Share on facebook
Share on linkedin
Share on twitter
Share on facebook
Share on linkedin
Share on twitter

추천 엔진 도입 효과 및 작동 원리

요즘 추천 엔진을 사용하지 않는 브랜드는 거의 없다. 실제로 넷플릭스(Netflix), 아마존(Amazon), 구글(Google) 및 글로벌 도서 리뷰 사이트 굿리즈(Goodreads)를 포함하여 우리가 매일 사용하는 사이트들은 모두 추천 엔진을 적극 활용하고 있다. 아마존 구매의 35%는 상품 추천을 통해 이루어진다. 추천 엔진이란 무엇이며, 어떤 효과가 있고, 어떻게 작동하는지 알아보자.

 

추천 엔진이란 무엇인가?

추천 엔진은 머신러닝 알고리즘을 사용하여 특정 사용자나 고객에게 가장 관련성이 높은 아이템을 추천하는 일종의 데이터 필터링 도구이다. 암시적 또는 명시적으로 수집할 수 있는 소비자 행동 데이터에서 패턴을 찾는 것이 그 기본 원리라고 할 수 있다.

넷플릭스는 추천 엔진을 사용하여 시청자에게 영화 또는 다양한 콘텐츠 프로그램을 제안하고, 아마존은 추천 엔진을 사용하여 고객에게 맞는 상품을 추천한다. 두 회사의 추천 엔진 활용 방식은 조금 다르지만, 판매 진작, 참여도 및 유지율 향상, 보다 개인화된 고객 경험 제공이라는 목표는 동일하다.

과거에는 매장 직원이나 친구, 가족 등 지인으로부터 추천을 받았다. 오늘날은 이 역할이 알고리즘에게로 넘어간 것이다. 알고리즘은 마케팅 도구로서 상향 판매 및 교차 판매 기술에 능하도록 잘 훈련되어 있다고 할 수 있다.

 

추천 엔진의 종류

추천 엔진에는 크게 협업 필터링, 콘텐츠 기반 필터링, 그리고 이 둘의 혼합 버전인 하이브리드의 세 가지 종류가 있다.

1. 협업 필터링(Collaborative filtering)

협업 필터링은 사용자 행동, 활동 및 선호도에 대한 데이터를 수집 및 분석하여 다른 사용자와의 유사성을 기반으로 어떤 사람이 무엇을 좋아할지 예측하는 데 중점을 준다.

이러한 유사성을 구성하고 계산하기 위해 협업 필터링은 매트릭스, 즉 행렬 스타일 공식을 사용한다. 협업 필터링의 장점은 상품, 영화, 책 등에 해당하는 콘텐츠를 분석하거나 이해할 필요가 없다는 점이다. 심플하게 사용자에 대해 알고 있는 정보만을 토대로 추천할 항목을 선정한다.

2. 콘텐츠 기반 필터링(Content-based filtering)

콘텐츠 기반 필터링은 특정 아이템이 마음에 들면 다른 아이템도 좋아할 것이라는 원리에서 작동한다. 알고리즘이 추천을 하기 위해 고객의 선호도 프로필과 아이템에 대한 설명(장르, 상품 유형, 색상, 단어 길이)을 대상으로 코사인 및 유클리드 거리 법칙을 적용하여 아이템들 간의 유사성을 계산한다.

콘텐츠 기반 필터링의 단점은 이미 구매했거나 사용하고 있는 것과 유사한 상품이나 콘텐츠만 추천하게 된다는 것이다. 그 이상의 다른 유형 상품이나 콘텐츠를 추천할 수 없다. 예를 들어, 어떤 고객이 가정용품만 구매했었다면 가정용품 이외의 제품을 추천할 수 없다.

3. 하이브리드 모델(Hybrid model)

하이브리드 추천 엔진은 메타(협업) 데이터와 트랜잭션(콘텐츠 기반) 데이터를 모두 활용한다. 이 때문에 두 모델 모두를 능가하는 성능을 낸다.

하이브리드 추천 엔진에서는 상품이나 아이템(영화, 노래)별로 자연어 처리 태그를 생성할 수 있고, 상품 간의 유사성을 계산하기 위한 벡터 방정식을 사용할 수 있다. 그런 다음 협업 필터링 매트릭스를 사용하여 사용자의 행동, 활동 및 선호도에 따라 아이템을 추천할 수 있다. 넷플릭스가 하이브리드 추천 엔진의 완벽한 예라고 할 수 있다. 사용자의 관심사(협업)와 영화 또는 TV 프로그램에 대한 소개나 설명(콘텐츠 기반)을 모두 고려한다.

 

추천 엔진 작동 원리

추천 엔진은 데이터와 머신러닝 기술의 조합으로 작동한다. 특히 데이터는 패턴이 파생되는 핵심 구성 요소이기 때문에 추천 엔진 개발에서 매우 중요하다. 추천 엔진에 데이터가 많으면 많을수록 더 관련성 높은 제안을 효과적으로 구현하여 높은 수익 창출을 기대할 수 있다.

