위 예시는 특정 브랜드에 대한 것이었고
카카오에 대해서도 서비스와 사용성을 기준으로 유형을 나눠볼 수 있을 것이다.
프로필 사진을 많이 바꾸거나, 타인의 프로필을 많이 보거나, 관심사 기반의 오픈채팅을 많이 한다거나, 선물하기를 많이 하는 행동 말이다.
이를 통해 성향을 정의해 볼 수도 있을 것이다.
프로필 사진을 많이 바꾼다 => 본인을 표현하기를 좋아하는 외향적인 사람
타인의 프로필을 많이 본다 => 타인의 소식을 궁금해 하는 사람
오픈채팅을 많이 하는 사람 => 특정 주제에 관심이 있는 사람
선물하기를 많이 하는 사람 => 쇼핑을 좋아하는 사람
이런식으로 서비스와 행동에 따라 유형을 분류해 볼 수 있다.
이러한 유형을 분류하는 데이터를 만들면
메시지 타게팅을 할 때 단순히 성별, 연령대만 고려하는게 아닌,
더욱 섬세한 타게팅이 가능하다.
그렇다면 이러한 유형을 정의 할 때 필요한 데이터를 준비해야 한다.
서비스의 종류, 유저가 사용하는 기능들을 모아봐야 할텐데
앱/웹 내에서 발생할 수 있는 로그들을 쭉 살펴보고 정하면 된다.
만약에,
쇼핑을 좋아하는 유저에게만 보내고 싶다면 어떨까?
유형 정의
이러한 타게팅을 하기 위해서는,
- 분류하고자하는 유형을 정의하고 => 쇼핑을 좋아하는 사람들
- 유형에 포함하고 싶은 기능을 고르면
될 것 같다.
유형에 포함할 기능을 고르기 위해서는 먼저 ‘쇼핑' 관련된 로그들을 쭉 살펴보는 것이다.
예를 들면,
쇼핑 탭을 누르는 횟수 : (예) 한 달에 30회
탭에 머무는 시간 : (예) 한 달 평균 30초
탭에서 광고 배너나 메뉴를 선택하는 횟수 : (예) 한 달 평균 3회
선물하기를 하는 횟수 : (예) 한 달에 3회
등등이 있을 것 같다.
위 기능들은 쇼핑과 관련된 것으로써 고려해볼 수 있는 기능의 종류들이다.
테이블 만들기
기능들을 리스트업 했다면,
해당 기능들의 로그가 잘 남는지, 지속적으로 안정적으로 남는지, NULL 값이나 이상치는 없는지, 분포가 고른지 먼저 체크를 해야한다.
유형을 한 번만 만들어 쓰는게 아니라 지속적으로 사용할 것이라면 트래킹이 필요하기 때문이다.
이제 로그를 참고하여 쿼리를 짜면 되고 테이블의 형태는 user_id에 각 기능에 대한 값을 붙이는 것이다.
스코어링
이제 각 기능을 조합해서 쇼핑 유형에 대한 스코어를 만들어 볼 수 있을 것이다. 스코어가 높다면 쇼핑을 좋아하고 많이 구매 하는 사람으로 볼 수 있을 것이다.
스코어를 계산하기 위해서는 3가지 고려할 사항이 있다
- 정규화 (숫자의 범주나, 값의 형태가 다 다르기 때문, min max scaling)
- 아웃라이어 정리(이상치에 대한 Ceiling값 적용)
- 중요도 여부 결정
위 3가지를 잘 해결한 후, 아래 처럼 스코어를 계산하면 된다.
shopping score = variable value * weight
(추가로, 스코어도 0–1 사이의 정규화가 필요하다면 정규화를 하면 된다)
그럼 쇼핑을 좋아할, 쇼핑할 가능성이 높은 유저를 대상으로 타게팅 한다면,
스코어가 높은 유저에게 보내면 되는 것이다!
유형 헤비유저 정의
그렇다면 스코어가 높은 유저인 헤비유저 기준은 어떻게 판단할 수 있을까
헤비 유저라고 볼 수 있는 스코어와 유저수 비율 기준을 정하고 이를 참고하면 된다.
이는 스코어에 따른 유저의 분포를 먼저 살펴보고, 해당 기능의 사용성을 주관적 판단 아래 기준을 정해볼 수 있을 것이다.
예를 들어,
스코어 0.8점 이상
유저 수 기준 상위 5% 유저에게만 보낸다거나
원하는 모수에 따라 기준을 적용해서 보내면 된다.
(여기서 더 상세하게 들어간다면 기능 사용성도 필터해서 보낼 수 있다.)
이렇듯 유형과 기능 사용성 정도에 따라 원하는 유저를 타게팅 할 수 있고
이러한 타게팅을 통해 랜덤 유저보다 높은 열람, 클릭, 구매를 기대해 볼 수 있다.
유형을 만든 후에는 필요에 따라
대시보드를 만들어 데이터에 대한 이해도를 높이고 데이터 활용을 높일 수 있다.
다음 글에서는
하나의 서비스를 예시로 하여 데이터를 기획하고 대시보드를 만들어 보도록 하겠다!
