이런 분들이 읽으시면 좋아요!
더 좋은 추천 UX를 고민하는 기획자
AI 기반 추천의 한계를 느끼는 분
본인 서비스의 추천을 고도화하여 지표를 높이고 싶으신 분
인트로
안녕하세요, 저는 Blux팀의 ML Engineer Jeff입니다. 저는 수많은 고객사를 위해 AI 기반 추천 모델을 만들고 적용해본 경험이 있습니다. 패션, 푸드, 콘텐츠 등 다양한 도메인에서 추천 모델을 만들어보았고, 그 과정에서 추천을 어떻게 적용해야 실제 유저와 비즈니스적으로 유의미한 임팩트를 낼 수 있을지 고민하였습니다.
오늘은 더 좋은 추천을 고민하는 기획자, PM, PO 분들을 위해 유저의 추천 경험을 고도화할 수 있는 방식에 대해서 알아보고자 합니다. AI 기반 추천을 사용하고 있지 않거나 이미 AI 기반 추천을 사용하고 계신 경우 둘 다 도움이 되길 바랍니다 :)
좋은 추천이란?
들어가기 앞서, 먼저 좋은 추천의 정의에 대해서 간략하게 생각해볼 필요가 있습니다. 좋은 추천에 대한 정의는 두 가지 관점에서 생각할 수 있습니다.
기획자 (PM, PO) 관점:
추천을 통해 유저의 클릭율, 구매전환율이 높아져 전체적인 매출이 증가합니다.
유저가 지속적으로 서비스에 체류할 수 있게 만듭니다.
특정 인기있는 상품들만 팔리지 않고 새로운 상품에서도 매출이 발생할 수 있도록 합니다.
유저 관점:
최근 관심을 가지게 된 브랜드의 다른 상품들을 추천을 통해서 알게 됩니다.
추천을 통해서 구매하고자 하는 상품들을 비교하고 더 매력적인 상품을 찾습니다.
추천을 통해 예상하지 못한 새로운 상품을 찾아내는 기쁨을 누립니다.
좋은 추천 = 유저가 납득할 수 있는 추천
요약하면, 추천을 통해 유저가 상품을 탐색하고 구매하는데 있어서 도움을 받을 수 있다면 유저의 추천에 대한 만족도가 높아집니다. 만족도가 높아지면 자연스럽게 클릭율과 구매 전환율이 높아지고 최종적으로 매출을 상승시킬 수 있습니다.
그렇다면 유저가 탐색여정에서 도움을 받고, 추천에 대해서 만족하려면 어떻게 해야 할까요?
추천을 만족시키는 여러가지 방법이 있겠지만, 오늘 소개하고자 하는 내용은 설명가능한 추천 (Explainable AI Recommendation)입니다. 설명가능한 추천이란 유저에게 납득할 수 있는 추천과 그 이유를 함께 노출시키는 것을 의미합니다.
설명가능한 추천은 기존에 서비스에 사용하는 추천 알고리즘, AI 기반 추천과 무엇이 다를까요?
Rule 기반 추천은 AI가 발전되기 전에 있었던 추천으로 AI 기반 추천에 비해 지표적 성과가 낮습니다.
사람이 매번 유저의 다양한 취향에 맞는 rule을 생각하고 고민하는 하는 것보다 유저의 행동 패턴을 학습한 AI 추천 모델을 이용하는 것이 더 효율적이고 성능도 좋습니다.
하지만, AI 기반 추천의 경우 왜 이러한 추천이 노출되었는지 이유를 설명하지 못합니다.
AI로 유저의 행동 패턴을 학습하고 추론하는 과정에서 AI는 유저를 인간이 해석할 수 없는 다차원 벡터로 나타내고 계산합니다.
만약 이유를 제대로 설명하지 못하는 추천의 경우, 유저는 추천에 대해서 의구심을 품게 되고 본인과 맞지 않은 추천이라고 느끼면 추천에 만족하지 못하게 됩니다.
추천을 통해 유저의 탐색 경험을 지속적으로 도와줘야하는데, 그렇지 못하고 유저가 실망하면 서비스를 떠나게 됩니다.
설명가능한 추천은 유저에게 만족감을 주면서 동시에 클릭율, 구매전환율과 같은 지표를 극대화 할 수 있습니다.
설명가능한 추천은 AI를 기반으로 유저의 행동 패턴을 학습하면서 유저에게 추천의 이유를 설명하는 형태의 추천을 의미합니다. 설명가능한 추천은 AI을 이용하기 때문에 지표적 성과를 여전히 극대화할 수 있으며, 더 좋은 성과를 내기도 합니다. [1]
설명가능한 추천은 어떻게 만들까?
추천의 이유를 만들고 해당 이유에 부합한 추천하기
설명가능한 추천을 만드는 방법은 두 가지 입니다. 첫번째는 추천의 이유를 만들고 해당 이유에 부합하는 추천을 하는 것입니다.
먼저 Interpretation Model을 통해서 유저가 어떤 카테고리, 브랜드에 관심있는지 알아냅니다. 혹은 유저가 할인율이 높은 상품을 좋아하는지, 인기상품을 좋아하는지 등 유저의 관심있게 보는 상품들의 특징을 추출합니다.
위 사진을 보시면 유저가 행동한 기록을 토대로 “간편식품에 관심있는 유저”라고 특징을 추출한 것을 볼 수 있습니다. 이후에는 해당 특징에 맞는 상품을 AI 모델을 통해 추천하고 문구와 함께 유저에게 보여줌으로써 납득할 수 있는 추천을 제공할 수 있습니다.
추천 결과를 설명할 수 있는 문구 생성하기
두번째는 AI 추천 결과를 먼저 받고 납득가능한 문구를 생성하는 방식입니다. 이 방법의 경우 AI 추천 모델이 왜 이러한 결과를 내보냈는지 이유를 생성합니다.
위 사진을 보시면 상품 추천 결과로 나온 상품들을 Knowledge Graph에서 분석하여 해당 추천을 설명할 수 있는 키워드를 추출합니다. Knowledge Graph는 상품, 카테고리, 키워드 등의 관계를 나타내는 그래프입니다.
AI 추천 모델이 Transformer 기반으로 만들어진 경우 attention score를 visualization을 해서 추천의 이유를 설명할 수도 있으며, 최근에는 GPT와 같은 생성형 AI로 추천 결과에 대한 이유를 생성한 연구 결과도 있습니다. [2]
마무리 하며
오늘은 추천에 대한 유저의 만족도를 높일 수 있는 설명가능한 추천에 대해서 알아보았습니다. 설명가능한 추천의 경우 추천에 대한 이유를 설명하고 직관적인 UX를 제공한다는 점에서 기존 추천과 차이가 있습니다.
다음 편에서는 쿠팡, 오늘의 집 등 타 플랫폼과 차별화된 추천을 적용하여 유저의 추천 경험을 고도화한 사례들을 소개하고 분석하고자 합니다. 추천 UX를 설계하고 기획하는데 관심있으신 분들은 Blux 뉴스레터를 구독하시거나 다음 편도 읽어주시면 감사하겠습니다! 😀
참고자료
[1] Explainable Recommender System in 카카오웹툰 - if (kakao) 2022
[2] Unlocking the Potential of Large Language Models for Explainable Recommendations
