사용 사례: 적시 콘텐츠 재참여로 고객이탈 줄이기

이 예시는 가상의 브랜드가 Predictive Churn을 사용하여 사용자 이탈을 사전에 줄이는 방법을 보여줍니다. 고객이탈이 발생할 때까지 기다리는 대신, 위험에 처한 사용자를 예측하고 그들이 여전히 활동 중일 때 맞춤형 메시지를 전달합니다.

카밀라가 독립 영화, 다큐멘터리 및 해외 시리즈를 제공하는 스트리밍 플랫폼인 MovieCanon의 CRM 매니저라고 가정해 봅시다.

카밀라의 팀은 걱정스러운 추세를 발견했습니다: 사용자가 가입하고 영화를 한두 편 스트리밍한 후 사라집니다. 그동안 일주일 후에 일반적인 “보고 싶어요” 이메일을 보내봤지만, 전환율이 3%에 불과하여 너무 적고 너무 늦었습니다. 대부분의 사용자는 재참여하지 않으며, 고객이탈은 불가피해집니다.

카밀라는 이를 바꾸고 싶어합니다. 고객이탈이 발생한 후에 반응하는 대신, Predictive Churn을 사용하여 다음 14일 이내에 비활성화될 가능성이 있는 사용자를 식별합니다—이를 통해 팀이 여전히 활동 중인 사람들을 재참여시킬 기회를 얻습니다.

이 튜토리얼은 카밀라가 어떻게 다음을 수행하는지 안내합니다:

• 사용자 행동을 기반으로 한 고객이탈 예측 모델 생성
• 위험 수준에 따라 사용자 세분화
• 가장 위험에 처한 사용자에게 맞춤형 재참여 Campaign 구축
• Campaign 분석을 사용하여 영향 평가

1단계: 이탈 예측 모델 생성

카밀라는 자신이 피하고 싶은 결과, 즉 사용자가 비활성 상태가 되는 것을 모델링하는 것으로 시작합니다. MovieCanon의 경우, 이탈이란 14일 이내에 스트리밍을 시작하지 않는 것을 의미하므로—이것이 바로 그녀가 예측하고자 하는 행동입니다.

1. Braze 대시보드에서 카밀라는 Analytics > Predictive Churn으로 이동합니다.
2. 그녀는 새로운 이탈 예측을 생성하고 “2주 내 이탈 위험”이라고 이름을 지정합니다.
3. 이탈을 정의하기 위해, 그녀는 do not과 활발한 참여를 나타내는 커스텀 이벤트 stream_started를 선택합니다.
4. 그녀는 예측 기간을 14일로 설정합니다—이는 모델이 새로운 스트리밍을 시작하지 않고 14일을 보낼 가능성이 높은 사용자를 식별한다는 의미입니다.

5. 그녀는 지난 30일 동안 관련 이벤트를 트리거한 모든 사용자를 포함하는 예측 오디언스를 선택합니다—모델이 학습할 수 있도록 충분한 최근 행동 데이터를 제공합니다.
6. 그녀는 예측 업데이트 스케줄을 매주로 설정하여 점수가 최신 상태를 유지하도록 합니다.
7. 그녀는 Create prediction을 선택합니다.

그런 다음 모델은 훈련을 시작하며, 최근 세션, 시청 빈도, 콘텐츠 상호작용과 같은 행동을 분석하여 이탈을 예측하는 패턴을 도출합니다. 카밀라는 한 시간 후 예측 훈련이 완료되었다는 이메일을 받고, Braze에서 이를 열어 예측 품질 점수를 확인합니다. “Good”으로 표시되어 있어, 모델의 예측이 정확하고 신뢰할 수 있을 가능성이 높다는 것을 의미합니다. 모델의 성능에 확신을 가지고, 그녀는 다음 단계로 넘어갑니다.

2단계: 이탈 위험도별 사용자 세분화

모델이 학습을 완료하면 Braze는 대상이 되는 각 사용자에게 0~100 사이의 이탈 위험 점수를 부여합니다.

타겟팅의 시작 임계값을 결정하기 위해 카밀라는 예측 오디언스 슬라이더를 사용하여 각 점수 범위에 해당하는 사용자 수와 해당 수준에서의 예측 정확도를 미리 봅니다. 그녀는 예상되는 참양성(true positive)을 기반으로 커버리지와 정밀도의 균형을 맞춥니다. 이를 바탕으로 위험 점수 70 이상의 사용자를 타겟팅하기로 결정합니다.

