![[AB180 Growth Series 1] 실전 액션은 AI에게: 마케터의 리소스를 성과로 바꾸는 지능형 캠페인 설계](https://i.ytimg.com/vi/dfXyugC5JZ0/hqdefault.jpg)
브레이즈 AI로 마케터의 리소스를 성과로 바꾸는 지능형 캠페인 설계
이 웨비나는 AB180의 솔루션 아키텍트 오다민과 고객성공매니저 정운체가 진행하며, 행동 데이터만으로는 한계가 있는 CRM 마케팅을 심리적 데이터(제로파티 데이터)로 보완해야 한다고 강조합니다. 브레이즈 AI 에이전트 콘솔을 활용해 유저의 숨은 의도를 파악하고, 맥락 기반의 초개인화 메시지를 자동으로 설계하는 실전 사례를 여행 산업 예시 중심으로 보여줍니다. 핵심 메시지는 "AI가 반복 업무를 대신하면, 마케터는 유저의 진짜 맥락을 읽는 본질에 집중할 수 있다"는 것입니다.
1. CRM 마케팅의 진화와 한계: 규칙 기반에서 맥락 기반으로
AB180 솔루션 아키텍트 오다민이 첫 번째 파트를 시작하며, 이번 세션은 AI로 실질적인 성과를 내기 위해 마케터가 유저 데이터를 어떤 관점으로 바라보고 준비해야 하는지에 집중한다고 소개합니다.
현장에서 만나는 많은 마케터들이 그 어느 때보다 정교한 타겟 유저 설정과 복잡한 캠페인 여정을 설계하고 있지만, 동시에 공들여 만든 메시지가 유저에게 외면받을까 봐 여전히 불안함을 느끼고 있다고 이야기합니다. 기존에는 이를 기능 측면의 개선으로 해결하려 했지만, 더 깊이 고민해 보니 이것은 운영 숙련도의 문제가 아니라 정해진 규칙 기반의 대응이 유저가 실시간으로 보내는 수많은 의도를 따라가기에는 구조적인 한계가 있기 때문이라고 진단합니다.
CRM은 크게 세 단계를 거쳐 진화해 왔다고 설명합니다.
- 1단계: 단순히 메시지를 보내는 수준
- 2단계: 20대, VIP 같은 그룹 단위 타겟팅
- 3단계: 행동 데이터 기반의 여정 자동화
하지만 이 과정에서 소비자들의 기대 수준은 크게 높아졌고, 이제는 관련성과 적절한 타이밍을 메시지에 기대하게 되었습니다. 이 기대에 부응하려면 유저의 "지금 이 순간" 의도를 읽고 대응하는 4단계, 즉 맥락 기반 대응 단계로 넘어가야 한다고 강조합니다.
2. 개인화의 재정의: 스펙트럼으로 바라보기 🎯
맥락 기반 고도화 관점에서 개인화는 다시 가장 중요한 아젠다가 되었습니다. 하지만 지금의 개인화는 단순히 기술을 적용했느냐 아니냐의 유무 문제가 아닙니다. 브레이즈는 개인화를 수준의 차이, 즉 스펙트럼의 문제라고 정의합니다.
- 단순한 이름·변수 치환 수준
- 행동 데이터로 추정한 유저 니즈 기반 메시지
- 유저가 지금 무엇을 고민하는지 파악해 실시간으로 실질적인 도움을 주는 단계
"결국 고도화된 개인화란 유저에게 필요한 정보를 가장 적절한 목적과 태도로 제공하는 것을 의미하는 것 같습니다."
3. 행동 데이터의 빈틈을 채우는 심리적 데이터 🧠
행동 데이터만으로는 유저를 알 수 없다
예를 들어 "서울 거주 20대 여성, 24시간 내 상품 페이지 12번 조회, 미구매"라는 프로필이 있다고 합시다. 전형적으로 마주하는 유저이지만, 이 데이터만 봐서는 이 유저가 정확히 무엇을 찾는지, 왜 망설이는지 알 수 없습니다.
"행동 데이터가 유저의 발자취는 보여주지만, 유저가 누구인지를 말해 주지는 않기 때문인데요."
세 가지 데이터 레이어의 결합
유저가 누구인지 이해하기 위해 행동 데이터에 심리적 데이터를 결합해야 합니다. 오다민은 데이터를 세 가지 레이어로 설명합니다.
