용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z


용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z


용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z

용어

추천 엔진

간략한 정의

추천 엔진은 웹 사이트 및 모바일 앱의 사용자, 또는 디지털 채널에서 브랜드와 상호 작용하는 고객에게 적합한 제안, 제품 또는 콘텐츠를 파악하여 경험을 개인화하는 소프트웨어 시스템입니다.

주요 내용

 

추천 엔진을 사용하면 Amazon과 Netflix와 같은 기업이 고객의 특성과 행동 데이터를 기반으로 고객이 가장 관심을 가질 만한 제품이나 콘텐츠를 강조하여 표시함으로써 소비자에게 타겟팅되고 개인화된 경험을 제공할 수 있습니다. 

최고의 추천 접근 방식과 툴은 가장 많이 구매한 제품이나 가장 많이 이용한 콘텐츠를 찾아내는 것에서 벗어나 개별 고객에게 가장 연관성 높은 콘텐츠를 파악하는 것으로 바뀌고 있습니다. 

추천 엔진은 두 가지 방식, 즉 콘텐츠 기반 추천 방식 또는 협업 필터링 추천 방식으로 운영하거나, 혹은 두 가지 방식을 결합한 하이브리드 접근 방식으로 운영할 수 있습니다.

적절한 성공 지표를 정하지 않으면 문제에 직면할 수 있습니다.


Q: 추천 엔진이 오늘날 리테일 분야에 필요한 이유는 무엇입니까?

A: 추천 문제는 오랜 기간 동안 존재해온 문제 중 하나입니다. 리테일 비즈니스 역사를 살펴보면, 과거에는 고객과 고객의 행동에 대해 잘 아는 영업 직원이 활동했습니다. 영업 직원들이 고객에게 추천할 제품이나 서비스를 판단했고 이 과정은 모두 수동으로 진행되었습니다.

디지털 세상에는 이와 다른 점이 몇 가지 있습니다. 훨씬 더 많은 수의 고객이 기업과 상호 작용하고 있습니다. 이전과 같이 사람과 사람 간의 상호 작용은 아닐지라도 고객마다 개인화된 추천을 제공해야 합니다. 그러나 고객은 수백만 명, 상호 작용은 수십억 건에 달합니다. 수동으로 하기에는 어려운 규모입니다.

또 다른 당면 과제는 추천할 제품과 콘텐츠가 너무 많다는 것입니다. 인터넷이 등장하기 전에는 큰 상점에 10,000 SKU의 상품이 있었습니다. 지금은 리테일 업체가 다양한 제품 수백만 개를 다룹니다. 콘텐츠도 다양한 옵션이 수백만 개 존재합니다. 영화, 도서 또는 음악만 해도 우리가 선택할 수 있는 작품이 광대하게 많습니다. 따라서 추천 엔진은 데이터 사이언스를 기반으로 수백만 건에 달하는 고객 상호 작용과 수백만 개의 제품 및 서비스를 모두 고려하여 각 고객에게 적합한 제품과 서비스를 제시할 수 있는 훌륭한 방법입니다.

Q: 콘텐츠 기반 추천 시스템이란 무엇입니까?

A: 어떤 품목을 사용자에게 추천할지를 판단하기 위해 품목의 내용이나 특성을 설명하는 데이터를 살펴보는 것이 추천 시스템입니다.

예를 들어 책을 추천하려고 하면, 해당 도서에 대한 간단한 설명을 살펴봅니다. '전쟁과 평화'라는 책의 설명을 분석했더니 설명 중에 러시아라는 단어가 있는 것을 발견하였고, '카라마조프의 형제들'이라는 책의 설명에도 러시아가 언급된 것을 발견하고 두 책이 유사한 품목이라는 결론을 내립니다. 그리고 이 지식을 바탕으로 두 품목이 서로 연관되어 있고 이 중 한 책을 좋아하면 나머지 다른 한 책도 좋아할 수 있을 것이라 추론할 수 있습니다.

