살 사람과 다시 올 사람만 골라서 보내는 법 — 구매·방문 확률 타겟팅
CRM 발송에는 오래된 딜레마가 있습니다. 전체 고객에게 보내면 비용과 고객 피로도가 커지고, 조건을 좁히면 정작 보낼 고객이 얼마 남지 않습니다. 조회·장바구니·구매 이력을 조합해 타겟을 세분화해도, 결국 마케터가 알고 싶은 건 두 가지입니다.
“이 중에서 누가 살까?” “누가 다시 찾아올까?”
Blux의 구매·방문 확률 타겟팅은 이 두 가지 질문에 답하기 위한 기능입니다. 고객의 행동 데이터를 바탕으로 구매하거나 방문할 가능성이 높은 고객을 예측하고, 그 확률을 타겟팅에 활용할 수 있습니다.
이 글에서는 확률이 어떻게 계산되는지부터 실제 고객사에서 어떻게 활용하고 있는지까지, 차례로 소개합니다.
이 기능이 하는 일
모든 고객의 구매·방문 가능성을 예측합니다
Blux에서 제공하는 구매·방문 확률 타겟팅은 몰의 행동 데이터—상품 조회, 장바구니, 구매, 방문 패턴 등—를 학습해 고객마다 두 가지 확률을 계산합니다.
확률 | 뜻 | 이럴 때 씁니다 |
|---|---|---|
구매 확률 | 가까운 시일 안에 구매할 가능성 | 프로모션·신상품 등 전환이 목적인 발송 |
방문 확률 | 가까운 시일 안에 다시 방문할 가능성 | 재방문 유도, 콘텐츠·기획전 안내, 앱 푸시 |
확률은 주기적으로 자동 갱신됩니다. 어제 활발하게 상품을 둘러본 고객은 오늘 방문 확률이 올라가고, 몇 달째 활동이 없는 고객은 내려가는 식입니다. 마케터가 직접 점수를 계산하거나 업데이트할 필요가 없습니다.
어떤 확률을 사용할지는 발송 목적에 따라 결정하면 됩니다. 당장 구매를 유도하는 프로모션이라면 구매 확률을, 기획전·신상품 콘텐츠나 앱 푸시처럼 “일단 다시 방문하게 하는 것”이 목적이라면 방문 확률을 활용하면 됩니다.
두 확률을 함께 보면 고객을 더 세밀하게 나눌 수도 있습니다. 구매 확률은 낮지만 방문 확률은 높은 고객처럼, 자주 둘러보지만 구매에는 신중한 고객도 있기 때문입니다. 이런 고객에게는 할인이나 구매 유도 메시지 대신 콘텐츠를 보내는 식으로, 고객의 행동 가능성에 맞춰 메시지의 목적과 내용까지 다르게 가져갈 수 있습니다.
절대적인 숫자보다, 우리 몰에서 상위 몇 %인지
확률은 절대적인 숫자가 아니라 백분위로 제공됩니다. 몰마다 전체적인 구매 전환율이나 고객 행동 패턴이 다르기 때문에, 특정 확률값 자체를 비교하는 것보다 우리 고객 중 어느 정도로 구매 가능성이 높은지를 보는 방식입니다.
예를 들어 ‘구매 확률 상위 20%’라면, 구매 전환율이 높은 몰이든 낮은 몰이든 상관없이 우리 고객 중 구매할 가능성이 가장 높은 20%를 의미합니다.
따라서 “확률 0.03이면 높은 건가?”처럼 절대적인 숫자를 해석할 필요 없이, 우리 몰 안에서 상대적으로 구매·방문 가능성이 높은 고객을 바로 타겟으로 삼을 수 있습니다.
기준은 백분위지만, 데이터가 충분히 쌓인 몰에서는 고른 구간이 실제로 어느 정도 확률에 해당하는지(예상 구매 확률 몇 % 이상 식으로)가 보조로 함께 표시됩니다. 순위로 고르고, 숫자로 감을 잡는 셈입니다.
설정은 3단계면 끝납니다
1. 오디언스 룰 필터에서 확률 조건을 고릅니다. 오디언스 만들기 화면의 룰 필터에서 "구매 확률" 또는 "방문 확률"을 선택합니다.
2. 프리셋 버튼으로 구간을 정합니다. 상위 20% / 중위(20~80%) / 하위 20% 버튼 중 하나를 누르면 끝. 더 세밀하게 가고 싶으면 직접 설정으로 백분위 구간을 지정합니다.
