선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 실무자들이 꼽는 LP 운영의 가장 큰 이점중 하나는 거래에 수반된 고객 자료를 수집할 수 있다는 것인데[10], 실질적으로 이 방대한 양의 데이터를 어떤 측면에서 분석하고 고객에 대한 통찰력을 얻을 것인가는 매우 중요한 문제가 아닐 수 없다. 데이터로 수집되는 LP 참여 소비자들의 행동에는 구매, 포인트 적립, 포인트 사용, 개인정보 등 여러 차원이 존재할 수 있는데, 본 연구는 특히 기존에 다소 간과되어 왔던 포인트 사용행동이 LP 소비자들의 미래 소비행동을 이해할 수 있는 지표중 하나임을 제시하였다. 본 연구에서는 포인트 사용행동을 얼마나 최근에 포인트를 사용했는지(R), 얼마나 자주 포인트를 사용하는지(F), 그리고 한번에 어느 정도의 포인트를 사용하는지(M)로 구분하고, 이러한 ‘포인트 사용의 RFM 특성 정보’가 CLV를 결정짓는 핵심 변수인 미래 구매빈도와 미래 구매금액에 유의미한 효과가 있음을 확인하였다.
- 만일, 이것이 입증된다면 포인트 사용행동의 RFM 정보를 CLV 측정 모형에 통합하는 것은 타당할 것이다. 두 번째로 전통적인 CLV 측정 모형에 포인트 사용 행동의 RFM 특성을 통합한, 보다 발전적인 CLV 측정 모형을 제시하는 것이다. 기존의 CLV 측정 모형 보다 본 연구에서 제시한 조정 모형의 예측력이 더 우수한 것으로 검증된다면, LP와 같은 마케팅 프로그램과 소비자 간 상호작용 정보를 CLV 예측에 통합할 필요성이 있음을 지지하는 이론적 기여는 물론, LP를 운영하는 기업에 적합한 CLV 측정 모형을 제시한다는 점에서 실무적 의의가 있을 것이다.
- 본 연구는 이러한 문제인식 속에서 ‘마케팅 프로그램의 역할’에 의한 미래 구매행동 변화를 고려하고자 한다.
- 본 연구의 목적은 LP에 가입한 소비자들의 포인트 사용행동 특성이 구매이력에 기반하여 예측한 CLV 측정 핵심변수인 기대 구매빈도 및 기대 구매금액과 실제 구매빈도 및 실제 구매금액 간 차이 (즉, 예측오차)를 설명할 수 있는가를 확인함으로써, 포인트 사용행동 특성과 소비자의 미래 구매행동 간의 관계를 밝히고, CLV 추정의 주 구성요소인 기대 구매빈도 및 기대 구매금액 예측치에 포인트 사용행동 특성 정보를 반영했을 때 더 예측력이 우수한 CLV 추정이 가능한지를 살펴보는데 있다. 이때, 포인트 사용행동 특성은 ‘포인트 사용 최근성 (Redemption-Recency : R)’, ‘포인트 사용빈도(Redemption-Frequency : F)’, 그리고 ‘포인트 사용 금액(Redemption-Monetary value : M)’의 3개 차원을 사용하며, 분석대상 기간은 분석 단계별로 요구되는 구현기간과 예측기간 등의 필요성을 고려하여 Period 1, Period 2, Period 3의 세 구간으로 구분하고, 연구자에게 Period 1부터 2까지의 소비자 구매이력 및 포인트 사용정보가 있고, Period 3을 예측해야 하는 상황으로 가정한다.
- 또한, Lee, Lee, and Feick[33]는 실증적으로 CLV 측정모형에 구전효과를 통합하는 시도를 하기도 하였다. 이러한 관점에서 본 연구는 미래의 구매에 영향을 줄 수 있는 변수로서 로열티 프로그램(Loyalty Program, 이하 LP)을 고려하고자 한다. LP는 해당 프로그램에 가입한 고객의 반복적인 구매에 대하여 보상함으로써 고객의 충성도와 수익성을 증진시키는 것을 목표로 하는 장기적인 마케팅 프로그램([25, 36, 43] 등)으로서, 고객의 반복적인 구매에 대한 대가로 기업이 일정 금액의 로열티 포인트(이하 포인트)를 고객에게 제공하고, 고객은 적립한 포인트로 자신이 원하는 제품이나 서비스를 구입하는 형태가 일반적이다.
- 이러한 선행연구들과 달리 본 연구에서는 포인트 사용행동 특성을 ‘포인트 사용 최근성(Redemption-Recency : R)’, ‘포인트 사용 빈도(Redemption-Frequency : F)’, 그리고 ‘포인트 사용금액(Redemption-Monetary value : M)’의 3개 차원으로 정의하고, 각각이 고객의 미래 소비행동에 어떠한 영향을 주는지 고찰하고자 한다.
- 반면, 포인트 적립행동은 제품이나 서비스 구매량에 비례하는 것이 일반적이기 때문에 구매행동과 분리된 독립성을 갖기가 어렵다. 이에 본 연구에서는 LP에 의한 미래 구매행동 변화를 포인트 사용행동 정보를 이용하여 설명하고자 한다. 포인트 사용행동 특성 자체를 측정하여 연구에 활용한 사례는 많지 않은데, Lewis[34]는 포인트 사용행동을 ‘보상물 획득 유무’로 정의하여 기존고객의 관계유지(retention) 효과를 살펴본 바 있고, 김지윤, 이장혁, 김상용[2]은 포인트를 적립하는데 들인 노력 수준이 포인트 소진(사용) 속도와 포인트 사용금액에 어떻게 영향을 주는지 고찰한 바 있다.
- 본 연구의 목적은 크게 두 가지이다. 첫 째, 포인트 사용행동의 RFM 특성이 미래의 소비행동 변화를 설명하는 요인인가를 고찰하는 것이다. 만일, 이것이 입증된다면 포인트 사용행동의 RFM 정보를 CLV 측정 모형에 통합하는 것은 타당할 것이다.