품목의 속성을 명시적으로 모델링할 수도 있습니다. 예를 들어 검은색 남성용 골프 셔츠라는 품목에 대한 특징을 알고 있고, 사용자 선호도 정보를 이용할 수 있는 경우, 즉 사용자가 남성복, 흰색 옷, 그리고 골프를 좋아한다는 점을 알고 있는 경우, 이 데이터를 바탕으로 해당 사용자에게 가장 잘 맞는 품목을 찾아낼 수 있습니다. 

예를 들어 남성용 골프 셔츠라는 속성을 바탕으로 적당한 사용자에게 이 셔츠를 추천하려면, 사용자가 좋아하는 색상과 스포츠를 알아야 이 정보를 바탕으로 추천을 할 수 있습니다. 사용자의 뚜렷한 특성을 알고 있으면, 다양한 여러 특성을 취합하여 더 개인화된 추천 목록을 만들 수 있습니다.

Q: 협업 필터링 추천 시스템이란 무엇입니까?

A: 협업 필터링 추천 시스템은 품목에 대한 사용자 행동 데이터를 바탕으로 어떤 품목을 사용자에게 추천해야 하는지를 판단합니다. 콘텐츠 기반 접근 방식의 잠재적 문제점 중 하나는 사용자의 선호도에 대한 심층적인 지식이 있어야 하고, 품목을 설명하는 다량의 메타데이터가 필요하다는 점입니다. 고객이 사이트에 처음 방문한 경우에는 고객에 대한 정보가 없으므로 해당 고객의 선호도에 대한 심층적인 지식을 얻기가 어렵습니다. 기업이 제공하는 품목이 사용자가 생성한 콘텐츠이거나 회전율이 매우 빠른 경우에는 상세한 설명 메타데이터를 마련하기 어렵습니다.

이러한 경우 협업 필터링 추천 접근 방식을 많이 사용합니다. 대중의 지혜를 이용하는 이 기법은 기본적으로 어떤 품목에 대해 유사한 방식으로 행동하는 고객은 미래에도 일정한 품목에 대해 유사한 방식으로 행동할 가능성이 높다는 점에 기초합니다. 영화 '본 아이덴티티'를 좋아하는 고객 두 명이 영화 '미션 임파서블'도 모두 좋아하는데, 이 중 한 고객이 영화 '카지노 로얄'을 좋아하는 경우, 나머지 다른 한 고객도 '카지노 로얄'을 좋아할 것으로 추론할 수 있습니다. 

이는 과거의 선호도가 미래의 선호도와 유사할 가능성이 높다는 개념을 바탕으로 합니다. 협업 필터링 접근 방식은 기본적으로 이 개념을 확장하여 한 사람의 호와 불호에 대한 정보를 바탕으로 다른 유사한 사용자의 호불호를 추정합니다.

Q: 하이브리드 추천 시스템이란 무엇입니까?

A: 하이브리드 시스템은 여러 개의 추천 접근 방식을 결합한 것으로, 협업 필터링 접근 방식, 콘텐츠 기반 추천 접근 방식, 기타 접근 방식(마케팅 기반 또는 머천다이징 기반 규칙을 적용하여 최선의 품목을 판단)을 조합할 수 있습니다.

하이브리드 추천 시스템은 이러한 접근 방식들에 더해 A/B 테스트, 다변수 테스트 또는 강화 학습도 사용할 수 있습니다. 추천할 여러 품목을 찾아서 일부 사용자에게는 이 중 한 품목을 보내고, 다른 사용자에게는 다른 품목을 추천합니다. 그다음 어느 품목이 더 성과가 좋은지 측정하고, 이 결과를 바탕으로 향후 사용자에게 더 나은 선택지를 제시합니다.

Q: 고객의 선호도를 파악하려면 어떻게 해야 합니까?

A: 고객의 선호도, 즉 고객의 호불호를 알 수 있는 방법은 두 가지가 있습니다. 한 가지 방법은 명시적인 피드백입니다. 예를 들어 고객이 영화 평점으로 별 한 개 또는 별 다섯 개를 부여하는 경우가 이에 해당합니다.

