데이터 마케팅에 주의가 필요한 ‘평균의 함정’에 대하여
우리 고객은 상품을 구매하기 전, 평균적으로 얼마나 많은 상세 페이지를 조회할까요?
이는 많은 마케터들이 궁금해 하는 데이터입니다. 사용자가 구매를 앞두고 있는 시기를 실시간으로 유추할 수 있고, 적절한 타이밍에 액션을 유도하여 구매 전환율을 높일 수 있기 때문입니다.
그런데 ‘평균적으로 조회하는 상품 상세 페이지 수‘에는 함정이 숨어있다는 사실, 알고 계신가요?
과연 어떤 함정인지, 가상의 이커머스 A사의 사례로 알아보겠습니다.
(* 아래 사례는 빅인의 실제 고객 사례를 가공하여 작성되었음을 알려드립니다.)
구매를 앞둔 고객이 평균적으로 조회하는 상품 페이지는 몇 회일까?
유명 이커머스 A사 마케터 김대리는 구매 전환율을 높이기 위한 전략으로, 고객이 구매를 앞둔 적절한 타이밍에 웹사이트 내 액션을 유도하는 장치를 설치하기로 했습니다.
김대리는 먼저 고객이 평균적으로 얼마나 많은 상세 페이지를 조회한 뒤 구매하는지, 사용자의 패턴을 확인하기 위해 아래 데이터를 추출하였습니다.
|
[1차 추출 데이터] ・3월 한 달 동안 구매 사용자가 구매 전 조회한 상세 페이지 수 (a): 23,527회 |
위 결과에 따르면, A사의 고객은 평균적으로 상품을 4.80회 조회 후 구매한다는 결과에 다다르게 됩니다.
데이터를 확인한 김대리는 구매 액션을 유도하기 위해, 고객이 상품 상세 페이지를 4회 조회했을 때 팝업 메시지를 띄워주어 구매 장벽을 낮추는 전략을 수립했습니다.
하지만 결과는 예상 밖이었습니다.
웹사이트 팝업 캠페인에 반응하는 고객의 수가 현저히 부족했으며, 심지어 캠페인은 노출조차 제대로 되지 않고 있었습니다.
이탈 수 역시 캠페인 세팅 이전과 큰 차이가 없어 구매하지 않고 이탈하는 고객이 50% 이상이었습니다.
무엇이 문제였을까? 평균의 함정
캠페인 결과에 이상함을 느낀 김대리는 데이터를 조금 더 뜯어보기로 했습니다.
1차 분석 때에는 데이터 조회 기간 중 발생한 모든 상세 페이지 수를 추출하였다면, 이번에는 사용자가 상품 구매 전 조회하는 상세 페이지를 각 사용자별로 확인해보기로 했습니다.
즉, ‘상품 구매 전 상품을 n회 조회한 사용자’라는 측정 기준을 중심으로 데이터를 추출해보았습니다.
그 결과는 아래와 같았습니다.
|
[2차 추출 데이터] ・상품 구매 전 상품을 1회 조회한 사용자: 846명 |
구매한 사용자를 기준으로 데이터를 살펴보니 1차 분석 결과의 문제점이 파악되었습니다.
김대리는 전체 구매 고객 중 50% 이상이 상품 구매까지 상세 페이지를 1~3회 조회했다는 사실을 새롭게 확인했습니다.
데이터 분포를 조금 더 자세히 살펴보기 위해 도식화를 해보면 다음과 같습니다.
실제 데이터 분석 결과는 1차 분석에서 예상할 수 있었던 그래프와는 사뭇 다른 모습으로 그려지는 것을 확인할 수 있습니다.
2차 추출에서 데이터를 한층 더 깊게 뜯어본 김대리는 기존의 전략을 수정하여, 상품 구매 전 페이지를 1~3회 조회하는 50%의 고객을 대상으로 구매 액션을 유도하기로 결정하였습니다.
김대리는 고객이 상품을 1회 또는 2회 조회했을 때 혜택을 제공하는 팝업 배너를 띄워주었고, 그 결과 구매까지 이어지는 전환율을 상승시킬 수 있었습니다.
‘함정‘에 빠지지 않는 정확한 마케팅을 위하여
‘평균’은 전체적인 맥락을 파악하는 데에 도움이 되는 유용한 계산법입니다.
하지만, 평균 데이터를 너무 맹신하거나 추가로 살펴야 할 데이터를 함께 고려하지 않는다면 평균만큼 함정에 빠지기 쉬운 계산법도 없습니다.
사용자 행동 데이터를 기반으로 마케팅 전략을 세울 때 위와 같은 사항을 미리 고려하고 대안 방법을 마련한다면, 데이터 분석에서 자주 발생할 수 있는 문제를 미리 차단하고 더욱 정확한 마케팅 전략을 수립할 수 있습니다.
평균의 함정에 빠지지 않고 데이터를 자세히 뜯어보려는 노력이 필요한 이유입니다.
정확한 마케팅을 위한 정확한 데이터 분석 방법이 궁금하신가요?
