2018.10.31

월스트리트 저널이 '잠재적 유료 구독자'를 찾는 방법

Laurie Clarke | Computerworld UK
여기 월스트리트 저널(Wall Street Journal, WSJ) 독자 2명이 있다. 한 명은 도시 거주자로 2주 동안 소셜 미디어로 공유된 기사 5건을 읽었다. 다른 한 명은 지방에 살고 있으며 검색을 통해 기업 섹션의 기사 2개를 읽었다. 둘 중 누가 더 WSJ의 유료 구독자가 될 가능성이 높을까? WSJ은 이러한 질문의 답을 찾기 위해 집요하게 데이터를 분석하고 있다.



실제로 이 사례에서는 후자가 더 WSJ을 구독할 가능성이 크다. 지방에 거주하고 있고 더 적은 기사를 읽었지만 직접 검색한 '의도성'이 가장 중요한 요인이다. 전자는 소셜 피드에 노출되는 링크를 단지 눌렀을 뿐이지만, 후자는 WSJ 기사를 의도적으로 선택해 읽었다.

이처럼 많은 언론사가 지속적으로 데이터를 분석하고 예측 툴도 함께 발전하면서 유료 구독자에 대한 예측이 가능하게 됐다. WSJ은 독자의 행동을 분석하는 60개 이상의 핵심 지표를 이용해 독자 개개인을 0부터 100까지 점수를 매겨 관리한다. 물론 이 점수는 독자에게 노출되지 않는다. WSJ의 데이터 사이언티스트 존 와일리는 최근 런던에서 열린 오라일리 인공지능 컨퍼런스에서 "이러한 추산 방식은 날씨 채널이 비가 올 확률을 계산하는 것과 비슷하다. 우리는 구독 확률을 계산한다"라고 말했다.

이 점수에서 0은 구독할 가능성이 매우 낮고 100은 거의 구독할 사람을 의미한다. 이는 WSJ에 매우 중요한 정보다. 이를 통해 과금 체계를 결정하는 것은 물론, 개별 방문자가 보게 되는 WSJ의 기사 콘텐츠 보호 방식도 정해지기 때문이다. 와일리는 "우리는 이를 통해 핵심에 접근한다. 실제로 독자층을 매우 세분화해 관리하는데, 점수가 100점인 사람은 1점인 사람보다 3배 정도 구독자로 전환할 가능성이 높다"라고 말했다.

광범위한 분석 결과 새롭게 밝혀진 사실도 있다. 그 중 하나는 방문자가 누구든 상관없이 1달에 무료로 제공하는 기사의 수는 5개가 최대치다. 그는 "사용자가 기사를 무제한으로 볼 수 있는 경우 무료 제공 효과가 줄어들고, 특히 무료 기사가 5개를 넘어서면 구독 전환율이 감소했다"라고 말했다. 둘째, 앞선 사례에서는 도시 거주자와 지방 거주자 중 후자가 더 중요했지만, 넓게 보면 뉴욕, 샌프란스시코 등 도시에 사는 사람이 더 구독할 가능성이 크다.

언론사가 독자에 대한 이해가 높아졌음을 알 수 있는 단적인 사례가 바로 유료 구독을 권하는 최적의 순간을 포착하는 것이다. 일반적으로 점수가 높은 사람들은 다양한 기사를 빠르게 훑어본다. 반면 유료 구독에 대한 확신이 덜한 사람들은 비용을 지불하기 전에 많은 기사를 정독한다. WSJ은 이러한 기사 소비 패턴에 따라 구독자 수를 극대화하는 순간에 구독 전환 메시지를 노출한다.

다른 머신러닝 모델과 마찬가지로, 이런 작업의 핵심은 결국 데이터다. 이 데이터를 이용해 WSJ은 사용자의 인터넷 활동 측면에서 상대적으로 예외적인 모델을 만들어 테스트할 수 있다. 즉 누가 '유료 구독' 버튼을 누를지 찾아내는 것이다. 와일리는 "우리는 우리 시스템을 수정해 지속적으로 서로 다른 다양한 평가 기준을 적용해 다시 연산할 수 있다. 이를 통해 잠재적 유료 구독자를 찾고 있다"라고 말했다.

물론, 이러한 예측 지표를 뽑아내는 것은 WSJ의 머신러닝 모델에서 가장 중요하다. 독자가 더 많은 무료 기사를 읽으려 할 때 이메일 주소를 입력하도록 하는 것도 같은 이유다. 그러면 WSJ은 사용자가 어떤 형태로 기사를 소비하는지 더 많은 데이터를 수집할 수 있고, 이는 다시 예측 모델을 개선하는 데 사용된다. 이러한 노력의 성과는 고무적이다. 현재 WSJ은 최적의 시간에 유료 구독을 제안하고 있고 실제로 유료 구독 전환 비율이 계속 늘고 있다. WSJ의 유료 구독자 수는 올해 초에 300만 명을 넘어섰다.