가설 설정
- 이때, 포인트 사용행동 특성은 ‘포인트 사용 최근성 (Redemption-Recency : R)’, ‘포인트 사용빈도(Redemption-Frequency : F)’, 그리고 ‘포인트 사용 금액(Redemption-Monetary value : M)’의 3개 차원을 사용하며, 분석대상 기간은 분석 단계별로 요구되는 구현기간과 예측기간 등의 필요성을 고려하여 Period 1, Period 2, Period 3의 세 구간으로 구분하고, 연구자에게 Period 1부터 2까지의 소비자 구매이력 및 포인트 사용정보가 있고, Period 3을 예측해야 하는 상황으로 가정한다.
제안 방법
- 2009년(Period 2)에 대한 개인별 실제 구매빈도 및 구매금액과, 1단계에서 선정한 BG/NBD 모형과 Normal/Normal 모형으로 추정한 기대 구매빈도 및 기대 구매금액 간 차이를 계산하여 각 개인별 구매빈도와 구매금액에 대한 예측오차를 구하였다. 예컨대, 어떤 고객이 2009년 동안의 추정 기대빈도가 4.
- E(x), adj.E(m)))과 기존모형을 통해 추정한 예측값(P3(E(x), E(m)))을 확보한 다음, 예측기간의 실제값(P3|x,m)과 비교함으로써 제안모형의 타당성을 검증하고, 실무적 적용 가능성을 논의한다. 본 연구에서는 기존 모형과 제안모형의 예측성과를 실제 발생한 고객의 가치와 비교하기 위해 특정기간(Period 3)으로 고객생애기간을 한정하지만, 실질적인 개인별 CLV 측정 시에는 식 (1)과 같이, 고객생애기간을 무한대 또는, 고객이 기업과 거래 가능한 평균적인 최대의 미래 시점(예 : 70세, 80세 등)으로 정의하여 측정하게 된다.
- Period 1의 구매빈도와 평균 구매금액(P1(x, m))을 이용하여 Period 2에 대한 개인별 구매빈도와 평균 구매금액(P2(E(x), E(m))을 추정하는데 적합한 모형을 선정하는 단계로, 기대 구매빈도 추정에는 Pareto/NBD와 BG/NBD, BG/BB 모형을, 기대 구매금액 추정에는 Normal/Normal과 Gamma/Gamma 모형을 이용하여 Period 2의 실제값(P2(x, m))과 예측값을 비교하여 예측성과가 가장 좋은 모형을 선택함으로써 자료에 적합한 예측모형을 결정한다.
- 다만, 포인트 사용 최근성의 경우에는 미래 구매빈도가 촉진되나 구매금액은 낮아지는 혼합효과(mixed effect)가 나타났기 때문에 미래의 소비행동의 방향성을 단정하기는 어렵다. 그래서, 타당성 검증 차원에서 추가적인 분석을 시도하였는데, BG/NBD 모형과 Normal/Normal 모형을 이용하여 CLV를 추정한 다음, 구현기간의 포인트 사용 R, F, M 변수가 CLV를 어떻게 설명하는가를 회귀분석해 보았다. 그 결과, 포인트 사용 최근성 (R)은 CLV에 대해 부(-)의 효과(p < 0.
- 종속변수인 구매빈도 예측오차와 구매금액 예측오차는 2단계에서 개인별로 계산한 값을 사용하며, 포인트 사용 최근성은 2008년(Period 1) 한 해 동안 가장 마지막으로 포인트를 사용한 날짜로, 포인트 사용 빈도는 동 기간 동안 포인트를 사용한 횟수, 포인트 평균 사용금액은 동 기간의 1회 평균 포인트 사용 금액으로 정의하였다. 그리고, 예측오차에 영향을 줄 수 있는 통제변수로는 평균 구매금액과 나이, 성별을 고려 하였다. 피어슨 상관분석과 Variance Inflation Factor (VIF) 값을 이용하여 다중공선성을 검토한 결과, 변수 간 상관관계는 전반적으로 유의하나 높지는 않고, VIF 값은 모두 10 이하로 나타나 회귀분석을 하는데 문제가 없는 것으로 확인되었다.
- 마지막으로, 전통적인 모형으로 측정된 기대 구매빈도, 기대 구매금액 추정치와 제안된 모형으로 측정된 추정치를 활용한 고객 세분화를 통해 집단별 차이를 살펴봄으로써 포인트 사용행동이 반영되었을 때 어떻게 고객 세분화가 달라지는지를 살펴보고 실무적 시사점을 논의하도록 한다.
- E(m)))과 기존모형을 통해 추정한 예측값(P3(E(x), E(m)))을 확보한 다음, 예측기간의 실제값(P3|x,m)과 비교함으로써 제안모형의 타당성을 검증하고, 실무적 적용 가능성을 논의한다. 본 연구에서는 기존 모형과 제안모형의 예측성과를 실제 발생한 고객의 가치와 비교하기 위해 특정기간(Period 3)으로 고객생애기간을 한정하지만, 실질적인 개인별 CLV 측정 시에는 식 (1)과 같이, 고객생애기간을 무한대 또는, 고객이 기업과 거래 가능한 평균적인 최대의 미래 시점(예 : 70세, 80세 등)으로 정의하여 측정하게 된다.
- 자료 수집은 Fader, Hardie, and Lee[20]의 방식을 따라 2008년 1분기에 1회 이상 구매한 소비자 가운데, 10,616명을 무작위 추출하여 2008년부터 2009년까지의 거래 및 포인트 사용이력과 2010년의 거래이력을 분석에 사용하였다. 본 연구에서는 의사결정자에게 확보된 소비자의 거래이력 자료가 2008년부터 2009년까지이고, 2010년의 CLV를 예측해야 하는 상황으로 가정하여, 2008년(Period 1)부터 2009년(Period 2)은 구현기간(calibration period)으로, 2010년(Period 3)은 예측기간(prediction period)으로 정의하였다. 이처럼 1년 단위로 기간을 구분한 것은 대표 명절일인 설과 추석날 당일의 매출 급감현상이나, 신학기 매출증대 현상과 같은 서점의 계절성 요인이 구현 및 예측기간에 동일하게 반영되도록 하기 위함이다([그림 1] 참조).
