안녕하세요, 인공지능 어시스턴트 Blux AI로 ‘클릭 한 번으로 초개인화’ 알림 경험을 제공하는 Blux Message의 PM 구민성입니다.
기술을 수단삼아 CRM 마케팅 메시지가 더 이상 유저들이 보고 무시하는 ‘광고’가 아닌 유저들에게 유의미한 ‘정보’로 느껴질 수 있도록 하는 데 집중하고 있습니다.
개인화 추천이 필요한 이유
커머스 플랫폼에서 신규 고객을 끌어들이는 것 만큼 중요한 것은 이미 확보한 고객을 얼마나 충성고객으로 확보할 수 있느냐라고 생각합니다.
고객이 플랫폼의 충성유저가 되는데까지는 다양한 요인이 영향을 줄텐데요.
결국은 고객의 전반적인 플랫폼 경험이 해당 플랫폼을 다시, 혹은 자주 방문하도록 만드는 데에 중요한 역할을 할 것입니다.
그렇다면 ‘고객의 플랫폼 경험’을 어떻게 개선할 수 있을까요?
커머스 라는 서비스의 본질을 생각해보았을 때, 근본적으로는 ‘고객이 좋아할만한 상품들을’ ‘적재적소에 노출’시키는 것이 핵심입니다. 플랫폼의 상품이 점점 더 많아지고, 고객의 취향 또한 각양각색인 지금 더이상 ‘최신순’, ‘인기순’등의 필터로 상품을 노출시키는 것은 고객에게 좋은 경험을 제공할것이라 기대하기 어렵습니다.
결국은 1명의 고객이 어떤 것을 좋아하는지, 어떤 상품에 관심이 있고 구매를 할 의향이 있는지를 파악하는 것이 중요하며, 이를 반영한 ‘개인화 추천’경험을 어떻게 제공할 수 있을지에 대한 고민을 하게 됩니다.
실제로 수많은 기업이 개인화 추천을 더욱 고도화하기 위해 막대한 예산을 쏟아붓고 있습니다.
이는 개인화 추천이 단순히 고객 경험을 개선하고, 브랜드 충성도를 증대하는 것 외에도 매출과 같은 사업 주요 지표를 상승시키는 다양한 효과가 있기 때문인데요. 이러한 개인화 추천시스템은 IT B2C 플랫폼 생태계에서 이제는 필수요소로 자리 잡았다고 해도 과언이 아닐 것입니다.
오늘은 이러한 개인화 추천을 실제로 도입한 고객들이 어떤 배경에서 개인화 추천을 도입하였는지, 도입 이후에 성과의 변화는 어떠하였는지를 공유드리고 개인화 추천을 도입할 때 고려해야하는 점들에 대해 말씀드려보고자 합니다.
개인화 추천 도입 사례
‘초개인화’가 거시적인 트렌드인 점, 서비스에서 고객에게 개인화된 경험을 제공하는 것이 중요한 점 모두 이해는 하지만, 그래서 구체적으로 어떤 상황에 개인화 추천을 도입하여야 좋은 성과를 기대할 수 있을지 감이 잡히지 않을 수도 있을 것 같습니다. 그래서 블럭스를 통해 개인화 추천을 도입하신 클라이언트들의 사례를 통해, ‘어떤 고민을 해결하기 위해 개인화 추천을 도입했는지’, ‘개인화 추천 도입 이후 어떤 성과가 있었는지’를 간단히 소개드리도록 하겠습니다.
1) 여성 패션 쇼핑몰 B사의 개인화 추천 도입사례
도입 배경
“패션 플랫폼을 고도화하다보면 다양한 목적들로 큐레이션의 방식을 바꾸어야하는 경우가 생깁니다.
결국 이커머스가 시장에서 고객들에게 임팩트있게 다가가고 내부적으로도 사업적 성장을 하려면 소비자들에게 싸고 질이 좋은 상품을 제공해줌으로써 구매 만족도를 높여 다시 재방문하고 구매하는 유저들을 확보하는, 그런 ‘선순환 구조’를 만드는 것이 핵심이라고 봅니다.