프리셋 | 의미 |
|---|---|
상위 20% | 살 가능성이 가장 높은 그룹 — 유료 발송을 아껴서 보낼 때 |
중위 (20~80%) | 볼륨이 나오는 중간 그룹 — 본발송 주력 |
하위 20% | 살 가능성이 낮은 그룹 — 발송 제외 조건으로 |
3. 다른 조건과 조합합니다. 확률 조건은 룰 필터의 한 종류라서, 상품 조회 이력·구매 이력·고객 속성 같은 다른 조건과 AND/OR로 자유롭게 섞입니다. 예를 들면 이런 오디언스가 클릭 몇 번으로 만들어집니다.
"최근 한 달 안에 A 브랜드 상품을 본 사람 그리고 구매 확률 상위 20%"
"구매 확률 하위 20%는 제외하고 전체 발송" — 어차피 안 살 고객을 걸러 비용만 줄이는 가장 쉬운 시작법
"마지막 방문이 30일 넘게 지났지만 방문 확률 상위 20%" — 곧 돌아올 만한 휴면 고객에게 먼저 말 걸기
이렇게 만든 오디언스는 캠페인·시나리오·인앱 어디서든 쓸 수 있고, 블럭스 에이전트에게 "구매 확률 높은 고객만 골라줘"라고 말로 요청해도 됩니다.
실제 고객사들은 이렇게 쓰고 있습니다
활용법 1 — 행동 조건과 조합해 타겟을 압축한다
확률을 단독으로 사용하기보다 기존 행동 조건과 조합해, 실제로 반응할 가능성이 높은 고객만 골라내는 방식입니다. 한 패션 커머스에서는 다음과 같이 활용하고 있습니다.
최근 6개월 구매 + 최근 14일 고관여 + 구매 확률 상위 6% → 신상품 안내 LMS
최근 30일 조회 + 1년 내 구매 + 방문 확률 상위 10% → 기획전 브랜드메시지
행동 이력이 “관심 있는 사람”을 찾는다면, 확률은 그중 “지금 움직일 가능성이 높은 사람”을 다시 골라냅니다. 기존 조건에 확률을 하나 더하는 것만으로도 불필요한 발송을 줄이면서 반응 가능성이 높은 고객에 집중할 수 있습니다.
브랜드별 쿠폰 푸시에도 같은 방식이 활용됩니다. 한 커머스에서는 “해당 브랜드에 관심 신호를 보인 고객 + 구매 확률 상위 5%”로 브랜드별 오디언스를 만들고, 생성한 당일 바로 발송합니다.
특히 이런 조합은 건당 비용이 발생하는 브랜드메시지 같은 채널에서 효과적입니다. 발송 전에 구매 가능성이 낮은 고객을 미리 제외하면, 발송량과 비용을 함께 줄일 수 있기 때문입니다. 또 다른 멀티 브랜드 패션몰은 브랜드메시지를 보낼 때마다 “구매 확률 상위 5% 또는 해당 브랜드 상품을 최근 180일 안에 본 고객”처럼 오디언스를 먼저 걸러냅니다. 발송량은 줄이면서도 반응은 안정적으로 유지되고 있어, 현재는 브랜드메시지 발송의 기본 절차로 자리 잡았습니다.
한 가지 주의할 점도 있습니다. 확률이 높다고 무조건 좋은 타겟은 아닙니다. 최상위 구간만 선택하면 오디언스가 수십~수백 명에 그쳐 캠페인을 운영하기 어려울 수 있습니다. 이 패션몰은 상·중·하 구간으로 나눠 테스트한 뒤, 충분한 모수를 확보하면서도 반응이 좋은 구간을 찾아 캠페인 성격에 따라 타겟 범위를 조정하고 있습니다.
활용법 2 — 확률 구간별로 다르게 보낸다
같은 이벤트라도 고객의 구매 가능성에 따라 메시지를 다르게 보내면 더 효율적으로 운영할 수 있습니다. 구매 확률이 높은 고객에게는 신상품이나 행사 소식을 그대로 전달하고, 중·하위 고객에게는 쿠폰이나 추가 혜택을 제공하는 식입니다.
앞서 소개한 멀티 브랜드 패션몰은 최근 시즌 행사에서 이 방식을 활용했습니다. 구매 확률 상위 20%를 다시 상·중·하 세 구간으로 나누고, 구간마다 다른 소재를 제작해 발송했습니다.
상위 구간: 이미 구매 가능성이 높은 고객 → 행사 소식과 신상품 중심
중간 구간: 구매 가능성이 중간인 고객 → 상품 혜택을 함께 강조
하위 구간: 상대적으로 구매 가능성이 낮은 고객 → 쿠폰·추가 혜택을 강조
같은 행사를 세 가지 버전의 소재로 만들어 LMS와 브랜드메시지에 각각 발송한 것입니다. 앞서 상·중·하 그룹으로 나눠 적정 확률 구간을 찾는 테스트가, 구간별 소재를 다르게 운영하는 방식으로 발전한 사례입니다.