- 인구 통계학적 세그먼트: 연령, 가구 구성, 언어 등 유저가 누구인지 알려주는 뼈대. 생애 주기나 환경 측면에서 유사 패턴을 예측할 수 있지만, 같은 나이·같은 지역에 산다고 구매 동기까지 같지는 않습니다.
- 행동 세그먼트: 유저가 무엇을 하는지를 보여주며, 구매 의도나 타이밍을 짐작할 수 있게 합니다.
- 심리적 세그먼트: 유저가 왜 구매하는지를 보여주는 레이어. 유저가 직접 공유한 선호도나 목표 같은 데이터입니다.
"세 가지 레이어가 겹쳐질 때 비로소 유저에게 지금 이 순간에 가장 적합한 메시지를 보낼 수 있는 높은 해상도의 고객 프로필로 나아갈 수 있을 것 같습니다."
실전 예시: 러닝화를 7번 조회한 유저 👟
지난 48시간 이내에 러닝화를 7번 반복 조회했으나 구매하지 않은 유저가 있습니다. 여기에 실시간 의도, 선물 여부, 구매 주저 요인, 스타일 같은 심리적 데이터를 추가로 수집하면 어떻게 될까요?
똑같이 러닝화를 7번 조회한 유저가 실은 생애 첫 마라톤 준비를 위해 발이 편한 러닝화를 찾는 유저일 수도 있고, 소중한 사람을 위한 선물을 준비하는데 사이즈를 고민하는 유저일 수도 있습니다. 기존에는 행동 이력만 보고 추측성 푸시를 보냈다면, 앞으로는 유저에게 직접 물어보게 됩니다.
"이제는 상세 페이지에서 고민 중인 유저에게 인앱 메시지를 띄워서 직접 한번 물어봅니다. '어떤 순간을 위해서 러닝화를 찾고 계신 건가요?'"
유저의 응답(데일리 러닝 / 선물 / 스타일 완성)에 따라 가이드를 줄지 혜택을 줄지를 결정하고, 줄글 의견까지 받아 맥락 정보로 변환합니다. 이 데이터는 AI 에이전트 콘솔에 넣어서 "선물용, 사이즈 가이드 필요" 같은 맥락으로 기록된 뒤, 실제 메시지로 연결됩니다.
"선물용이라면 사이즈 가이드와 선물 포장 서비스를 같이 확인하세요." "기념일 선물이라 사이즈가 더 고민되시나요? 사이즈 관련된 리뷰만 모아봤어요."
4. 브레이즈의 지능형 캠페인 프레임워크: 맥락 → 지능 → 상호작용 🔄
여기쯤 되면 "이거 패턴화하기 너무 어렵지 않나요? 규칙 기반으로 조건문을 채우면 너무 많아질 것 같은데요"라는 생각이 들 수 있습니다. 브레이즈는 이를 해결하기 위해 세 가지 핵심축을 중심으로 진화하고 있습니다.
- 컨텍스트(맥락): 유저가 제공한 심리적 데이터
- 인텔리전스(지능): AI가 수집된 맥락을 실시간으로 해석
- 인터랙션(상호작용): 분석된 데이터를 기반으로 다양한 채널을 통해 유저와 소통
"이 세 가지는 각각 독립된 기능이 아니라 하나의 유기적인 흐름으로 작동합니다."
핵심은 인텔리전스에 있습니다. 과거에는 마케터가 "A 하면 B다"라는 식으로 모든 규칙을 수동 설계해야 했지만, 이제는 AI 인텔리전스가 수집된 맥락을 줄글 포함하여 실시간으로 해석할 수 있습니다. 유저의 심리적 데이터를 바탕으로 어떤 고민을 하는지 AI가 판단하고, 메시지 톤을 바꾸거나 페르소나를 재정의하거나 감성 분석을 하는 방식입니다.
3단계 실행 구조
1단계 – 유저 의도 직접 파악: 브레이즈의 인앱 메시지 서베이를 활용하면 개발 공수 없이 유저의 생생한 목소리를 즉시 수집해 프로필에 쌓을 수 있습니다. 복잡한 세그먼트를 고민하기보다 유저에게 말을 거는 시점과 질문의 내용을 고민하는 것이 시작입니다. 추후 공개될 AI 오퍼레이터가 HTML 작성이나 리퀴드문 작성의 허들을 크게 낮춰 줄 예정입니다.
