편의점 구매 데이터 기반의 개인화 전략을 활용한 be CU카드(비씨카드와 CU 콜라보 카드)제안
전 세계적으로 인플레이션이 지속되고 있는 상황 속에서는 경기 전망은 갈수록 어두워지고 소비심리가 비관적으로 돌아섰다. 그러나 이러한 고물가 시대에도 편의점은 오히려 매출 증대 효과를 보았다. 과거에는 편의점 제품 가격이 비싸다는 인식으로 심리적인 허들이 높았지만, 최근 1인 가구와 물가 상승으로 인해 이전과 다른 흐름을 보이고 있다. 인플레이션으로 인해 제품 가격이 상승했고, 1인당 구매액 상승으로 이어져 실적이 올라가는 긍정적인 효과가 나타났다. 편의점은 제품 가격이 인상해도 소비자들의 저항이 가장 덜한 유통 채널이다. 상승률이 큰 제품들이 많아도 소비자들이 덜 민감하게 받아들이기 때문이다.
매출이 상승하고 편의점 점포 수가 더욱 증가하면서 편의점 업계는 시장포화 상태가 되었다. 타사와의 점포 수도 큰 차이를 보이지 않고 있고 다양한 서비스 중 전월 편의점 실적에 따라 한도를 정해 결제액에 대한 캐시백 혜택을 제공해 주거나 청구 할인을 하는 카드로는 더 이상 소비자에게 차별화 서비스를 제공할 수 없다. 그래서 국내 편의점들은 특정 상품을 정기적으로 구입하는 고객들을 타깃으로 하는 구독서비스를 2021년에 출시했다. 이 서비스는 매월 일정 금액을 지불하면 개별 상품 결제 시보다 더 저렴한 가격으로 할인을 받을 수 있는 구독경제 모델이다. 최근 인플레이션이 심해지면서 해당 구독 서비스의 이용자가 급증하고 있다. 매월 유료 정기회원을 확보하면 안정적인 수익이 가능하고 이용 빈도 수와 추가 구매를 유도해 매출 증대에 도움이 된다. 그리고 최근에는 런치플레이션으로 편의점 구독 쿠폰을 이용하는 사람들이 크게 늘었다.
기존의 할인 혜택 카드와 고정 품목에 대한 서비스는 충성 고객을 늘릴 수 있는 장점이 있지만 고객 개별의 성향을 반영하지 않았다는 아쉬움이 있다. 또한, 일관적인 할인 혜택을 부여하는 편의점 구독서비스 역시 같은 이유로 한계가 있을 것이다. 이제는 고객의 개별적인 니즈를 파악하여 충족시켜 줄 수 있는 서비스가 편의점 업계에도 등장해야 한다. 고객이 할인 혜택을 챙기고 선택하는 기존 방식에서 나아가, 기업이 고객이 알아채지 못한 부분까지 데이터 분석을 통해 파악하여 자동으로 혜택을 제공하는 편의성 높은 개인화 서비스를 고안할 것이다.
그래서 우리는 개인화, 맞춤화 서비스를 통해 고객과 비슷한 소비 성향을 가진 사람들의 소비내역을 분석해 앞으로의 고객 소비를 예측하고 관련된 쿠폰을 미리 지급해 주는, 고객경험을 제공하고자 한다.
BC카드-BGF리테일 제공, 비씨카드-CU편의점
우리는 비씨카드-CU편의점 소비 데이터를 바탕으로 개인 맞춤 상품 추천과 할인 혜택을 제공하고자 한다. 그러나 주어진 비씨카드-CU 편의점 소비 데이터로는 구매 기록을 세부적으로 볼 수 없으므로, 개인 각각의 구매 상품 등을 파악하는 것이 불가능했다. 대신에 점포 입지 정보, 성별, 생애주기별 정보 등을 바탕으로 비계층적 군집분석 기법인 ‘k평균 군집분석’을 수행하고자 한다. 유사한 개인들을 그룹화여 k(군집 개수) 값을 바꿔가면서 inertia(응집도)를 그래프로 시각화한 다음, 너무 많지 않은 군집으로 분류하면서도 inertia 값이 작은 최적의 k를 찾을 것이다. 이때, 변수로 설정한 데이터들의 크기가 다르므로 ‘데이터 표준화 후 진행한 결과 값’과 ‘표준화 처리 없이 진행한 결과 값’을 비교해 개인화 전략을 도출하고자 한다.
그리고 구매 빈도가 가장 높은 상품을 분석한다. 이를 위해 파이썬 pandas 모듈의 ‘groupby 함수’를 이용하여, 앞서 그룹화한 집단을 기준으로, 각 집단에서 구매 빈도가 가장 높은 상품을 추출하는 작업을 할 것이다.
다음으로는, 개인 맞춤 추천 상품을 구매 데이터를 통해 파악해 보고자 한다. 개인 맞춤 추천 상품을 찾아내기 위해서 특정 상품과 함께 가장 많이 구매된 상품을 찾는 데에 사용되는 ‘연관분석’을 활용할 것이다. 이 방법을 데이터 분석에서 실현하기 위해서, 앞서 그룹화했던 집단을 대상으로 파이썬의 pandas 모듈과 mlxtend 모듈을 활용한 ‘Apriori 알고리즘’을 적용한다. 데이터 간의 지지도를 파악한 뒤에 그 집단 내에서 특정 제품과의 구매 연관성이 높은 제품이 무엇인지를 도출하는 작업을 수행할 것이다. 이후, association rules 함수를 이용해 연관성이 높은 제품들 중에서 향상도(lift)가 양의 상관관계인 제품들을 찾아낼 계획이다.
마지막으로는, 구매 데이터의 추이를 바탕으로 다음 달에 가장 구매 빈도가 가장 높을 것 같은 상품을 예측해 보려 한다. 이를 위해서 딥러닝 기계 학습 알고리즘의 ANN 방식을 사용할 것이다. 이 과정에서 keras의 dropout과 EarlyStopping 함수로 인공 신경망의 과적합 문제를 방지하고자 한다. 선형 회귀로 가설을 설정해 앞서 군집화한 집단을 대상으로 물품의 구매 빈도 수를 예측하고, 이 중에서 가장 구매 빈도가 높은 상품을 추출할 것이다.
[분석결과 활용]
구매 데이터를 기반으로 도출된 정보들에 대한 개인화 전략 활용방안을 간략히 언급하자면, 먼저, 개인별로 구매 빈도가 가장 높은 상품을 분석해 개인 맞춤 할인 혜택을 줄 수 있다. 예를 들면 해당 카드의 편의점 페이백 혜택이 일반적으로는 5%인데, 개인의 구매 빈도가 가장 높은 상품에 대해서는 7%의 페이백 혜택을 자동 적용해 주는 것이다.
두 번째로, 개인 맞춤 추천 상품 할인을 시행할 수 있다. 사람들은 일반적으로 자신이 관심이 없는 상품은 할인을 한다고 해도 구매하지 않는다. 하지만, 자신이 관심을 가질만한 상품이 할인을 한다면, 구매 가능성이 높아질 것이다. 따라서, 개인 맞춤 추천 상품 할인 혜택은 기존의 편의점 할인 혜택보다 더욱 효과적으로 구매를 촉진할 것이다.