관계 및 친밀도는 고객 기반을 파악하고 활용할 수 있는 네트워크로 전환시켜 줍니다.
추상화 계층의 하위 구성 요소는 간단한 전제에 기반합니다. 고객은 개별 원자가 아니라 관계 네트워크의 노드이며, 가치는 연결 고리에 있다는 것입니다. 회원 측면에서는 노드가 신원이 확인된 회원이고 연결 고리가 전환된 추천, 홍보대사와 고객 간의 연결, 잠재적 가구 등 다양한 유형의 링크로 구성된 실제 관계 그래프를 계산합니다. 이 그래프의 구조(커뮤니티, 허브, 고립된 회원)를 파악하여 구조적 역할에 따라 전략을 선택합니다. 제품 측면에서는 실제 구매 내역(어떤 제품을 함께 구매하는지, 회원이 어떤 카테고리에 집중하는지)에서 선호도를 도출합니다. 도달 범위, 가구 수, 추천 및 추천 전략은 추측이 아닌 이러한 실제 연결을 기반으로 합니다.
고객을 개별 원자가 아닌 네트워크의 노드로 취급합니다. 실제 추천, 홍보대사 관계, 잠재 고객 가구, 제품 공동 구매 및 카테고리 선호도 등을 포함하는 다중 유형 멤버 그래프를 사용합니다.
고객은 원자가 아니라 노드이며, 가치는 연결 고리에 있습니다.
대부분의 소매 마케팅은 고객 한 명 한 명을 고립된 원자처럼 취급하여, 고객 기반의 가장 중요한 요소인 사람들 간의 연결고리를 간과합니다. 이 레이어는 이러한 연결고리를 실체화합니다. 즉, 확정된 구성원과 그들 간의 관계를 보여주는 계산되고 관리되는 그래프를 생성하여, 고객 유지 담당자가 네트워크를 파악하고 구조를 분석하여 역할별로 관리할 수 있도록 합니다.
- 허브(높은 추천도)
- 회원
- 격리됨(이탈 위험)
- 전환된 추천
- 잠재 고객 가구
- 공동구매 선호도
노드는 고객이고, 엣지는 관계입니다.
모든 노드는 실제 동의를 받은 사람, 즉 신원이 확인된 로열티 회원이며, 기기나 복제본이 아닙니다. 그래프의 가치는 그래프 사이의 연결선에 있으며, 각 연결선은 막연한 유사성이 아니라 특정한 규칙에 따라 정의된 관계를 나타냅니다.
- 변환된 추천 — 추천이 실제로 등록된 경우에만 그려지는 백본 에지입니다. 이는 허브 영향력을 제공하는 하나의 링크이므로 실제 입소문에 대한 깨끗한 기록을 유지합니다.
- 홍보대사-고객 연결 — 홍보대사가 유치한 모든 고객은 견고한 연결 고리가 되어 팬층을 검색 가능한 네트워크로 전환합니다.
- 개인 정보 보호를 위해 원시 식별자를 저장하지 않는 지문을 기반으로 주소를 공유하는 것으로 추정되는 가구 구성원을 파악합니다. 이 지문은 소규모 그룹에 대해서만 보관됩니다.
- 제품 친화도(공동 구매 쌍(X를 구매하면 Y도 구매))와 회원별 카테고리 선호도는 실제 구매 내역을 기반으로 구축되어 고객 그래프와 실제 구매 내역을 연결합니다. 통계적 유사성(제품/제품 및 회원/회원 유사 상품)은 자매 레이어인 친화도 및 유사성 레이어에서 상세하게 모델링됩니다.
엣지를 통해 계산할 수 있는 기능
관계가 실제로 형성되고 구체화되면 구조가 자연스럽게 생겨납니다. 그리고 구조는 행동으로 옮길 수 있는 기반이 됩니다. 분리된 원자들의 집합에는 이러한 구조가 없습니다.
- 커뮤니티란 서로 연결된 구성원들의 집합체(가구, 친구 그룹, 지역 공동체)를 말하며, 개별 구성원에게 개별적으로 연락하기 위해 비용을 지불하는 대신 하나의 메시지로 여러 구성원을 연결할 수 있습니다.
- 허브 - 추천도가 높은 회원: 팔로워 수가 아닌, 전환된 회원을 추천하여 해당 직책을 얻은 자연스러운 영향력자.
- 고립된 회원 - 전환 추천 에지나 소셜 앵커가 없는 노드는 이탈 위험이 과도하게 높습니다.
- 차순위 추천 상품 - 일반적인 매장 전체 인기 상품이 아닌 회원의 실제 공동 구매 및 카테고리 패턴을 기반으로 한 추천 상품입니다.
AI 의사 결정에 중요한 이유
원자 단위로 추론하는 에이전트는 존재하지 않는 평균 고객과의 유사성만 계산할 수 있습니다. 그래프 단위로 추론하면 멤버의 실제 구조적 역할에서 최적의 전략을 선택하고 그 이유를 설명할 수 있습니다.