다른 라이프스타일 커머스에서도 구매 확률 상위 고객과 중·하위 고객을 나눠 같은 캠페인을 서로 다른 소재로 발송하고 있습니다. 콘솔의 프리셋에 있는 상위·중위·하위 구간도 바로 이런 운영을 쉽게 시작할 수 있도록 제공됩니다.
활용법 3 — 일부러 남긴 대조군으로 효과를 검증한다
“AI 타겟팅이 정말 효과가 있나?”를 확인하는 가장 확실한 방법은 대조군을 두고 직접 비교해보는 것입니다. 대상 고객의 일부(예: 10%)는 일부러 발송에서 제외하고, 발송한 그룹과 발송하지 않은 그룹의 구매율 차이를 비교하는 방식입니다.
한 커머스에서는 구매 확률 상위 10%를 대상으로 AI 추천 브랜드메시지를 발송하면서, 이 중 10%를 대조군으로 남기고 나머지 90%에만 발송했습니다. 발송군 90%와 대조군 10%의 구매율을 비교하면, 다른 조건의 영향을 최소화하면서 확률 기반 타겟팅으로 실제 구매가 얼마나 늘었는지 확인할 수 있습니다.
확률 타겟팅을 넉 달간 70회 넘게 활용해온 다른 식음료 커머스도 같은 90/10 홀드아웃 방식으로 효과를 지속적으로 확인하면서 발송을 확대해왔습니다.
자주 묻는 질문
Q. 확률은 얼마나 정확한가요?
확률 모델은 몰의 행동 데이터—최근 조회·장바구니·구매·방문의 빈도와 주기, 메시지에 반응한 이력 등 수십 가지 신호—를 학습해, 각 고객이 앞으로 일주일 안에 구매하거나 방문할 가능성을 예측합니다. 모델이 학습에 사용하지 않은 최신 데이터로 매주 예측 결과를 검증하며, 실제로 구매하거나 방문할 고객과 그렇지 않은 고객을 얼마나 잘 구분하는지 지속적으로 확인하고 있습니다.
우리 몰에서 실제로 얼마나 효과가 있는지는 직접 비교해보는 것이 가장 확실합니다. 위 활용법 3처럼 일부 고객을 홀드아웃 대조군으로 남겨두면, 확률 기반 타겟팅을 적용한 고객과 그렇지 않은 고객의 구매·방문 성과를 비교해 실제 효과를 확인할 수 있습니다.
Q. 데이터가 적은 몰도 쓸 수 있나요?
네, 쓸 수 있습니다. 확률 모델은 우리 몰의 데이터만으로 만드는 게 아니라 블럭스 전체 고객사의 행동 데이터로 함께 학습하기 때문에, 이제 막 연동한 몰도 처음부터 "우리 고객 중 상위 몇 %"라는 순위는 받을 수 있습니다. 여기에 우리 몰의 데이터가 쌓일수록 몰에 맞게 보정되면서 점점 더 정확해집니다.
Q. 보내기 전에 몇 명인지 알 수 있나요?
네. 오디언스 화면에서 예상 모수를 미리 확인할 수 있습니다. 특히 상위 구간은 생각보다 모수가 작을 수 있으니, 발송 전에 예상 모수를 한 번 확인해보세요.
시작할 때 팁
Blux 팀의 코멘트
프리셋 버튼으로 가볍게 시작하세요. 첫 캠페인이라면 ‘상위 20%’ 버튼 하나로도 충분합니다. 결제를 유도하는 발송이라면 구매 확률을, 다시 방문하게 하는 것이 목적이라면 방문 확률을 선택하면 됩니다.
발송 전에 예상 모수를 확인하세요. 상위 구간은 생각보다 모수가 작을 수 있습니다. 모수가 부족하다면 구간을 조금 넓혀 충분한 규모를 확보하면 됩니다.
행동 조건과 함께 활용하세요. ‘브랜드 상품 조회 이력 + 구매 확률 상위’처럼 조합하면 관심 신호와 구매 가능성을 함께 고려해 타겟을 좁힐 수 있습니다. 특히 건당 비용이 발생하는 채널에서는 불필요한 발송을 줄여 비용 절감에도 도움이 됩니다.
발송비는 아끼고 반응은 높이는 확률 타겟팅, 지금 콘솔에서 바로 켤 수 있습니다 — Blux 도입 문의하기