변화하는 트렌드 속 동종 및 관련 업계의 사람들, 어떻게 일하는 지 궁금하셨?
SO에서 대신 만나 뵙고, 유익한 정보와 인싸이트를 고스란히 여러분들께 전달해 드리는 인터뷰입니다.
이 분은 지난 10월 개최된 Veeva 2022 Summit에서 발표하신 것을 보고, 꼭 찾아뵙겠다 생각했었는데요, 드디어!!!
같이 만나보실까요?
4차 산업 혁명 시대의 쌀, 먹거리로 거론되며 데이터의 중요성은 날이 갈수록 강조되고 있고
인공지능에 기반한 다양한 서비스가 속속 출시되고 있습니다.
세상이 굉장히 빠른 속도로 변화하고 있다는 것을 실감하고 있는 요즘, 급변하는 환경에서 제약 업계는 어떻게 일해야 할까요?
이 질문에 힌트를 얻고자, 데이터를 활용한 머신러닝 엔진을 통해 미래를 준비하며,
선도적으로 일하는 방법을 바꾸고 있는 한국 얀센의 Sr. Customer Excellence Manager 박훈 이사님을 SO에서 만나 뵈었습니다!
📌한국 얀센 박훈 이사님 인터뷰는 주옥 같은 정보가 많아 총 2회로 이어집니다.
📖 목차
1. 호기심 폭발 » 얀센 머신 러닝, 궁금해요 궁금해요!!
2. 중요할 것 같다는 강력한 느낌적 느낌 » 데이터 속성과 결과의 도출
3. 뭐니 뭐니 해도 후기가 궁금해지는 건 국룰 » 시행 결과
4. 맞춤형 메세지 제안??? 제안할 컨텐츠가 있어야 제안을 할꺼 아입니까? » 모듈러 컨텐츠의 중요성
한국 얀센이 머신러닝을 활용해 퍼스널 인게이지먼트를 하고 있다는 소문을 듣고 찾아왔습니다.
고객이 굉장히 빠르게 변하고 있잖아요?
다른 회사들보다 이 변화에 빠르게 대응하며, 더 효과적으로 인게이지하는 조직이 되는 것을 기대하였습니다.
고객이 원하는 컨텐츠, 원하는 채널, 원하는 시간에 인게이지 할 수 있는 것이죠.
이를 사람이 판단해서 하는 것 보다 데이터를 통해
더 빠르게, 효과적인 방법을 찾아낼 수 있다는 가설을 가지고 시행했다고 보시면 됩니다.
미국을 시작으로 유럽에서도 약 3년 전 시행한 프로젝트로, 일본에서는 이를 벤치마크해서 약 2년 전 시도했어요.
이후 APAC Region에서 이를 확대 적용하게 되어 글로벌 컨설팅 회사와 협업해 국내에서도 시행하게 되었어요.
한국 얀센의 경우, 일본에서의 경험을 참고해서 틀을 수립하는 부분에서 비교적 수월하게 시작할 수 있었다고 생각해요.
Explainable AI 라고, 데이터를 기반으로 추측 모델을 만드는 개념인데
아웃풋으로는 영업사원이 어떤 고객을 대상으로 한 달에 몇 번 만나고, 어떤 채널로 접근하며,
어떤 컨텐츠로 어떤 시간대에 인게이지 해야 하는지를 추천하는 것입니다.
하지만 현재 아직은 시간대 추천까지는 어렵고, 타겟, 컨텐츠, 채널 정도는 가능한 것 같아요.
개발의 큰 흐름의 경우
컨설팅 회사에서는 모델링에 대한 구조를 설계하고, 파일럿 브랜드로 데모를 해주었어요.
이를 보면서 처음에는 얀센이 Observation 하고, 그 다음에는 얀센에서 만들고 컨설팅 회사에서 상호검토를 진행했어요.
세 번째부터는 얀센에서 주도적으로 구축하는 방식으로 진행했고요.
정리하면, 알고리즘을 구축하는 것은 이미 상용화된 다른 프로그램을 일부 활용해서 자체 개발하였습니다.
특히 이미 일본에서도 구축한 경험이 있기 때문에 한국도 마찬가지로 이러한 경험을 기반으로 개발할 수 있었다고 보고요.
특히, 내부에 데이터 사이언티스트 분들이 계시기 때문에 개발이 가능했던 것 같아요.
마케팅, 세일즈(팀장), 데이터 사이언티스트, 데이터 스튜어드, CE 팀, 데이터팀과 커머셜팀을 중재하는 OCEM (Omnichannel Customer Engagement Manager) 이 함께
가설 수립과 현실적 실효성 관점에서 긴밀하게 협의하면서 거버넌스(governance)를 만들어 협업하고 있어요.
