이런 분들이 읽으시면 좋아요!
다른 서비스에 적용된 다양한 추천 사례를 알고싶으신 분
AI 기반 개인화 추천 알고리즘을 도입하고 싶으신 분
현재 본인 서비스의 추천 UX를 개선시킬 수 있는 아이디어가 필요하신 분
에이블리, 오늘의 집, 쿠팡 등 국내 이커머스의 추천 알고리즘이 궁금하신 분
인트로
안녕하세요, 저는 Blux팀의 ML Engineer이자 PO Jeff 입니다. 저는 다양한 도메인 (ex. 패션, 푸드, 종합쇼핑몰)의 이커머스에서 AI 기반 추천 도입 및 개선을 통해 매출과 같은 서비스 성장을 이끌어 낼 수 있도록 도와드리고 있습니다.
추천의 경우 각 플랫폼의 유저경험을 도와주는 역할을 하기 때문에 UX를 고려하지 않고 단순히 AI로 개인화 추천 모델을 학습한다고 해서 유저의 반응을 이끌어내기엔 부족합니다. 그렇기 때문에 유저의 클릭률(CTR), 구매 전환율(CVR), 리텐션 등을 올리기 위해서 어떻게 추천을 제공해야 할지 고민하는 서비스 기획자, PM, PO 분들이 정말 많은 것 같습니다.
저 역시도 좋은 추천을 만들기 위해서 타 서비스를 벤치마킹을 하기도 합니다. 오늘은 이러한 고민을 하고 계신 분들을 위해 국내 이커머스 서비스 중에서 차별성있는 추천을 제공하고 있는 사례를 모아봤습니다.
에이블리, 쿠팡, 오늘의 집에서 각각의 서비스가 어떤 추천을 제공하는지 분석하고 이를 통해 유저의 탐색 경험을 어떻게 고도화 하였는지 알아보겠습니다.
에이블리 #디스커버리 추천 #카테고리 초개인화
먼저 소개할 서비스는 에이블리입니다. 에이블리의 경우 10대~30대 여성 패션 플랫폼이며 개인화 AI 추천 알고리즘으로 소비자 취향에 맞는 다양한 상품을 추천하는 것이 특징입니다.
에이블리에서는 추천 외에도 유저의 체류시간과 리텐션을 높이기 위해서 웹소설, AI 프로필과 같은 서비스도 제공하고 있습니다. 에이블리의 경우 기술적으로 고도화된 AI 추천을 내세우고 있지만, 오늘 글에서는 유저 경험을 도와주는 관점에서 바라본 에이블리의 추천을 소개하고자합니다.
제가 뽑은 에이블리에서 주목할만한 추천의 특징은 2가지입니다.
무한스크롤을 통한 디스커버리 추천
에이블리의 경우 홈화면에서 전체 상품, 카테고리별로 개인화 추천을 노출하고 있습니다. 이때 노출되는 모든 추천은 유저가 스크롤을 끊임없이 내려도 계속 추천 상품이 나오는 무한 스크롤 형태를 띄고 있습니다.
이러한 디스커버리 추천 방식은 끊임없이 새로운 상품을 탐색할 수 있기 때문에 유저의 서비스 체류시간을 높일 수 있는 방법입니다.
다만, 플랫폼의 특성에 따라 디스커버리 추천 방식은 유저가 원하는 상품을 쉽게 찾지 못하고 이탈할 수 있지만 에이블리의 경우 유저의 체류시간을 높여서 유저의 생애가치 (Life time value, LTV)를 높이려는 전략으로 보입니다.
에이블리의 개인화 추천 알고리즘은 어떻게 구현했을까?
제가 확인했을 때 에이블리에서 특정 상품을 클릭하면 해당 상품의 특징에 맞게 실시간으로 추천이 바뀝니다. 이렇게 유저의 행동에 따라서 실시간으로 바뀔 수 있는 추천은 Sequential Recommendation 모델이기 때문에 가능하다고 판단됩니다.
Sequential Recommendation은 Session-based Recommendation이라고도 불리며, 유저가 클릭하거나 구매하는 이벤트를 통해 user sequence vector를 만듭니다. 유저가 여러 상품을 클릭하게 되면 그때마다 계산되는 user sequence vector가 달라지기 때문에 실시간 유저 행동이 추천에 반영될 수 있습니다.
