제3자 쿠키의 사용 중단—소매업체가 제1자 데이터를 받아들일 때입니다.

제3자 쿠키가 사라지면서 소매업체가 자사 데이터를 사용하여 고객을 효과적으로 타겟팅할 수 있는 방법은 다음과 같습니다.

피할 수 없습니다. 타사 쿠키의 끝이 가까워졌습니다.

개인 정보 보호에 관심이 있는 온라인 쇼핑객은 생각에 기뻐할 수 있지만 전자 상거래 소매업체는 고객의 잠재적인 구매 습관에 대한 귀중한 통찰력을 잃을 것이라는 전망에 확실히 열광하지 않습니다. 소매업체는 쿠키 소멸로 인해 전환율이 저하되지 않도록 하기 위해 무엇을 할 수 있습니까? 어쨌든 제3자 쿠키가 참여와 판매를 촉진하는 데 얼마나 효과적이었습니까?

제3자 쿠키가 개인화에 필수적인 이유는 무엇이며 어디로 가는 것입니까?

고객을 가장 효과적으로 타겟팅하기 위해 마케터는 완벽한 개인화를 위해 타사 쿠키에 크게 의존해 왔습니다.

타사 쿠키를 사용하면 데이터 브로커가 연령, 성별 및 위치와 같은 집계된 소비자 인구 통계 정보 집합을 제공할 수 있습니다. 전자 상거래 비즈니스가 개인화 및 결과적으로 판매를 제공하는 가장 효과적인 도구로 오랫동안 여겨져 왔습니다.

그러나 개인 정보 보호에 대한 소비자와 정부의 우려로 인해 이 방법은 바람직하지 않은 방법으로 오염되어 브라우저 및 소프트웨어 포기로 이어지고 개인 정보 보호법이 실행을 제한하기까지 합니다.

Chrome 브라우저가 전 세계 인터넷 사용의 거의 3분의 2를 차지하는 Google은 2024년에 쿠키를 단계적으로 완전히 제거할 계획이며 Mozilla Firefox 및 Apple Safari는 이미 그렇게 했습니다. 이는 쿠키의 소멸에 신속하게 대비하고 여전히 고객에게 효과적으로 상품을 추천할 수 있어야 하는 소매업체에게 실질적인 문제가 됩니다. 개인화를 잘못하는 마케터는 대가를 치를 수 있습니다. Gartner 설문 조사 ^{[ 1 ]} 에 따르면, 절반 이상이 회사의 커뮤니케이션 구독을 취소할 것이며 38%는 개인화 노력이 "소름 끼치게" 느껴질 경우 회사와의 거래를 중단할 것이라고 보고했습니다.

개인화 솔루션으로 자사 데이터의 부상

개인 정보 보호 문제로 인해 타사 데이터가 단계적으로 제거되고 있지만 판매를 촉진하기 위해 고객의 귀중한 신호를 활용할 수 있는 방법은 여전히 ​​있습니다. 자사 데이터는 기업이 자체 웹사이트 또는 카탈로그와의 직접적인 상호 작용을 통해 사용자로부터 수집하는 정보를 말합니다. 이 정보는 사용자에게 정보가 수집되고 있으며 무엇을 위해 수집되는지, 소비자의 84%가 의향이 있다고 표시하는 정보를 통해 수집됩니다.

소매업체의 경우 제3자 쿠키보다 자사 데이터에 고유한 이점이 있습니다. 첫째, 정보는 소비자와의 열린 교환을 통해 얻어지며, 이는 고객에게 브랜드에 대한 안정감과 신뢰감을 줍니다.

두 번째이자 비즈니스에 더 중요한 것은 자사 데이터가 유사한 다른 매장의 집합체와 달리 특정 전자 상거래 매장의 컨텍스트 내에서 사용자의 취향과 선호도를 반영한다는 것입니다.

오프라인 시나리오를 전자상거래 개인화에 적용

타사 데이터는 고객에게 전자 상거래를 권장하는 데 사용되는 기본 고객 데이터 역할을 했지만 진정한 개인화를 달성하는 가장 효과적인 방법은 아닙니다. 그 사람이 누구인지 대 그들이 원하거나 관심을 갖고 있는 것이 무엇인지에 너무 관심이 있기 때문입니다.