고객이 관심 또는 관심 없음을 나타낼 수 있는 또 다른 방법은 암묵적 피드백으로, 고객이 별 평점을 매기는 것이 아니라 영화를 시청하거나 시청하지 않는 등 특정한 품목에 반응을 보이거나 보이지 않는 행동을 통해 선호도를 표현하는 것입니다. 또는 고객이 제시된 다섯 개 제품 중에서 한 개를 클릭한 경우, 다섯 개 제품 중 고객이 관심이 있는 제품에 암묵적 피드백을 준 것입니다.

또한 쿠키를 사용하여 선호도를 추적할 수 있습니다. 단일 세션 동안 고객의 상호 작용을 추적하고, 이 정보를 추천 엔진의 알고리즘에 제공합니다. 쿠키를 사용하는 경우, 여러 세션에 걸쳐 수집된 이러한 상호 작용과 선호도, 즉 사용자가 어제 본 10개 품목과 오늘 본 10개 품목과의 상호 작용을 추적할 수 있습니다. 이 내역을 바탕으로 10개가 아닌 20개의 서로 다른 품목과의 상호 작용에 대한 정보를 얻게 됩니다.

Q: 추천 엔진의 도전 과제에는 어떤 것이 있습니까?

A: 추천 엔진의 도전 과제는 엄청난 규모로 모든 정보를 수집하고 분석해야 한다는 것입니다. 추천 엔진은 말 그대로 수백만 개의 SKU가 있는 카탈로그에서 수십억 개의 사용자 상호 작용 이벤트를 처리해야 하고, 실시간으로 적합한 추천을 판단하고 제시해야 합니다. 한 시간에 고객 몇 명의 정보를 빠르게 처리하는 것은 상대적으로 쉽습니다. 온종일 작업해서 수백만 개의 결과를 내놓는 것도 쉽습니다. 하지만 이 두 가지를 동시에 하기는 어렵습니다. 속도와 규모를 동시에 해결해야 하는 것이 엔지니어링 측면의 과제입니다.

또한 수백만 개에 달하는 데이터 포인트를 파악하는 데 사용하는 컴퓨팅 기법에 드는 비용이 데이터 포인트를 한 개 추가할 때마다 기하급수적으로 상승합니다. 예를 들어 가로세로 100만 개 행으로 된 행렬을 구축하는 경우, 여기에 제품 한 개를 추가할 때마다 100만 개의 행이 행렬에 추가됩니다.

다른 과제는 첫 시작의 문제, 즉 콜드 스타트 문제입니다. 새로운 사용자를 확보한 경우, 이 사용자의 선호도에 대한 정보가 많지 않습니다. 새로운 품목이 있는 경우에는 이 품목이 다른 품목과 어떤 연관성이 있는지 잘 모릅니다.

수집한 데이터를 분석하지 않는 것도 문제가 됩니다. 가장 많이 구매한 품목이 최선의 추천 품목이 아닐 수 있습니다. 단지 많은 고객이 선택했다는 이유로 제품을 추천하는 우를 범하는 것과 같이 다양한 고객 행동에 오도되지 않고 안정적으로 작동하는 최고의 모델을 찾아내는 데 엄청난 노력이 듭니다. 가장 많이 팔린 제품과 같은 추천은 가치가 높지 않습니다. 인기 제품이라면 어차피 고객이 이미 구매했을 가능성이 크기 때문입니다.

또 다른 잠재적 문제는 연관성 없는 추천입니다. 다시 말해 고객이 관심 없는 품목을 추천하는 것입니다. 이러한 경우, 고객 경험에 부정적인 영향을 미칠 수 있습니다.

마지막으로 흥미로운 문제 하나가 잘못된 지표를 중심으로 추천을 최적화하는 경우입니다. 최적화하려는 지표를 미리 심사숙고하지 않은 경우, 기업의 이익에 반하는 추천을 제시할 수 있습니다. 예를 들어 수익성이 더 낮은 제품을 지속적으로 추천하면 기업의 전체 수익성이 희석될 수 있습니다.

