💡 이런 고민이 있는 분께 이 페이퍼를 추천해요

이런 목표가 있는 분께 이 페이퍼를 추천해요

• 메시지 발송 대상을 엑셀 시트로 관리하고 있는데 이를 자동화하고 싶은 분들

• 자체 AI/ML 기술을 CRM 캠페인에 접목하여 예측 기반의 CRM을 하고 싶은 분들

고객사 소개

바비톡

Your Blooming Beauty Companion

아름답고 아이코닉한 삶을 만드는 뷰티 파트너 [바비톡]

대한민국 1등 성형/시술 정보 플랫폼 바비톡은 국내/외 총 14개 계열사를 운영하는 원익그룹에 편입되어 탄탄한 자본 구조를 바탕으로 미용/의료 시장의 패러다임을 만들어 가고 있습니다. 정보 비대칭이 심한 성형/뷰티 의료 시장에서 서비스 이용자가 올바른 선택을 할 수 있도록 균형 잡힌 정보 제공을 통해 고객 가치를 창출하고 있습니다.

프로젝트 배경

"짐작이 아닌, 데이터에 기반한 정확한 제안이 필요"

기존에 운영하던 캠페인들은 주로 유저가 앱 내에서 상담 신청을 하거나 특정 페이지를 조회하는 등의 '액션'이 발생했을 때, 이를 트리거로 삼아 상담을 유도하는 방식이었습니다. 성과는 있었지만, 시술 후 관리가 필요하거나 주기적인 재시술이 필요한 유저들을 선제적으로 챙기기에는 부족함이 있었습니다.

특히 "이쯤 되면 필요하지 않을까?"라는 담당자의 짐작에 의존한 타겟팅은 정확하지 않았습니다. 유저에게 정말 필요한 정보를 제때 전달하기 위해서는 직감이 아닌 데이터를 활용한 정교한 접근이 필요하다는 내부 공감대가 형성되었습니다.

이러한 공감대를 바탕으로 개발팀, AI/ML팀과 협업하여 이를 해결할 수 있는 모델을 구축하였고, 이 데이터를 브레이즈에 연동하여 캠페인으로 활용해보고자 하였습니다.

캠페인 기획 및 구현

목차

1. Catalog에 모델링 데이터 업데이트

2. Catalog Selection에서 개인화 태그를 활용하여 유저별 데이터 필터링

3. 유저별 추천 시술 메시지 개인화

4. Canvas에서 Context Step으로 A/B Test 최적화

How To do

1. Catalog에 모델링 데이터 업데이트

AI/ML 팀에서 추출한 재시술 추천 모델링 결과를 브레이즈에서 즉시 활용할 수 있도록 Catalog 형식으로 가공한 후, API를 통해 데이터를 업데이트합니다. 이 과정의 핵심은 Catalog의 구조를 '상품'이 아닌 '유저' 중심으로 재설계했다는 점입니다.

• ID 매핑:

  • Catalog의 고유 키(Key)인 id 컬럼에 상품 ID 대신 개별 유저의 external_id를 할당하여, 유저와 추천 데이터를 1:1로 매핑했습니다.

• 데이터 구성:

  • 그 외 컬럼에는 해당 유저에게 추천될 구체적인 시술 카테고리, 시술명 등 개인화된 정보를 담았습니다.

• 자동화:

  • 유저의 앱 내 행동에 따라 추천 결과가 달라지므로, API를 통해 주기적으로 Catalog가 업데이트되도록 파이프라인을 구축하여 항상 최신 데이터를 유지합니다.

카탈로그 구현 예시

Catalog 활용 Tip

브레이즈 Catalog는 일반적으로 상품 ID를 기준으로 상품 정보를 저장하는 용도로 사용됩니다. 하지만 바비톡 사례처럼 id 컬럼 값에 유저 식별자를 할당하면 개별 유저 정보를 저장하고 활용하는 저장소로 유연하게 변형하여 사용할 수 있습니다.

