든든한 지원: AI 의사 결정으로 마찰을 없애고 실질적인 가치를 창출하는 방법

AI 의사 결정은 마케터가 고객 생애주기 전반에 걸쳐 1:1 개인화를 구현하는 방식을 혁신하고 있습니다. 강화 학습을 기반으로 하는 AI 의사 결정 에이전트는 마케팅 기술 스택 위에서 작동하는 두뇌 역할을 하며, 각 개별 고객이 브랜드와 어떻게 상호작용하는지를 학습합니다. 마케터는 극대화하고자 하는 비즈니스 측정기준을 선택하고, AI 에이전트는 고유한 고객 프로필을 기반으로 캠페인의 모든 요소를 개인화합니다.

목표는 진정한 1:1 개인화를 실현하여 고객과 더 지속적인 관계를 구축하는 동시에 수익에 긍정적인 영향을 미치는 것입니다. 그러나 성공을 위한 적절한 리소스가 마련되지 않으면, 이러한 마케팅 AI는 구현 및 효과적인 활용이 어렵고 복잡하며 많은 노동이 필요한 작업이 될 수 있습니다.

성능과 기능의 차이를 보이는 AI 의사 결정 플랫폼들

일부 AI 의사 결정 기술은 별도의 설정 없이 바로 사용할 수 있는 자가 운영형 도구로 홍보되며, 자율적으로 작동하도록 설계되었다고 주장합니다. 매력적으로 들릴 수 있지만, 가까운 미래까지는 어느 정도의 인간 감독이 필요할 것입니다.

기술 제공업체를 통해 전문가 서비스가 제공되지 않는다면, AI가 의도대로 작동하고 설정한 목표를 달성하도록 보장하는 책임이 귀사에 전가될 수 있습니다. 이는 매우 부담이 큰 일이며, 대부분의 브랜드가 자체적으로 감당하기 어려운 과제입니다.

Braze에서는 고객과 긴밀히 협력해 맞춤형 AI 의사 결정 시스템을 구축하며, 수년간의 경험을 보유한 전문가 서비스 팀을 통해 AI 의사 결정의 가치를 가속하고 강화하는 human-in-the-loop 솔루션을 제공합니다. Braze는 단순히 의사 결정 에이전트만 제공하는 것이 아니라, 진정한 파트너십과 전문성을 제공합니다. 현장에 배치되는 엔지니어와 AI 전문가들이 귀사가 Braze 기술을 최대한 활용하고 비전을 실현할 수 있도록 지원합니다.

마케터가 자가 운영 시스템을 사용해 AI 의사 결정을 단독으로 구현할 경우 많은 문제가 발생할 수 있습니다

Braze의 AI 의사 결정 배포 총괄로서, 저는 적절한 가드레일과 전문성 없이 AI 의사 결정 에이전트가 배포될 때 어떤 일이 벌어질 수 있는지 직접 목격했습니다. 저는 AI를 역사상 가장 똑똑한 사람으로 비유하곤 하는데, 너무 똑똑해서 상식이 부족할 수 있는 존재라고 설명합니다. 제어되지 않을 경우, 이 기술은 다른 비즈니스 현실을 고려하지 않은 채 설정된 목표를 달성하는 데만 집착할 수 있습니다.

전문가 감독이 없는 AI 의사 결정이 초래할 수 있는 결과는.…

…비즈니스 지속 가능성을 희생하면서 마케팅 KPI에 과도하게 최적화

예를 들어 귀사에서 할인 프로모션을 진행 중이고 캠페인이 클릭 수나 전환 수 극대화를 목표로 설정된 경우, AI는 목표 달성을 위해 과도한 가치를 제공하는 방식까지 시도할 수 있습니다.

이와 유사한 사례가 있었는데, 한 고객사가 고객 생애 가치(CLTV)를 계산하는 사내 모델을 개발하고, AI 의사 결정을 활용해 각 고객의 CLTV를 최적화하고자 했습니다. 테스트 과정에서 Braze 팀은 AI 의사 결정 에이전트가 이 목표를 달성하기 위해 고객의 80%에게 한 달 무료 서비스를 제공하는 방식을 선택했다는 사실을 발견했습니다. 이는 해당 혜택을 보다 선별적으로 제공하는 대신 선택된 방식이었습니다.

결과적으로 AI 의사 결정 에이전트는 설계된 대로 작동하고 있었지만, 고객사의 CLTV 모델에 결함이 있어 한 달 무료 서비스 제공이 실제보다 과도하게 가치 있어 보이도록 만들고 있었습니다. 고객사가 기술 지원이나 감독을 제공하지 않는 자가 운영형 솔루션으로 파일럿을 진행했다면 이러한 문제는 발견되지 않았을 수도 있습니다.저희 전문가들이 고객의 사내 모델을 분석했기 때문에 이 문제를 식별할 수 있었습니다.

…해당 산업 분야에서 성공이 무엇을 의미하는지 이해하지 못함

현장 배치 엔지니어와 AI 전문가의 지원을 받는 의사 결정 플랫폼은 가장 중요한 측정기준과 의미 있는 행동을 이끄는 데이터 유형이 산업마다 크게 다르다는 점을 인식하고 있습니다. 반면 자가 운영형 플랫폼은 이러한 차이를 놓치는 경우가 많습니다.

