연령·성별 교차분석으로 타겟 고객 찾기

1. “우리 고객은 3040 여성”이라는 추측을 데이터로 검증

쇼핑몰을 오래 운영하다 보면 “우리 주 고객은 30~40대 여성” 같은 문장이 자연스럽게 자리 잡습니다. 그런데 이 문장은 대개 CS 응대에서 자주 마주친 얼굴, 리뷰를 많이 남긴 사람, 혹은 초기 창업 당시의 기대치가 굳어진 것이지 매출 데이터로 검증된 사실이 아닌 경우가 많습니다. 추측을 그대로 광고 타겟과 상품 기획에 반영하면, 실제로는 돈을 쓰는 다른 세그먼트를 계속 놓치게 됩니다.

검증의 출발점은 단순합니다. 주문라인 CSV를 올리고 IAM-FREE-BI '주문 분석' 보드에서 연령대별 매출과 성별 구매 분석을 각각 확인하는 것입니다. 연령대는 10대부터 60대까지, 성별은 M/F로 나뉩니다. 먼저 성별 하나만 보면 “여성이 70%”처럼 큰 그림이 나옵니다. 하지만 이 숫자만으로는 “3040 여성”이라는 추측을 확인할 수 없습니다. 40대 여성일 수도, 20대 여성일 수도 있으니까요.

연령대만 따로 봐도 마찬가지입니다. “30대 매출이 가장 크다”는 결과가 나와도, 그 30대가 남성인지 여성인지는 두 축을 겹쳐야 비로소 보입니다. 그래서 성별과 연령을 따로 보는 것으로는 부족하고, 두 차원을 교차한 매트릭스가 필요합니다.

2. 연령×성별 매트릭스에서 매출 집중 셀 찾기

'주문 분석' 보드에는 연령대별 매출과 성별 매출뿐 아니라, 두 차원을 겹친 연령×성별 교차(스택 바) 차트가 함께 있습니다. 연령대(10~60대)를 가로축에 두고 각 막대를 성별(M/F)로 쌓아 올린 형태라, 어느 연령·성별 조합에 매출이 몰려 있는지 한눈에 들어옵니다. 이 스택 바를 저는 “세그먼트 매트릭스”라고 부릅니다. 총 6개 연령대 × 2개 성별 = 12개 셀 중에서, 매출이 유난히 큰 셀 한두 개가 실질적인 타겟입니다.

예를 들어 스택 바를 그렸더니 결과가 이렇게 나왔다고 해봅시다. 전체 매출에서 40대 여성이 22%, 30대 여성이 18%, 40대 남성이 14%를 차지하고 나머지 9개 셀이 나머지를 나눠 갖는 구조입니다. 이 경우 “3040 여성”이라는 추측은 대체로 맞았습니다. 40대·30대 여성을 합치면 40%로 최대 세그먼트니까요. 이렇게 추측이 검증되면, 이제 감이 아니라 근거를 가지고 예산을 배분할 수 있습니다.

반대의 경우도 흔합니다. 스택 바를 그렸더니 20대 남성 셀이 예상보다 크게 튀어나오는 식입니다. 리뷰나 문의는 여성이 많이 남겨서 “여성 고객몰”이라고 믿고 있었는데, 정작 결제 금액으로는 20대 남성이 조용히 큰 비중을 차지하고 있던 것이죠. 이런 “조용한 큰손” 세그먼트는 스택 바가 아니면 발견하기 어렵습니다.

매트릭스를 볼 때는 두 가지를 구분하세요. 하나는 막대 높이(그 셀의 매출 크기)이고, 다른 하나는 셀 사이의 대비(특정 셀이 얼마나 튀는가)입니다. 매출이 한두 셀에 몰려 뾰족하게 솟아 있으면 타겟이 선명한 것이고, 12개 셀이 고르게 퍼져 있으면 타겟이 흩어진 것입니다. 후자의 해석은 5번에서 따로 다룹니다.

3. 세그먼트×카테고리 교차로 무엇을 누가 사는지

누가 사는지를 알았다면, 다음 질문은 “그 사람이 무엇을 사는가”입니다. IAM-FREE-BI에서는 연령·성별 세그먼트를 다른 차원(채널·카테고리·기간)과 크로스필터로 겹칠 수 있습니다. 스택 바에서 “40대 남성” 셀을 클릭하면 보드 전체가 그 세그먼트로 필터링되고, 카테고리별 매출 차트가 즉시 40대 남성 기준으로 다시 그려집니다.

여기서 놀라운 발견이 자주 나옵니다. 예를 들어 40대 남성 세그먼트로 필터를 걸었더니, 이 세그먼트가 디지털/가전 카테고리 매출의 38%를 만들고 있다는 결과가 나오는 식입니다. 전체 고객으로 보면 눈에 안 띄던 세그먼트가, 특정 카테고리 안에서는 압도적 1위인 것이죠. 반대로 30대 여성 세그먼트로 필터를 걸면 뷰티/생활 카테고리에서 절반 이상을 차지하는 그림이 나올 수 있습니다.

• 세그먼트 → 카테고리: 특정 연령·성별이 어떤 상품군에 돈을 쓰는지. 재고·MD 기획의 근거가 됩니다.
• 카테고리 → 세그먼트: 특정 상품군을 누가 사는지 거꾸로 확인. 신상품 출시 때 타겟을 정하는 데 씁니다.
• 세그먼트 → 채널: 그 세그먼트가 자사몰·스마트스토어·쿠팡 중 어디서 사는지. 광고 집행 채널을 좁힙니다.
• 세그먼트 → 기간: 그 세그먼트의 구매가 특정 시즌에 몰리는지. 프로모션 타이밍을 맞춥니다.