추천 엔진은 보통 4단계 프로세스로 작동한다:

1단계: 데이터 수집

추천 엔진을 만드는 첫 번째이자 가장 중요한 단계는 데이터를 수집하는 것이다. 수집할 데이터에는 크게 두 가지 유형이 있다.

  • · 암시적 데이터: 웹 검색 기록, 클릭, 장바구니 이벤트, 검색 로그 및 주문 기록과 같은 사용자의 활동에서 수집된 정보를 의미한다.
  • · 명시적 데이터: 리뷰 및 평가, 좋아요 또는 싫어요, 제품에 대한 언급과 같은 고객 입력에서 수집된 정보를 의미한다.

추천 엔진은 또한 인구통계(나이, 성별), 심리 통계(관심사, 가치관)와 같은 고객 속성 데이터를 사용하여 유사한 고객을 식별하고, 기능 데이터(장르, 항목 유형)를 사용하여 제품의 유사성을 식별한다.

2단계: 데이터 저장

데이터를 수집했다면 저장해야 한다. 시간이 지나면서 수집되는 데이터의 양이 방대해질 것이다. 따라서 확장 가능하고 충분한 규모의 저장소, 즉 스토리지를 구비해야 한다. 수집하는 데이터의 유형에 따라 다양한 형태의 스토리지를 사용할 수 있다.

3단계: 데이터 분석

데이터를 사용하려면 깊이 파고들어 철저히 분석해야 한다. 데이터를 분석하는 데는 다음과 같은 여러 방법이 있다:

  • · 실시간 분석: 데이터가 생성되는 대로 바로바로 처리한다.
  • · 일괄 분석: 데이터를 주기적으로 처리한다.
  • · 실시간에 가까운 분석: 데이터를 즉시 필요로 하지 않을 경우 초 단위가 아닌 분 단위로 처리한다.

4단계: 데이터 필터링

추천 엔진 작동의 마지막 단계는 필터링이다. 협업, 콘텐츠 기반 또는 하이브리드 모델 중 어떤 추천 필터링이 사용되는지 여부에 따라 다양한 매트릭스 또는 수학적 규칙 및 공식이 데이터에 적용된다. 이 필터링의 결과가 최종사용자 또는 고객들에게 제공될 추천이 된다.

 

추천 엔진은 수익, 클릭률, 전환 및 고객 만족도를 높일 수 있는 강력한 마케팅 도구이다. 그 작동 원리를 제대로 이용하고 기업에 맞게 적용함으로써 매출 및 수익의 증대를 기대할 수 있다.

 

* 머신러닝과 추천 엔진 기술을 사용하여 상향 판매, 교차 판매 및 비즈니스 성장을 촉진하는 방법에 대해 자세히 알아보고자 하시면, 문의를 남겨주세요. 맞춤 상담을 제공해드립니다.

애피어에 문의하세요!

문의를 남겨주시면 마케팅 전략을 개선할 수 있는 방법을 찾을 수 있도록 안내해드리겠습니다.

다른 최신 포스트도 둘러보세요!

추천 엔진 도입 성공을 위한 7가지 주요 과제

고객을 확보하고 유지하고자 하는 기업에게 개인화 추천은 필수적이다. 액센츄어(Accenture)에 따르면 소비자 10명 중 9명은 자신과 관련 있는 상품이나 서비스를 추천하는 브랜드에서 쇼핑할 가능성이 더 높다. 추천은 또한 16%의 전환 증가를 가져올 수 있기 때문에 기업의 순익에도 큰 영향을 미친다. 따라서 추천 엔진 도입도 크게 늘어나고 있다. 인더스트리아크(IndustryArc)는 글로벌 추천 엔진 시장이 2018년 11억4000만 달러에서 2025년에는 120억3000만 달러로 성장할 것으로 보고 있다.   추천 엔진의 이점: 반드시 사용해야 하는 이유 인공지능(AI)의 지속적인 발전으로 추천은 더 이상 일반 잠재고객이나 특정 세그먼트를 공략하는 데만 사용되지 않는다. 요즘은 딥러닝(DL) 기반 추천 엔진을 사용하여 페르소나, 위치, 관심사, 실시간 온라인 행동 등과 같은 지표를 기반으로 개별 단위의 초개인화 추천으로 소비자를 공략할 수 있다. 이를 통해 리타겟팅 광고나 이메일 마케팅으로 온라인 트래픽을 유도할 수 있을 뿐만 아니라 고객 피로와 이탈률도 줄일 수 있다. 또한 개인화된 추천은 고객과 관련성이 높은 상품 또는 서비스를 제공하여 고객의 실제 참여를 유도한다. 이는 주문 건당 평균 결제금액(AOV)를 높이고 전환 또한 증가시킨다. 장기적으로는 개인화된 추천을 사용함으로써 브랜드가 고객을 이해하고 중요하게 여긴다는 것을 보여줄 수 있어 고객 만족도와 충성도를 높일 수 있다.   구축 전 극복해야 할 과제들 2025년까지 예견된 엄청난 성장률을 통해 전 세계적으로 많은 기업들이 추천 엔진 도입을 고려하고 있음을 알 수 있다. 하지만, 유용한 기술들이 종종 그렇듯 이 기술을 실제 비즈니스에서

