온라인 쇼핑, `추천 기술`로 승부해야

온라인 쇼핑에서의 큐레이션에 관한 디지털 타임즈 기고문입니다.

영국의 컨설팅 업체 PwC가 발표한 '2017년 종합 소매업 보고서(Total Retail 2017)'에 따르면 세계 20대 주요국가의 유통시장에서 아마존이 차지하는 비율이 56%에 달하고, 미국·일본·이탈리아·독일 등 5개국에서의 사용률은 90%대를 넘었다. 아마존이 초대형의 글로벌 유통기업이다 보니 진출 소식이 들려올 때마다 국내 온라인 쇼핑 업체들은 긴장하지 않을 수 없다.

전 세계의 유통시장을 장악할 정도로 막강해진 아마존의 성장 배경에 추천 시스템이 있다는 것은 IT 업계에서는 공공연한 이야기다. 제프 베조스 아마존 CEO는 1998년에 이미 웹사이트에 방문하는 고객 수만큼의 쇼핑몰을 제공해야 한다는 원칙 아래 개인화 추천 시스템을 개발해왔다.

아마존 개인화 추천 시스템의 대표적인 알고리듬은 '협업필터링' 알고리듬이다. '협업필터링'이란 집단지성을 이용한 기술인데, 패턴이 비슷한 고객을 분류하고 나와 패턴이 유사한 다른 사용자가 구매한 상품을 내게 추천하는 방식이다. 아마존에서는 사용자가 아닌 상품 간 유사도를 분류해 내가 보고 있는 상품 또는 내가 본 상품과 유사한 상품을 추천한다.

국내 온라인 유통업계는 오픈마켓, 홈쇼핑, 전문몰, 소셜커머스 간 경쟁이 치열하지만 돌파구를 찾기 힘든 상황이다. 가격 경쟁에 매몰되기보다 아마존처럼 기술혁신을 꾀한다면 새로운 가능성을 찾을 수 있다. 11번가의 경우 간편결제·이미지검색·챗봇 등 기술로 고객에게 편의성을 제공함으로써 서비스 차별화 및 혁신에 나서고 있다. 특히 11번가는 고객의 이용 패턴에 따라 실시간으로 관심상품을 추천하는 플랫폼을 통해 정교한 기술을 구축하는 데 힘을 쏟고 있다.

온라인 쇼핑 서비스는 쇼핑몰에 방문한 고객에게 추천기술을 통해 그들이 관심 있을만한 상품을 추려서 보여줘야 한다. 방문고객 모두에게 인기상품을 똑같이 보여주는 방식은 옳지 않다. 상품이 수천만 개 있어도 고객이 찾지 못한다면 아무 소용이 없다. 비싼 마케팅 비용을 들여서 방문하게 된 소중한 고객이 둘러보고, 머무르고, 구매하고, 재방문하게 해야 한다. 추천기술이 해답이다.

개인화 추천을 제공하기 위해서는 데이터분석·알고리듬 개발·측정 기술이 필요하다. 먼저 방문고객 및 전체 고객의 이용 패턴을 분석해 유사고객을 구분하고 특징을 알아야 한다. 또 고객과 상품의 연관도를 추출하기 위한 협업 필터링(Collaboration Filtering), 행렬분해(Matrix Factorization), 멀티암드밴딧(Multi Armed Bandit) 등 알고리듬을 구현해야 한다. 아울러 이 알고리듬을 적용할 서비스 도메인에 맞게 개발해서 성능을 높여야 한다. 적용할 서비스가 쇼핑인지 뉴스인지에 따라 같은 알고리듬의 적용 방식이 달라진다.

마지막으로 알고리듬의 성과를 정확히 측정해야 개선된 부분과 개선이 필요한 부분을 알아내고, 알고리듬의 성능도 향상시킬 수 있다. 대다수의 고객들은 2∼3개의 쇼핑몰을 동시에 이용하고 오프라인에서도 소비하기 때문에 단일 쇼핑몰에서의 구매를 예측하기란 어렵다. 고객의 이용 내역을 종합해 알 수 없기 때문이다. 하지만 분석·개발·측정을 지속적으로 반복해서 알고리듬의 정확도를 높일 수 있다면 고객은 쇼핑과정이 편해지고 재방문도 유도할 수 있다. 이렇게 되면 구매예측이 더 쉬워진다. 온라인쇼핑이 개인화 추천에 집중해야 하는 이유다.