예를 들어 퀵서비스 레스토랑은 수익률에 집중하며 고객의 과거 구매 이력, 토핑 선택, 식단 선호도 등의 인사이트를 활용할 수 있습니다. 반면 금융 서비스 브랜드는 고가치 추천 고객을 육성하는 데 더 관심을 가지며, 고객의 소비 데이터, 상환 활동, 신용 점수 등을 기반으로 제안을 개인화할 수 있습니다. 이 두 산업 간에는 목표, 데이터 세트, 규제 제약이 크게 다르며, 충분히 맞춤화할 수 없는 AI 의사 결정 시스템은 가치를 제대로 창출하지 못할 것입니다. 그러나 고객사는 일반적으로 이러한 수준의 심층 맞춤화를 수행할 교육이나 리소스를 보유하고 있지 않기 때문에, 가치를 온전히 실현하려면 유연한 AI 의사 결정을 전문가 서비스와 결합하는 것이 필수적입니다.

human-in-the-loop 방식으로 설계된 AI 의사 결정은 적절한 데이터를 통합하고, 다양한 비즈니스 유형에 가치를 창출하는 방식으로 이를 활용하도록 지원합니다. 예를 들어 QSR 브랜드의 경우 몇 달러 수준을 넘는 프로모션 할인만으로도 수익률에 영향을 줄 수 있다는 점을 인식합니다. 반면 금융 서비스 브랜드의 경우, 수천 달러의 비즈니스 가치를 가져올 잠재력이 있는 신규 고객을 추천하는 은행 고객에게 수백 달러를 제공하는 전략은 매우 합리적일 수 있습니다.

현장 배치 엔지니어와 AI 전문가를 제공하는 화이트 글러브 AI 의사 결정 시스템의 이점

기술 지원 없이 AI 의사 결정을 사용하는 것은, 행운을 빌어준다는 말 외에는 아무런 안내 없이 자율주행차 열쇠만 건네주는 딜러와 같은 경험일 수 있습니다. Braze는 단순히 차의 열쇠만 제공하는 것이 아니라, 운전자 교육을 통해 차량과 사용자가 모두 준비되도록 하고, 모든 단계에서 긴급 지원을 제공할 수 있도록 대기합니다.

고객의 사용 사례와 비즈니스 요구에 맞춘 AI 의사 결정

다른 AI 의사 결정 제공업체들이 구현 과정에서 일괄적인 접근 방식을 취하는 것과 달리, Braze는 AI가 고객의 과제를 가장 효과적으로 해결할 수 있는 방법을 함께 고민하는 파트너가 됩니다. Braze의 화이트 글러브 서비스 팀은 고객의 비즈니스 니즈와 전략적 우선순위를 깊이 이해하고, 브랜드 고유의 활용 사례에 맞게 AI 의사 결정을 활용할 수 있도록 지원합니다.

신뢰할 수 있는 전문성과 확립된 모범 사례

Braze 팀은 예를 들어 정시에 이메일이나 SMS를 보내는 것보다 오후 12시 51분과 같은 비정각 시간대에 발송하는 것이 더 효과적이라는 일반적인 인사이트뿐 아니라, 계절성에 따라 수요 패턴이 어떻게 변하는지를 이해하는 산업별 지식도 제공합니다. 이러한 요소는 에이전트에게 학습시키기 까다로울 수 있지만, Braze는 이를 수차례 수행해 온 경험이 있습니다.

인력 및 예산 제약 극복

많은 조직은 AI 의사 결정 프로그램을 시작하는 데 필요한 내부 데이터 엔지니어링 리소스를 보유하고 있지 않을 수 있으며, Braze 팀이 이러한 공백을 메울 수 있습니다. Braze와 함께하면 사내 데이터 과학 팀을 구축하고 유지하는 데 드는 비용의 일부만으로 교육, 역량 강화, 지원을 받을 수 있으며, 동시에 사내 팀이 갖기 어려운 다양한 산업 전반의 관점과 경험도 함께 얻을 수 있습니다.

이해관계자 그룹 전반에 걸쳐 성공 기준 논의

조직 내 다양한 팀 구성원은 서로 다른 측정기준에 관심을 가질 가능성이 큽니다. Braze 팀은 이러한 내부 이해관계와 관계를 조율하도록 도와, Braze 시스템이 제공하는 ROI와 그것이 각기 다른 목표와 어떻게 정렬되는지를 효과적으로 전달할 수 있도록 지원합니다.

시간이 지날수록 더 커지는 가치

AI 의사 결정 시스템을 처음부터 잘못 설정하면 장기적으로 비용이 증가할 수 있으며, 특히 AI 의사 결정 시스템이 수익률을 잠식하는 방식으로 작동할 경우 이는 곧 기회를 놓치는 결과로 이어집니다. 반대로 이러한 전문성을 내부에 구축하는 것 역시 많은 기업이 보유하지 못한 시간과 비용, 리소스를 요구합니다.

더 큰 유연성

기성품 형태의 플러그 앤 플레이 제공업체는 팀이 사전 구성된 연동 방식에만 의존하도록 요구하는 반면, Braze는 의사 결정을 지원하는 데 필요한 데이터 소스를 함께 연동할 수 있도록 지원합니다.