롯데마트, Amazon Personalize을 통한 모바일 쿠폰 추천 기반 고객 참여 향상 사례

롯데 마트 빅 데이터 분석가이신 박성오님이 AWS Machine Learning 블로그에 기고하신 Increasing customer engagement and loyalty with personalized coupon recommendations using Amazon Personalize의 한국어 번역입니다. 롯데 마트는 다양한 식료품, 의류, 완구, 전자 제품 및 기타 상품을 판매하는 한국 선도 소매 업체입니다. 이 게시물의 내용과 의견은 제3자 작성자의 것이며, AWS는 이 게시물의 내용이나 정확성에 대해 책임을 지지 않습니다.

오늘날 소비자는 매일 필요한 물품을 구입하기 위해 대형 슈퍼마켓, 전자 상거래, 편의점 및 슈퍼마켓과 같은 여러 채널에서 쇼핑을 할 수 있습니다. 국내 대형 매장인 롯데마트 는 Amazon Personalize 를 사용 하여,  주요 고객에게 참여를 늘리고 신제품 구매율을 높이는 한편, 궁극적으로 고객 충성도를 높이기 위해 맞춤형 추천을 제공합니다. 이 글은 롯데 마트가 Amazon Personalize를 사용하기 전에 직면 한 어려움과 함께 적용 이후, 상품 추천 사항을 개선하고 신제품 구매를 늘리는 방법을 공유합니다.

롯데 마트는 2019 년 한국, 인도네시아, 베트남 189 개 매장에서 60 만 명이 넘는 고객에게 매일 다양한 식료품, 의류, 장난감, 전자 제품 및 기타 상품을 판매하고 있습니다.

롯데 마트는 독자적인 모바일 앱과 함께 쿠폰 시스템인 M- 쿠폰을 사용하여, 오프라인 매장 내 비용 절감을 위해 고객의 온라인 쇼핑을 장려합니다. 대형 슈퍼마켓 고객은 방문 당 평균 $50 ~ $200를 소비하기 때문에 고객 방문 빈도는 롯데 마트의 비즈니스 성과에 직접적인 영향을 미칩니다.

기존 M-coupon은 고객의 구매 내역을 기반으로 추천 항목을 만들었습니다. 예를 들어, 고객이 이전에 해당 제품을 구매 한 경우 특정 브랜드의 상품을 추천합니다. 고객들이 적시에 발행 한 쿠폰을 사용하여 상품을 재구매하기 때문에 구매 내역을 바탕으로 한 규칙 기반 추천은 의미가 있습니다. 하지만, 반복 구매를 유도하고 고객 충성도를 유지하는 데 도움이 되나, 새로운 상품에 대한 수요를 늘리거나 고객의 진화하는 요구에 맞는 개인화된 사용자 경험을 만들지는 못했습니다.

매일 새로운 제품이 추가되면 대형 매장은 해당 제품에 대한 수요를 빠르게 생성해야 합니다. 그러나, 최적의 고객 경험을 제공하기 위해 모든 신규 상품을 고객에게 전달할 수 없습니다. 고객에게 관련 없는 추천이 고객 경험을 낮추기 때문입니다. 롯데 마트는 매장 내 트래픽을 늘리고 신제품 구매 결정에 영향을 미치는 장기 전략을 찾아야 했습니다. 무엇 보다 빠르게 M- 쿠폰 사용자들에게 엄선되고 개인화 된 제품 추천을 제공하여 고객 충성도와 신제품 수요를 높이기 위한 방편으로 Amazon Personalize를 사용하기로 했습니다.

기존 통계적 접근법을 사용한 추천 생성의 문제점

기존에는 롯데마트 고객 프로필에서 판매 이력 및 사용자 선호도를 사용하여 M-쿠폰을 통해 대상 제품 추천을 진행했습니다. 이는 재구매 간격 및 선호하는 브랜드와 같은 대상 조건이 올바르게 설정되었을 때만 잘 작동했습니다. 각 구매자에 대해 개별화 된 추천에는 충분하지 않았으며, 이전에 구매 한 제품에서만 작동했습니다. 구매자에게 신제품을 추천 할 때, 쿠폰 이용률은 쿠폰의 사용자 관심사에 대한 지표를 제공했기 때문에 실제 구매율은 매우 낮았습니다.

또한, 새로운 제안에 대한 통계적 목표 마케팅 엔진인 빅데이터 플랫폼을 구축하고 유지하는 데 많은 시간과 비용이 소요되었습니다. 각 제품의 구매주기를 수동으로 계산하고, 쿠폰의 영향 정도를 추정하기 위해 관련 제품과의 연관 분석을 수행해야했습니다.

그동안 많은 노력과 시간 투자에도 불구하고, 기존 추천 성능은 신규 제품에 대한 매출 확대 기대치를 충족시키지 못했습니다. 롯데 마트의 경우, 중요한 통계는 조회한 쿠폰 수, 쿠폰 사용량, 반복 구매 및 개인화 쿠폰을 사용한  구매 비율이었습니다. 비율이 증가하면 고객의 숨겨진 의도를 파악할 수 있습니다.

