커머스를 위한 고객 맞춤형 추천 전략

블럭스는 수많은 클라이언트를 위해 다양한 AI 기반 추천 모델을 만들고, 적용해 본 경험이 있습니다. 패션, 푸드, 콘텐츠 등 다양한 도메인에서 블럭스 추천 모델을 사용했었고, 그 과정에서 ‘추천을 어떻게 적용해야 유의미한 성과를 낼 수 있을까?’라는 고민을 끊임없이 했습니다.

이번 글에서는 더 좋은 추천 방식을 고민하는 커머스 기업의 PO(Product Owner), PM(Product Manager)을 비롯한 기획자들을 위해 고객의 추천 경험을 고도화할 수 있는 방식에 대해 알아보겠습니다. 이를 통해 더 좋은 추천 전략을 고민하는 기획자 여러분들에게 조금이나마 도움이 되기를 기대하겠습니다.

고객에게 좋은 추천이란?

먼저 좋은 추천의 정의에 대해서 간략하게 생각해 볼 필요가 있습니다. 좋은 추천에 대한 정의는 두 가지 관점에서 생각할 수 있습니다.

• 기획자 관점:

  • 추천을 통해 고객의 클릭률, 구매 전환율이 높아져 전체적인 매출이 증가합니다.

  • 고객이 지속적으로 서비스에 체류할 수 있게 만듭니다.

  • 특정 인기 있는 상품들만 팔리지 않고, 새로운 상품에서도 매출이 발생할 수 있도록 합니다.

• 고객 관점:

  • 최근 관심을 가지게 된 브랜드의 다른 상품들을 추천을 통해서 알게 됩니다.

  • 추천을 통해 구매하고자 하는 상품들을 비교하고 더 매력적인 상품을 찾습니다.

  • 추천을 통해 예상하지 못한 새로운 상품을 발견합니다.

기획자의 관점에서 ‘좋은 추천’은 매출의 증가를 의미합니다. 반면 고객은 원하는 상품을 찾거나 구매하도록 돕는 것이 ‘좋은 추천’을 의미합니다. 이에 따라 고객이 상품을 탐색하고 구매하는 데 있어서 ‘좋은 추천’의 도움을 받을 수 있다면 고객의 만족도가 높아지고, 자연스레 매출도 증가하게 됩니다.

추천을 만족하는 여러 방법이 있겠지만, 이번에 소개할 내용은 ‘설명가능한 추천(Explainable AI Recommendation)’입니다. 설명가능한 추천이란 고객에게 납득할 수 있는 추천과 그 이유를 함께 노출하는 것을 의미합니다.

“그렇다면 설명가능한 추천은 기존 서비스에 사용하던 추천 알고리즘, AI 기반 추천과 무엇이 다를까요?”

‘Rule 기반 추천’은 AI가 발전되기 전에 있었던 추천으로 AI 기반 추천에 비해 지표적 성과가 낮습니다. 사람이 매번 고객의 다양한 취향에 맞는 상황을 생각하고 고민하는 것보다 고객의 행동 패턴을 학습한 AI 추천 모델을 이용하는 것이 더 효율적이고 성능도 좋기 때문입니다.

하지만, AI 기반 추천은 ‘왜 이러한 추천이 노출되었는가?’라는 이유를 설명하지 못합니다.

고객의 행동 패턴을 학습하고 추론하는 과정에서 AI는 고객을 인간이 해석할 수 없는 다차원 벡터로 나타내고 계산합니다. 만약 이유를 제대로 설명하지 못하는 추천의 경우, 고객은 추천에 대해 의구심을 품게 되고 본인과 맞지 않는 추천이라고 느낄 수 있습니다. 추천을 통해 고객의 탐색 경험을 지속해서 도와야 하는데, 정작 추천에 만족하지 못한다면 고객은 실망하고 서비스를 떠나게 됩니다.

반면, ‘설명가능한 추천’은 AI를 기반으로 고객의 행동 패턴을 학습해 추천 이유를 설명하는 방식입니다. 이에 따라 고객에게 만족감을 주면서 동시에 클릭률, 구매 전환율과 같은 지표를 극대화할 수 있습니다. 또한 AI를 활용하기 때문에 여전히 지표 성과를 극대화할 수 있으며, 때로는 더 좋은 성과를 내기도 합니다.

설명가능한 추천은 어떻게 만들까?

설명가능한 추천을 만드는 방법은 두 가지입니다. 첫 번째는 추천의 이유를 만들고 해당 이유에 부합하는 상품을 추천하는 것입니다. 먼저 ‘인터프리테이션 모델(Interpretation Model, 해석 모델)’을 통해 고객이 어떤 카테고리, 브랜드에 관심 있는지 알아냅니다. 혹은 고객이 할인율이 높은 상품을 좋아하는지, 인기 상품을 좋아하는지 등 관심 있게 보는 상품들의 특징을 추출할 수도 있습니다.

위 이미지를 보면 고객이 행동한 기록을 토대로 ‘간편식품에 관심 있는 고객’이라고 특징을 추출한 것을 볼 수 있습니다. 이후에는 해당 특징에 맞는 상품을 AI 모델을 통해 추천하고 문구와 함께 고객에게 보여줌으로써 납득할 수 있는 추천을 제공할 수 있습니다.

두 번째는 AI 추천 결과를 먼저 받고 납득 가능한 문구를 생성하는 방식입니다. 이 방법의 경우, AI 추천 모델이 왜 이러한 결과를 내보냈는지 이유를 생성합니다.

위 이미지를 보면 상품 추천 결과로 나온 상품들을 ‘지식 그래프(Knowledge Graph)’에서 분석하여 해당 추천을 설명할 수 있는 키워드를 추출합니다. 참고로 지식 그래프는 상품, 카테고리, 키워드 등의 관계를 나타내는 그래프입니다.

AI 추천 모델이 ‘트랜스포머(Transformer)’ 기반으로 만들어졌으면 ‘어텐션 스코어(Attention score)’를 시각화해서 추천의 이유를 설명할 수도 있습니다. 최근에는 ChatGPT와 같은 생성형 AI로 추천 결과에 대한 이유를 생성한 연구 결과도 있습니다.

고객 만족을 위한 설명가능한 추천의 중요성

지금까지 커머스 플랫폼에서 상품 추천을 활용해 고객의 만족도를 높일 수 있는 방법, 그중에서도 ‘설명가능한 추천’에 대해 알아보았습니다. 기존 추천에 비해 설명가능한 추천은 추천 이유를 설명하고 직관적인 UX를 제공한다는 점에서 차이가 있습니다.

설명가능한 추천은 단순히 고객의 클릭률과 구매 전환율을 높이는 것 이상으로, 고객과의 신뢰를 쌓는 데 중요한 역할을 합니다. 고객은 자신에게 맞는 상품을 추천받을 때 그 이유를 이해할 수 있다면 더 큰 만족감을 느끼고, 이는 장기적으로 충성 고객으로 이어질 수 있습니다.

기획자들은 설명가능한 추천을 통해 고객의 다양한 요구를 보다 효과적으로 반영할 수 있으며, 이를 통해 더욱 개인화된 경험을 제공할 수 있습니다. 이는 단순한 매출 증대를 넘어, 고객의 전체적인 쇼핑 경험을 향상시키고 브랜드에 대한 긍정적인 인식을 형성하는 데 기여합니다. 고객 만족도를 높이고, 플랫폼의 지속적인 성장을 이루기 위해서는 설명가능한 추천의 도입과 적극적인 활용이 필요합니다.