1. 카밀라는 Braze에서 Segments로 이동합니다.
2. 그녀는 이탈 위험 점수 필터를 사용하여 Segment를 생성하고, 자신이 만든 이탈 예측을 선택합니다:
   • 이탈 가능성 높음: 점수 70 초과

3단계: 이탈 위험 사용자를 반복적인 재참여 콘텐츠로 타겟팅하기

예측과 Segment가 준비되면, 카밀라는 매주 이탈 위험군에 새로 진입하는 사용자에게 자동으로 도달하는 반복 Campaign을 설정합니다.

1. 카밀라는 반복 Campaign을 생성하고 Intelligent Timing을 활성화하여, 고정된 요일과 시간에 의존하지 않고 각 사용자가 참여할 가능성이 가장 높은 시점에 메시지가 전달되도록 합니다.
2. 그녀는 방금 생성한 “이탈 가능성 높음” Segment를 타겟팅합니다.
3. Campaign 전환 이벤트를 커스텀 이벤트 stream_started로 설정하여, 실제로 콘텐츠를 시청하러 돌아온 사용자 수를 추적합니다.
4. 카밀라는 이메일을 주요 채널로 선택합니다—이메일은 과도한 부담 없이 시각적으로 풍부한 형식으로 여러 개인화된 콘텐츠 추천을 강조할 수 있는 공간을 제공합니다. 이메일에는 다음이 포함됩니다:
   • MovieCanon의 카탈로그에서 동적으로 선택된 AI 아이템 추천을 활용한 개인화된 시청 목록
   • 사용자를 앱으로 직접 이동시키는 콜 투 액션

이를 통해 매주 MovieCanon은 넛지가 필요한 사용자에게만 도달합니다—과도한 메시징도, 추측도 없습니다.

이메일 예시

• 제목란: 이 타이틀들을 놓치지 마세요
• 헤더: 다음 볼 작품이 기다리고 있습니다
• 본문: 한동안 재생 버튼을 누르지 않으셨나요? 걱정 마세요—당신만을 위한 추천을 준비했습니다. 슬로우번 스릴러부터 수상작 다큐멘터리까지, 딱 맞는 작품이 여기 있습니다.
• CTA: 더 많은 추천 보기

4단계: 성과 측정

몇 주 후, 카밀라는 Campaign 분석을 확인하여 전략이 얼마나 잘 수행되고 있는지 평가합니다.

그녀가 확인한 결과:

• 열람율: 31%
• 클릭률: 15%
• 전환율 (48시간 이내 스트리밍 시작): 11%

기존의 “보고 싶어요” Campaign(전환율이 약 3% 수준이었던)과 비교했을 때, 이 새로운 흐름은 타겟 그룹의 이탈을 28% 줄였습니다. 카밀라는 퍼널 보고서를 자세히 살펴보며 사용자가 어디에서 이탈하는지 확인합니다. 열람율과 클릭률은 높지만, 클릭과 전환 사이에 약간의 마찰이 있다는 것을 발견하고—CTA 카피 테스트나 레이아웃 실험을 고려하게 됩니다.

장기적인 영향을 이해하기 위해, 카밀라는 매주 “이탈 가능성이 높은” Segment에 진입하는 사용자 수도 추적합니다. 이를 통해 라이프사이클의 전반적인 건강 상태를 평가하고 더 넓은 차원에서 유지 전략을 수립하는 데 도움을 받습니다. 마지막으로, 그녀는 이탈 예측에 대한 예측 분석 페이지를 다시 방문하여 예측된 이탈자와 실제 이탈자를 비교합니다—모델이 예상대로 작동하고 있는지 확인하는 유용한 점검입니다.

이러한 인사이트를 바탕으로, 카밀라는 제목란 A/B 테스트, 다양한 타이밍 윈도우 테스트, 그리고 인앱 메시지에서 캐러셀 스타일 추천과 같은 콘텐츠 형식 실험을 계획합니다.

예측 이탈, Intelligent Timing, AI 기반 개인화를 활용하여, 카밀라의 팀은 단순히 이탈에 대응하는 것이 아니라—이탈보다 앞서 나가고 있습니다. 그리고 그녀의 Campaign은 백그라운드에서 조용히 실행되며, 적절한 사람에게, 적절한 시간에, 그들이 실제로 관심을 가질 콘텐츠를 전달합니다.