더 구체적인 내용이 궁금하시다면 Blux의 ML Research Engineer 분이 작성한 글을 확인해보세요😁
카테고리 순서 개인화
두번째로 에이블리 추천의 특징은 홈화면에서 노출되는 카테고리의 순서가 개인화되었다는 점입니다. 예를 들어 휴대폰 키링을 봤을 때 문구/취미 카테고리 순서가 가장 앞에 위치하고 운동화를 봤을 때도 마찬가지로 신발 카테고리가 첫번째로 위치합니다.
노출되는 카테고리 순서를 유지하는 것보다 유저가 관심있게 본 상품의 카테고리 순서를 앞으로 위치 할수록 클릭율은 높아질 수 밖에 없으며 유저의 지속적인 탐색을 유도할 수 있습니다.
쿠팡 #검색어 추천
두번째로 소개할 서비스는 바로 쿠팡입니다. 쿠팡은 국내 전자상거래 1위 업체이며, 생필품, 옷, 전자제품 등 수많은 상품들을 판매하는 종합 이커머스 플랫폼입니다.
쿠팡의 경우 버티컬 플랫폼과 달리 취급하는 상품의 수나 다양성 측면에서 압도적으로 많기 때문에 유저가 어떻게 원하는 상품을 쉽게 찾게 할 수 있을지 고민한 모습을 볼 수 있었습니다.
쿠팡에서 제공하는 여러가지 추천 UX가 있지만, 제가 생각하기에 유저가 원하는 상품을 더 쉽고 빠르게 찾게 하는 가장 효과적인 방법은 유저의 검색 경험을 추천을 통해 고도화하는 것입니다.
검색어 추천하기
쿠팡에서 검색창에 들어가면 최근 검색어에 따라서 추천 검색어를 노출하는 것을 볼 수 있습니다. 어떤 상품을 구매하고자하는 목적이 있는 유저는 추천을 통해 상품을 찾기보단 검색을 하기 마련입니다.
추천을 통해서는 주로 유저의 탐색이력에 따라 예측한 취향에 맞는 상품을 노출하거나 트렌드에 맞는 인기 상품을 노출하기 때문에 유저가 목적을 가지고 서비스에 접속할 경우 예측하기 어렵습니다.
검색어 추천을 통해서 기대할 수 있는 것은 유저가 검색한 키워드와 유사하거나 더 구체적인 키워드를 추천함으로써 유저가 원하는 상품을 찾지 못하더라도 지속적으로 검색을 할 수 있도록 도와줍니다.
일반적인 이커머스 플랫폼에서는 검색창에서 인기 검색어를 표시하고 있는데, 쿠팡의 경우 검색어 자체를 추천하는 점이 주목할만하다고 생각합니다.
검색어 추천은 어떻게 만들었을까?
검색어 추천의 경우 두 가지 방식으로 구현할 수 있습니다. 첫번째는 실제로 유저가 연속해서 검색한 기록을 바탕으로 co-occurrence matrix를 학습하는 방식입니다 [1]. Co-occurrence matrix란 두 가지 검색어 X, Y을 유저가 연속해서 검색할 확률을 나타내는 행렬이라고 보면 됩니다. 예를 들어 유저가 검색어 Z를 검색했을 때 해당 키워드와 같이 검색될 확률이 높은 순서대로 추천을 하면 검색어 추천을 할 수 있습니다.
두번째는 키워드간 관계를 knowledge graph 형태로 나타내 인접해 있는 키워드를 추천하는 방식입니다. Knowledge graph에서는 서로 연관되거나 계층적 관계가 있는 키워드를 edge로 연결합니다. Graph에서 edge 1개로 이어진 관계를 one-hop neighbors라 하는데, one-hop 또는 two-hop neighbor의 키워드를 찾으면 특정 키워드를 검색했을 때 해당 키워드를 포괄할 수 있는 상위 계층의 키워드, 해당 키워드의 하위 키워드 등을 알아낼 수 있습니다. 이 방식을 통해서 첫번째 방식에서 연속되어 검색하는 쌍의 데이터가 부족한 문제를 극복할 수도 있습니다.
오늘의 집 #관심있는 카테고리 #추천 이유 설명 #상세페이지 비교
오늘의 집은 인테리어 플랫폼으로 집들이 콘텐츠, 시공 서비스와 함께 인테리어 상품을 판매하는 쇼핑몰 기능도 제공하고 있습니다. 오늘의 집에서는 인테리어 상품을 추천하기도 하며 관심있는 인테리어 상품에 대해서 집들이 콘텐츠를 추천하기도 합니다.