모델링 활용은 이제 시작일 뿐이다. 유료 구독자를 늘리는 것은 WSJ이 하려는 것의 절반에 불과하다. 와일리는 "아직 구독 중단을 선택한 사람에 대한 작업이 남아 있다. 이 부분도 예측 가능한 매우 중요한 문제다. 구독을 중단할 위험이 가장 높은 사람을 가려내려면 사람의 구독 유지에 영향을 주는 요소를 찾아야 한다"라고 말했다. 이는 다른 패키지나 가격 할인을 제공했을 때 구독을 유지하려는 독자를 가려내는 것이기도 하다. 그는 "구독 해지나 해지 시점을 예측하기 위해 활용하는 모델이 이미 있다. 일상적인 인터넷 활동 중에서 찾는 것이다. 기본적으로는 사이트에서의 긍정적인 경험이 구독 해지의 가능성을 낮춘다"라고 말했다.

일단 이런 분석 체계를 확보하면 마케팅 측면에서 휴지기를 갖는 것도 가능하다. 즉, 사람들을 구독자로 공격적으로 전환하려 노력하지 않는 기간이다. 그러나 이 기간에도 독자와의 전반적인 상호작용은 여전히 기록, 분석된다. 이는 곧 다음에 구독자를 대대적으로 늘리려 할 때 누구에게 어떻게 권유해야 유료 구독으로 전환할 지에 대해 많은 정보를 확보할 수 있게 된다는 것을 의미한다.

와일리에 따르면, WSJ의 다음 목표는 사용자가 유료 서비스에 가입하기 전부터 언론사와의 상호작용을 강화하는 것이다. 이 작업은 주로 개인화를 활용하는 쪽으로 방향을 잡았다. 잠재적인 유료 구독자에게 가능한 WSJ의 콘텐츠를 매력적으로 어필한다는 구상이다. 독자에 맞는 콘텐츠를 추천하거나 심지어 WSJ이 직접 메시지를 보낼 수도 있다.

예를 들어 높은 점수를 가진 사용자에게 더 자주 이메일을 발송하거나 이미 확인된 관심사에 맞춰 뉴스레터를 추천하는 식이다. 이를 통해 WSJ이 궁극적으로 바라는 것은 독자를 더 상세하게 구분해 관리하고 더 많이 상호작용해 '움직이게' 하는 것이다. 그의 현재 점수가 높든, 낮든 상관없이 기존 상태에 머물러 있는 것이 가장 좋지 않기 때문이다. ciokr@idg.co.kr 

2018.10.31

월스트리트 저널이 '잠재적 유료 구독자'를 찾는 방법

Laurie Clarke | Computerworld UK
여기 월스트리트 저널(Wall Street Journal, WSJ) 독자 2명이 있다. 한 명은 도시 거주자로 2주 동안 소셜 미디어로 공유된 기사 5건을 읽었다. 다른 한 명은 지방에 살고 있으며 검색을 통해 기업 섹션의 기사 2개를 읽었다. 둘 중 누가 더 WSJ의 유료 구독자가 될 가능성이 높을까? WSJ은 이러한 질문의 답을 찾기 위해 집요하게 데이터를 분석하고 있다.



실제로 이 사례에서는 후자가 더 WSJ을 구독할 가능성이 크다. 지방에 거주하고 있고 더 적은 기사를 읽었지만 직접 검색한 '의도성'이 가장 중요한 요인이다. 전자는 소셜 피드에 노출되는 링크를 단지 눌렀을 뿐이지만, 후자는 WSJ 기사를 의도적으로 선택해 읽었다.

이처럼 많은 언론사가 지속적으로 데이터를 분석하고 예측 툴도 함께 발전하면서 유료 구독자에 대한 예측이 가능하게 됐다. WSJ은 독자의 행동을 분석하는 60개 이상의 핵심 지표를 이용해 독자 개개인을 0부터 100까지 점수를 매겨 관리한다. 물론 이 점수는 독자에게 노출되지 않는다. WSJ의 데이터 사이언티스트 존 와일리는 최근 런던에서 열린 오라일리 인공지능 컨퍼런스에서 "이러한 추산 방식은 날씨 채널이 비가 올 확률을 계산하는 것과 비슷하다. 우리는 구독 확률을 계산한다"라고 말했다.

이 점수에서 0은 구독할 가능성이 매우 낮고 100은 거의 구독할 사람을 의미한다. 이는 WSJ에 매우 중요한 정보다. 이를 통해 과금 체계를 결정하는 것은 물론, 개별 방문자가 보게 되는 WSJ의 기사 콘텐츠 보호 방식도 정해지기 때문이다. 와일리는 "우리는 이를 통해 핵심에 접근한다. 실제로 독자층을 매우 세분화해 관리하는데, 점수가 100점인 사람은 1점인 사람보다 3배 정도 구독자로 전환할 가능성이 높다"라고 말했다.

