한 AI 기반 마케팅
이제 이 아웃도어 스포츠 소매업체 시나리오를 다시 살펴보겠습니다. 하지만 개인 쇼핑객 AI가 첫 구매부터 마지막 반품까지 브랜드와의 상호 작용에 대한 전체 내역이 포함된 정확하고 통합된 데이터를 기반으로 한다고 상상해 보세요.
첫 번째 질문을 입력하면 매우 개인화되고 친절한 응답을 받게 되며 이미 도움이 되는 판매 직원과 일대일 연결 경험을 만들기 시작했습니다. 자동으로 내 쇼핑 내역을 참조하고 과거 구매 내역을 현재 쇼핑 요구 사항과 연결해 줍니다.
내 프롬프트와 응답을 바탕으로 컨시어지는 내 스키 옷장을 채울 수 있는 맞춤형 추천 세트와 직접 구매 링크를 제공합니다. 그런 다음 AI는 고객으로서 나에 대한 정교한 통찰력을 생성하고 과거 구매를 기반으로 내가 사고 싶은 제품 유형에 대해 예측할 수도 있습니다. 이를 통해 내가 구매할 가능성을 높이고 잠재적으로 추가 구매를 위해 장바구니를 확장할 수도 있습니다. 항목.
이 경험을 통해 실제로 컨시어지를 이용해 다른 곳으로 이동할 필요 없이 주문할 수 있었습니다. 또한 반품이나 향후 구매가 내 프로필에 통합된다는 것도 알고 있습니다.
내 이력과 선호도를 알고 있었기 때문에 Generative AI는 나에게 매우 개인화되고 편리한 구매 경험을 제공할 수 있었습니다. 앞으로도 재구매 의사가 있는 브랜드입니다.
즉, 마케팅용 AI의 경우 더 나은 데이터 = 더 나은 결과가 필요합니다.
그렇다면 실제로 데이터 품질 문제를 어떻게 해결합니까? 그리고 이 새로운 AI 세계에서는 어떤 모습일까요?
데이터 품질 문제 해결
효과적인 AI 전략을 강화하는 데 있어 가장 중요한 첫 번째 요소는 통합된 고객 데이터 기반입니다. 까다로운 부분은 규모와 복잡성으로 인해 고객 데이터를 정확하게 통합하는 것이 어렵다는 것입니다. 대부분의 소비자는 최소한 2개의 이메일 주소를 가지고 있으며 평생 11번 이상 이동했으며 평균 5개의 채널을 사용합니다(또는 밀레니얼 세대 또는 세대인 경우). Z, 실제로는 12개 채널입니다).
고객 데이터를 통합하는 데 익숙한 접근 방식 중 다수는 규칙 기반이며 결정적/퍼지 일치를 사용하지만 이러한 방법은 엄격하고 데이터가 완벽하게 일치하지 않을 때 무너집니다. 결과적으로 이는 브랜드에 대한 고객의 평생 기록 중 상당 부분을 실제로 놓칠 수 있고 최근 구매 또는 연락처 정보 변경을 설명하지 못하는 부정확한 고객 프로필을 생성합니다.
통합 데이터 기반을 구축하는 더 좋은 방법은 실제로 AI 모델 (마케팅용 생성 AI와는 다른 AI 유형)을 사용하여 데이터 포인트 간의 연결을 찾아 동일한 뉘앙스와 유연성으로 동일한 사람에게 속하는지 확인하는 것입니다. 인간이지만 규모가 엄청납니다.
고객 데이터 도구가 AI를 사용하여 첫 번째 상호 작용부터 마지막 구매까지 고객 여정의 모든 접점(충성도, 이메일, 웹 사이트 데이터 등)을 통합할 수 있으면 고객이 누구인지 알려주는 포괄적인 고객 프로필이 생성됩니다. 그리고 그들이 귀하의 브랜드와 어떻게 상호 작용하는지.
생성적 AI의 데이터 품질이 성장을 주도하는 방법
대부분의 경우 마케팅 담당자는 동일한 생성 AI 도구 세트에 액세스할 수 있으므로 입력하는 연료가 차별화 요소가 됩니다.
AI를 강화하는 데이터 품질은 다음 세 가지 영역에서 이점을 제공합니다.
- 보다 개인화되고 창의적인 제안, 더 나은 고객 서비스 상호 작용, 보다 원활한 엔드투엔드 경험 등 눈에 띄는 고객 경험
- 출시 기간 단축, 수동 개입 감소, 캠페인 ROI 향상 등 팀의 운영 효율성이 향상됩니다.
- 컴퓨팅 비용 절감 — 더 많은 정보를 갖춘 AI는 사용자와 함께 왔다 갔다 할 필요가 없으므로 빠르게 비용이 많이 드는 API 호출을 절약할 수 있습니다.
마케팅을 위한 생성적 AI 도구가 계속 발전함에 따라 고객이 좋아하는 매장에서 기대할 수 있는 일대일 개인화 수준으로 돌아갈 수 있다는 약속이 이제는 대규모로 이루어지고 있습니다. 하지만 이것이 저절로 일어나지는 않을 것입니다. 브랜드는 AI 마법을 현실화하기 위해 AI 도구에 정확한 고객 데이터를 제공해야 합니다.
마케팅에서 AI가 해야 할 것과 하지 말아야 할 것
AI는 적절하게 활용되는 한 많은 산업, 특히 마케팅에서 유용한 조수입니다. 마케팅 담당자가 GenAI 여정에 도움이 되는 간단한 '치트 시트'는 다음과 같습니다.
하다:
- 데이터와 AI를 사용하려는 구체적인 사용 사례를 명시하고 예상 결과를 지정하세요. 어떤 결과를 얻을 것으로 예상합니까?
- Gen AI가 특정 사용 사례에 가장 적합한 도구인지 신중하게 평가하세요.
- 데이터 품질과 포괄성을 우선시합니다. 효과적인 AI 전략을 위해서는 통합된 고객 데이터 기반을 구축하는 것이 필수적입니다.
하지 않다:
- 모든 영역에 걸쳐 GenAI 구현을 서두르십시오. 제목 생성과 같이 관리가 용이하고 인간 참여형(Human-In-The-Loop) 사용 사례로 시작하십시오.