제가 오늘의 집에서 제공하는 추천을 분석하면서 유의깊게 본 부분은 3가지입니다.
유저가 관심있을 만한 카테고리 추천
오늘의 집에서 상품을 탐색하다보면 홈화면에 위와 같은 추천이 노출됩니다. 프라이팬을 봤더니 해당 카테고리에 해당하는 집들이 콘텐츠와 인기상품을 추천하는 것을 볼 수 있습니다.
위 추천은 유저가 다른 카테고리의 상품을 클릭할 경우 유저의 관심사에 맞게 추천되는 카테고리 또한 실시간으로 변화하면서 유저의 탐색을 도와주고 있었습니다.
추천에 대한 이유 설명하기
두번째로 오늘의 집에서 주목할만한 추천은 바로 홈화면 스타일 더하는 맞춤 추천입니다. 이 추천을 주목한 이유는, 집들이 콘텐츠를 추천하는데 그 이유가 되는 상품들을 하단에 표시하기 때문입니다.
추천의 이유를 설명하는 이유?
위와 같이 추천에 대한 이유를 설명하는 것을 explainable recommendation이라 부릅니다 [2]. 오늘의 집의 경우 집들이 콘텐츠를 추천하기 위해서 유저가 최근에 본 상품인지, 최근에 장바구니에 담아 관심사를 표현한 상품인지를 같이 나타냅니다.
이러한 UI 덕분에 오늘의 집을 이용하는 유저는 이 콘텐츠가 왜 추천이 됐는지 알게되고, 본인이 관심있게 본 상품이 인테리어로 적용된 예시를 볼 수 있어서 자연스럽게 콘텐츠를 클릭할 확률이 높아집니다. 만약 하단에 추천의 이유가 되는 상품들을 표시하지 않았다면 유저는 직관적으로 추천의 이유를 알 수 없어서 본인에게 맞춤형 추천이 노출되었는지도 모를 것입니다.
실제로 유저가 직관적으로 추천에 대한 이유를 알게되었을 때 추천에 대한 만족도가 높아지고 클릭률, 구매전환율과 같은 지표도 높아진다는 연구 결과가 있습니다. 오늘의 집도 이러한 인사이트를 통해 홈화면에 위와 같은 구좌를 만든 것으로 보입니다.
상세페이지에서 가격대별 비교하기
마지막으로 오늘의 집에서 상품의 상세페이지에 있는 가격대별 비교하기 추천을 유의깊게 보았습니다. 주로 쇼핑을 할 때 상세페이지에서 노출되는 추천은 해당 상품과 유사한 상품들을 유저가 비교하여 구매할 수 있게 도와줍니다.
이때 위 사진을 보시면 유저가 구매를 고민할 때 고려하는 상품의 품질, 가격, 할인율, 쿠폰 유무 등에서 가격이라는 피쳐를 비교할 수 있게 합니다.
가격이라는 피쳐를 분리하지 않고 유사한 상품들을 추천하는 경우 유저가 직접 가격을 비교해야할 것입니다. 유저가 상품의 구매까지 결정하는데 있어서 거쳐야 하는 단계를 없앴다는 관점에서 주목할만한 추천이라고 생각합니다.
마무리하며
오늘은 국내 이커머스 서비스에서 도입한 개인화 추천 UX에 대해서 분석해보았습니다. 다음 글에서는 서비스에 적용해볼 수 있는 다양한 개인화 추천 알고리즘과 서비스 규모에 맞는 추천을 설계하는 법에 관해 소개하고자 합니다.
Blux에서는 이커머스 기업의 AI 추천 도입 및 성과 개선을 위한 추천 솔루션을 제공하고 있습니다. 또한 이커머스 기업들이 더 좋은 서비스 기획을 할 수 있도록 인사이트를 제공하고자 콘텐츠를 발행하고 있습니다. 관심있으신 분들은 Blux 뉴스레터를 구독하여 콘텐츠를 확인해보세요😁
참고자료
[1] 지금까지 이런 검색은 없었다. 이것은 검색인가 추천인가 - 네이버 스마트블록 개인화 검색
[2] Y Zhang, et al. Explainable Recommendation: A Survey and New Perspectives (2020)