광범위한 분석 결과 새롭게 밝혀진 사실도 있다. 그 중 하나는 방문자가 누구든 상관없이 1달에 무료로 제공하는 기사의 수는 5개가 최대치다. 그는 "사용자가 기사를 무제한으로 볼 수 있는 경우 무료 제공 효과가 줄어들고, 특히 무료 기사가 5개를 넘어서면 구독 전환율이 감소했다"라고 말했다. 둘째, 앞선 사례에서는 도시 거주자와 지방 거주자 중 후자가 더 중요했지만, 넓게 보면 뉴욕, 샌프란스시코 등 도시에 사는 사람이 더 구독할 가능성이 크다.

언론사가 독자에 대한 이해가 높아졌음을 알 수 있는 단적인 사례가 바로 유료 구독을 권하는 최적의 순간을 포착하는 것이다. 일반적으로 점수가 높은 사람들은 다양한 기사를 빠르게 훑어본다. 반면 유료 구독에 대한 확신이 덜한 사람들은 비용을 지불하기 전에 많은 기사를 정독한다. WSJ은 이러한 기사 소비 패턴에 따라 구독자 수를 극대화하는 순간에 구독 전환 메시지를 노출한다.

다른 머신러닝 모델과 마찬가지로, 이런 작업의 핵심은 결국 데이터다. 이 데이터를 이용해 WSJ은 사용자의 인터넷 활동 측면에서 상대적으로 예외적인 모델을 만들어 테스트할 수 있다. 즉 누가 '유료 구독' 버튼을 누를지 찾아내는 것이다. 와일리는 "우리는 우리 시스템을 수정해 지속적으로 서로 다른 다양한 평가 기준을 적용해 다시 연산할 수 있다. 이를 통해 잠재적 유료 구독자를 찾고 있다"라고 말했다.

물론, 이러한 예측 지표를 뽑아내는 것은 WSJ의 머신러닝 모델에서 가장 중요하다. 독자가 더 많은 무료 기사를 읽으려 할 때 이메일 주소를 입력하도록 하는 것도 같은 이유다. 그러면 WSJ은 사용자가 어떤 형태로 기사를 소비하는지 더 많은 데이터를 수집할 수 있고, 이는 다시 예측 모델을 개선하는 데 사용된다. 이러한 노력의 성과는 고무적이다. 현재 WSJ은 최적의 시간에 유료 구독을 제안하고 있고 실제로 유료 구독 전환 비율이 계속 늘고 있다. WSJ의 유료 구독자 수는 올해 초에 300만 명을 넘어섰다.

모델링 활용은 이제 시작일 뿐이다. 유료 구독자를 늘리는 것은 WSJ이 하려는 것의 절반에 불과하다. 와일리는 "아직 구독 중단을 선택한 사람에 대한 작업이 남아 있다. 이 부분도 예측 가능한 매우 중요한 문제다. 구독을 중단할 위험이 가장 높은 사람을 가려내려면 사람의 구독 유지에 영향을 주는 요소를 찾아야 한다"라고 말했다. 이는 다른 패키지나 가격 할인을 제공했을 때 구독을 유지하려는 독자를 가려내는 것이기도 하다. 그는 "구독 해지나 해지 시점을 예측하기 위해 활용하는 모델이 이미 있다. 일상적인 인터넷 활동 중에서 찾는 것이다. 기본적으로는 사이트에서의 긍정적인 경험이 구독 해지의 가능성을 낮춘다"라고 말했다.

일단 이런 분석 체계를 확보하면 마케팅 측면에서 휴지기를 갖는 것도 가능하다. 즉, 사람들을 구독자로 공격적으로 전환하려 노력하지 않는 기간이다. 그러나 이 기간에도 독자와의 전반적인 상호작용은 여전히 기록, 분석된다. 이는 곧 다음에 구독자를 대대적으로 늘리려 할 때 누구에게 어떻게 권유해야 유료 구독으로 전환할 지에 대해 많은 정보를 확보할 수 있게 된다는 것을 의미한다.

와일리에 따르면, WSJ의 다음 목표는 사용자가 유료 서비스에 가입하기 전부터 언론사와의 상호작용을 강화하는 것이다. 이 작업은 주로 개인화를 활용하는 쪽으로 방향을 잡았다. 잠재적인 유료 구독자에게 가능한 WSJ의 콘텐츠를 매력적으로 어필한다는 구상이다. 독자에 맞는 콘텐츠를 추천하거나 심지어 WSJ이 직접 메시지를 보낼 수도 있다.

예를 들어 높은 점수를 가진 사용자에게 더 자주 이메일을 발송하거나 이미 확인된 관심사에 맞춰 뉴스레터를 추천하는 식이다. 이를 통해 WSJ이 궁극적으로 바라는 것은 독자를 더 상세하게 구분해 관리하고 더 많이 상호작용해 '움직이게' 하는 것이다. 그의 현재 점수가 높든, 낮든 상관없이 기존 상태에 머물러 있는 것이 가장 좋지 않기 때문이다. ciokr@idg.co.kr 

X