Klaviyo의 예측 분석 이해하기
학습 내용
계정에 표시되는 다양한 유형의 예측 분석 데이터, Klaviyo가 이를 계산하는 여러 방식, 그리고 이 데이터를 활용하는 방법에 대한 가이드를 자세히 알아보세요.
해당되는 경우, 예측 분석을 계산하는 데 사용되는 지표를 조정해 비즈니스 목표, 데이터 구조 또는 사용자 지정 연동에 더 잘 맞추는 것이 좋을 수 있어요. 계정에서 전역으로 매핑되는 지표를 조정하려면 지표 매핑 가이드로 이동해 주세요.
Klaviyo는 계정의 모든 데이터에 데이터 과학과 머신러닝 기법을 결합해 적용하여 유용하고 실행 가능한 인사이트를 제공합니다.
다음 조건을 충족하는 경우에만 프로필에서 예측 분석 섹션이 표시됩니다.
- 최소 500명의 고객이 주문을 완료했습니다.
이는 총 프로필 수가 아니라, 실제로 비즈니스에서 주문한 사람의 수를 의미해요. 이 주문은 취소하거나 환불할 수 없으며, 0이 아닌 금액의 주문이어야 해요. 이 섹션이 프로필에 있지만 비어 있다면, 해당 개인에 대한 예측을 만들기에 데이터가 충분하지 않다는 의미예요. - 전자상거래 연동(예: Shopify, BigCommerce, Magento, WooCommerce)이 있거나 API를 사용해 주문 완료 주문을 전송하고 있어야 해요.
- 최소 180일의 주문 내역이 있고 최근 30일 이내에 주문이 있어요.
- 3회 이상 주문한 고객이 최소한 일부 있어요.
프로필의 예측 분석 섹션
프로필의 지표 및 인사이트 탭에서 프로필의 예측 분석 섹션을 확인할 수 있어요. 아래는 연락처 프로필의 예측 분석 섹션과 표시되는 정보의 예시예요:
아래 표에서는 위에 표시된 예측 분석 필드를 정의해요. 참고로, CLV는 고객 생애 가치를 의미해요.
필드 | 정의 | 스크린샷의 예시 값 |
CLV 기록 | 환불 및 반품을 고려한, 개인의 모든 이전 주문 총액입니다. | $401 |
예상 CLV | 특정 고객이 내년에 지출할 금액이 얼마나 될지에 대한 예측입니다. | $99 |
총 고객 생애 가치 | 과거 고객 생애 가치와 예측 고객 생애 가치의 합계입니다. | $500 |
이탈 위험 예측 | 고객의 이탈률 확률은 주문 횟수와 주문 빈도를 기준으로 해요. 고객이 주문할 때마다 이탈률 확률은 낮아지지만(초록색), 주문 사이의 시간이 지날수록 이탈률 확률은 높아져요(빨간색). 중간 이탈 위험은 노란색으로 표시돼요. | 21% |
주문 간 평균 시간 | 고객의 각 주문 사이 평균 일수입니다. | 75일 |
예상 성별 | 예측된 성별도 Klaviyo의 예측 분석 기능의 일부이지만, 고객 프로필에는 표시되지 않아요. | N/A |
고객 생애 가치 데이터 계산 방법
Klaviyo는 회사 데이터를 사용하여 고객 생애 가치(CLV) 모델을 자동으로 구축하고, 최소 주 1회 모델을 다시 학습해요.
맞춤 API를 사용해 placed order 이벤트를 전송하는 경우, 주문 금액이 $value 필드를 통해 전달되는지 확인해야 해요. 이렇게 하면 주문 완료 이벤트를 기반으로 고객 생애 가치(CLV) 데이터를 확보할 수 있어요. $value는 고객 생애 가치를 정확히 계산할 수 있도록 실제 주문 금액이어야 해요.
누구도 미래를 절대적으로 확실하게 예측할 수는 없지만, Klaviyo의 예측 분석 기능은 마케팅 지출을 최적화하고 고객 커뮤니케이션을 개인화하는 데 유용한 강력한 도구예요. 다만 예측은 많은 고객을 기준으로 평균을 낼 때 가장 잘 작동하며, 개별 한 사람에 대해서는 정확할 것으로 기대되지는 않아요. 어떤 사람은 예측된 고객 생애 가치보다 더 많이 지출하고 어떤 사람은 더 적게 지출하겠지만, 전체적으로는 서로 평균을 맞추게 돼요.
예를 들어, 예측 분석 상자에 표시되는 예측 고객 생애 가치 값은 정확한 예측이 아니에요. 경우에 따라 예측 주문 수가 불가능한 숫자로 표시될 수 있어요. 예를 들어, 특정 고객의 예측 주문 수가 1.43으로 표시될 수 있어요. 이 경우 고객이 1회 또는 2회 주문할 것으로 예상하지만, 더 많이 또는 더 적게 주문할 가능성도 있다는 의미예요. 여러 고객을 함께 그룹으로 묶으면 그룹의 총 주문 수나 지출을 예측할 수 있기 때문에 이러한 예상치가 더 의미 있게 보여요. 예측 주문 수가 1.43, 0.25, 3.12, 0.78, 2.97인 고객이 5명이라면 이 그룹에서 총 약 9건의 주문이 발생할 것으로 예상할 수 있어요.