이런 선순환 구조를 형성하기 위해 필수적인 것이 개인화 추천이라고 보았기에, 저희는 어떻게 하면 더 적합한 상품들을 유저들에게 맞춤형으로 노출시켜줄 수 있을지에 대한 고민을 지속적으로 하고 있고, 개인화 추천이 그 해답을 주고 있어요.”
도입 이후 성과
“브랜디 홈화면 최상단 지면에 블럭스의 인공지능 추천이 삽입되었을 때 기존에 비해 클릭률과 노출당 매출 기여액이 약 2~3배 정도 상승하는 효과를 보았던 점이 가장 성과에서 체감되는 부분인 것 같습니다.
여성 패션 플랫폼 브랜디에서 개인화 광고 추천을 블럭스와 함께 시작했고, 말씀드린 것과 같이 성과가 아주 좋았기 때문에 하이버에도 도입해보지 않을 이유가 없다고 판단했습니다. 특히 하이버는 남성 패션 플랫폼인만큼, 여성 패션 플랫폼인 브랜디와는 유저 행동에 차이가 있을 것이라 생각했고 그렇기에 그러한 변수들에 대응할 수 있는 기술적 역량이 있어야 한다고 판단하여 더욱 블럭스를 선택하게 되었습니다.
현재 하이버 또한 자이 도입 이전 대비 확실한 성과의 개선을 확인하고 있어, 모델이 좀 더 고도화 됨에따라 앞으로의 성과 또한 매우 기대가 됩니다.
인공지능 모델 특성 상 살짝만 튜닝을 해도 엄청난 성과의 향상을 기대할 수 있다는 점을 어렴풋이 알고있었는데, 블럭스와 협업을 하며 이 점을 실제로 확인했습니다.”
2) 콘텐츠 커뮤니티 C사의 개인화 추천 도입사례
도입 배경
“저희가 콘텐츠를 상당히 많이 보유하고 있어요. 기본적으로 멘티인 대학생 및 주니어 직장인분들이 질문을 올리면 경험을 갖고 있는 현직자들이 답변을 다는 식으로 서비스가 운영되고 있습니다.
소비자 입장에서 중요한 것은 자기에게 유관한 콘텐츠를 쉽게 발견하는 UX가 제공되는 것이 중요한데, 저희 서비스 특성 상 게시글들이 ‘하나의 상품’으로 취급되기는 어렵기 때문에 단순 필터링으로는 이 문제를 풀기가 쉽지 않다는 것을 느꼈습니다.
어떻게 하면 멘티의 입장에서 더 적합한 콘텐츠를 제공할 수 있을까에 대한 방안을 생각하다가 ‘개인화 추천 기술의 도입’을 고려하게 되었습니다.”
도입 이후 성과
“추천 적용 지면과 비적용 지면의 A/B Test를 통해 확실한 지표적 성과를 확인할 수 있었습니다.
저희가 A/B Test를 하면서 중요하게 본 지표는 1)이용권 구매 전환율, 2)콘텐츠 소비량, 3)리텐션 입니다.
자이 알고리즘 도입 이후, 구매전환율은 약 2배, 콘텐츠 소비량과 리텐션 또한 약 1.5~2배 가량 상승하는 것을 확인하였습니다. 지표의 전체적인 분포가 긍정적으로 올라간 점이, 블럭스와의 최종 계약을 결정한 큰 이유였던 것 같습니다.
모델 개발 과정에 있어 데이터 구조, 갱신 주기 등과 관련한 제안을 적극적으로 주시고, 저희가 고민하는 부분들에 대해 함께 고민하고 해답을 주셔서 큰 도움이 되었습니다.
후반부로 가면서 A/B Test를 진행할 때에는 Test 환경을 세팅하는 데에 어려움이 있었는데요. 이에 대해서도 정말 한 팀인 것 처럼 고민해주시고 좋은 의견들 주셔서 성공적으로 테스트를 마무리할 수 있었던 것 같습니다.”
개인화 추천 도입 시 유의할 점
AI가 인간이 직접 하는 상당 수의 일을 더 잘할 수 있고, 인간이 하는 일을 효과적으로 대신해줄 수 있는 것도 맞지만 무턱대고 도입하기에는 다양한 고려사항들이 존재합니다.
1) 개인화 추천 솔루션 구축, 직접 할 수 있을까요?