이 프로젝트를 하면서 이러한 데이터 거버넌스에 대한 중요성을 체감하고 있고,
굉장히 쉽지 않은 부분으로 지속적으로 발전시키려 노력하고 있습니다.
BU 혹은 Brand 별로 한 분씩 배정되어 디지털 관련 세일즈팀 교육, 마케팅의 옴니채널 캠페인 디자인 과정을 함께 하며
영업부와 함께 효과적으로 시행할 수 있도록 중재하는 역할을 하세요.
또한 데이터 입력에 대한 가이드 입력된 데이터의 리뷰 및 클렌징도 포함하고요.
보통 머신러닝 개념을 이야기 할 때 적절한 데이터의 누적을 통한 고도화를
굉장히 강조하더라요. 얀센의 부서별 협업 내용을 들어보니,
입력되는 데이터를 정제하는 것에 노력을 기울이신다는 게 느껴지네요.
인풋하는 데이터의 경우,
아이큐비아의 고객 정보(병원,분과,성별,출신 등)와 Salesforce-Veeva의 콜 정보 메세지에 대한 반응(긍정, 부정, 중립),
추가적으로 마케팅의 제품과 치료 관련한 인식과 행동에 대해 시행한
마케팅의 서베이 내용을 주기적으로 주입해요. 즉 객관적‧주관적 정보가 모두 입력돼요.
추가적으로 HIRA 데이터 및 마켓 상황을 인풋하려고 노력 중입니다.
맞아요. 불가피한 부분이에요.
대부분의 정보는 사실 세일즈팀의 Assumption일 수 밖에 없어요.
세일즈와 HIRA 등의 비교적 객관적인 누적된 데이터를 통해 트렌드 상 튀는 정보를 짚어낼 수도 있고
또 세일즈 팀이 필드에서 활동하면서 접하게 되는 정보들이 있는데 종합적으로 판단해서 OCEM에서 다소 튀는 정보들을 검증하면서 교정해 나가요.
아니요.
거버넌스 부분에서 말씀드렸듯, 가설의 경우 세그먼트에서 마케팅-세일즈의 판단을 고려하며
다른 역할들이 상호 종합적으로 판단해서 반영하고 이에 따라 세그멘테이션 하게 됩니다.
즉, 데이터 교정하는 작업 그리고 제안된 결과를 반영하는 작업에 있어 아직은 판단과 협의의 과정을 거친다고 봐야겠죠.
Veeva의 MyInsights가 프론트 엔드와 같은 역할을 하며 구현하도록 세팅했어요.
세일즈팀의 경우, 누구를 만나야하는지 좀 더 명확해진다는 것.
경험과 감으로 플래닝 하면서 놓쳤던 부분,
적시에 이루어지지 않을 수 있었던 것,
고객이 원치 않는 컨텐츠를 전달했을 수도 있는데 이 부분에서 엔진의 추천을 통해 도움을 받죠.
또, 엔진이 추천해주는 제안을 모두 하는 것이 아니라 본인이 ‘선택’을 해서 실행에 옮기게 되는데
여기서 방점은 바로 ‘영업 담당자 본인의 선택’ 이라는 것이에요.
적어도 내가 선택한 활동에 대해서는 콜 커버리지도 확실히 올라가고 이를 통해 결국 고객의 변화-세일즈로도 이어질 가능성이 커지겠죠.
실제 세일즈 팀이 엔진이 추천한 활동을 한 경우 vs. 별도의 활동을 한 경우를 비교해봤더니
엔진 추천 활동을 시행했을 때 고객 인식 및 행동 변화 비율이 더 높았어요.
물론 론칭 초기에는 의구심이 들었던 게 사실이에요.
하지만 여러 제품을 담당하는 팀에서는 적어도 콜 플래닝의 효율화 측면에서는 확실히 도움이 되었어요.
엔진 추천을 반영한 플래닝을 실제로 시행하고, 세일즈 팀장님의 현업 코칭이 함께 어우러져서
결국 전반적 업무의 프로세스와 결과가 향상될 수 있었어요.
그렇죠.
엔진은 고객 별 한 달에 약 10-20개 정도의 제안을 합니다.
웨비나, 이메일 제안 포함해서요.
하지만 이걸 모두 다 해야 한다는 것은 아니에요.
꼭 해야 하는 것은 영업부 담당자가 머신러닝 엔진의 제안에 대해 ‘수락’ 혹은 ‘거절’의 Response 입력입니다.
실제 시행은 영업부 담당자가 판단해서 적합하다고 생각되는 Activity를 수행하는 거라 생각하시면 되겠습니다.
마케팅의 경우 머신러닝 엔진은 데이터에 기반해
Micro Segment 요소를 추천해주고, 이를 고려해서 좀 더 촘촘한 Segmentation Matrix를 만들 수 있게 해줍니다.