- 실증분석 대상 자료에 적합한 예측모형을 선정하기 위해, 2008년 한 해 동안의 개인별 거래이력 정보를 이용하여 구매빈도에 대해서는 Pareto/NBD, BG/ NBD, BG/BB 모형을, 구매금액에 대해서는 Normal/ Normal과 Gamma/Gamma 모형을 구현하고, 각 모형의 예측성과를 2009년에 대하여 살펴보았다. 우선, [그림 2]는 시계열로 살펴 본 누적 구매빈도에 대한 실제값과 Pareto/NBD, BG/NBD, 그리고 BG/ BB 모형으로 추정한 기대 구매빈도 예측값 간의 차이를 보여주고 있는데, 그림을 통해 알 수 있듯이 실제값(Actual)과 예측값(Pareto/NBD, BG/NBD, BG/BB)을 비교해 보면, 비교적 정확하게 누적 구매빈도가 예측되고 있으나, 완전히 일치하지는 않음을 시각적으로 확인할 수 있다.
- 이를 위해 기존모형과 제안모형으로 나누고, 양측 모두 기대 구매빈도를 기준으로 고객을 세 개의 집단(High, Middle, Low)으로 나눈 다음, 각 집단별로 다시 기대 구매금액을 기준으로 세 개의 집단(High, Middle, Low)으로 나누어 각 모형에 대하여 총 9개씩 집단을 정의하고, 추정기간에 발생한 개인별 실제 총 구매금액을 집단별로 평균화 하여 비교하였다( 참조).
- 전통적인 방식으로 측정한 기대 구매빈도 및 기대 구매금액 측정치와 조정된 모형을 이용한 측정치를 활용하여 고객집단을 세분화했을 때, 고객집단별로 추정기간(Period 3)에 대한 실제 고객가치, 즉 집단별 평균 구매금액은 어떻게 차이가 나는지를 살펴보았다. 이를 위해 기존모형과 제안모형으로 나누고, 양측 모두 기대 구매빈도를 기준으로 고객을 세 개의 집단(High, Middle, Low)으로 나눈 다음, 각 집단별로 다시 기대 구매금액을 기준으로 세 개의 집단(High, Middle, Low)으로 나누어 각 모형에 대하여 총 9개씩 집단을 정의하고, 추정기간에 발생한 개인별 실제 총 구매금액을 집단별로 평균화 하여 비교하였다(<표 6> 참조).
- 9%를 사용한 것으로 나타나 해당 기업은 회원들이 포인트를 적립하고 사용하는데 매우 익숙한 것으로 판단된다. 종속변수인 구매빈도 예측오차와 구매금액 예측오차는 2단계에서 개인별로 계산한 값을 사용하며, 포인트 사용 최근성은 2008년(Period 1) 한 해 동안 가장 마지막으로 포인트를 사용한 날짜로, 포인트 사용 빈도는 동 기간 동안 포인트를 사용한 횟수, 포인트 평균 사용금액은 동 기간의 1회 평균 포인트 사용 금액으로 정의하였다. 그리고, 예측오차에 영향을 줄 수 있는 통제변수로는 평균 구매금액과 나이, 성별을 고려 하였다.
대상 데이터
- 이처럼 1년 단위로 기간을 구분한 것은 대표 명절일인 설과 추석날 당일의 매출 급감현상이나, 신학기 매출증대 현상과 같은 서점의 계절성 요인이 구현 및 예측기간에 동일하게 반영되도록 하기 위함이다([그림 1] 참조). 모형 선정에 사용한 프로그램은 MATLAB R2010 버전이며, 그 외 분석에는 PASW Statistics 18버전과 Eviews 4버전을 사용하였다.
- 기존의 CLV 측정 모형 보다 본 연구에서 제시한 조정 모형의 예측력이 더 우수한 것으로 검증된다면, LP와 같은 마케팅 프로그램과 소비자 간 상호작용 정보를 CLV 예측에 통합할 필요성이 있음을 지지하는 이론적 기여는 물론, LP를 운영하는 기업에 적합한 CLV 측정 모형을 제시한다는 점에서 실무적 의의가 있을 것이다. 실증분석은 국내 모 대형서점의 LP 회원들로부터 추출한 표본의 구매 및 포인트 사용이력 데이터를 사용하였다. 연구의 결과는 포인트 사용의 RFM 정보가 CLV 측정 모형에 반영되는 추정치인 ‘기대 구매빈도’와 ‘기대 구매금액’을 설명하는 요인임을 보여주고 있다.
- 실증분석은 온오프라인 매장을 전국적으로 운영하는 국내 모 대형서점의 LP 가입 회원들을 대상으로 하였다. 국내 대형서점들은 전형적인 멤버십 포인트 카드 기반의 LP를 운영하고 있기 때문에, 연구의 과정과 결과는 비계약 기반의 여타 소매업종에 적용 가능한 이점을 가지고 있다.
- 또한, 본 연구에서 실증 분석한 기업의 LP는 분석에 사용한 관찰기간 동안 포인트 10점부터 현금처럼 자유롭게 사용할 수 있는 정책(포인트 1점당 1원으로 환산, 구매금액의 3～10%를 포인트로 적립)을 운영하고 있었기 때문에 포인트 사용액수와 사용빈도의 분산이 크게 나타나는 특성을 갖고 있어(<표 3> 참조) 포인트 사용행동의 이질성을 포착하는데 용이한 장점이 있다. 자료 수집은 Fader, Hardie, and Lee[20]의 방식을 따라 2008년 1분기에 1회 이상 구매한 소비자 가운데, 10,616명을 무작위 추출하여 2008년부터 2009년까지의 거래 및 포인트 사용이력과 2010년의 거래이력을 분석에 사용하였다. 본 연구에서는 의사결정자에게 확보된 소비자의 거래이력 자료가 2008년부터 2009년까지이고, 2010년의 CLV를 예측해야 하는 상황으로 가정하여, 2008년(Period 1)부터 2009년(Period 2)은 구현기간(calibration period)으로, 2010년(Period 3)은 예측기간(prediction period)으로 정의하였다.