이러한 애로 사항 때문에 롯데 마트는 Amazon Personalize를 조사하기 시작했습니다. 아래 표는 롯데마트의 기존 추천 시스템의 구성도입니다.

빠른 개발 생산성으로 맞춤형 추천을 통한 고객 경험 향상

롯데 마트는 Amazon Personalize를 통해 기존 방식으로 수요를 촉진하기 어려운 신제품을 비용 효율적으로 추천 할 수 있게 되었습니다. 프로모션 쿠폰에 대한 응답 비율인 쿠폰 적중률이 증가하여 월별 판매에 크게 기여하기 시작했습니다.

즉각적인 가치 실현도 있었습니다. 이전 방식과 비교하여 Amazon Personalize는 지루하고 복잡한 수동 데이터 분석의 필요성을 제거하고 개발 시간을 50 % 단축했습니다. 롯데 마트는 사전 정의 된 인터랙션, 사용자 및 아이템 데이터 세트 만 제공하면 되기 때문에 데이터 준비 및 처리 시간을 절약 하였습니다. 개발팀은 이전 방식에 비해 절반의 시간으로 테스트 결과를 생성 할 수 있습니다.

이러한 시간 절약은 Amazon Personalize가 적합한 솔루션임을 결정하는 데, 필요한 성공 지표의 일부일뿐입니다.  최적의 고객 경험을 보장하면서 더 높은 빈도로 신제품을 참여시키고 구매해야 합니다. Amazon Personalize는 각 유형의 데이터 집합에 대한 참조 스키마를 쉽게 사용할 수  있습니다. 즉, 전체 쿠폰 응답 속도를 향상시키기 위해 필요한 기능을 추가 또는 교체하는 등 스키마는 테스트를 거듭하면서 진화하였습니다. 롯데 마트는 데이터를 준비한 후, 다양한 추천 알고리즘을 손쉽게 테스트했습니다.

마지막으로 모든 사람을 위한 전통적인 규칙 기반 권장 사항이 아니라, 개별 고객에 대한 사용자 지정 추천 사항을 활성화했습니다. 전체 프로세스에서 초기 개발 시간을 줄이고 맞춤형 모델 관리 및 유지 관리 필요성을 제거함으로써 개발 생산성을 크게 향상 시켰습니다.

맞춤형 M-쿠폰 추천을 통한 신제품 구매도 증가

앞서 말씀드린대로 롯데 마트의 목표는 M-쿠폰을 사용하지 않은 고객의 신제품 구매를 유도하기 위해 참여율을 높이는 것이 었습니다. 고객의 관심과 요구 사항은 지속적으로 변화하고 있으며 경쟁 환경은 지속적으로 발전하고 점점 더 치열 해지고 있습니다. 롯데 마트는 고객의 미지의 요구를 적극적으로 발굴하고 의도 변화에 대응함으로써 고객 유지 및 충성도를 높일 수있었습니다.

다음 다이어그램은 Amazon Personalize의 추천 및 개인화 된 쿠폰에 대한 새로운 아키텍처를 보여줍니다.

우선 M-쿠폰 추천 서비스를 위해 가장 많이 자주 구매하는 고객 70 만 명을 타겟으로 삼았습니다. 이 그룹ㅇ은 기존의 통계적 추천 접근법에도 적극적으로 참여시켰으며, 이를 통해 두 가지 추천 엔진의 A/B 테스트를 수행하였습니다.

본 테스트를 위해 롯데 마트는 가공 식품, 욕실 용품, 세제 및 계절에 관계없이 일상 생활 용품과 같은 제품을 모델링하여 방과 후 또는 휴일과 같은 이벤트의 영향을 완화 할 수있었습니다. 즉, 입력 데이터로 1 개월의 판매 내역 만 있으면됩니다. 전체 데이터 세트는 수천만 건의 트랜잭션으로 구성되었습니다. 데이터 세트내에는 영수증으로 구매 한 개별 품목을 포함하고 있습니다.

Amazon Personalize 모델링을 위해 판매 이력 (몇 달), 제품 메타 데이터 및 사용자 프로필과 같은 기존의 통계 시스템을 통해 추출한 3 가지 데이터 세트를 사용했습니다. 추출 된 데이터를 Amazon S3에 업로드하고 사전 처리를 수행하여 단종 된 제품, 익명 사용자 프로필과 같이 관련이 없거나 노이즈 데이터를 제거했습니다. 데이터 집합을 다음과 같은 정보가 포함 된 상호 작용, 항목 및 사용자로 가져 왔습니다.

