Snowflake가 AI 기반 계정 인텔리전스로 피처 채택률을 19.5% 높인 방법

지난 글에서 공급망 운영 강화나 헬스케어 인력 운영 개선부터 54%의 비용 절감 사례까지 Snowflake AI 도구가 전 세계 고객들에게 가져다 준 놀라운 성과들에 대해 살펴본 바 있습니다. 

이 같은 혁신은 Snowflake 내에서도 이뤄지고 있는데요. 일례로 만약 마케팅 담당자가 수많은 고객 중 어떤 고객에게 특정 제품 피처가 꼭 필요한지를 고객보다 먼저 예측할 수 있다면 어떨까요? 이번 글에서는 Snowflake 마케팅 팀이 2025년 2월부터 4월까지 한 분기 동안 Kumo.ai의 LLM 및 그래프 신경망(GNN)을 활용하여 타깃 계정의 피처 채택률을 19.5% 높이고, 영업 팀의 면담 건당 전환율도 45% 높인 방법에 대해 살펴보겠습니다. 

AI 기반 고객 마케팅 인사이트 

마케팅 담당자들은 언제 어떤 고객에게 무슨 제품 메시지를 보내야 하는지 아는 게 얼마나 어려운지를 잘 알고 있습니다. Snowflake의 라이프사이클 마케팅 팀은 캠페인의 우선순위 설정과 효율적 대규모 실행을 위해 회사가 보유한 데이터를 AI를 이용하여 효과적으로 활용해 보기로 했습니다.  

진정한 협업을 통해 Snowflake의 제품 마케팅 및 관리 팀, GTM 및 실험 팀 그리고 마케팅 부서 전반이 고객의 다음 Snowflake 사용 사례를 예측하는 성공적인 모델을 구축하는 데 필요한 제품 시그널과 트리거를 파악했습니다. 

도전 과제: 맞춤형 B2B 마케팅 확대

대부분의 비즈니스와 마찬가지로 Snowflake의 성공은 고객 수 증가뿐만 아니라 고객이 원하는 목표의 달성을 지원하는 새로운 제품과 기능을 발견하도록 돕는 데 달려있습니다. Snowflake의 기존 리드 스코어링은 어떤 고객이 무엇을 구매할지는 알려줬지만 그 다음에 무엇을 구매해야 할지는 알려주지 못했습니다. 이는 Snowflake의 확장 전략에서 많은 비용을 치르게 한 사각지대였습니다. 기존 계정 인텔리전스 도구는 주로 신규 비즈니스에 초점을 맞춰 연락처 수준의 세부 정보와 리드 스코어링을 검토했으며, 신규 제품 채택에는 중점을 두지 않았습니다. 

“전통적인 스코어링은 ‘예’ 또는 ‘아니요’만 제공합니다. 리드가 전환될지 아닐지에 대해서 말이죠. 우리는 ‘이 계정이 다음으로 어떤 사용 사례를 어떤 순서로 채택해야 하는가?’라는 질문에 대한 답을 찾아야 했습니다.” Snowflake의 선임 데이터 사이언티스트이자 마케팅 AI 협의회 위원인 Daniel Chow의 말입니다. “제품 사용량, 이벤트 참석 여부, 피처 탐색 등 모든 시그널 데이터를 보유하고 있었지만, 수천 개의 계정과 수십 개의 잠재적 사용 사례가 얽힌 패턴을 수동으로 분석하는 것은 복잡한 정도가 아니라 AI 없이는 불가능한 일이었습니다.”

팀이 고객 인텔리전스를 위해 구축하고자 했던 것은 여러 데이터 소스, 데이터 유형 및 마케팅 인텔리전스 도구를 활용하는 복합적 시스템이었습니다. 예측해야 할 수많은 개별적 결과와 수집해야 할 복잡한 데이터와 마주한 Snowflake 팀은 Snowflake Native App 네트워크를 활용하여 관계형 데이터에 주력하는 AI 모델 기업인 Kumo AI를 발견했고 거기서 솔루션을 찾았습니다. 

솔루션: 기존 ML에서 그래프 신경망으로

Snowflake Native App의 활용은 여러모로 유용했습니다. 끊김 없고 즉각적인 통합 덕분에 팀은 데이터 이동, 거버넌스 또는 데이터 보안에 대해 걱정할 필요가 없었고, 난항을 거듭하기 일쑤였던 조달 팀과의 협의 과정이 훨씬 원활해졌습니다. 

Snowflake의 마케팅 인텔리전스 데이터 사이언티스트 Syed Zaidi는 이렇게 말합니다. “Snowflake Native App 통합 덕분에 기존 Snowflake 인프라를 데이터 이동 없이도 활용할 수 있게 되었습니다. 데이터 테이블들을 지정해주기만 했을 뿐인데 48시간 이내에 2~3개월에 걸친 기존 모델 개발보다 더 뛰어난 예측 결과를 얻었습니다.” 

여러 도메인에 산재된 수억 건의 제품 텔레메트리 기록과 수천만 건의 영업 활동 기록이 필요했는데요. 이 모든 정형 및 비정형 데이터가 계정 식별을 위해 GNN에 수집되었습니다. 이처럼 포괄적인 양의 데이터를 활용할 수 있게 되면서 이전 방식에 비해 성능이 크게 향상되었습니다. 

Kumo는 그래프 신경망을 사용한다는 점에서도 이 일에 적격이었습니다. GNN은 연결된 데이터 패턴을 찾는 데 탁월합니다. 기존 ML이 고객 행동을 개별적으로 분석하는 반면, GNN은 관계형 데이터 학습을 통해 영향 관계와 공유 특성을 찾아냅니다.  

Snowflake의 데이터 사이언스 선임 관리자 Matt Loskamp는 이렇게 말합니다. “GNN이 데이터 복잡성을 처리하는 방식은 정말 놀라웠습니다. 크레딧 소비 패턴, 도구 사용량, 캠페인 반응, 영업 기록, 피드백 등 1억 개 이상의 기록을 제공했는데, 이건 수동으로 피처 엔지니어링을 하는 게 불가능한 양이었습니다. 이 모델은 우리가 찾아내지 못했을 패턴들을 발견하여 결과적으로 계정 우선순위 지정에서 기존 방식보다 20% 더 뛰어난 성능을 달성했습니다.”

Snowflake의 네이티브 통합을 이용하면 분기별 예측이 아니라 매일 새로운 예측 결과를 얻을 수 있습니다. 

성공적 파일럿 캠페인의 글로벌 규모 확대

이러한 데이터와 하이퍼타깃팅된 AI 생성 메시지를 바탕으로 라이프사이클 마케팅 팀은 한 분기 동안 이어진 고객 캠페인을 시작했습니다. 3개월 동안 이메일 드립 캠페인, 제품별 이벤트, SDR 아웃리치 등을 기존의 리타깃팅 캠페인과 병행했습니다. 높은 호응을 이끌어낸 이 캠페인의 결과로 타깃 계정의 피처 채택률이 19.5% 증가하고, 영업 팀의 면담 건당 전환율이 45% 향상되었습니다. 이 성공적 파일럿 캠페인은 이제 여러 다양한 업무에 걸쳐 전 세계적으로 실행 규모를 확장하며 Snowflake의 고객 마케팅 접근 방식을 변화시키고 있습니다. 

AI로 B2B 마케팅을 혁신할 준비가 되셨나요? 웨비나에 들어오셔서 기술 구현에 대해 더 자세히 알아보고, 캠페인의 전 과정도 살펴보신 후, 귀사의 고객 데이터로 유사한 결과를 얻을 수 있는 방법을 알아보세요.