서드파티 쿠키 없는 시대에 유용한 3가지 디지털 마케팅 전략

쿠키는 1994년 넷스케이프(Netscape)에서 처음으로 소개된 이후, 로그인 인증 또는 언어 설정 저장 등의 형태로 인터넷 사용자 경험을 강화하고 개인화하는 데 활용되어 왔다. 이후 20년 이상 서드파티(3rd-party) 쿠키에 의존하여 온라인 상에서 소비자의 행동을 추적하고, 타겟팅, 리타겟팅, 디스플레이 광고, 행동 마케팅에 쿠키를 사용해 왔다. 그러나, 구글(Google)이 모질라(Mozilla)의 파이어폭스(Firefox)와 애플(Apple)의 사파리(Safari)와 유사한 조치를 취해, 2022년 말까지 크롬(Chrome)에서의 서드파티 쿠키 사용을 단계적으로 중단할 것이라고 발표하면서 서드파티 쿠키 시대의 종말로 인한 디지털 마케팅 산업계의 큰 변화가 예고되고 있다.   개인정보보호에 대해 높아지는 소비자 요구 서드파티 쿠키 추적이 온라인 환경 최적화에 도움을 준 것은 사실이지만, 소비자 데이터를 추적하고, 저장하고, 공유하는 방식에 대한 우려도 지속적으로 커져 왔다. 소비자들은 자신들의 행동이 어떻게 추적되고 마케팅에 이용되는지 모르는 경우가 많다. 따라서 소비자들이 자신의 개인정보를 활용해도 좋다는 데 명확하게 동의하지 않았을 수 있기 때문에, 이들의 행동 추적은 소비자의 프라이버시와 신뢰를 위반한 것으로 간주된다. 게다가, 소비자들은 자신이 방문하는 웹사이트를 제외하고 어떤 회사들이 자신들의 정보를 처리하고 있는지 전혀 모른다. 유럽연합의 개인정보보호 규정인 GDPR에는 쿠키 사용 동의 과정이 포함되어 있지만, 사용자가 동의한 후에는 어떤 조직이 자신의 데이터를 직접 수집하고 있는지 거의 파악할 수 없다. 소비자들은 더 강력한 개인정보보호와 더 엄격한 데이터 공유 규정의 필요성을 제기해왔으며, 구글의 쿠키 차단 조치 발표는 점점 높아지는 소비자의 요구에 따른 것이라고 할 수 있다. 크롬이 브라우저 시장 점유율의 65%를

위험과 보상: 신용카드 고객 유치 활동에서 인공지능(AI)의 역할

아태지역 금융 서비스 업계 전반에 인공지능(AI)의 도입이 확산되면서 고객 유치 및 참여 유도 전략을 비롯하여 위험을 줄이기 위한 기업의 전략이 모두 바뀌고 있다. 딥러닝 기술의 비약적인 발전에 따라 기업들은 잠재고객에 대해 좀 더 전체적인 관점을 확보할 수 있게 됐고, 따라서 신용카드, 대출 등의 재정 상품을 신청하는 고객들에 대해 더 나은 판단을 내릴 수 있게 됐다. 아태지역 은행 업계의 매출은 2018년 기준 미화 1.6조 달러, 이익은 미화 7천억 달러를 기록하고 있다. 이는 전 세계 은행 업계 세전 이익의 37%에 해당하는 수치이다. 그러나 추세를 보면 성장 속도의 둔화 조짐과 수익성의 감소가 나타나고 있어 실적 향상 및 경쟁력 제고를 위한 사업 규모 확대의 필요성이 대두되고 있다. 한 가지 긍정적인 소식은 아태지역의 신용카드 및 대출 시장은 커다란 성장 잠재력을 지니고 있다는 점이다. 아태지역 내에서 보급률이 낮은 국가도 다수 존재하지만, 아태지역 신용카드 지출액은 전 세계 지출액의 약 절반을 차지하고 있다. 따라서 신용카드 신규 고객 유치야 말로 업계의 미래 수익 창출로 이어질 수 있는 확실한 방법이다. 한편, 금융 분야에서 인공지능(AI) 툴의 도입이 증가하면서 인공지능이 향후 고객 유치에 있어 중요한 역할을 담당하게 될 것으로 보인다. 은행은 물론 P2P 대부 업체 등 각종 금융기관들이 앞다투어 신용카드 및 대출 상품의 포트폴리오를 확대하려는 움직임을 보이고 있는 가운데, 딥러닝 기반 인공지능 도구들의 도움으로 풍부한 마케팅 노하우와 냉철한 리스크 평가를 구현해 나가고

    저희가 도와드리겠습니다

    문의를 남겨주시면 마케팅 전략을 개선하는 데 도움될 AI 솔루션을 자세히 안내드리겠습니다