알고리즘 마케팅 추천의 원리
모두의 연구소 풀잎스쿨 14기
본 글의 내용은 일리야 캐서브의 알고리즘 마케팅 中 5장 후반부를 요약&정리한 내용입니다.
모두의 연구소 풀잎스쿨14기 스터디 모임에서 직접 작성하고 발제한 내용임을 알려드립니다.
본 책의 영어판 원문은 아래 링크에서 직접 다운로드 가능합니다.
https://algorithmic-marketing.online/
5.11 비개인화된 추천
추천 시스템에서 행동 데이터가 불완전하거나 신뢰하기 어려운 경우
과거 상호 작용 기록이 없거나 매우 적은 양의 기록만 있는 무기명 사용자 추천 범위를 단독으로 사용
하이브리드 시스템에서 개인화 추천과 함께 사용하는 비개인화 추천으로 확장 제품크로스 셀링 등에 유용
5.11.1 비개인화 추천의 종류
인기 있는 아이템
인기있는 브랜드와 카테고리를 베스트셀러 or 톱10과 같은 이름으로 프로모션
사용자 요청과 관련된 맥락을 사용하는 대신 배후 맥락으로 간주될 수 있는 동적으로 업데이트 되는 판매 또는 브라우징 데이터에 의존
인기 상승 아이템
판매량이 증가하는 제품: 보다 우연성이 강하다는 가정에 기반, 롱데일 아이템 홍보에 유용
잘 알려지지 않은 제품도 광고나 SNS 덕분에 급상승이 가능하기 때문
신제품
새로운 아이템이나 제품 구성에 새롭게 반영된 아이템
비슷한 아이템
브라우징 맥락에서 생성
비슷한 제품 혹은 좋아할 만한 제품과 같이 특정 제품의 맥락과 관련된 추천으로 표준 검색 기법에 의해 생성 가능
두 제품 사이의 거리는 TDXIDF 거리의 가중평균으로 정의하며 아이템 콘텐츠에 기반을 두고 사소하고 비우연적인 추천을 하는 경향
흔한 패턴
구매와 브라우징 패턴을 분석하고 특정한 종류의 아이템에 대해 함께 구매되는 아이템을 발견함으로써 보다 타깃된 추천 가능
고객들이 제품을 사거나 본 후 고객들이 산 다른 제품과 같은 제품의 페이지에 등장
5.11.2 관련 규칙을 활용한 추천
비개인화 추천 시스템은 추천을 위해 사용할 수 있는 제품 사이의 의존성을 발견하기 위해 스토어와 온라인을 비롯한 다른 마케팅 채널로부터 트랜잭션 기록을 분석
두 아이템이 자주 함께 구매됐다면 두번째 아이템은 첫번째 아이템 구매자에게는 좋은 크로스셀링 아이템 추천이 될 수 있다는 것을 의미
개별 아이템의 맥락에서 이뤄질 수도 있고 복수의 아이템 맥락에서 이뤄질 수도 있으며 개인화된 추천과 비개인화된 추천의 경계는 불분명
특정 제품의 맥락에서 생성되고 특정 제품 상세 페이지에서 보이는 추천은 이 페이지의 핵심적인 정적 부분
아이템 집합 X → Y
예) [파스타, 와인] → [마늘]
5.12 다중 목표 최적화
지금까지 설명한 최적화 기법의 단일 목표는 최적의 의미적 매치 또는 예측 스코어를 찾는 것이나 추천의 정확성이 시스템 디자인에서 유일한 목적이 아닐 수 있음.
마케터는 고객에게 제공되는 추천에 여러가지 목표 설정을 할 수 있음.
식료품 스토어: 짧은 유통 기한을 갖고 있는 식품의 회전율 상승
패션 스토어: 스폰서된 브랜드 또는 계절 컬렉션을 프로모션
소매업체: 마진율이 높은 제품 추천, 재고 소진 추구 혹은 회피
2차적 목표들에 대응하는 신호를 갖고 있는 의미적 적합 신호를 블렌딩
링크드인 업무 기술과 의미적으로 일치하는 원자를 추천 구직 행동 양식
원래의 적합성 기반 랭킹에서 멀어지면 감정을 받는다는 조건하에 단일 2차 목표를 갖고 있는 경우를 고려해 보고 다양한 목적이 대해 확장될 수 있는 추상적인 프레임워크 정의
최적화 문제의 주요 아이디어는 2차적 목표와 적합성 스코어를 블렌딩하는 재정렬된 추천의 효용을 증가시키지만 2차적 목표의 추구 때문에 원래의 적합성이 무시되지 않도록 원래의 적합성 기반 추천과 재정렬된 추천의 차이에 대해 처벌하는 것
함수의 디자인은 원래의 적합성과 2차적 목표 사이의 튜닝이 가능한 모수를 포함해야 하고 이 모수는 최적화의 목적이 될 것
5.13 추천 시스템의 아키텍처
사용자 인터페이스
웹사이트, 이메일 서비스 제공자 모바일 알림, 뉴스피드 등과 같은 복수의 사용자 인터페이스와 연결
이 채널들은 맥락 정보를 받고 정렬된 추천을 제공하는 인터페이스를 통해 코어 추천 시스템과 소통
데이터 수집
추천 시스템에 의해 사용하는 데이터 출처의 수는 매우 높을 수 있음
산업적 추천 시스템은 종종 하이브리드 또는 실험의 목적으로 많은 알고리즘을 사용하기 때문에 추천 시스템은 콘텐츠 기반, 협업 필터링, 인기기반 모델 등을 지원하기 위해 충분한 데이터를 소비해야 함
모델링
수집되고 정제되고 통합된 데이터는 추천 모델을 만드는 데 사용
모델은 저장소에 배치되고 정기적으로 데이터 변화를 따라잡기 위해 재훈련
추천 서비스
추천 서비스의 중요 목적은 추천 모델의 평가를 완료하고 추천을 사용자 인터페이스를 통해 보여주는 것
1) 코어 알고리즘에 의해 생성된 추천은 추가 향상과 수정을 위해 사후 처리될 수 있음
2) 사용자가 이미 경험한 추천을 추적하는 서비스는 사용자 경험을 좀 더 동적이고 생산적이고 우연적으로 만들기 위해 추천리스트를 섞을 수 있음
3)추천 서비스는 검증 규칙이나 로그 분석을 통해 추천의 품질을 검사하거나 검증이 실패할 경우 자동 수정을 할 수 있음
자동 품질 검사의 예로는 전체 추천의 수 검증과 알고리즘 수행 시간 모니터링 등이 있음
본 포스팅은 모두의연구소 풀잎스쿨에서 진행된 '힙한 알고리즘 마케팅' 과정 내용을 공유 및 정리한 자료입니다.
