AI 상품 추천, 사이트 안에서만 보여주고 있지 않나요?

요즘 CRM 솔루션 소개서를 보면 어디에나 "AI 상품 추천"이 들어 있습니다. 그런데 같은 이름을 달고 있어도, 실제로 하는 일은 크게 두 가지로 갈립니다. 하나는 쇼핑몰 사이트 안에서만 보여주는 추천이고, 다른 하나는 알림톡·앱푸시 같은 메시지에 실어 보내는 추천입니다.

기능표에서는 이 차이가 잘 안 보입니다. 둘 다 "개인화 추천 ✓" 한 줄로 적히니까요. 하지만 추천이 어디까지 닿느냐에 따라 매출의 상한선이 달라집니다. 이 글에서 그 차이를 하나씩 살펴보겠습니다.

사이트 안에서만 보이는 추천이란?

쇼핑몰 메인의 "이런 상품은 어때요?", 상품 상세 페이지 아래의 "함께 구매한 상품" 같은 코너를 떠올리면 됩니다. 이렇게 사이트 화면 안에 추천 상품을 보여주는 영역을 업계에서는 '추천 위젯'이라고 부르는데, 국내 솔루션의 추천 기능 대부분이 이 방식입니다.

여기서 중요한 건 앱이냐 웹이냐가 아닙니다. 이 방식의 추천이 고객에게 보이려면 조건이 하나 필요합니다. 고객이 지금 사이트에 들어와 그 화면을 보고 있어야 한다는 것. 바꿔 말하면, 사이트에 안 들어오는 고객에게는 아무리 좋은 추천도 보여줄 방법이 없습니다.

문제는 '떠난 고객'입니다

사이트 안 추천은 분명 유용합니다. 지금 구경 중인 고객이 상품을 하나 더 담게 만드니까요. 문제는 CRM 마케팅의 핵심 과제가 정반대 방향이라는 점입니다. 안 들어오는 고객, 장바구니만 채우고 떠난 고객, 재구매 주기를 넘긴 고객을 다시 불러오는 것. 사이트 안에만 있는 추천은 이 고객들에게 아무것도 할 수 없습니다. 추천 엔진이 아무리 똑똑해도 결과물이 사이트 밖으로 나가지 못하면, 이미 떠난 고객의 매출은 회수되지 않습니다.

국내 솔루션 상당수가 아직 왼쪽 구조입니다. 추천 기능 자체가 없는 솔루션도 있습니다. 있더라도 사전 정의된 룰 기반 알고리즘(예: 28종 중 선택)을 사이트 화면에 노출하는 형태가 많습니다. 추천 결과를 알림톡이나 앱푸시의 개인화 변수로 꽂아 보내는 기능은 공개 자료 기준으로 확인되는 솔루션이 드뭅니다. 실제로 솔루션 7종 비교에서 격차가 가장 크게 벌어진 축 중 하나가 이 부분이었습니다.

추천을 메시지에 실어 보내면 무엇이 달라지나요?

1. 변수 한 줄이면 모든 메시지가 1:1이 된다

블럭스의 ML 추천 엔진은 각 고객의 행동을 실시간으로 학습해 추천 결과를 만듭니다. 이 결과가 메시지 본문에 변수 한 줄로 들어갑니다. 마케터가 고객별로 데이터를 뽑아 가공해서 넘길 필요가 없습니다. 발송 시점에 고객마다 자동 치환됩니다.

마지막 행동 변수(방문·좋아요·장바구니·구매)와 AI 추천 변수는 알림톡·앱푸시·카카오 브랜드 메시지·이메일·SMS·인앱에서 동일한 문법으로 쓸 수 있습니다. 카카오 브랜드 메시지 캐러셀이라면 카드마다 다른 추천 순위를 매핑해 고객마다 다른 상품 6개가 실린 캐러셀을 보낼 수도 있습니다.

2. 시나리오와 결합하면 리텐션이 자동화된다

메시지로 나가는 추천의 진짜 힘은 시나리오와 결합할 때 나옵니다. "장바구니 이탈 24시간 후 → 담은 상품 + AI 추천 2개를 실은 알림톡 → 미반응 시 3일 후 앱푸시" 같은 플로우를 한 번 설계해두면, 이후에는 고객마다 다른 상품이 실린 리텐션 메시지가 자동으로 나갑니다. 마케터가 매번 소재를 고르지 않아도, 잠든 고객 각각에게 그 사람이 반응할 확률이 가장 높은 상품이 찾아갑니다.

