추천 알고리즘은 어떻게 작동할까? 마케터를 위한 설명서
유튜브를 열면 지금 보고 싶던 영상이 먼저 와 있고, 쇼핑몰 메인에는 지난주에 고민하던 신발이 다시 올라와 있습니다. 우연처럼 보이지만 우연이 아닙니다. 화면 뒤에서 추천 알고리즘이 "이 사람이 다음에 관심 가질 것"을 계속 계산하고 있기 때문입니다.
마케터에게 추천 알고리즘은 더 이상 개발자만의 주제가 아닙니다. 상품 추천 영역을 어디에 둘지, 추천을 메시지에 어떻게 실을지가 전환율을 직접 움직이는 시대이기 때문입니다. 매킨지는 아마존 매출의 35%가 추천에서 나온다고 추정하기도 했습니다(아마존이 공식 확인한 수치는 아니지만, 추천의 무게를 보여주는 대표적인 숫자로 통합니다). 그런데 정작 "추천이 어떻게 작동하느냐"는 질문에는 수식과 영어 용어로 된 설명만 돌아오곤 합니다. 이 글은 그 간극을 메우는 글입니다. 수식 없이, 마케터의 언어로 추천 알고리즘의 작동 원리를 처음부터 설명합니다.
추천 알고리즘이란?
추천 알고리즘은 한 문장으로 하면 "과거의 행동 데이터로 다음 관심사를 예측하는 계산 방법"입니다. 고객이 무엇을 봤고, 담았고, 샀는지 기록이 쌓이면, 그 패턴에서 "이 고객이 아직 안 본 것 중 좋아할 확률이 높은 것"을 골라내는 것입니다.
오프라인에 비유하면 단골 손님을 기억하는 점원과 같습니다. "지난번에 이 원두 사 가셨죠? 이번에 비슷한 산미의 신상품이 들어왔어요"라고 말하는 점원의 판단을, 수십만 명의 고객에게 동시에 해내도록 자동화한 것이 추천 알고리즘입니다.
추천을 만드는 두 가지 기본 원리
방식은 다양하게 발전해 왔지만, 뿌리가 되는 원리는 두 가지입니다. 이 둘만 이해하면 어떤 추천 시스템 설명도 따라갈 수 있습니다.
첫 번째는 협업 필터링(collaborative filtering)입니다. "나와 취향이 비슷한 사람들이 좋아한 것"을 추천하는 방식입니다. 내가 A, B, C를 샀는데 나와 구매 목록이 많이 겹치는 다른 고객들이 D도 샀다면, 나에게 D를 보여줍니다. 상품이 뭔지 몰라도 됩니다 — 사람들의 행동이 겹치는 패턴만으로 계산하기 때문에, 의외의 발견("이런 것도 좋아하실 줄 몰랐죠?")을 잘 만들어냅니다.
두 번째는 콘텐츠 기반 필터링(content-based filtering)입니다. "내가 좋아한 것과 비슷한 것"을 추천하는 방식입니다. 내가 산 신발의 카테고리, 브랜드, 가격대, 색상 같은 속성을 보고, 속성이 비슷한 다른 상품을 찾아줍니다. 다른 고객 데이터가 없어도 되는 대신, 내 취향의 울타리를 잘 벗어나지 못한다는 한계가 있습니다.
실제 서비스는 대부분 이 둘을 섞어 씁니다. 여기에 최근에는 딥러닝이 더해져, 클릭 순서나 체류 시간 같은 미세한 행동까지 반영해 "지금 이 순간의 관심"을 실시간으로 추적하는 방향으로 발전했습니다. 원리는 같습니다 — 행동의 패턴에서 다음 관심을 예측한다는 것.
쇼핑 여정 곳곳의 추천 자리
원리를 알았으니, 이제 추천이 실제로 어디에 쓰이는지 보겠습니다. 이커머스 기준으로 추천이 성과를 내는 자리는 대략 정해져 있습니다.
메인 홈 — "당신을 위한 추천": 방문 직후 첫 화면. 이 고객의 전체 취향을 반영한 개인화 진열이 들어갑니다.
상품 상세 — "함께 본 상품", "이 상품과 어울리는": 지금 보는 상품과의 연관 추천. 비교 쇼핑과 크로스셀이 여기서 일어납니다.
장바구니·결제 — "이것도 함께 담아보세요": 객단가를 올리는 마지막 자리. 저가 연관 상품이 잘 맞습니다.
