오늘날 리테일러들은 일반적으로 고객 여정의 7단계 중 3단계에만 참여하고 있다. 생성형 AI는 전체 고객 여정에 걸쳐 리테일러의 참여를 증가시키고 고객 경험을 재창조할 수 있는 잠재력을 가지고 있다.
생성형 AI 기반 챗봇 어시스턴트는 리테일러들이 고객과 더 잘 소통하기 위해 사용할 수 있는 주요 도구 중 하나이다. 고객들은 챗봇을 사용해 제품 추천을 받거나, 제품이나 리테일러에 대해 더 자세히 알아보거나, 가상 쇼핑 카트에 항목을 추가하거나 제거할 수 있다. 중요한 점은 많은 소비자들이 제품을 구매한 후가 아니라 구매를 결정하기 전에 이러한 챗봇을 사용할 것이라는 점이다. 이는 리테일러들이 고객의 쇼핑 여정 초기에 참여할 수 있게 해주며, 이는 고객의 전반적인 만족도를 높이는 데 도움이 될 수 있다.
생성형 AI 챗봇은 고객 메시지의 의도를 인식해 작동한다. LLM 에이전트(챗봇이 추론 엔진으로 의존하는 시스템)가 고객의 메시지를 처리한 후 다양한 데이터 세트(예: 리테일러의 SKU 베이스)와 분석적 개인화 엔진과 같은 다른 모델에 연결된다. 최상의 결과를 만들기 위해 리테일러는 제품 설계에 자원을 투입하고 챗봇이 고객의 메시지를 어떻게 처리하기를 원하는지 보정하기 위해 빈번한 사용자 테스트를 수행해야 한다. 고객이 챗봇을 가장 자주 사용하는 방식이 이 보정을 크게 결정할 것이다.
예를 들어, 쇼핑객이 저녁 파티를 계획하고 있지만 무엇을 구매해야 할지 모를 수 있다. 고객이 생성형 AI 어시스턴트에게 저녁 파티에 대한 몇 가지 세부 사항(예: 참석자 수, 식이 제한이 있는 손님 여부, 전체 예산)을 제공한 후, 생성형 AI 어시스턴트는 고객의 선호도나 구매 이력을 기반으로 구체적인 제품 추천을 제공할 수 있다.
챗봇은 고객의 정신적 부담과 쇼핑 시간을 줄이는 데 도움이 되는 편리한 도구가 될 수 있지만, 쇼핑 경험을 진정으로 변화시키고 고객을 사로잡기 위해서는 챗봇이 깊이 개인화되어야 한다. 예를 들어, 고객의 주문 이력, 제품 선호도, 쇼핑 습관을 기억할 수 있어야 한다. 많은 선도적인 리테일러들, 특히 식료품과 패션 분야에서 이미 챗봇 실험을 시작했지만, 이러한 초기 실험의 대부분은 아직 개인화의 힘을 충분히 활용하지 못하고 있다.
리테일에서의 챗봇 비용 결정
많은 리테일러들이 생성형 AI 기반 챗봇을 비즈니스에 통합하는 것에 대해 가장 먼저 갖는 우려는 비용이다. 이는 몇 가지 요인에 따라 달라진다.
제품 성능 지표(또는 고객과 챗봇 사이의 대화 길이)는 첫 번째 고려 사항 중 하나다. 대화 길이는 개인화의 질과 반비례 관계에 있다. 즉, 챗봇이 특정 고객에게 더 개인화될수록 대화가 짧아진다.
구매 전환은 또 다른 요인이다. 전환율이 높을수록(이는 챗봇의 효과와 연결된다) 해당 챗봇의 순 운영 비용이 낮아진다.
세 번째 요인은 LLM API의 가격이다. 이러한 LLM API를 사용하는 비용은 지난 1년 동안 극적으로 감소했다(예를 들어, 입력 토큰의 비용을 비교할 때 2024년 5월에 출시된 GPT-4o는 1년 전에 출시된 GPT-4 Turbo보다 운영 비용이 절반이다). AI 전문가들은 LLM API의 가격이 계속해서 상당히 하락할 것으로 믿고 있으며, 일부 추정에 따르면 향후 2~3년 내에 최대 80%까지 하락할 것으로 예상하고 있다.
리테일 기업들과 생성형 AI 챗봇을 구축한 경험을 바탕으로, 다양한 현실적인 시나리오에서 2~4%의 장바구니 상승은 LLM 비용을 정당화할 수 있다. 리테일러들은 또한 생성형 AI와 분석적 AI 제품의 힘을 결합해 LLM 비용을 더욱 정당화할 수 있다. 예를 들어, 기업들은 먼저 생성형 AI를 사용해 고객에 대해 더 자세히 알아본 다음, 분석 모델을 사용해 해당 고객과 관련된 개인 맞춤 오퍼를 제시할 수 있다. 이 두 기술을 함께 사용하면 판매 전환을 늘리는 데 도움이 될 수 있다.
비즈니스 케이스를 구축할 때, 리테일러들은 챗봇 개발에 필요한 투자도 고려해야 한다. 때로는 장바구니 상승이 투자 비용을 충당할 만큼 높지 않을 수 있다. 투자 수익을 완전히 이해하기 위해, 리테일러들은 이러한 도구를 사용할 새로운 고객을 유치하는 비용과 기존 고객의 구매 빈도를 얼마나 증가시킬 수 있는지를 고려해야 한다.
챗봇의 영향 측정
통제된 고객 실험에서, 우리는 챗봇이 고객에게 상당한 편의성 증가를 창출하는 것을 확인했다. 전통적인 리테일러 앱과 생성형 AI 지원 챗봇의 최소 기능 제품(MVP)을 비교할 때, 챗봇은 주문 완료에 소요되는 시간을 50~70% 줄였다.
챗봇에 투자할 준비가 되지 않은 리테일러들은 대신 스마트 검색 기능을 출시하기로 선택할 수 있다.
스마트 검색 도구를 사용하면 고객이 챗봇과 대화를 나눌 필요 없이 질문을 하여 추천 제품 목록을 받을 수 있다. (예를 들어, 고객이 “저녁 파티 용품”을 검색하면 스마트 검색 도구는 저녁 파티에 필요할 수 있는 제품 목록을 제공한다.) 전통적인 검색이 기본 알고리즘을 사용하고 키워드 매칭에 의존하는 반면, 생성형 AI로 구동되는 스마트 검색 도구는 키워드 사용에서 벗어나더라도 검색어의 맥락과 의도를 더 잘 이해할 수 있다.
이러한 스마트 검색 도구는 챗봇 사용에 비해 기능이 제한될 수 있지만(따라서 영향도 제한적일 수 있다), 개발이 더 쉽고 비용이 적게 든다. 또한 챗봇 사용에 비해 위험이 적다. 출력이 일반적으로 챗봇이 제공할 더 긴 텍스트 대신 제품 목록으로 제한되므로 응답이 해롭거나 공격적이거나 부정확할 가능성이 적다.
관련참고:LLM to ROI: How to scale gen AI in retail