2. Catalog Selection에서 개인화 태그로 유저별 데이터 필터링

업데이트된 Catalog 데이터를 실제 캠페인 메시지에서 사용하기 위해서는 데이터를 불러오는 규칙을 정의하는 Catalog Selection 세팅이 필요합니다. 이때 핵심은 수많은 데이터 중 해당 유저의 데이터만을 정확히 추려내는 것입니다.

• 개인화 태그 활용:

  • Selection 설정 시 필터 조건의 값으로 고정된 텍스트 대신, 브레이즈의 external_id 개인화 태그인 {{${user_id}}}를 입력합니다.

  • 이렇게 설정하면 메시지가 발송되는 순간, 브레이즈는 수신자의 ID와 Catalog의 id 컬럼(external_id)이 일치하는 행을 자동으로 찾아냅니다.

• 메시지 적용:

  • 결과적으로 메시지 작성 단계에서 이 Selection을 호출하기만 하면, 별도의 복잡한 코딩 없이도 자동으로 해당 유저에게 할당된 추천 정보만이 필터링되어 메시지에 입력됩니다.

Catalog Selection 구현 예시

3. 유저별 추천 시술 메시지 개인화

바비톡은 웹훅(Webhook)을 통해 카카오톡 메시지를 전송하고 있습니다. 이를 위해 개인화 태그를 활용하여 발송 형식에 맞춰 메시지 내용을 작성합니다. 앞선 단계에서 필터링된 Catalog 데이터를 웹훅 본문(JSON)에 동적으로 삽입하는 과정이 필요합니다.

• Liquid 활용:

  • 웹훅 캠페인 Request Body 구성 시, Catalog에서 가져온 변수를 삽입합니다.

• 결과:

  • 유저마다 각기 다른 시술명과 정보가 카카오톡 메시지 포맷에 자동으로 채워져 발송됩니다.

웹훅 캠페인 작성 예시

4. Canvas에서 Context Step으로 A/B Test 최적화

이번 캠페인은 모든 유저에게 메시지를 보내는 것이 아니라, AI 모델이 추천하는 데이터가 있는 유저에게만 선별적으로 발송해야 했습니다. 따라서 메시지 본문에 Liquid 로직을 사용하여 타겟 조건에 부합하지 않을 경우 메시지 발송을 중단(Abort)하도록 설정했습니다.

하지만 이 구조에서 일반적인 A/B Test를 진행할 경우, 통계적 정합성을 해치는 모수 불균형 문제가 발생했습니다.

[문제: 메시지 Abort로 인한 실험군/대조군 불균형]

브레이즈는 유저가 캠페인에 진입하는 순간 Control(대조군)과 Variant(실험군)를 나눕니다.

• Control 그룹:

  • 메시지를 보내지 않으므로, 유저가 필터링되지 않고 전원 유지됩니다.

• Variant 그룹:

  • 메시지 생성 시점에 Liquid 로직(추천 데이터 없음)에 의해 상당수가 발송 취소(Abort) 처리되어 이탈합니다.

• 결과:

  • Control 그룹의 모수가 Variant보다 비정상적으로 많아져, 신뢰할 수 없는 A/B 테스트 결과가 나옵니다.

[해결 방안: Context Step을 활용한 사전 필터링]

그룹을 나누기 전에, 애초에 발송 대상이 아닌 유저를 걸러내는 방식을 적용했습니다.

1단계: Context Step (사전 판별):

Canvas 첫 단계에서 유저가 추천 모델 데이터를 가지고 있는지 확인하고, 그 결과를 True/False 변수로 저장합니다. 이렇게 저장한 변수를 Context Variable 이라고 합니다.

Context Step 구현 예시

2단계: Audience Paths (필터링):

설정한 Context Variable 값이 True인 유저만 다음 단계로 통과시킵니다.

Context Variable 활용 예시

3단계: Experiment Path (분기 처리):

이미 검증된 유저들만을 대상으로 Control과 Variant를 나눕니다.