우선 내부에서 직접 구축을 할지, 외부 솔루션을 활용할지 결정하는 것에 대한 의사결정부터 필요할텐데요.
내부에서 추천팀을 꾸리고, 좋은 성능의 추천 알고리즘을 만들기까지는 상당한 인적,금전적 리소스 투입이 요구됩니다. 개인화 추천 시스템을 서비스에 성공적으로 도입하기 위해서는 MLOps + 모델 R&D + 데이터 파이프라인 + 비즈니스적 KPI 설정을 모두 소화할 수 있는 팀 구성이 필요한데, 이를 위한 인재 영입 비용은 상당히 높으며 인력 자체의 공급 또한 부족하기 때문입니다.
그렇기 때문에 별도의 팀 구성이나 추가 인력 채용 없이 개인화 추천을 도입할 수 있도록하는 다양한 외부 솔루션들이 존재하며, 이러한 솔루션들을 활용하여 서비스 내에 개인화 추천을 도입하는 사례가 점차 많아지고 있습니다.
2) 개인화 추천 솔루션 제공한다는 곳이 너무 많아요. 각각 어떤 차이가 있는거죠?
AI는 어느정도 블랙박스의 성격을 가지고 있습니다. 어떠한 원리로 이 고객에게 이 상품들이 추천되는지를 정확하게 알지 못하는 것이 도입하는 입장에서 부담으로 다가올 수 있을텐데요.
이를 위해 개인화 추천 알고리즘의 다양한 종류와 각각이 어떤식으로 작동하는지를 간단하게나마 파악하고 우리 회사의 상황에 가장 부합하는 알고리즘을 선택하는 것이 중요합니다.
즉, 현재 우리 회사가 풀고자하는 문제를 가장 잘 해결해 줄 개인화 추천 솔루션을 선택하는 것, 그리고 그를 통해 지속적인 성과 개선 방식을 모색할 수 있어야하는 것이죠.
시장에는 크게 다음과 같은 솔루션들이 존재합니다.
1) 통계형 추천
말그대로 커머스 내에서 발생하는 여러 행동데이터들에 기반한 통계를 활용하여 추천하는 방식을 의미합니다. 대표적인 예시로 ‘가장 인기가 많은(구매가 많은)상품’, ‘신상품’, ‘가장 클릭이 많이 된 상품’ 등이 있을 것 같습니다. 통계형 추천은 이를 제공하는 회사 입장에서 추천되는 상품들에 대한 명확한 기준을 확인할 수 있다는 점에서 좋을 수 있습니다.
하지만 모든 고객 동일하게 취급하여 추천하는 것이기 때문에 개개인의 선호를 반영하지 못한다는 한계가 있으며, 이는 점점 상품의 수와 고객의 수가 많아지는 커머스 서비스에서 치명적일 수 있습니다.
2) Rule-base 추천 (고객 세그먼트 별 추천)
고객들을 여러 군집(cluster)으로 나누며, 같은 군집 내 고객들에게 동일한 추천을 제공하여 부분적 개인화 추천을 하는 방법론을 의미합니다. 이는 기존 통계형 추천에서 ‘모든 고객을 동일하게 취급한다’는 문제를 해결해줄 수 있는 방식입니다. 하지만 여전히 진정한 개인화 추천으로 보기에는 어려운 부분이 존재합니다.
일정 기간동안 동일한 추천을 일괄 제공하기에 유저의 관심사 변화가 실시간으로 반영된 추천을 하는 것은 불가능합니다. 또한 특정 시점 기준 고객의 고유정보와 행동데이터를 바탕으로 filtering 하여 고객 세그먼트를 분류하기에 고객의 실시간 행동데이터가 세그먼트에 충분히 반영되지 못한다는 점이 세그먼트 별 추천의 아쉬운 점이라고 할 수 있겠습니다.
3) 딥러닝 추천
딥러닝 알고리즘은 고객의 이전 구매 이력, 검색 기록, 클릭 패턴 등의 행동데이터를 학습하고, 이를 통한 추론을 바탕으로 각 고객이 다음에 가장 클릭/구매할 확률이 높은 상품들을 추천해줍니다. 각 유저의 행동데이터를 학습하기 때문에 모든 유저에게 서로 다른 개인화 추천 제공이 가능하며, 실시간으로 데이터가 반영되기에 각 유저의 관심사 변화를 즉시 반영할 수 있습니다.