3. 성과가 숫자로 증명된다

같은 고객군에 같은 캠페인을 A/B로 돌려 보면 구조 차이가 숫자로 드러납니다. 블럭스 고객사인 패션 커머스 H사가 AI 개인화 메시지와 일괄 메시지를 A/B 테스트한 결과입니다.

두 메시지의 차이는 AI 추천 변수를 넣었느냐 하나뿐이었습니다. 발송 비용은 동일한데 오픈율 +80%, 구매율 +23%, ROAS +34%. 같은 발송비로 더 많은 매출이 나오는 구조입니다.

지금 쓰는 솔루션은 어느 쪽인지 확인하는 3가지 질문

지금 쓰는(또는 검토 중인) 솔루션에서 세 가지만 확인해 보세요.

• 추천 결과가 사이트 밖으로 나가나? 알림톡·앱푸시·이메일 본문에 추천 상품을 변수로 넣을 수 있는지. "랜딩 페이지에서 보여줄 수 있다"는 다른 이야기입니다.

• 추천이 학습하나? 사전 정의된 룰(베스트셀러·함께 구매)만 있는지, 고객 행동을 실시간 학습해 개인별 순위를 만드는 ML 엔진인지.

• 시나리오 안에서 쓸 수 있나? 자동화 플로우의 각 메시지 노드에 추천 변수를 꽂을 수 있는지. 이게 되어야 "설계는 한 번, 개인화는 자동"이 됩니다.

셋 중 하나라도 "안 된다"면, 추천 엔진의 성능 문제가 아니라 구조의 문제입니다. 그리고 구조는 기능 업데이트로 바뀌기 어렵습니다. 추천 엔진과 메시징 파이프라인이 처음부터 한 몸으로 설계돼 있어야 하기 때문입니다.

자주 묻는 질문

사이트 추천과 메시지 추천 중 하나만 선택해야 하나요?

아니요, 둘은 역할이 다릅니다. 사이트 안 추천은 이미 방문한 고객의 객단가를 올리고, 메시지 추천은 떠난 고객을 다시 불러옵니다. 이상적인 구조는 하나의 추천 엔진이 사이트와 메시지 채널 양쪽에 같은 추천을 공급하는 형태입니다.

추천 상품을 알림톡이나 앱푸시에 넣으려면 개발이 필요한가요?

추천 엔진과 메시징 시스템이 분리된 솔루션이라면 둘을 잇는 API 연동 개발이 필요합니다. 블럭스처럼 추천 엔진과 메시징이 한 몸으로 설계된 솔루션에서는 메시지 본문에 변수 한 줄을 넣는 것으로 끝나고, 발송 시점에 고객마다 자동 치환됩니다.

룰 기반 추천과 ML 추천은 무엇이 다른가요?

룰 기반 추천은 베스트셀러, 함께 구매한 상품처럼 사전에 정의된 규칙으로 모든 고객에게 비슷한 목록을 보여줍니다. ML 추천은 고객 개개인의 행동 데이터를 실시간으로 학습해 사람마다 다른 순위를 만듭니다. 떠난 고객에게 보내는 메시지일수록 이 개인별 순위가 반응률을 좌우합니다.

결국은 추천이 어디까지 닿느냐의 문제입니다

사이트 안 추천은 "이미 온 고객"의 객단가를 올리고, 메시지 추천은 "떠난 고객"을 다시 데려옵니다. 커머스 매출에서 더 큰 레버는 대부분 후자입니다. 신규 유입 비용이 계속 오르는 지금은 특히 그렇습니다.

우리 브랜드 데이터로 이 구조가 어떻게 작동하는지 보고 싶다면, 블럭스 인터랙티브 데모에서 추천 변수가 실제 메시지에 꽂히는 흐름을 직접 확인해 보세요. 지금 쓰는 솔루션과의 차이가 더 궁금하다면 1:1 비교 페이지에서 솔루션별 추천 구조를 비교할 수 있습니다.