100일간 트위터에서 진행된 ‘고객사랑법’ 지상중계!
세상 사람들을 내 고객으로 만들고, 한 번 구매한 사람에게 두 번 판매하고, 일반고객을 단골로, 나아가 충성고객으로 만드는 것은 모든 비즈니스맨이 열망하는 바다. 문제는 방법. ‘광고는 죽었다’는 선언이 내려진 지 오래고, 새로운 채널들은 하루가 멀다 하고 등장해 좇아가기도 벅찰 정도다. 과연 우리는 어떻게 가망고객을 충성고객으로 바꿀 수 있을까?
그 와중에 등장한 유력한 대안 중 하나가 바로 CRM이다. 데이터를 기반으로 기업이 놓치지 말아야 할 고객을 선별하고 그들과의 관계를 향상시키도록 도와주는 이 기법은 국내의 수많은 기업에서 앞 다퉈 도입한 바 있다. 그러나 그중 70%는 실패. 고객과의 ‘관계향상’보다 ‘매출증대’에만 집착한 결과, 엄청난 비용을 들여 시스템을 도입하고 나서도 정작 고객과의 관계를 돈독히 하는 데는 실패한 것이다.
일련의 거품이 가라앉은 후 많은 기업들이 이전보다 한층 진지한 자세로 CRM에 다시 접근하기 시작했다. 고객에게 더 많은 혜택과 감동을 줌으로써 관계를 강화하는 본연의 취지를 살린 마케팅 방법론도 많이 실행되고 있다. 그러나 한편에서는 CRM의 구체적 방법론을 몰라 고전하는 이들이 여전히 적지 않다. 국내 성공사례는 알려진 것이 많지 않고, 번역서는 딱딱한 이론 중심이어서 실전에서 도움을 얻기가 마땅찮기 때문.
이 책은 그런 이들을 위해 만들어졌다. KAIST 정보미디어 경영대학원장인 김영걸 교수는 자타가 공인하는 대한민국 최고의 CRM 전문가. 그가 가르치는 CRM 강의는 KAIST MBA에서 가장 악명 높은 과목 중 하나이자, 졸업한 선배들이 후배에게 가장 많이 추천하는 과목이기도 하다. 이 책은 김영걸 교수가 일반인을 대상으로 트위터에서 진행한 CRM 강의를 옮긴 것이다. 2010년 6월 5일부터 100일간 진행된 이 강의는 ‘세계 최초의 트위터 강의’이자 국내 최고 권위를 자랑하는 KAIST MBA의 CRM 강의를 일반인들에게 공개하는 것으로서 의미가 크다.
최고의 이론가와 최고의 실행가들이 만났다!
생생한 현장사례로 풀어보는 CRM 전략과 전술
이 책의 가장 큰 미덕은 생생한 현장성에 있다. ‘애견병원의 고객은 개인가, 영희인가, 영희 아빠인가?’ ‘항공사 마일리지와 OK캐시백의 장단점을 비교하라’ ‘단골과 충성고객의 차이는?’과 같이 현장의 마케터들이 고민하는 실제 사례들을 통해 CRM의 핵심개념과 원칙을 설파한 것. 질문을 하고 수강생들이 답변하는 과정에서 스스로 해답을 깨닫게 한 것은 소크라테스의 산파술을 그대로 닮았다.
저자의 노력이 결실을 맺은 것인지, 대부분의 질문에서 수강생들은 자신의 경험과 지식을 총동원하여 답을 찾아나갔다. 때로는 CRM 전문가들도 갑론을박하는 논점을 현장의 시각으로 냉철히 파헤친 대목을 보면 수강생들의 노하우가 만만치 않다는 것을 알 수 있다. 실제로 이 강의에 참여한 이들은 정용진 신세계 부회장을 비롯, 티켓링크 대표, 오라클 CRM 솔루션 담당 상무, 매일유업 CRM 부문장, LG전자 CRM 담당 과장, 이마트 고객기획팀장, CJ오쇼핑 고객인사이트 팀장 등 국내 유수 기업들의 고객관리·마케팅 전문가들로 이루어져 있다.
따라서 이 책은 국내 최고의 이론가가 풀어낸 CRM 강의이자, 국내 최고의 CRM 실행가들이 자신의 노하우를 공유하는 장이기도 하다. 김밥집에서 대기업까지, 자신의 비즈니스에서 고객과의 관계를 좀 더 굳건히 하고자 하는 이들에게 이 책은 가장 명쾌한 교과서이자 가장 현실적인 지침서가 될 것이다.