화면 밖 — 메시지 속 추천: 앱 푸시, 알림톡, 이메일에 고객마다 다른 추천 상품을 실어 보내는 자리입니다. 사이트 안 추천과 달리 고객이 찾아오지 않아도 닿는다는 점에서, CRM 마케터가 직접 다루는 추천 자리입니다.
자리마다 어떤 추천 유형이 맞는지는 AI 상품 추천 메시지 유형 10가지에서 상황별로 정리해 두었습니다.
좋은 추천과 나쁜 추천을 가르는 조건
같은 원리를 쓰는데 왜 어떤 추천은 잘 맞고 어떤 추천은 "이미 산 걸 왜 또 보여주지?"가 될까요. 차이는 대부분 데이터 쪽에 있습니다.
데이터의 신선도. 추천의 재료는 행동 데이터인데, 고객의 관심은 빠르게 움직입니다. 지난달 데이터로 계산한 추천은 지난달의 취향입니다. 오늘 아침에 본 상품이 오늘 저녁 추천에 반영되는지, 즉 갱신 주기가 추천 품질을 크게 좌우합니다.
콜드 스타트 문제. 행동 기록이 없는 신규 고객이나 신상품에는 예측의 재료가 없습니다. 이때는 인기 상품이나 카테고리 기반 추천으로 시작해, 행동이 쌓이는 만큼 개인화 비중을 높이는 식으로 풀어갑니다. 신규 고객 비중이 높은 쇼핑몰일수록 이 전환 설계가 중요합니다.
이미 산 것의 처리. 구매 완료 상품을 추천에서 빼는 것, 반대로 소모품은 재구매 주기에 맞춰 다시 보여주는 것 — 규칙처럼 사소해 보이는 이 처리들이 고객이 체감하는 "똑똑함"의 큰 부분을 차지합니다.
마케터는 추천을 어떻게 다루면 될까
여기까지 읽으셨다면 눈치채셨겠지만, 마케터가 알고리즘 수식을 만질 일은 없습니다. 마케터의 일은 두 가지입니다. 추천을 어느 자리에 배치할지 정하는 것, 그리고 추천을 실은 캠페인을 운영하는 것. 계산은 솔루션의 몫입니다.
블럭스에서는 이 배치와 운영을 에이전트에게 문장으로 요청할 수 있습니다. 장바구니 리마인드 메시지에 고객별 추천 상품을 싣는 것도 설정 화면을 뒤질 필요 없이 대화로 끝납니다.
자주 묻는 질문
데이터가 적은 작은 쇼핑몰도 추천 알고리즘을 쓸 수 있나요?
가능합니다. 다만 개인화의 깊이가 데이터 양을 따라가므로, 초기에는 인기 상품·연관 상품 중심의 추천으로 시작해 데이터가 쌓이면서 개인화 추천의 비중이 커지는 구조가 현실적입니다. 중요한 건 시작 시점부터 행동 데이터를 제대로 수집해 두는 것입니다.
추천 알고리즘을 직접 개발해야 하나요, 솔루션을 써야 하나요?
추천 전담 개발·ML 인력을 상시 운영할 수 있는 규모가 아니라면 솔루션 쪽이 현실적입니다. 추천은 만들고 끝이 아니라 데이터 파이프라인과 모델을 계속 갱신해야 하는 운영 부담이 큰 영역이기 때문입니다. 자체 개발과 솔루션 도입의 판단 기준은 CRM 솔루션 선택 가이드에서 더 자세히 다룹니다.
추천에 쓰이는 행동 데이터는 개인정보 문제가 없나요?
추천은 이름이나 연락처 같은 식별 정보가 아니라 "어떤 상품을 보고 샀는가"라는 행동 기록을 재료로 씁니다. 물론 이 데이터도 개인정보 처리방침에 따른 수집 동의 범위 안에서 다뤄야 하며, 국내 서비스라면 수집 목적에 맞춤형 서비스 제공을 명시하는 것이 일반적입니다.
점원의 감각을 모두에게
추천 알고리즘의 본질은 결국 좋은 점원이 하던 일과 같습니다. 손님을 기억하고, 취향을 헤아리고, 알맞은 것을 권하는 일. 알고리즘은 그 감각을 매장에 오는 모든 고객에게, 새벽에 접속한 고객에게까지 확장해 줄 뿐입니다. 원리를 알았으니 다음은 자리 잡기입니다 — 우리 쇼핑몰의 여정에서 추천이 비어 있는 자리가 어디인지부터 찾아보면 됩니다.