고객을 만족시키는 추천이란
편향되지 않으면서, 알아서 '잘' 추천해주는 개인화 추천 시스템
탐색의 출발점, 추천
온라인 쇼핑에서의 추천은 상품의 탐색 및 발견 과정에서 꼭 필요한 기능이다. 서비스에 대한 아무런 정보 없이 유입된 사용자는 진입 후 마주하는 몇개의 화면을 기준으로 서비스에 대한 판단을 할 수 밖에 없다. 이 때, 중요한 역할을 할 수 있는 것이 바로 추천이다. 좋은 추천을 통해서는 마치 오프라인 매장에 온것처럼, 구매할 제품들을 끊임없이 보여줌으로써 사용자의 서비스 이탈을 방지하고 체류 시간을 늘리며 지속적인 탐색을 유도할 수 있다.
추천은 제한된 체류 시간 내 서비스에 진입한 사용자를 사로잡아야 한다.추천 시스템의 방식과 필요 요소 살펴보기
추천 시스템은 크게 비개인화의 추천과 개인화 추천으로 나눌 수 있다. 아래의 구분처럼, 비개인화 추천 시스템의 경우 전반적인 사용자를 대상으로 하므로 신상이나 인기 등 '사람들이 흔히 관심을 갖을만한' 아이템의 속성 기준으로 추천이 이루어진다. 반면 개인화 추천의 시스템의 경우 사용자가 제공하는 데이터를 기반으로 사용자를 파악하고, 이에 맞는 아이템을 맞춤 추천한다. 비개인화 추천의 영역에서 개인화 추천의 영역으로 갈수록 사용자 및 아이템의 디테일한 데이터가 필요하며, 이를 통해 사용자를 더 '잘' 파악해야 한다.
[추천 시스템 구분 ]
비개인화 추천 시스템
- 개인의 선호도나 행동과 상관없이 아이템의 속성 기반으로만 추천
- e.g. 신상, 인기 등
개인화 추천 시스템
- 아이템의 속성과 더불어 개인 사용자의 인구통계학적 정보(고유 정보), 상호작용과 선호도 및 행동 데이터 정의를 기반으로 맞춤 추천
- e.g. 콘텐츠 기반 추천, 협업 필터링, 하이브리드 추천 등
그럼, 사용자를 잘 파악하기 위해서는 어떤 데이터가 필요할까? 사용자와 무관하게 서비스가 자체적으로 정의 가능한 아이템(상품과 콘텐츠 등)의 속성 정의와 달리, 사용자 정의에는 직접적으로든 또는 간접적으로든 사용자가 제공한 데이터가 필요하다.
개인화 추천 시스템의 (대략적인) 프로세스이다. 이외에 추천 시스템에는 추천할 아이템의 랭킹화와 사용자의 선호도에 따라 추천에서 제외하는 제외 필터링 등의 과정이 필요하다.개인화 추천 시스템에 필요한 사용자와 아이템(상품과 콘텐츠 등)의 속성 정의에 대해 좀 더 구체화해 보면 아래와 같다. 아이템 속성 정의의 경우, 아이템의 형태에 따라 속성의 가짓수가 달라질 수 있다. 잘 알려진 예시로, 영상 콘텐츠가 아이템인 넷플릭스는 아이템 속성 정의(콘텐츠의 메타데이터 입력)를 위한 태깅 직군이 별도로 존재하며, 콘텐츠 1개당 평균 250개의 태그를 포함한다고 한다.
[ 사용자 정의 ]
고유정보 : 사용자의 인구통계학적 데이터(e.g. 성별, 연령, 국적, 거주 지역 등)
행동 로그 : 서비스 내에서 사용자의 행동 이력 데이터(e.g. 체류 시간, 클릭 패턴, 구매 주기 등)
관심사 : 전환(구매)과 직접적으로 연관된 사용자의 행동 이력 데이터(e.g. 구매한 상품과 브랜드 등)
[ 아이템 속성 정의 ]
(a. 아이템이 상품일 경우라면)
카테고리 : 패션소품 > 양말, 잡화 > 스니커즈, 액세사리 > 반지, 의류 > 데님 등
브랜드 : 파타고니아, 나이키, 아디다스, 노스페이스, 아크테릭스 등
소재 : 울, 코튼, 스웨이드, 가죽 등
컬러 : 블랙, 아이보리, 블루, 민트, 실버 등
가격 : 1만 원 이하, 1만 원~2만 원, 10만 원대, 50만 원 이상 등
상품성별 : 공용, 남성용, 여성용, 키즈 등
이외 기타 키워드 : 신상품, 한정판, 친환경 등
(b. 아이템이 콘텐츠일 경우라면)
썸네일 : 대표 이미지와 구성 텍스트의 내용, 텍스트의 사이즈 등
시각적 요소 : 주인공의 성별, 등장인물의 인종, 배경, 객체 정보 등
텍스트 : 제목, 설명, 해시태그
사용자의 취향 : 인구통계학 기준의 선호 그룹, 캐릭터, 감정 및 상황, 전하는 메세지 등
개인화 추천 시스템의 종류와 장단점
사용자와 아이템(상품과 콘텐츠 등)의 속성 정의 다음은, 개인화 추천 시스템의 종류와 장단점을 살펴볼 차례이다. 정보 필터링 측면으로 볼 수 있는 개인화 추천 시스템은 크게 아래와 같이 콘텐츠 기반 추천/협업 필터링/하이브리드 추천으로 구분해 볼 수 있다.