데이터처리
- 3 단계에서 산출한 계수값을 통합하여 포인트 사용행동 특성을 반영한 조정된 기대 구매빈도와 기대 구매금액을 계산하였다. 그 다음, 3.1.4단계에서 제시한 측정모형으로 산출한 조정된 기대 구매 빈도와 기대 구매금액 값의 예측력이 기존 모형에 비하여 보다 정교해졌는지를 평가하고자 상관분석을 실시하였다[16, 20]. 상관관계 분석은 CLV와 관련하여 추정치의 유의미한 예측력 향상 여부를 검증하는데 활용되는 분석법 중의 하나로, 추정 값과 실제 값 간에는 유의미한 양(+)의 상관관계가 나타나야 한다.
- 추정한 기대 구매빈도와 기대 구매금액이 과소 혹은 과다추정 되는 것을 포인트 사용의 RFM 특성이 설명할 수 있는지를 확인하고자, 각 예측오차에 대해 식 (3)과 같이 회귀분석으로 고찰하였다. 회귀분석에 사용한 각 변수들의 2008년(Period 1) 의 기술통계량은 <표 3>과 같다.
이론/모형
- 478으로 나타났다. 그러므로, 2010년에 대한 예측값(P3(E(x), E(m))도 3.1.1단계와 마찬가지로 BG/NBD, Normal/Normal 모형을 이용하였다. 한편, 조정된 예측값(P3(adj.
- <표 2>는 추정모형의 성과를 평가한 통계량으로, 본 실증자료의 경우에는 구매빈도에 대해서는 Pareto/NBD 모형과 BG/BB 모형보다는 BG/NBD 모형의 예측기간의 성과가 조금 더 우수하고, 구매금액에 대해서는 Gamma/Gamma 모형보다는 Normal/Normal 모형의 성과가 조금 더 우수하여 2009년에 대한 예측오차를 계산하는 단계에서는 기대 구매빈도에 대해서는 BG/NBD 모형, 기대 구매금액에 대해서는 Normal/Normal 모형을 사용하였다.
- Pareto/NBD 모형의 경우, 고객이탈확률은 지수분포, 생존기간 동안의 구매빈도는 포아송 분포, 그리고 이탈과 재구매에 대한 고객 간 차이는 두 개의 독립적인 감마분포로 가정하는 Pareto(gamma-exponential mixture) 모형을 사용하여 고객의 이탈 프로세스를 분석하고, 재구매 프로세스는 NBD(gamma-poisson mixture) 모형을 이용하는 것이 특징이나, 추정이 복잡한 단점이 있다. 반면, BG/NBD 모형은 개별 고객의 이탈 확률은 기하분포, 고객 간 이탈의 이질성은 베타분포를 따른다고 가정하는 BG(Beta-Geometric mix) 모형을 사용하여 이탈프로세스를 추정한다. 이 모형은 생존기간 동안 개별 고객의 구매빈도는 포아송 분포, 고객 간 재구매 차이는 감마분포를 가정하는 것이 특징이며, Pareto/NBD 모형에 비해 추정이 쉬운 장점이 있다.
- 마지막으로 BG/BB 모형은 BB(Beta-Bernoulli) 모형을 사용하여 재구매 프로세스를 예측하는데, 잡지 구독이나 정기적인 기부금 납부와 같이 구매 발생 시점이 이산적인 상황에 적합한 특성을 갖고 있다. 한편, 기대 구매금액을 예측하는 확률모형에는 Schmittlein and Peterson[38]의 Normal/Normal 모형과 Colombo and Jiang[17]의 Gamma/Gamma 모형을 많이 이용한다. Normal/ Normal 모형에서는 구매자의 구매건 간 구매금액 차이와 고객 간 평균 구매금액 차이를 정규분포로 가정한다.
성능/효과
- 또한, LP가 고객의 반복적인 구매에 대하여 보상함으로써 고객의 로열티 증진을 목표로 하는 마케팅 프로그램으로서, 개별 구매에 대해 보상하는 쿠폰이나 리베이트와 같은 단기적인 가격촉진 활동과는 다르다고 한 Kim 등[27]의 주장을 실증적으로 뒷받침한다 하겠다.1) 한편, 본 연구에서는 과거 거래이력에만 의존하던 기존의 전통적인 CLV 측정 모형에 포인트 사용행동의 RFM 특성 정보를 반영하여, LP를 운영하는 기업에게 적합한 보다 정교한 CLV 측정법을 검증하고자 하였는데, 결과적으로 전통적인 측정모형으로 추정한 기대 구매빈도와 기대 구매금액 값보다 본 연구에서 제시하는 모형을 통해 새로이 산출된 기대 구매빈도와 기대 구매금액 값이 동기 간의 실제 값과 높은 상관관계가 있는 것으로 나타났다.
- 이를 위해 기존모형과 제안모형으로 나누고, 양측 모두 기대 구매빈도를 기준으로 고객을 세 개의 집단(High, Middle, Low)으로 나눈 다음, 각 집단별로 다시 기대 구매금액을 기준으로 세 개의 집단(High, Middle, Low)으로 나누어 각 모형에 대하여 총 9개씩 집단을 정의하고, 추정기간에 발생한 개인별 실제 총 구매금액을 집단별로 평균화 하여 비교하였다(<표 6> 참조). 고객 세분화 결과, 대각선상의 집단(HH, MM, LL) 에 대하여 양측 모형 간 실제 고객가치를 비교해 보면, 포인트 사용행동 특성을 반영한 후 실제 고객가치가 더 크게 나타나는 것을 관찰할 수 있다. 특히, 구매빈도와 구매금액이 가장 높은 집단(HH) 인 경우 기존모형에 비해 제안모형일 때 고객가치가 월등히 높아짐을 확인할 수 있다(기존모형일 때 2,373,184원 vs.