• 상호 작용 – 특정 기간 동안의 모든 판매 내역
• 항목 – 카테고리 및 SKU와 같은 제품 메타 정보
• 사용자 – 여러 범주 형 변수가있는 익명의 사용자 프로필 데이터

추가적으로 제품 메타 데이터를 통합하면 추천 사항이 크게 향상됩니다. Amazon Personalize에서 모델링하기 전에 포함 할 제품 메타 데이터를 결정해야합니다. 사실 모델링할 최상의 제품 메타 데이터를 찾을 수있는 지름길은 없으며, 도메인 전문 지식에 크게 의존합니다. 이는 본 시나리오에서도 동일하게 적용됩니다. 메타 데이터는 도메인 전문가의 경험과 지식을 바탕으로 지속적으로 업데이트 및 개선하였습니다. 한 가지 팁은 범주형 기능이 낮은 카디널리티 속성에 가장 적합하다는 것입니다. 예를 들어, 주민 번호, 전자 메일 또는 사용자 ID는 고유하고 카디널리티가 높기 때문에 범주 유형에 적합하지 않습니다.

롯데 마트는 품목 또는 사용자 데이터 세트에 대한 기능의 영향을 평가하기 위해 HRNN- 메타 및 HRNN-레시피를 탐색했습니다 . HRNN은 상호 작용 데이터 세트를 검토하기 때문에 데이터 준비 측면에서 HRNN-meta보다 더 간단합니다. 그러나, HRNN-meta는 상호 작용 외에도 항목 메타 데이터 또는 사용자 데이터 세트의 더 많은 기능을 사용합니다. 솔루션 생성은 선택된 모델 훈련 및 기-훈련된 학습 모델의 일종으로 모델 레시피 , 데이터 세트 그룹 및 기타 매개 변수로 구성됩니다. 동일한 데이터 세트 그룹에 여러 솔루션 버전을 구축 할 수 있으므로, 다양한 레시피로 학습 된 모델을 평가하거나 비교할 수 있습니다. 이렇게하면 작업에 가장 적합한 레시피를 찾을 수 있습니다.

M-쿠폰 개인화 추천 적용하기

M-쿠폰 추천은 격주로 수행되므로 API를 통해 추천을 계산하는 캠페인은 항상 실행될 필요는 없습니다.  필요에 따라userid를 기반으로 GetRecommendationsAPI를 호출하여 결과를 수집합니다.  그런 다음 사용자 권장 사항이 포함 된 응답이 파일에 작성됩니다. 온-프레미스 쿠폰 전달 시스템 인 M-coupon은 사후 처리가 수행되는 Amazon S3에서 결과를 다운로드 한 후 최종적으로 고객에게 개인화 된 쿠폰을 보냅니다. 롯데 마트는 쿠폰에 영향을받는 구매 수익 및 쿠폰 소비율과 같은 비즈니스 지표를 수집 할 수 있습니다.

다음 스크린 샷은 M-coupon 모바일 앱 및 Amazon Personalize의 권장 쿠폰을 보여줍니다.

비용 최적화

롯데마트에서는 모든 추천 사항을 확인한 후에는 바로 캠페인을 삭제하여, 캠페인 생성과 런타임 비용만 발생하도록 비용 효율적으로 운영합니다. 캠페인의 초당 트랜잭션(TPS)는 동시 트랜잭션과 유사합니다. 따라서, TPS 1인 캠페인은 응답 시간이 500ms 미만인 경우 몇 초 안에 여러 가지 추천 사항을 생성 할 수 있습니다. 예를 들어, 추천 API 호출에 20ms 만 걸리면 50 개의 추천이 1 초 안에 검색됩니다.

하이퍼 파라미터 최적화(HPO)는 제일 높은 성능을 제공하는 하이퍼 파라미터를 파악하고, 이를 모델 훈련에 적용하여 최적의 모델을 구축하는 데 도움이됩니다. 최적화를 위한 임시 훈련이 있기 때문에 단일 모델 훈련과 비교할 때 비용에도 영향을 미칩니다. 그러나, HPO가 완료된 후에는 algorithmHyperParameters비용 및 성능을 효과적으로 관리하는 데 도움이 되는을 지정하여 향후 훈련에서 하이퍼 파라미터를 재사용 할 수 있습니다 .

마무리

롯데 마트는 지속적으로 M-쿠폰 조회율을 높이기 위해 노력하고 있으며, Amazon Personalize를 사용하면 개인화된 추천을 도입 한 이후 쿠폰 사용량이 두 배 이상 증가했습니다. 또한, 신제품 구매 빈도가 1.7 배 증가한 것으로 나타났습니다. 기존 통계적 접근 방식과 비교할 때, 아주 획기적인 개선 결과입니다. 이러한 쿠폰 활용 비율 증가를 통해 롯데 마트는 고객의 숨겨진 구매 요구를 성공적으로 발견하고 있습니다. 결과적으로 개인화 된 쿠폰을 통한 KPI 개선은 바로 롯데 마트 월별 매출에 큰 영향을 미쳤습니다. 여러분도 제품 추천을 개선하고 고객 참여를 높이기 위해 Amazon Personalize 사용을 시작하는 방법에 대해 자세히 알아보시기 바랍니다.

박성오님은 롯데 마트 빅 데이터 분석가로 7 년 이상 통계적 접근을 통해 목표 마케팅을 수행 해왔습니다.

황경태님은 AWS의 솔루션 아키텍트입니다. 엔터프라이즈 기업과 협력하여 고객의 비즈니스 성과를 실현하는 데 도움을 드리고 있습니다.