다음 주문 예상 날짜가 계산되는 방식
다음 주문 예상일은(는) 특정 고객의 주문 행동과 전체 고객의 주문 행동을 모두 고려해요. 고객의 주문에 패턴이 있으면 Klaviyo가 이 패턴을 인식하고 이를 기반으로 예측해요. 고객의 주문에 패턴이 없거나 고객에 대한 데이터가 충분하지 않으면, Klaviyo가 다른 고객의 행동 방식을 기반으로 합리적인 예측을 해요.
반복 구매 육성 시리즈 플로우 관련 FAQ
이 플로우에 과거 프로필을 추가해야 하나요? 앞으로 가능한 모든 프로필로 플로우를 채우도록 설정해야 하나요?
기존 프로필에 대해 과거 프로필을 추가하거나, 플로우에 어떤 프로필을 포함할지 알려줄 필요가 없어요. 플로우가 이 작업을 자동으로 처리해요. 주문을 한 모든 고객에게는 다음 주문 예상 날짜가 있어요. 이전에 주문한 적이 없는 프로필에는 다음 주문 예상 날짜가 없어요.
플로우에 조건부 분할이 있는 것을 봤어요. 1회 구매자의 예상 날짜는 어떻게 알 수 있나요?
1회 구매자의 경우 구매 행동에 대해 아는 정보가 많지 않기 때문에, 모든 고객의 데이터를 사용해 다음 주문의 예상 날짜를 계산해요.
우리 브랜드에는 제품 빈도에 3가지 클래스가 있어요. 일부 제품의 경우, 고객은 불규칙적으로 다시 방문해요. 다른 제품은 60~90일 사이에 재구매가 이뤄져요. 마지막 그룹은 100~120일 사이에 재구매해요. 앱에서 고객이 무엇을 구매했는지 알도록 학습시키고, 제품을 기준으로 리마인더를 보낼 수 있나요?
앱은 고객이 주문한 제품을 고려하지 않으므로, 보충 구매 주기가 뚜렷하게 다른 제품이 있다면 다음을 추가해 각 보충 구매 주기별로 Placed Order 트리거 플로우를 여러 개 만드는 것을 권장합니다:
- 트리거 필터를 사용해 각 플로우를 동일한 주기를 공유하는 제품으로 제한해 주세요.
- 알려진 주기를 반영하는 시간 지연으로, 적절한 시점에 재구매 유도 이메일을 보낼 수 있어요.
예측 날짜는 고객의 최근 주문 내용과 해당 제품의 예상 보충 주기도 고려하지 않기 때문에, 대부분의 제품 카테고리에 대해 알려진 보충 주기가 있는 경우에는 이 기능을 사용하지 말고 표준 Replenishment 플로우를 사용하는 것이 좋아요.
반복 구매 너처링 시리즈 플로우에서 주의해야 할 사항
- 재구매 고객은 모든 주문 전에 동일한 이메일 시퀀스를 받게 되어 구독 취소로 이어질 수 있으므로, 다음 주문 예상일까지 카운트다운하는 방식은 권장하지 않아요.
- 이 플로우는 고객이 대부분의 제품 카테고리에 대한 일반적인 주기를 알고 있는 경우에도 재입고 플로우 사용을 대체해서는 안 됩니다.
- 반복 구매자 비율이 높다면, 첫 구매를 한 고객에게만 이 기능을 사용해 두 번째 구매를 하도록 육성하는 것이 좋을 수 있어요.
예측된 성별이 계산되는 방식
Klaviyo의 성별 예측 알고리즘은 고객의 이름과 인구 조사 데이터를 사용하여 남성일 가능성, 여성일 가능성, 불확실 중 하나로 성별을 예측합니다.
예상 성별은 여전히 근사치이므로 타겟팅 커뮤니케이션을 사용할 때는 두 성별에 대한 정보를 모두 포함하도록 해 주세요.
추가 자료
- How to segment by customer lifetime value (CLV)
Learn how to create a customer lifetime value (CLV) segment and export any key CLV information. CLV is part of Klaviyo's predictive analytics and can be a powerful tool to use in segmentation. It is the total amount, both past and predicted, that a customer will purchase from your brand over time. CLV segments allow you to group customers based on this amount so that you can send them relevant content and trigger segment-based flows. For example, you can use historic CLV to build a VIP welcome flow or use predicted CLV to send targeted campaigns to customers who will likely spend a certain amount over the course of a year.
- AI-Powered customer lifetime value
- Use predictive analytics to retain more customers