- 62회가 된다. 구매 빈도와 구매금액에 Jarque-Bera 검증을 수행한 결과 구매빈도와 구매금액 모두 정규분포 형태는 아니나, 0(실제값과 예측값이 일치하는 경우)을 중심으로 과소 혹은 과다추정 되는 값이 고루 분포되어 있는 것을 확인할 수 있었다([그림 5] 참조).
- 구체적으로 살펴보면, 포인트를 사용한 시점은 구매빈도 예측오차에는 긍정적인 영향 (β = 0.001, p < 0.01)을 미치고, 구매금액 예측오차에는 부정적인 영향(β = -5.148, p < 0.01)을 주는 것으로 나타났다.
- 그 결과, 포인트 사용 최근성 (R)은 CLV에 대해 부(-)의 효과(p < 0.01)가 나타난 반면, 포인트 사용빈도(F)와 사용금액(M)은 모두 정(+)의 효과(p < 0.01)가 있는 것으로 나타났다.
- 이러한 비교연구는 CLV 모형에 대한 포인트 사용행동 정보 통합의 타당성을 더욱 뒷받침할 수 있을 것이다. 그럼에도 불구하고 본 연구에서 제시한 CLV 측정모형은 실무자들이 손쉽게 기존 CLV 측정모형에 포인트 사용행동 특성을 통합할 수 있도록 구현되었고, 실질적인 예측력도 우수하기 때문에 실무적인 활용도가 높다는 장점을 갖는다. 특히, LP를 운영하는 기업이 소매업은 물론 산업재 기업이나 비영리기관에 이르기 까지 그 운영범위가 폭넓어졌다는 점을 감안하면, 그 적용범위 또한 넓어 실무적 측면의 기여도가 크다 하겠다.
- 우선, [그림 2]는 시계열로 살펴 본 누적 구매빈도에 대한 실제값과 Pareto/NBD, BG/NBD, 그리고 BG/ BB 모형으로 추정한 기대 구매빈도 예측값 간의 차이를 보여주고 있는데, 그림을 통해 알 수 있듯이 실제값(Actual)과 예측값(Pareto/NBD, BG/NBD, BG/BB)을 비교해 보면, 비교적 정확하게 누적 구매빈도가 예측되고 있으나, 완전히 일치하지는 않음을 시각적으로 확인할 수 있다. 그리고, 구현기간 동안의 구매빈도를 0회부터 7회 이상까지 8개 구간으로 나누고, 각 구간별로 예측기간 동안의 평균적인 실제 및 기대 누적 구매빈도를 결합한 [그림 3]을 통해서도 예측치의 과잉(과소)추정 구간이 있음을 확인할 수 있다.
- 실증분석 결과, 분석의 대상이 된 국내 모 대형서점의 경우에는 포인트를 사용한 시점이 최근일수록 미래의 구매빈도는 예측한 것보다 더 증가하는 반면, 구매금액은 더 감소하였다. 또, 포인트의 사용빈도가 작을수록, 또는 한 번에 사용하는 포인트의 금액이 클수록 미래의 구매빈도와 구매금액은 예상한 것보다 더 증가하는 경향이 있는 것으로 나타났다. 이는 포인트를 꾸준히 모아 한 번에 크게 사용하는 사람들일수록 미래의 소비행동이 촉진될 가능성이 높음을 시사한다.
- 지금까지의 분석결과를 정리하자면, 첫째, 포인트 사용행동의 RFM 특성 정보가 미래의 기대 구매빈도나 구매금액에 대한 예측오차를 설명해 주는 변수가 될 수 있으며, 둘째, 포인트를 자주 사용하지 않고 한 번에 사용하는 금액이 큰 고객일수록 미래의 구매빈도나 구매금액이 촉진되는 현상으로 인해 CLV가 과소추청 될 수 있다. 또한, LP를 운영하는 기업은 이러한 특성을 전략적으로 활용함과 동시에 CLV 측정 시 포인트 사용특성 정보를 통합한 고객가치 측정모형을 고려해 볼 필요가 있음을 확인할 수 있다.
- 특히, 포인트 사용빈도(F)가 작을수록, 또는 한 번에 사용하는 포인트 금액(M)이 클수록 미래의 소비행동이 촉진되는 것으로 나타났다. 또한, 기존의 CLV 측정 모형을 사용할때 보다 포인트 사용의 RFM 정보를 통합하는 방식의 제안 모형이 더 우수한 예측성과가 나타나, LP와 같은 기업 마케팅 활동 정보를 CLV 측정에 반영할 필요성이 있음을 실증적으로 확인할 수 있었다. 이후의 논문 전개는 다음과 같다.
- 또한, 본 연구에서 실증 분석한 기업의 LP는 분석에 사용한 관찰기간 동안 포인트 10점부터 현금처럼 자유롭게 사용할 수 있는 정책(포인트 1점당 1원으로 환산, 구매금액의 3～10%를 포인트로 적립)을 운영하고 있었기 때문에 포인트 사용액수와 사용빈도의 분산이 크게 나타나는 특성을 갖고 있어( 참조) 포인트 사용행동의 이질성을 포착하는데 용이한 장점이 있다.
- 또한, 본 연구의 주된 가정 중 하나인 개인별 포인트 사용행동이 전 기와 금번 기간에 일관성이 있는가를 살펴보았으며, 개인별 포인트 사용행동의 RFM 특성은 Period 1과 Period 2간에 유의미한 차이가 없는 것으로 나타나 연구의 가정은 적절한 것으로 확인되었다(p > 0.01).