2단계 – 수집된 데이터 해석: AI 에이전트가 유저가 남긴 답변을 읽고 숨겨진 의도를 파악해 다음 단계를 결정합니다. 프롬프트 작성, 인풋/아웃풋 형태를 모두 컨트롤할 수 있어 안심할 수 있습니다. 메시지를 직접 생성하게 할 수도 있고, 유저를 페르소나에 맞게 클러스터링하거나 감성 분석 용도로도 사용 가능합니다.
3단계 – 최적 접점에서 반응: 카카오톡을 비롯한 다양한 채널로 메시지를 발송할 수 있으며, RCS나 WhatsApp 같은 채널에서는 유저 응답까지 획득하고 추가 회신하는 형태로 발전하고 있습니다. 퍼스널라이즈드 패스를 통해 유저가 가장 반응하기 좋은 시점에 메시지를 전달하는 옵션도 제공됩니다.
"AI 시대에 기술이 복잡한 판단이나 반복적인 운영 업무를 대신해 주면서 우리는 다시 고객에 대한 집착과 여정 분석이라는 본질에 더 집중할 수 있게 되었습니다."
"AI라는 강력한 엔진이 우리 곁에 있어도 결국 유저에게 어떤 질문을 던지고 그 안에서 어떤 맥락을 읽어낼지 결정하는 것은 여전히 인간의 역할에 남아 있는 것 같아요."
5. 실전 데모: 도쿄 여행 유저 민수 씨의 초개인화 여정 ✈️
여기서부터 고객성공매니저 정운체가 실전 데모를 진행합니다. 브레이즈 대시보드를 직접 보여주며 AI 에이전트 콘솔과 컨텍스트 활용의 핵심을 설명합니다.
우리는 여전히 유저를 모른다
브레이즈상에 엄청난 양의 이벤트와 어트리뷰트 데이터가 쌓이고 있지만, 대시보드의 클릭률이나 구매 전환율은 결과 지표일 뿐입니다.
"유저가 어떤 고민을 하다가 우리 서비스를 켰는지, 왜 마지막 순간에 이탈했는지, 그 속마음은 여전히 블랙박스 안에 갇혀 있는 것 같습니다."
민수 씨 사례: 팩트 vs 물음표
도쿄 항공권을 결제한 32세 직장인 민수 씨가 있다고 가정합니다. 결제 완료라는 명확한 팩트는 알고 있지만, 정작 알아야 할 핵심들은 물음표로 남아 있습니다.
- 여행 목적이 출장인지 휴가인지
- 동반자는 누구인지
- 민수 씨의 개인적인 취향은 무엇인지
"목적을 모르면 '도쿄 호텔 추천'이라는 똑같은 메시지만 반복하게 될 것입니다."
제로파티 데이터 수집: 먼저 물어보기
"개인화의 시작은 추측이 아니라 먼저 물어봐야 하는 것 같습니다."
유저가 앱에 진입했을 때 AI는 유저의 과거 이력을 바탕으로 현재 가장 필요한 것이 무엇인지 물어볼 준비가 되어 있어야 합니다. "항공권을 구매하셨네요, 어디로 떠나고 싶으신가요?"라는 한 마디가 모든 전략의 시작이 됩니다.
브레이즈에서 제공하는 커스텀 HTML 인앱 메시지나 랜딩 페이지 기능으로 사용자 경험을 해치지 않는 흐름 속에서 설문을 진행합니다. 여행의 목적, 동반자, 준비 단계 수준을 수집하고, 특히 마지막 단계에서는 유저가 직접 줄글을 작성하도록 해서 AI가 숨은 니즈를 충분히 파악할 수 있도록 합니다.
"유저가 아이의 나이는 몇 살인지, 유모차가 필요한 나이 때인지, 아이의 취향은 무엇인지 등 구체적인 정보를 수집하면 수집할수록 최적의 추천을 제안하는 핵심 재료가 될 수 있습니다."
수집된 답변은 실시간으로 커스텀 어트리뷰트에 저장되어 즉시 다음 단계 개인 타겟팅을 위한 데이터가 됩니다. 💡 다만 유저의 개인정보를 수집하지 않도록 주의가 필요하며, 간략한 경고 문구를 메시지상에 넣는 것을 권장합니다.