- 추천, 추천 요청 또는 환불은 즉석에서 추측하는 것이 아니라 허브, 가구, 공동 구매 패턴 등의 역할에 기반을 두고 있습니다.
- 고립된 멤버들은 삭제되는 대신 연결되고, 허브가 모집되고, 커뮤니티가 형성됩니다. 이 세 가지 활동은 원자 관점에서 구분할 수 없습니다.
- 모든 연결에는 선언됨/추론됨/가져오기됨과 높음/중간/낮음 신뢰도 범위가 표시되어 의사 결정 시 연결 관계의 확실성을 고려할 수 있습니다. 추론된 링크는 운영자 전용이며, 한 번의 클릭으로 삭제할 수 있습니다.
고객을 네트워크로 취급하는 것에 대한 완벽한 사례 — 회원 그래프를 매핑하고, 커뮤니티와 허브를 분석하고, 관리된 추천 및 옹호를 통해 충성도를 강화합니다.
이것이 레이어가 AI 결정을 향상시키는 방법입니다.
관계 및 친밀도 모델링이 없으면, 기반은 마치 원자 덩어리처럼 가격이 책정됩니다. 추천과 입소문은 보이지 않고 관리되지 않으며, 허브와 고립된 구성원은 동일하게 취급되고, 추천은 인기도에 좌우됩니다. 구성원 간, 제품 간 연결은 임의로 재계산되므로 도달 범위, 가구 수, 영향력, 추천 모두 실제 관계가 아닌 추측에 기반하게 됩니다.
추천은 정확한 추천인에게 귀속되며 허브의 팬 기반은 각 보고서를 재설정하는 헤드라인 번호가 아니라 검색 가능한 네트워크입니다.
전략은 존재하지도 않는 일반 고객에게 무턱대고 공격하는 대신, 모집 허브, 커뮤니티 조성, 고립된 구성원 연결 등 구조적 역할에 따라 선택할 수 있습니다.
가구 수준의 도달 범위는 가구 관계가 모델에 포함되어 있고, 개인 정보 보호 기능을 갖춘 지문과 신뢰도 밴드를 통해 추론되었기 때문에 추론할 수 있습니다.
차선책 제품 선정은 일반적인 인기가 아닌 실제 공동 구매 패턴을 기반으로 합니다.
그 가치는 단지 기술적인 것이 아니라 운영적인 것입니다.
에이전트는 누가 누구와 연결되어 있는지, 회원이 네트워크에서 어디에 있는지, 무엇을 무엇으로 구매하는지 추론할 수 있습니다. 따라서 추천, 추천 요청 또는 회수는 고립된 개인에 대해 즉석에서 계산된 임시 유사성보다는 실제 구조적 역할(허브, 가구, 공동 구매 패턴)에 기반을 두고 있습니다.
모든 고객을 고립된 원자로 가격을 책정하는 대신, 구성원 기반을 그래프로 모델링합니다. 즉, 노드는 신원 확인 구성원이고, 가장자리는 실제 변환된 관계입니다.
하나의 그래프에서 세 가지 유형의 관리되는 링크를 관리합니다. 전환된 추천(핵심), 홍보대사-고객 연결, 그리고 예상 가구 연결입니다. 각 링크에는 출처와 신뢰도 밴드가 표시됩니다.
단순히 점들을 나열하는 것이 아니라 구조를 읽어냅니다. 커뮤니티, 연결성이 높은 허브(자연스러운 영향력자), 그리고 고립된 구성원(이탈 위험 신호) 각각이 타겟팅 가능한 역할이 됩니다.
실제 구매 내역(함께 구매한 상품 쌍 및 구성원별 카테고리 선호도)에서 제품 선호도를 도출하여, 일반적인 인기도가 아닌 실제 패턴을 기반으로 차선책 제품을 추천합니다.
모델에 관계를 구체화하여 도달 범위, 가구 및 허브 로직을 읽어오고, 매 통화마다 임의로 다시 도출하지 않습니다.
이 계층의 역할
원시 저장소에서 주문 및 변환된 추천 기록을 읽습니다. 추천이 실제로 전환될 때만 우위가 확보되며 단순히 전송되거나 만료된 초대의 경우에는 발생하지 않습니다.
각 링크에 선언됨/추론됨/가져오기됨 및 높음/중간/낮음 신뢰도 범위가 표시된 다중 유형 멤버 그래프(추천, 홍보대사-고객 및 예상 가구 연결)를 구성합니다.
레이블 전파(허브-스포크 하위 구조 유지)를 통해 커뮤니티를 감지하고 실제 추천 정도에 따라 허브 순위를 매깁니다. 고립된 노드는 이탈 위험군으로 분류됩니다.
프로그램별로 매일 확정적인 스냅샷을 생성하여(오래된 경우 필요에 따라 재구축) 동일한 데이터가 항상 동일한 구조를 생성하도록 합니다.
주문 내역을 기반으로 제품 동시 구매 및 회원별 카테고리 선호도를 계산하고, 이 모든 정보를 관리형 모델 출력으로 온톨로지 및 추천 시스템에 제공합니다.