[ 개인화 추천 시스템의 종류 ]
(1) 콘텐츠 기반 추천(Contents-based Recommender System) : 추천의 기준이 아이템(콘텐츠)이다. 사용자가 소비(구매, 또는 구매에 영향을 주는 행동)한 아이템의 속성을 기반으로, 유사한 아이템을 추천한다. 좀 더 정확한 추천을 위해 지속적으로 추천의 학습 데이터를 기반으로 아이템의 속성을 세분화(특성추출)한다.
(2) 협업 필터링(Collaborative Filtering) : 추천의 기준이 사용자이다. 사용자와 유사한 성향이나 선호를 가질 것으로 예측되는 사용자들을 유사 그룹으로 바라보고, 유사 그룹의 소비를 기준으로 타겟 사용자 역시 선호할 것 같은 아이템을 추천한다.
(2-1) 메모리 기반 추천(memory-based) : 사용자나 아이템 간 직접적인 유사성을 기반으로 선호도를 예측한다.
(2-1-a) 사용자 기반 추천 (User-based) : 사용자를 그룹화하고 그룹 내 선호 아이템을 추천한다.
(2-1-b) 아이템 기반 추천 (Item-based) : 사용자가 소비한 아이템과 유사한 아이템을 추천한다.
(2-2) 모델 기반 추천(model-based) : 사용자와 아이템간 상호작용 데이터를 기반으로 학습하고, 아직 상호작용하지 않은 항목에 대한 사용자의 선호도를 예측한다.
(3) 하이브리드 추천(Hybrid Recommender System) : 여러 추천 기술을 결합한 추천 시스템이다. 사용할 수 있는 데이터의 특성에 따라 정확하고 다양하게 아이템을 추천한다.
그렇다면, 각 개인화 추천 시스템의 장단점은 무엇일까? 장단점을 아래와 같이 간략히 정리해보았다.
[ 개인화 추천 시스템의 종류별 장단점 ]
(1) 콘텐츠 기반 추천(Contents-based Recommender System)
- 장점 : 추천의 투명성, 콜드 스타트 개선
- 단점 : 필터 버블, 한정된 우연성
*필터 버블(Filter Bubble) : 비슷한 추천의 반복으로 개개인을 관심사 기반의 환경에 가두는 것
(2) 협업 필터링(Collaborative Filtering)
- 장점 : 유사 그룹 기반이므로 효과적인 개인화 추천, 광범위하고 우연한 추천
- 단점 : 콜드 스타트 문제, 인기도 편향(롱테일 문제) 발생
(3) 하이브리드 추천(Hybrid Recommender System)
- 장점 : 콜드 스타트 및 인기도 편향 개선으로 유연하며 고품질의 추천
- 단점 : 추천 시스템의 구현 및 유지/보수 리소스 증가, 미세 조정 및 매개변수 설정의 복잡도
정확도가 높은 추천이 '좋은 추천'은 아니다
기본적인 추천의 목표는 사용자가 반응할 아이템의 추천이다. 제한된 서비스 내 체류시간 동안 사용자가 선호할 아이템을 보여줌으로써 더 많은 액션과 구매 전환을 유도할 수 있는 추천을 제공해야 한다. 이로써 궁극적으로는 믿을만한 '좋은 추천'이라는 인식을 심어줌으로써, 습관적으로 그리고 지속해서 서비스를 방문하도록 하는 것이다.
그럼, '좋은 추천'이란 무엇일까? 고품질의 추천은 높은 정확도 외에도 커버리지와 신뢰도, 다양성, 참신성, 우연성이 필요하다. 사용자의 선호도와 행동 기반으로 사용자가 반응할 아이템을 추천하되, 사용자가 개인의 취향에 갇히지 않아야 하고, 신상품이나 노출 기회가 적어 인기를 얻지 못한 아이템까지도 다양하게 발견할 수 있도록 해야 한다. 그러기 위해서는 추천 이후 사용자들이 주는 피드백(추천에서의 전환율과 관심 없음 표시 등)을 수렴하고, 이를 기반으로 추천 로직 내 가중치 조정이 필요하다. 또 이와 함께 다양한 입출력 데이터의 변화에 대응하기 위해 지속적인 세그먼트의 데이터 갱신도 빼놓을 수 없다.
결국 좋은 추천이란, 고도화된 로직을 지니고 사용자의 피드백을 신속히 반영하는 탄탄하면서 유연한 추천이다.
'좋은 추천'이란 정확도 외에도 다양한 요소가 필요하다.이어지는 다음 글에서는 추천 시스템의 필수 요소인 아이템 속성을 활용한, "메타데이터로 만드는 최적의 추천과 검색 결과"에 대한 이야기를 다룬다.