Experiment Step 구현 예시

Impact

다음은 바비톡 CRM 마케터 김예슬 님과의 인터뷰 내용입니다.

"바비톡은 자체 AI 모델을 활용한 캠페인 운영으로 다음과 같은 효과를 보았습니다."

CRM 팀의 오랜 숙원, AI로 실현하다

그동안 CRM 운영의 가장 큰 한계는 유저가 먼저 반응하거나 담당자의 직감에 의존해야 했다는 점이었습니다. 이번 프로젝트는 AI/ML 모델링을 도입해 막연했던 '짐작'을 정교한 '데이터 예측'으로 대체했다는 데 큰 의의가 있습니다. 유저가 가장 만족할만한 시술을 AI를 통해 찾고 제안함으로써, 불필요한 메시지 발송을 줄이고 적중률을 높이려는 CRM 팀의 오랜 고민을 해결했습니다. 단순 업무 자동화를 넘어, 기술을 통해 진정한 의미의 개인화 CRM을 실현한 성공적인 사례라고 생각합니다.

재시술 예약률 17.5% 상승

운영 효율화뿐만 아니라 실제 비즈니스 성과 역시 수치로 증명되었습니다. 캠페인 성과 분석 결과 AI 모델링 기반의 추천 알림을 받은 실험군(Variant Group)이 아무런 알림도 받지 않은 대조군(Control Group) 대비 재시술 예약률이 17.5% 더 높게 나타났습니다. 이는 이번 프로젝트가 단순히 CRM 팀의 운영 리소스를 절감한 것을 넘어, 정교한 타겟팅이 실제 유저의 구매 행동을 유의미하게 이끌어냈음을 보여주는 성과입니다.

앞으로의 확장 계획: 다양한 AI 모델 결과를 브레이즈에서 활용

담당 CSM 안상현 매니저님께서 브레이즈에서 자체 AI모델을 활용한 여러 사례를 소개해주셨고, 재시술 알림에 이어 AI 모델링 결과를 브레이즈 커스텀 어트리뷰트로 연동하는 프로젝트를 시작했습니다. AI가 분석한 유저의 행동 패턴과 관심사 등을 종합하여, 유저가 말하지 않아도 원하는 바를 먼저 파악하고 제안하는 고도화된 ‘예측형 CRM’으로 확장해 나갈 계획입니다.

KEY TAKEAWAYS

CSM's Insight

고객의 니즈를 예측하는 AI/ML 모델과 이를 실행하는 브레이즈의 결합은 강력한 시너지를 냅니다. 단순히 데이터를 연동하는 것을 넘어, 도구를 얼마나 창의적으로 활용하느냐가 자동화의 성패를 좌우합니다.

이번 사례에서 특히 돋보이는 점은 기술적 유연함입니다. Catalog를 상품 관리가 아닌 개인화 데이터 저장소로 재해석하여 활용하고, Context Step을 도입해 자칫 발생할 수 있는 A/B Test의 통계적 오류를 논리적으로 해결했습니다. 바비톡처럼 비즈니스 목표에 맞춰 솔루션의 기능을 응용하고 재조립하여 데이터 기반 개인화를 달성해보세요.

AUTHORS

안상현 ∙ AB180 ∙ Customer Success Manager

AB180의 Customer Success Manager로서 Airbridge, Braze, Amplitude를 활용하는 다양한 버티컬의 고객사를 담당하고 있습니다. 데이터 설계, 솔루션 연동, Full Cycle 마케팅 전략, 리텐션 개선 전략까지 솔루션 도입과 활용을 전문적으로 지원합니다.

김예슬 ∙ 바비톡 ∙ CRM Marketer

바비톡 국내 사용자 중심으로 CRM 캠페인, 기획전, 프로모션 전반을 설계·운영하고 있습니다. 교육·뷰티 분야에서 축적한 경험을 바탕으로, 미용의료 서비스에서 고객의 탐색부터 전환까지 이어지는 CRM 마케팅 플랜을 기획하고 실행합니다.