- 본 연구에서는 포인트 사용행동을 얼마나 최근에 포인트를 사용했는지(R), 얼마나 자주 포인트를 사용하는지(F), 그리고 한번에 어느 정도의 포인트를 사용하는지(M)로 구분하고, 이러한 ‘포인트 사용의 RFM 특성 정보’가 CLV를 결정짓는 핵심 변수인 미래 구매빈도와 미래 구매금액에 유의미한 효과가 있음을 확인하였다.
- 분석결과, 기존모형이나 제안모형의 기대 구매빈도와 기대 구매금액 값 모두 실제 값과 유의미한 정(+)의 상관관계가 있는 것으로 나타났는데(p < 0.01), 포인트 사용행동의 RFM 특성을 반영한 제안모형을 사용했을 때에 실제 값과의 상관관계가 기존 모형으로 추정된 값들 보다 더 향상되는 것을 확인할 수 있었다.
- 본 연구에서는 포인트 사용행동을 얼마나 최근에 포인트를 사용했는지(R), 얼마나 자주 포인트를 사용하는지(F), 그리고 한번에 어느 정도의 포인트를 사용하는지(M)로 구분하고, 이러한 ‘포인트 사용의 RFM 특성 정보’가 CLV를 결정짓는 핵심 변수인 미래 구매빈도와 미래 구매금액에 유의미한 효과가 있음을 확인하였다. 실증분석 결과, 분석의 대상이 된 국내 모 대형서점의 경우에는 포인트를 사용한 시점이 최근일수록 미래의 구매빈도는 예측한 것보다 더 증가하는 반면, 구매금액은 더 감소하였다. 또, 포인트의 사용빈도가 작을수록, 또는 한 번에 사용하는 포인트의 금액이 클수록 미래의 구매빈도와 구매금액은 예상한 것보다 더 증가하는 경향이 있는 것으로 나타났다.
- 연구의 결과는 포인트 사용의 RFM 정보가 CLV 측정 모형에 반영되는 추정치인 ‘기대 구매빈도’와 ‘기대 구매금액’을 설명하는 요인임을 보여주고 있다.
- 01), 포인트 사용행동의 RFM 특성을 반영한 제안모형을 사용했을 때에 실제 값과의 상관관계가 기존 모형으로 추정된 값들 보다 더 향상되는 것을 확인할 수 있었다. 예컨대, 기대 구매 빈도의 경우에는 실제 값과의 상관계수가 기존 모형 0.627에서 제안 모형 0.630으로 다소 향상되었으며, 기대 구매금액의 경우에는 실제 값과 기존 모형간 상관계수는 0.112이나, 제안 모형과의 상관계수는 0.525로 향상되었다.
- 이러한 결과는 LP의 보상을 즉각 보상과 지연보상으로 구분하였을 때, 서비스에 만족한 경험이 있는 고객집단은 지연보상을 선호하는 반면, 불만족한 경험이 있는 고객집단은 즉각보상을 선호하는 것으로 나타난 Keh and Lee[26]의 연구결과와 유사하다. 지금까지의 분석결과를 정리하자면, 첫째, 포인트 사용행동의 RFM 특성 정보가 미래의 기대 구매빈도나 구매금액에 대한 예측오차를 설명해 주는 변수가 될 수 있으며, 둘째, 포인트를 자주 사용하지 않고 한 번에 사용하는 금액이 큰 고객일수록 미래의 구매빈도나 구매금액이 촉진되는 현상으로 인해 CLV가 과소추청 될 수 있다. 또한, LP를 운영하는 기업은 이러한 특성을 전략적으로 활용함과 동시에 CLV 측정 시 포인트 사용특성 정보를 통합한 고객가치 측정모형을 고려해 볼 필요가 있음을 확인할 수 있다.
- 연구의 결과는 포인트 사용의 RFM 정보가 CLV 측정 모형에 반영되는 추정치인 ‘기대 구매빈도’와 ‘기대 구매금액’을 설명하는 요인임을 보여주고 있다. 특히, 포인트 사용빈도(F)가 작을수록, 또는 한 번에 사용하는 포인트 금액(M)이 클수록 미래의 소비행동이 촉진되는 것으로 나타났다. 또한, 기존의 CLV 측정 모형을 사용할때 보다 포인트 사용의 RFM 정보를 통합하는 방식의 제안 모형이 더 우수한 예측성과가 나타나, LP와 같은 기업 마케팅 활동 정보를 CLV 측정에 반영할 필요성이 있음을 실증적으로 확인할 수 있었다.
- 7%이고, 평균 나이는 30세로 나타났다. 표본 10,616명 가운데, 포인트를 1회 이상 적립한 사람 10,614명 중 포인트를 1회 이상 사용한 사람은 8,352명(78.7%)이며, 관찰기간 동안의 총 매출액 가운데 3.8%가 포인트로 적립되었고, 적립된 포인트 총액 가운데 74.9%를 사용한 것으로 나타나 해당 기업은 회원들이 포인트를 적립하고 사용하는데 매우 익숙한 것으로 판단된다. 종속변수인 구매빈도 예측오차와 구매금액 예측오차는 2단계에서 개인별로 계산한 값을 사용하며, 포인트 사용 최근성은 2008년(Period 1) 한 해 동안 가장 마지막으로 포인트를 사용한 날짜로, 포인트 사용 빈도는 동 기간 동안 포인트를 사용한 횟수, 포인트 평균 사용금액은 동 기간의 1회 평균 포인트 사용 금액으로 정의하였다.
- 회귀분석에 사용한 각 변수들의 2008년(Period 1) 의 기술통계량은 <표 3>과 같다. 표본에 대한 기술통계량을 살펴본 결과, 성비는 여성이 63.3%, 남성이 36.7%이고, 평균 나이는 30세로 나타났다. 표본 10,616명 가운데, 포인트를 1회 이상 적립한 사람 10,614명 중 포인트를 1회 이상 사용한 사람은 8,352명(78.