다음 오프라인 소매점 시나리오를 고려하십시오. 매장의 영업 사원으로서 고객이 들어올 때 두 가지 옵션 중 하나가 있다고 상상해 보십시오. 고객에게 나이, 성별, 거주지와 같은 개인 정보를 공개하도록 요청할 수 있습니다. 또는 고객이 매장에서 처음 몇 분 안에 상호 작용하는 항목을 독립적으로 탐색하고 관찰하도록 허용할 수 있습니다.

분명히 후자의 옵션을 사용하면 고객이 자신을 식별하는 방법에 따라 원하는 것을 가정하는 대신 고객의 실제 취향과 선호도를 기반으로 더 정확하게 추천할 수 있습니다.

AI의 발전으로 자사 데이터의 가치가 특히 높아짐

오프라인 매장 시나리오는 온라인 고객에게도 적용됩니다. 문제는 전자상거래 설정에서 웹사이트 방문자의 관심사를 적시에 정확하게 해석하여 웹사이트에서 이탈하지 않도록 하는 것이 어려울 수 있다는 것입니다. 그러나 최근 인공 지능(AI)과 머신 러닝(ML)의 발전으로 행동 기반 추천이 온라인에서 현실화되었습니다.

기업은 최첨단 AI 및 ML 기술을 활용하여 개인 데이터에 대한 걱정 없이 클릭 한 번으로 고객 행동(장바구니 추가, 좋아요, 페이지 스크롤 등과 같은 것)에 초점을 맞추는 접근 방식을 채택할 수 있습니다.

즉, 효과적인 개인화와 관련하여 타사 쿠키는 자사 데이터 보다 관련성이 낮을 뿐만 아니라 이전 검색 기록이 없는 경우에도 전환 유도 권장 사항을 달성할 수 있습니다. 신규 또는 익명의 웹사이트 방문자가 많기 때문에 이는 특히 중요합니다.

참여 및 전환을 극대화하는 방법으로서의 행동 기반 권장 사항

"베스트 셀러" 또는 "이전에 본" 추천과 같은 방법은 관련이 없을 수 있는 매장 전체 구매 데이터 또는 과거 검색 기록으로 검색을 제한하기 때문에 개인화에 접근하는 표준이지만 평범한 방법입니다. 이는 신규 및 익명 사용자에게 특히 제한적입니다.

행동 기반 권장 사항 ^{[ 2 ]} 을 사용하여 소비자에게 고도로 개인화된 경험을 제공함으로써 소매업체는 짧은 시간 내에 소비자가 좋아하는 항목을 표시할 수 있습니다. 이는 소비자가 비즈니스가 자신을 이해하고 진정으로 관심이 있는 항목을 신속하게 표시한다고 느끼기 때문에 전환 가능성과 브랜드 충성도를 모두 높입니다.

또한 브라우징하는 동안 행동 기반 추천을 가능하게 하는 자사 데이터를 사용하여 체크아웃 경험을 향상시킬 수 있습니다. 상품을 묶거나 상향 판매할 수 있는 기회는 습관에 따라 고객에게 보다 효과적으로 제시될 수 있습니다.

올바른 추천 플랫폼과 자사 데이터를 활용해야만 소매업체가 이러한 방법을 최대한 활용할 수 있습니다. 타사 쿠키 및 덜 발전된 추천 시스템은 고객에게 풍부한 브라우징 경험을 제공하기에는 적합하지 않습니다.

자사 데이터를 사용하여 고객이 있는 곳에서 만나기

전자 상거래 사이트에서 고객이 보낸 시간의 자사 데이터는 소비자가 사이트를 떠난 후에도 매우 가치가 있습니다. 브랜드의 더 큰 생태계 내에서 고객이 있는 곳에서 고객과 다시 소통할 수 있는 것이 중요합니다. 효과적인 옴니채널 접근 방식은 포기한 장바구니와 판매 사이의 차이일 수 있으며 이메일, SMS, 인앱 또는 매장 내 상호 작용에 대한 현장 행동을 활용하면 목표를 달성할 수 있습니다.

기존의 옴니채널 방법에는 장바구니에 남겨진 항목, 이전 구매 항목 또는 새롭고 인기 있는 항목을 추천하는 것이 포함됩니다. 이러한 것들은 모두 재참여 측면에서 어느 정도 효과적일 수 있지만, 사용자 행동을 연마하여 추천할 수 있는 것은 관심을 불러일으키고 고객을 다시 쇼핑 사고방식으로 되돌릴 가능성이 더 큽니다.