최근 다양한 분야 (소셜 네트워크 분석, 추천시스템 등)에서 그래프 데이터 (그림 1) 의 중요성이 대두되고 있으며, 이에 따라 그래프 신경망(Graph Neural Network) 기술을 활용한 서비스가 급속히 증가하고 있다. 서비스 구축을 위해서는 심층 학습 모델을 훈련해야 하며, 이를 위해서는 충분한 훈련 데이터를 준비해야 한다. 특히 훈련 데이터에 정답지를 만드는 레이블링(labeling) 과정이 필요한데 (예를 들어, 소셜 네트워크의 특정 사용자에 `20대'라는 레이블을 부여하는 행위), 이 과정은 일반적으로 수작업으로 진행되므로 노동력과 시간이 소요된다. 따라서 그래프 신경망 모델 훈련 시 데이터가 충분하지 않은 상황을 효과적으로 타개하는 방법의 필요성이 대두되고 있다. 우리 대학 산업및시스템공학과 박찬영 교수 연구팀이 데이터의 레이블이 없는 상황에서도 높은 예측 정확도를 달성할 수 있는 새로운 그래프 신경망 모델 훈련 기술을 개발했다고 25일 밝혔다. 정
2022-10-25최근 다양한 분야에서 인공지능 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. 서비스 구축을 위해서 인공지능은 심층신경망을 훈련해야 하며, 이를 위해서는 충분한 훈련 데이터를 준비해야 한다. 특히 훈련 데이터에 정답지를 만드는 레이블링(labeling) 과정이 필요한데 (예를 들어, 고양이 사진에 `고양이'라고 정답을 적어줌), 이 과정은 일반적으로 수작업으로 진행되므로 엄청난 노동력과 시간적 비용이 소요된다. 따라서 훈련 데이터 구축 비용을 최소화하는 방법 개발이 요구되고 있다. 우리 대학 전산학부 이재길 교수 연구팀이 심층 학습 훈련 데이터 구축 비용을 최소화할 수 있는 새로운 데이터 동시 정제 및 선택 기술을 개발했다고 12일 밝혔다. 일반적으로 심층 학습용 훈련 데이터 구축 과정은 수집, 정제, 선택 및 레이블링 단계로 이뤄진다. 수집 단계에서는 웹, 카메라, 센서 등으로부터 대용량의 데이터가 정제되지 않은 채로 수집된다. 따라서 수집된 데이터에는
2022-10-12우리 대학 전기및전자공학부 김동준 교수 연구팀이 세계 최초로 `패킷 기반 네트워크' 기술이 적용된 SSD(Solid State Drive, 반도체 기억소자를 사용한 저장장치) 시스템 개발을 통해 차세대 SSD의 읽기/쓰기 성능을 비약적으로 높이는 시스템 반도체를 개발했다고 28일 밝혔다. 패킷이란 다양한 크기를 지닌 데이터를 일정한 크기로 분할한 후 제어 정보를 추가한 데이터 전송의 기본 단위를 말하며, 효율적이고 신뢰성 있게 데이터를 전송할 수 있다는 장점이 있어 주로 컴퓨터 네트워크 기반 정보 기술에서 사용되고 있다. 최근 시스템 반도체 분야에서는 다양한 계산 자원들을 칩 내부 네트워크로 연결하여 효율적으로 활용하는 기술이 적용되고 있다. 본 연구는 이러한 시스템 반도체 분야에서 효과적인 네트워크 연결 기술을 메모리 반도체에 적용하였다는 점에서 큰 의미를 가지고 있다. SSD는 플래시메모리를 이용해 정보를 저장하는 장치로, 기존 자기디스크를 이용한 데이터 저장장치인 `
2022-09-28우리 대학 신소재공학과 홍승범 교수 연구팀이 우리 대학 조은애 교수, 변혜령 교수, 이혁모 교수, 신종화 교수, 육종민 교수, 그리고 미국의 르하이 대학교(Lehigh University), 죠수아 C 에이가(Joshua C. Agar) 교수와 협업해 기존 문헌에 발표된 실험값들을 추출하는 데이터 마이닝 과정과 이런 실험값들을 입력변수로 하는 다변수 선형회귀 모형을 기반으로 배터리 소재 역설계 머신러닝(기계학습) 모델을 수립했다고 23일 밝혔다. 인공지능은 고차원의 변수 공간에서 각 매개변수 간의 정량적인 상관관계를 신속하고 정확하게 추출할 수 있다. 이를 공정-구조-물성 간의 상관관계를 기반으로 발전하는 신소재공학에 적용하면 신소재 개발 시간을 단축할 수 있으며, 이런 이유로 많은 연구자가 인공지능을 신소재 개발에 활용하려고 노력하고 있다. 특히, 배터리 소재 개발에 인공지능을 활용하는 예가 가장 많은데, 주로 제1 원리 계산(양자화학에 기반한 계산법으로 계산 시 다른 경험
2022-08-23우리 대학 전기및전자공학부 정명수 교수 연구팀(컴퓨터 아키텍처 및 메모리 시스템 연구실)이 대용량 메모리 장치부터 프로세스를 포함한 컴퓨트 익스프레스 링크(CXL) 2.0 기반의 차세대 메모리 확장 플랫폼 ‘다이렉트CXL(이하 DirectCXL)’을 세계 최초로 프로토타입 제작, 운영체제가 실장된 단대단(End-to-End) 시연에 성공했다고 1일 밝혔다. 오늘날 빅데이터 분석, 그래프 분석, 인메모리 데이터베이스 등 대규모 데이터에 기반한 응용처리가 증가함에 따라, 데이터 센터에서는 이를 더 빠르고 효율적으로 처리하기 위해 시스템의 메모리 확장에 많은 투자를 하고 있다. 그러나 우리가 흔히 알고 있는 메모리 확장 방식인 더블 데이터 대역폭(DDR) 인터페이스를 통한 메모리 확장은 추가할 수 있는 메모리 개수의 제한이 있어, 대규모 데이터 기반의 응용을 처리하기에 충분치 않다. 따라서 데이터 센터에서는 CPU와 메모리로 이루어진 메모리 노드들을 따로 구
2022-08-01