- 그리고, 예측오차에 영향을 줄 수 있는 통제변수로는 평균 구매금액과 나이, 성별을 고려 하였다. 피어슨 상관분석과 Variance Inflation Factor (VIF) 값을 이용하여 다중공선성을 검토한 결과, 변수 간 상관관계는 전반적으로 유의하나 높지는 않고, VIF 값은 모두 10 이하로 나타나 회귀분석을 하는데 문제가 없는 것으로 확인되었다. 또한, 본 연구의 주된 가정 중 하나인 개인별 포인트 사용행동이 전 기와 금번 기간에 일관성이 있는가를 살펴보았으며, 개인별 포인트 사용행동의 RFM 특성은 Period 1과 Period 2간에 유의미한 차이가 없는 것으로 나타나 연구의 가정은 적절한 것으로 확인되었다(p > 0.
- 한편, 포인트 사용빈도는 구매빈도와 구매금액 예측오차에 모두 부정적인 영향(구매빈도 : β = -0.142, p < 0.01, 구매금액 : β= -300.885, p < 0.1)이 있고, 포인트의 사용금액은 구매빈도와 구매금액 예측오차에 모두 긍정적인 영향(구매빈도 : β = 0.000, p < 0.01, 구매금액 :β = 0.091, p < 0.01)이 있는 것으로 나타났다.
- 회귀분석 결과( 참조)를 살펴보면, 기대 구매빈도와 기대 구매금액의 예측오차에 대한 포인트 사용행동의 최근성, 빈도, 금액 모두 구매빈도 및 구매금액 예측오차에 유의미한 관계가 있는 것으로 나타났다.
후속연구
- 이와 더불어, 보다 이상적인 연구방법으로 인터넷쇼핑몰이나 여행사, 호텔, 항공사와 같이 LP를 운영하지 않아도 개인별 구매이력을 추적할 수 있는 업종 가운데 LP를 운영하는 기업을 대상으로 LP에 참여하지 않는 소비자에게는 전통적인 CLV 측정법을 적용하고, LP에 참여하는 소비자에게는 포인트 사용행동 특성을 반영한 조정된 CLV 측정모형을 적용하는 것이 대안이 될 수 있을 것이다.2) 넷째, 본 연구는 마케팅 활동에 대한 소비자의 반응을 CLV 측정 모형에 통합 하는 시도를 하고 있는데, 연구의 발전적 확장 측면에서 광고나 가격과 같은 전통적인 마케팅 활동과 CRM 관점의 마케팅 활동, 그리고 고객 추천 프로그램 등 기업에서 행해지는 다양한 마케팅 노력을 CLV 측정모형에 반영하는 방안을 모색할 필요가 있다. 산업의 특성에 따라 기업의 주주가치에 영향을 주는 마케팅 자산이 서로 다른 것[12]처럼, 기업마다 CLV 예측력을 향상시키는 마케팅 활동에는 차이가 있을 것이기 때문이다.
- 기업이 취급하는 제품이 실용재(utilitarian) 보다는 쾌락재(hedonic) 일 때 포인트의 적립 및 사용에 따른 소비자의 만족도와 충성도가 더욱 증가한다는 김지윤[1]의 연구결과를 미루어 볼 때, 기업이 취급하는 제품의 특성에 따라 포인트의 적립 및 사용행동 특성이 고객 가치에 미치는 영향은 서로 다를 가능성이 있다. 그러므로, 향후 연구로서 다양한 업종과 업태의 기업을 대상으로 한 포인트 사용행동과 미래 소비행동간 관계에 대한 폭넓은 실증연구가 필요하며, 이론적으로도 기업마다 그 특성이 다르다면, 소비자 행동론 측면에서 그 기제를 설명할 수 있는 이론적 고찰도 동반하여 요구된다 하겠다. 둘 째, 본 연구에서는 모형의 추정기간과 예측기간을 각각 동일한 1년으로 설정하고, 해당기간에 발생한 거래이력을 모두 합산한 횡단면 자료를 이용함으로써 계절성 요인이 구현기간과 예측기간 모두 동일하게 반영될수 있도록 설계하였으나, 현업에서는 축적된 거래 이력의 기간을 충분히 확보할 수 없어 상반기 6개월간의 데이터로 모형을 추정하고, 하반기 6개월을 예측기간으로 고려해야 하는 경우가 있을 수 있다.
- 두 번째로 전통적인 CLV 측정 모형에 포인트 사용 행동의 RFM 특성을 통합한, 보다 발전적인 CLV 측정 모형을 제시하는 것이다. 기존의 CLV 측정 모형 보다 본 연구에서 제시한 조정 모형의 예측력이 더 우수한 것으로 검증된다면, LP와 같은 마케팅 프로그램과 소비자 간 상호작용 정보를 CLV 예측에 통합할 필요성이 있음을 지지하는 이론적 기여는 물론, LP를 운영하는 기업에 적합한 CLV 측정 모형을 제시한다는 점에서 실무적 의의가 있을 것이다. 실증분석은 국내 모 대형서점의 LP 회원들로부터 추출한 표본의 구매 및 포인트 사용이력 데이터를 사용하였다.
- 특히, LP를 운영하는 기업이 소매업은 물론 산업재 기업이나 비영리기관에 이르기 까지 그 운영범위가 폭넓어졌다는 점을 감안하면, 그 적용범위 또한 넓어 실무적 측면의 기여도가 크다 하겠다. 마지막으로, 포인트 사용행동은 광고나 프로모션, 가격할인과 같은 마케팅 믹스에서 볼 수 없는 LP가 갖고 있는 전형적인 고유 속성임에도 불구하고, 포인트 사용행동 특성에 관한 연구가 아직은 많이 부족하므로 관련 후속 연구에 대한 관심을 불러일으키는 측면에서도 본 연구의 공헌이 기대된다 하겠다[2, 7, 22].