이 크로스필터의 힘은 “누가·무엇을·어디서”를 한 화면에서 연결한다는 데 있습니다. 단순히 “40대 남성 매출이 크다”가 아니라 “40대 남성이 디지털/가전을, 그것도 쿠팡에서, 하반기에 집중적으로 산다”는 구체적 문장이 만들어집니다.

4. 광고 타겟·상품 기획에 적용하기

세그먼트가 선명해지면 실행은 오히려 쉬워집니다. 교차분석 결과는 그대로 광고 플랫폼의 타겟 설정과 상품 기획서로 옮길 수 있습니다.

광고 타겟: 만약 디지털/가전 카테고리 매출의 38%가 40대 남성에서 나온다면, 이 카테고리 신상품 광고는 “전 연령 여성” 같은 넓은 타겟이 아니라 40대 남성을 중심으로 설정해야 합니다. 메타·구글·네이버 광고의 연령·성별 타겟을 데이터가 지목한 셀에 맞추면, 같은 예산으로 전환율이 올라갑니다. 반대로 뷰티 카테고리 광고는 30대 여성으로 좁힙니다. 카테고리마다 타겟 세그먼트가 다르다는 것을 인정하는 것이 핵심입니다.

상품 기획·MD: 40대 남성이 디지털/가전에서 큰 비중을 차지한다면, 이 세그먼트가 선호하는 가격대·브랜드·기능의 상품 라인을 확대하는 결정에 근거가 생깁니다. 신상품을 소싱할 때 “누구를 위한 상품인가”를 매트릭스의 실제 매출 셀로 답할 수 있죠. 또한 특정 세그먼트가 비어 있다면(예: 20대 매출이 거의 없다면) 그 공백을 메울 상품을 새로 들일지, 아니면 아예 포기하고 강한 세그먼트에 집중할지 전략적으로 선택할 수 있습니다.

크로스셀·번들: 40대 남성이 디지털/가전을 산다면, 같은 세그먼트가 함께 사는 주변 카테고리(예: 액세서리·소모품)를 찾아 번들로 묶습니다. 세그먼트 단위로 “다음에 살 만한 것”을 제안하면 객단가를 끌어올릴 수 있습니다.

5. 세그먼트가 흩어져 있을 때의 해석 + 데이터 안전

모든 쇼핑몰의 매트릭스가 뾰족하지는 않습니다. 스택 바를 그렸는데 12개 셀이 고르게 퍼져 있고 유난히 튀는 셀이 없는 경우도 많습니다. 이럴 때 “분석이 실패했다”고 생각하기 쉽지만, 그렇지 않습니다. 세그먼트가 흩어져 있다는 것 자체가 중요한 정보입니다. 이는 우리 상품이 특정 인구집단에 국한되지 않는 대중 상품(mass product)이라는 뜻입니다. 생필품·기본 소모품·범용 상품이 여기 해당합니다.

대중 상품의 경우 전략이 달라집니다. 인구통계 타겟을 좁혀 광고하는 것보다, 오히려 구매 맥락(검색 키워드, 시간대, 재구매 주기, 채널)으로 타겟팅하는 편이 효과적입니다. 이때는 연령·성별 매트릭스에 매달리기보다, 채널별 매출이나 재구매율 같은 다른 축의 분석으로 넘어가는 것이 맞습니다. 즉 매트릭스가 흩어져 있다는 결과는 “다른 렌즈로 보라”는 신호이지, 데이터가 쓸모없다는 뜻이 아닙니다.

또 하나 주의할 점은 표본 크기입니다. 특정 셀(예: 60대 남성)의 주문 건수가 애초에 몇 건뿐이라면, 그 셀의 비율은 우연히 튀거나 꺼질 수 있습니다. 매트릭스를 해석할 때는 비율뿐 아니라 그 셀에 들어간 실제 주문 건수가 충분한지도 함께 봐야 과잉 해석을 피할 수 있습니다.

마지막으로 데이터 안전입니다. 연령·성별은 민감한 고객 정보이지만, IAM-FREE-BI는 브라우저 BI라서 걱정을 덜 수 있습니다. 업로드한 주문라인 CSV는 서버로 넘어가 보관되지 않고, 여러분의 브라우저 메모리 안에서만 읽혀 계산되고 화면에 그려집니다. 서버 무저장 구조이므로 고객의 성별·연령·구매 이력이 밖으로 나가지 않습니다.

• 무료: 원본을 저장하지 않고 40% 표본으로 분석. 매트릭스의 큰 형태와 타겟 셀을 확인하는 데 충분합니다.
• Basic (5,000원): 100% 데이터로 정밀 세그먼트 분석. 표본이 작은 셀까지 신뢰도 있게 봅니다.
• Pro (10,000원): 100% 데이터에 더 큰 주문 이력까지. 세그먼트×카테고리×채널 다중 교차를 통째로 돌립니다.

먼저 /try 데모에서 연령×성별 스택 바를 클릭해 크로스필터가 어떻게 카테고리와 채널을 다시 그려 주는지 직접 보세요. 감으로 알던 “우리 타겟 고객”이 데이터 위에서 어떤 얼굴로 나타나는지, 내 주문 CSV를 올리기 전에 미리 익힐 수 있습니다.