카탈로그: AI를 위한 지식 도서관 📚
유저의 의도를 파악했다면, 이제 AI가 그 니즈와 내부 데이터를 정교하게 매칭시키는 작업이 필요합니다. 이를 위해 활용하는 것이 브레이즈의 카탈로그 기능입니다.
- 마스터 카탈로그: 여행지의 기초 데이터를 담아 탄탄한 기반을 구축
- 자유답 텍스트 AI 분석: 정형화되지 않은 고객의 자유 답변을 AI로 분석해 숨겨진 맥락 도출
- 유저 리뷰 요약: 실제 리뷰를 요약해 서비스 내에 노출하여 신뢰도 극대화
"잘 정리된 카탈로그는 AI 에이전트가 유저 맥락을 잘 파악할 수 있도록 최고의 선택지를 추천할 수 있게 돕는 지식 도서관이 되는 셈입니다."
AI 에이전트 콘솔 실전 구성
대시보드에서 직접 에이전트를 만드는 과정을 보여줍니다. 첫 번째 에이전트는 유저의 커스텀 어트리뷰트를 기반으로 여행 스타일, 테마, 커뮤니케이션 톤, 플랜 상세도 등을 분류하는 역할입니다.
인스트럭션 작성 방식은 GPT나 Gemini 활용 방식과 동일합니다.
- 롤(역할) 부여
- 인풋 데이터 속성 정의: 커스텀 어트리뷰트 4가지 + 캔버스 엔트리 컨텍스트 변수 (도쿄 도착 정보 등)
- 출력 스키마 설정: 프라이머리 트립 테마, 세컨더리 테마, 커뮤니케이션 톤 등
- 최종 출력 예시 설정: AI가 어떤 식으로 출력할지 더 명확하게 판단할 수 있도록 함
두 번째 에이전트는 유저가 줄글로 작성한 기대 여행 테마 등의 인풋 데이터를 기반으로 호텔을 추천하는 에이전트입니다. 카탈로그의 트래블 데이터를 기반으로 어떤 필드를 사용해 데이터를 인지할지 인스트럭션 컨텍스트를 추가하고, 브랜드 가이드라인도 설정해 발송되면 안 되는 메시지나 어투를 통제할 수 있습니다.
시뮬레이터 테스트 결과, "영유아와 함께하는 도쿄 여행입니다"라는 기대를 가진 유저에게는 오플라자 호텔 도쿄를 추천하고, 카탈로그의 패밀리 리뷰 스니펫에서 "영유아 동반 가족에게 최고의 선택지"라는 값이 매칭되는 것을 확인할 수 있었습니다.
6. 전체 캔버스 구성과 선순환 구조 🔁
여정을 따라가는 캔버스
유저가 항공권을 구매한 직후부터 실제 출발 직전까지, 적절한 타이밍에 현재 유저가 필요한 정보를 전달하는 것이 핵심입니다. 기존에는 룰 베이스로 하나하나 분기를 쪼개야 했지만, 이제는 에이전트 스텝 하나로 훨씬 단순화하여 캔버스 위에서 한눈에 확인할 수 있습니다.
전체 캔버스 흐름을 정리하면:
- 엔트리 룰: 이벤트 발생 시 속성 정보값을 컨텍스트로 가져옴
- 제로파티 데이터 수집: 설문을 통해 유저 의도 파악
- 에이전트 스텝: 두 가지 데이터를 인스트럭션에 투입해 아웃풋 생성
- 만족 여부 분기: 만족 시 출발 전 D-7, D-3, D-1 콘텐츠로 이어지고, 불만족 시 별도 메시지로 연결
"만족하지 못한 것도 저에겐 중요한 데이터 중 하나잖아요."
메시지 프리뷰 기능을 통해 AI가 생성한 개인화 메시지가 실제 유저에게 어떻게 보일지 미리 점검할 수 있어, 기술적 오류를 줄이고 유저가 느끼는 효용을 극대화할 수 있습니다.
데이터의 선순환
캠페인이 끝났다고 데이터가 사라지는 것이 아닙니다. 유저가 보여준 반응이든 무반응이든 AI에게는 귀중한 학습 자료가 됩니다.
"결국은 데이터가 맥락이 되고, 그 맥락이 전략이 되고, 그 실행 결과가 다시 데이터로 돌아오는 이 선순환 구조를 만드는 것이 가장 중요한 것 같습니다."