이를 통해 각 Segment에 해당하는 선별된 고객을 타겟으로 하여 캠페인 구조를 좀 더 세밀하게 설계하고
시행할 수 있다는 장점이 있겠습니다.
예전에는 PM이 이 작업을 위해 다양한 데이터를 뜯어보고 분석하고 기준을 수립했어야만 했는데 이 과정이 꽤 고된 작업이에요.
사전 KPI 수립뿐 아니라 캠페인 후 결과 집계에도 시간이 많이 들죠.
이제는 데이터팀이 함께 서포트하면서 KPI를 보다 세밀하게 수립하고 결과 집계를 할 수 있어요.
예를 들어, 주요한 Routine KPI라고 할 수 있는
1) 메세지 Coverage
2) 플랜한 액티비티에 실제 고객이 인게이지 되었는지 여부
3) 메세지에 대한 Response가 어떠한지
4) 고객의 인식이 변화했는지
5) 타겟 고객에서의 신환이 개발되었는지 등
이를 집계하고 분석하는데 있어 데이터팀이 함께 작업을 진행해요.
즉,
머신러닝 엔진의 추천
» 고급 분석 기술을 활용한 micro-segment 생성
» 캠페인 디자인 및 KPI 수립
» 시행
» 데이터팀의 시행 후 결과 집계
로 요약할 수 있겠습니다.
현재로써는 아직 사람이 직접 해야 하는 작업이 불가피하게 존재하지만향후 목표는 이런 프로세스가 반 자동화되어
비주얼 대시보드 구현까지 하는 것 입니다.
세일즈 팀에서 데이터 기반으로 선별된 고객 리스트에 보다 높은 신뢰를 갖는 효과가 있을 수 있어요.
마케팅에서는 캠페인 시행에 있어 Why에 대한 설명과 설득의 품이 줄어들고 세일즈 팀에서도 선정 고객 리스트에 대한 수용이 높아지면서
조직 얼라인먼트가 개선되는 측면이 있어요. 실제로 머신러닝 엔진을 통해 제안 되는 타겟 고객의 수는
예전에 사람이 판단해서 선별한 고객 수 대비 적은 경우가 많아요.
세일즈 팀에서는 고객 선별에 대해 예전보다 높은 신뢰를 가지게 되고, 도출되는 결과에 대해서도 좀 더 높은 기대감을 가지게 되요.
결국 예전보다 포커스된 액션을 진행하게 되는 것 같아요. 이렇게 좀 더 포커스된 활동은 실제 결과를 만들어내는 것으로 이어진다고 봐요.
매우 당연한 이야기이기는 하지만 이런 경험은 세일즈 팀이 향후 활동에서도 집중도가 올라가게 하는 효과가 있을 수 있죠.
세그먼트에 따라 액티비티를 진행하려면 결국 컨텐츠의 수요는 폭증할 수밖에 없어요.
통상적으로 캠페인은 한 분기 단위로 시행하곤 하는데 컨텐츠 제작에 한-두 분기 정도 소요되는 것 같습니다.
즉, 이상적으로 시행되려면 3분기 시작되는 캠페인을 1분기부터 준비해야 하는 셈이죠.
이를 해결하려면
1) 계속 새롭게 컨텐츠를 생성하는 것
2) 기존 컨텐츠를 재사용하는 것
이렇게 두 가지 방법이 있는데 1번은 현실적으로 어려움이 많고요.
2번의 경우 단순 재사용은 어려울 수 있다고 봅니다.
(특히 디지털 컨텐츠의 경우)
어떻게든 변형을 해야해요.
결국, 새로운 컨텐츠를 일정 부분 생성하되 기존 제작물을 컴포넌트로 해체해 재조합하는 모듈러 컨텐츠라는 개념으로 전체 수요를 맞추는 게 현실적이라고 생각합니다.
맞아요. 그게 고민이죠.
모듈러 컨텐츠의 현실적 도입을 위해서는 결국 리뷰 프로세스를 새로 만들어야 해요.
현재 컨텐츠를 컴포넌트로 해체해 라이브러리를 만들고 있는데, 컴포넌트에 대한 리뷰 프로세스를 간소화 하는 등의 개선 작업을 논의하고 있어요.
당장은 적어도 마케팅과 에이전시간의 커뮤니케이션 시간이 절감될 수 있겠죠.
그리고 각 컴포넌트별로 레퍼런스 매칭을 다 해두기 때문에 리뷰 시 레퍼런스 미스매치, 누락으로 인한 시간 낭비는 확실히 줄 것 같아요.
장기적으로는 모듈러 컨텐츠를 통해 전반적인 비용과 시간이 줄어들 거라 기대합니다.
[Part.1] 끝!
우리의 일터까지 성큼 다가온 AI 인공지능 기술의 현재와 미래에 대해
힌트를 드리고자 준비했는데, 도움이 되셨기를 희망합니다.
[Part.2]로 이어집니다.