딥러닝 추천에는 다양한 방법론을 적용할 수 있는데요.
블럭스에서는 사용자에 대한 단순한 정보 뿐만 아니라, 과거 사용자가 주로 어떤 상품들과 상호작용을 하였는 지 등의 행동 데이터에서 유의미한 정보를 잘 추출해낼 수 있는 모델을 개발하고 있습니다. 즉, 행동 데이터에서 사용자가 상호작용하는 상품들이 어떤 특징을 가지고 있는 가에 대한 상품 특성 정보(Attribute Information)와 사용자가 상품과 어떤 패턴으로 상호작용하는 가에 대한 문맥적 정보(Contextual Information)를 잘 학습할 수 있는 딥러닝 모델을 개발하여 개인화 추천에 활용하고 있습니다.
개인화 추천이 어떤 원리로 이루어지는지 궁금하다면? 👉
3) “이런 문제”도 AI 개인화 추천으로 해결할 수 있는게 맞나요?
커머스 플랫폼은 단순히 거래액 뿐만 아니라 여러가지 비즈니스 지표를 관리하고 있을 것입니다. 그리고 지표들간에 상충이 발생하는 지점들도 분명히 있을 것입니다. 예를 들어, 구매전환율 극대화를 위해 구매가 많이 되는 인기 상품들을 위주로 노출한다고 하였을 때, 상대적으로 유저의 상품 탐색 시간 및 체류 시간, 구매되는 상품의 다양성 등은 감소할 수 있을 것입니다. 블럭스의 고객사분들의 요청사항 또한 아래와 같이 아주 다양한데요.
구매전환율을 높이는 것이 가장 우선순위 인 곳
조회/구매 되는 상품들의 다양성을 높이고 싶은 곳 (소수 인기상품 쏠림현상을 완화하고 싶은 곳)
유저의 재방문율을 높이고 싶은 곳
이러한 다양한 비즈니스 KPI를 모두 고려한 개인화 추천 시스템 설계는 단순히 여러 개의 rule을 거는 것으로는 근본적으로 불가능합니다.
다만 딥러닝 모델을 활용한 개인화 추천 모델을 도입할 경우, 위의 비즈니스 KPI들을 모델이 자연스럽게 학습할 수 있도록하여, 성능의 손실은 최소화하면서도 여러가지 요구사항에 맞는 추천 결과를 노출할 수 있습니다.
why blux?
블럭스는 인공지능을 통한 비즈니스 임팩트 창출이라는 비전 하에, 현재는 개인화 추천 영역에서도 상품 추천 영역의 문제를 집중하여 풀고 있는 팀입니다. 이에 그간 고객사분들과 머리를 맞대고 고민했던 다양한 경험, 그리고 최고 수준의 인공지능 전문 인력들이 만들어낸 기술을 기반으로 현존하는 모든 솔루션 중 모델 성능과 비즈니스 효과, 2마리 토끼를 잡는 문제를 가장 집중적으로 풀고 있습니다.
고객사의 개인화 추천 관련 요청사항이 들어오게 되면, 인공지능 모델이 자연스럽게 해당 요청사항들을 학습할 수 있도록 모델을 설계하고 있습니다. 이 경우 인공지능 모델이 인간이 인위적으로 건 제약조건 없이 자연스럽게 최적화되기 때문에 성능의 손실을 최소화하면서도 요청사항이 반영되도록 제공이 가능합니다.
플랫폼 비즈니스에서 속도는 생명이기에, 저희는 고객사의 개인화 추천을 누구보다 빠르게 도입해드리려고 하고 있습니다. 평균적으로 1~2일 이내 / 늦어도 3일 이내에는 해당 요청사항이 고객사의 서비스에 깔끔하게 반영되도록 해드리고 있습니다.
개인화 추천이 우리 회사에 어떤 성과를 가져다줄지 궁금하시다면, 블럭스와 함께 그 답을 찾아나가보세요 🙂
Blux의 추천 콘텐츠
이런 콘텐츠도 읽어보세요! 😄
시리즈: 이커머스 AI 추천 더 잘할 수는 없을까?
콜드스타트 문제 효과적으로 해결하기!