"브레이즈 AI와 함께라면 유저는 우리 서비스 내에서 끊임없이 케어받고 있다는 느낌을 받을 수 있게 될 겁니다."
마케터 입장에서 AI를 활용한다는 것은 마케터의 시간을 재배치하는 일입니다.
"캠페인 운영을 위해서 리스트를 뽑고 메시지를 세팅하는 단순 반복 업무는 이제 AI에게 맡기시고, 여러분은 그 시간에 유저의 라이프스타일을 조금 더 고민하고 더 가치 있는 브랜딩 전략을 세우는 맥락 기반의 CRM 마케팅에 집중하시길 바라겠습니다."
7. FAQ: 자주 묻는 질문과 실전 준비 가이드 💬
여행 외 다른 산업군에서도 활용 가능한가요?
다양한 산업에서 응용 가능합니다.
- 플랫폼/SaaS: 이사 기간에 맞춰 이사 준비를 돕는 에이전트 운영
- 커머스: 다음 주 일정에 맞춰 가장 적합한 프로모션 추천, 설 명절 등 특정 시즌에 맞춘 제로파티 데이터 수집 후 AI 에이전트 활용
플로우가 길어지면 전환율이 떨어지지 않나요?
무분별한 질문을 계속하라는 것이 아니라, 유저가 실제 고민하는 포인트에 적절한 시기에 메시지를 전달하면 질문이 아니라 케어로 인식될 것이라고 답합니다.
마케터의 통제권이 벗어나는 건 아닌가요?
가드레일과 브랜드 가이드라인을 설정할 수 있어, 마케터는 여전히 상위 결정권자입니다. AI 에이전트의 결과값을 제한하는 것도 가능합니다.
커스텀 HTML이나 서베이 폼 작성에 시간이 많이 드는데요?
추후 출시 예정인 AI 오퍼레이터가 이 부분의 시간을 크게 줄여 줄 예정이며, 현재도 AI 리퀴드 어시스턴트나 콘텐츠 QA 등의 AI 도구로 리퀴드문 작성과 검수 지원을 받을 수 있습니다.
다른 브레이즈 AI 기능은?
오늘 소개한 에이전트 콘솔 외에도 예측 이탈(프리딕티브 이벤트), 유저의 이탈 가능성을 추측하는 기능, 이미지·텍스트 생성(제너레이티브 AI) 등도 제공되고 있습니다.
지금부터 무엇을 준비하면 좋을까요? ✅
첫 번째 – 심리적 순간 찾기: 유저가 자신의 의사를 적극적으로 전달하고 싶어 하는 순간을 찾아보세요. 잘못된 추측을 하고 있을 때 가볍게 환기할 수 있는 질문 지점을 발굴하는 것입니다.
"혹시 비행기는 예매를 이미 완료했나요? 액티비티 위주로 추천해 드릴까요?"
두 번째 – 상품·콘텐츠에 심리적 맥락 태그 달기: AI가 유저의 수요를 수집하더라도, 매칭될 공급 측면의 맥락도 풍부해져야 정교한 매칭이 가능합니다.
- 커머스: "스트레이트 체형에 추천해요", "소재가 부드러워요", "정 사이즈보다 조금 작게 나왔어요" 같은 맥락 데이터
- 여행: "유모차 지원 가능", "에너지 넘치는 아이를 위한", "조용한 휴식이 필요한 부모님을 위한" 같은 태그
- 콘텐츠: 콘텐츠 적합도와 유저 취향을 매칭할 수 있는 심리적 맥락 메타데이터
마치며
이번 세션의 핵심은 명확합니다. 행동 데이터만으로는 유저의 진짜 의도를 알 수 없으며, 심리적 데이터를 적극적으로 수집하고 AI에게 해석을 맡겨야 한다는 것입니다. 브레이즈 AI 에이전트 콘솔은 마케터가 복잡한 조건문을 일일이 만들지 않아도 유저의 맥락을 실시간으로 파악하고 초개인화된 메시지를 자동으로 생성할 수 있게 도와줍니다. 반복적인 운영 업무는 AI에게 맡기고, 마케터는 "이 유저가 지금 왜 망설이고 있을까?"라는 본질적 질문에 집중하는 것 — 그것이 맥락 기반 CRM 마케팅의 출발점입니다. 🚀