- 이 단계에서는 기대한 미래 구매행동과 실제 구매행동 간의 차이 정보인 개인별 예측 오차 값을 종속변수로 하고, 과거의 포인트 사용행동 정보인 Period 1에서 관찰된 포인트 사용행동의 RFM 특성이 개인별 예측오차를 어떻게 설명하는지 회귀분석으로 살펴본다(식 (3) 참조). 만일 전 기 (Period 1)의 포인트 사용행동 특성이 다음 기(Period 2)의 구매빈도 및 구매금액에 대한 개인별 예측오차에 유의미한 영향을 주는 것으로 확인된다면, 포인트 사용행동 특성(RDPR, RDPF, RDPM)은 미래의 소비행동 변화를 설명하는 변수가 되므로, CLV 측정 모형에 통합할 필요가 있을 것이다.
- CLV에 영향을 줄 수 있는 정보를 통합할 필요성이 있다고 주장한 연구자 들은 많았으나, 실증연구는 Lee, Lee, and Feick[33]의 연구 외에는 드문데, 본 연구가 개인 수준의 고객가치 측정에 제 3의 정보를 통합하는 개인 수준의 추정법이라면, Lee, Lee, and Feick[33]의 연구는 고객의 추천으로 절감된 신규고객 획득비용을 세그먼트별로 총 비용에서 차감하는 세그먼트 수준의 측정법을 사용하고 있다. 본 연구에서 시도한 개인 수준의 측정은 개별 고객의 재무적 가치를 평가함으로써 관리해야 할 우량고객과 그렇지 않은 고객을 선별하고, 목표고객을 설정하는데 활용할 수 있는 이점이 있다[24].
- 셋째, 실증분석을 함에 있어 LP에 가입하지 않은 소비자는 CLV 측정에서 배제되었다는 점 또한 한계 점으로 논의할 수 있다. 본 연구에서는 서점이라는 업종의 특성상 LP에 참여하지 않는 소비자의 경우에는 구매이력을 추적할 수 없는 자료의 한계로 인하여 해당 고객군에 대한 CLV 측정 및 LP 참여 고객과의 CLV 예측력 비교 등을 할 수 없었다. 이러한 기업의 경우에는 대안적으로 LP에 참여하지 않은 소비자 집단에 대해서는 전체 고객 중 이들의 비중과 평균 구매금액을 측정하고, 여기에 유지율을 추정하여 해당 고객집단 전체의 고객자산을 추정함으로써 보완할 수 있다[31].
- 산업의 특성에 따라 기업의 주주가치에 영향을 주는 마케팅 자산이 서로 다른 것[12]처럼, 기업마다 CLV 예측력을 향상시키는 마케팅 활동에는 차이가 있을 것이기 때문이다. 본 연구의 확장 관점에서는 LP를 운영하는 기업의 경우 광고나 프로모션과 같은 다른 마케팅 활동에 비하여 LP가 CLV 예측력을 가장 많이 향상시키는 변수인지를 비교하는 연구가 필요하다. 이러한 비교연구는 CLV 모형에 대한 포인트 사용행동 정보 통합의 타당성을 더욱 뒷받침할 수 있을 것이다.
- 이때 계절성 요인 제거의 어려움이 문제가 될 수 있는데 관련 대안을 제시하지는 못하고 있는 것 또한 본 연구의 한계점으로 지적해 두고자 한다. 셋째, 실증분석을 함에 있어 LP에 가입하지 않은 소비자는 CLV 측정에서 배제되었다는 점 또한 한계 점으로 논의할 수 있다. 본 연구에서는 서점이라는 업종의 특성상 LP에 참여하지 않는 소비자의 경우에는 구매이력을 추적할 수 없는 자료의 한계로 인하여 해당 고객군에 대한 CLV 측정 및 LP 참여 고객과의 CLV 예측력 비교 등을 할 수 없었다.
- 우선, 실증연구가 ‘서점’이라는 특정 업종의 1개 기업만을 대상으로 하고 있다는 점에서 연구의 결과를 일반화하는데 한계가 있다.
- 둘 째, 본 연구에서는 모형의 추정기간과 예측기간을 각각 동일한 1년으로 설정하고, 해당기간에 발생한 거래이력을 모두 합산한 횡단면 자료를 이용함으로써 계절성 요인이 구현기간과 예측기간 모두 동일하게 반영될수 있도록 설계하였으나, 현업에서는 축적된 거래 이력의 기간을 충분히 확보할 수 없어 상반기 6개월간의 데이터로 모형을 추정하고, 하반기 6개월을 예측기간으로 고려해야 하는 경우가 있을 수 있다. 이때 계절성 요인 제거의 어려움이 문제가 될 수 있는데 관련 대안을 제시하지는 못하고 있는 것 또한 본 연구의 한계점으로 지적해 두고자 한다. 셋째, 실증분석을 함에 있어 LP에 가입하지 않은 소비자는 CLV 측정에서 배제되었다는 점 또한 한계 점으로 논의할 수 있다.
- 이러한 기업의 경우에는 대안적으로 LP에 참여하지 않은 소비자 집단에 대해서는 전체 고객 중 이들의 비중과 평균 구매금액을 측정하고, 여기에 유지율을 추정하여 해당 고객집단 전체의 고객자산을 추정함으로써 보완할 수 있다[31]. 이와 더불어, 보다 이상적인 연구방법으로 인터넷쇼핑몰이나 여행사, 호텔, 항공사와 같이 LP를 운영하지 않아도 개인별 구매이력을 추적할 수 있는 업종 가운데 LP를 운영하는 기업을 대상으로 LP에 참여하지 않는 소비자에게는 전통적인 CLV 측정법을 적용하고, LP에 참여하는 소비자에게는 포인트 사용행동 특성을 반영한 조정된 CLV 측정모형을 적용하는 것이 대안이 될 수 있을 것이다.2) 넷째, 본 연구는 마케팅 활동에 대한 소비자의 반응을 CLV 측정 모형에 통합 하는 시도를 하고 있는데, 연구의 발전적 확장 측면에서 광고나 가격과 같은 전통적인 마케팅 활동과 CRM 관점의 마케팅 활동, 그리고 고객 추천 프로그램 등 기업에서 행해지는 다양한 마케팅 노력을 CLV 측정모형에 반영하는 방안을 모색할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.