Q: 도전 과제를 해결하거나 극복하려면 어떻게 해야 합니까?

A: 추천 엔진의 도전 과제를 모두 해결할 수 있는 하나의 접근 방식이나 묘책은 없습니다. 여러 가지 접근 방식을 활용할 수 있는 툴 세트를 보유하는 것이 최상책이라 할 수 있습니다.

여러분의 추천 전략의 일부로서, 그리고 추천 엔진의 ROI를 입증하는 한 방법으로서, 해당 추천 내용에 대해 A/B 테스트를 실시하는 것이 좋습니다. 여러분이 제공하는 추천이 여러분이 최적화하려는 지표를 전체적으로 개선하는지 테스트를 통해 확인하는 것입니다.

Q: 추천 전략을 효과적으로 수행하려면 어떻게 해야 합니까?

A: 기업이 추천 전략을 구상할 때 고려해야 하는 가장 중요한 것은 비즈니스 목표입니다. 궁극적으로 어떤 비즈니스 지표에 집중할 것인지 생각해야 합니다. 예를 들어 매출 증대를 원하는지, 수익 향상을 목표로 할 것인지, 고객 전환율을 높이려는 것인지 생각해야 합니다.

추천 전략의 두 번째 부분은 추천하려는 제품이나 서비스가 무엇인가입니다. 리테일 기업의 경우에는 이것이 상당히 분명합니다. 자사가 판매하는 제품을 추천하는 것입니다. 그러나 다른 기업의 경우에는 그리 단순하지 않을 수 있습니다. 어떤 기업은 B2B 영업 부문의 마케팅 적격 리드 수를 극대화하는 것을 목표로 동영상, 블로그 게시물, 백서와 같이 제품을 소개하는 콘텐츠를 추천하여 잠재 고객이 제품 라인에 관심을 갖도록 유도하려고 할 수 있습니다.

훌륭한 판매 전략은 훌륭한 고객 서비스와 비슷합니다. 고객만을 위한 개인화된 대화를 나누고, 고객과 연관성 높고 고객에게 의미 있는 품목을 추천할 때 고객에게 놀라움과 기쁨을 선사하고 뛰어난 고객 경험을 제공할 수 있습니다. 그러면 고객은 브랜드에 대해 좋은 느낌을 받게 되고 기업은 해당 세션에서 고객의 구매를 유도하게 될 것입니다.

오늘날 고객은 브랜드와 나누는 상호 작용이 개인화되고, 본인과 연관성 높은 경험이기를 정말로 기대합니다. 요즘과 같이 고객이 눈을 돌리면 어디서나 대안을 찾을 수 있는 세상에서는 고객과 상호 작용할 기회가 생겼을 때 고객과 연관된 경험을 제공하는 것이 너무나 중요합니다.

Q: 머신 러닝은 추천 접근 방식에 어떤 영향을 미칩니까?

A: 머신 러닝은 주요 추천 접근 방식에서 비중이 점차 증가하고 있는 기술입니다. 수많은 데이터를 이해하고 그 속에서 미처 발견하지 못한 연관 관계를 밝혀내는 데 대체적으로 머신 러닝이 필요합니다.

비교적 성숙한 수준의 접근 방식을 만들기 위한 기초 작업이 지금까지 많이 행해졌습니다. 하지만 최근에는 여기에서 더 나아가 이러한 접근 방식을 향상시킬 수 있는 새로운 머신 러닝 기법이 개발되고 있습니다. 게다가 기업도 새로운 데이터 소스를 계속 만들어내고 있어서, 이러한 데이터 소스를 통해 추천 기능을 더욱 향상시키는 데 사용할 수 있습니다. 새로운 머신 러닝 기법의 발전과 새로운 데이터 소스의 등장으로 인해 추천 기능이 지속적으로 향상되고 있습니다.