상품 추천 모델
과학자와 마케터 모두를 위한 Tech Talk
제품이나 서비스 상품을 판매하는 커머스에서, 고객 타겟팅과 함께 중요하게 사용되는 기술이 상품 추천이다. 구매 가능성이 높은 잠재 고객을 타겟팅하는 것과 해당 고객이 구매할 가능성이 높은 제품이나 상품을 추천하는 것의 조합으로 타겟팅을 진행할 경우, 보다 정교하게 타겟 마케팅이 가능하여 높은 성과를 기대할 수 있다. 고객을 기준으로 어떤 상품을 추천할 지의 관점에서 보면 상품 추천이 되지만, 특정 상품을 추천 받을만한 고객을 대상으로 마케팅을 한다는 관점에서는 타겟 마케팅이 되므로, 이 두가지는 기술의 응용 방법이 다를 뿐, 유사한 기술과 접근 방법이라고 볼 수 있다. 특히 구독 서비스나 통신사 서비스와 같이, 이미 확보한 고객이 일정기간 서비스를 받는 동안 인당 평균 매출( ARPU : Average Revenue Per User)를 높이거나 이탈을 방지하고 로열티를 높이는 마케팅 관점에서, 상품 추천은 중요한 마케팅 기술이자 CRM 활동이다.
상품 추천 기술은 사용자의 과거 행동, 선호도, 인구 통계 정보 등을 분석하여 사용자가 관심을 가질 만한 상품을 제시하는데, 크게 다음 대표적인 방식들이 사용된다.
1. 협업 필터링(Collaborative Filtering)
협업 필터링은 기본적으로 사용자 간의 상품 소비에 대한 유사성을 바탕으로 추천을 제공하는데, 사용자의 유사성 관점 혹은 상품 아이템의 유사성 관점이냐에 따라 다음 두가지 방법이 있다.
사용자 기반 협업 필터링(User-based Collaborative Filtering): 비슷한 취향을 가진 사용자 그룹을 분석하여 해당 그룹이 공통적으로 좋아한 상품을 추천하는 방식이다. 예를 들어, 사용자 A와 B는 영화 선호도가 비슷하여 둘 다 공통적으로 같은 영화를 시청해 온 기록이 있는데, A가 시청한 영화 중에 아직 B가 시청하지 않은 영화가 있다면 B 역시 좋아할 가능성이 높다고 보고, 이를 B에게 추천한다.
아이템 기반 협업 필터링(Item-based Collaborative Filtering): 전체 사용자의 소비 패턴을 분석하여 같은 사용자에게 공통적으로 소비된 아이템들은 서로 유사한 상품이라고 가정하고, 이들 중 일부를 시청한 사용자에게 유사한 다른 아이템을 추천하는 방식이다. 예를 들어 영화 C를 시청한 사용자 대부분이 D 역시 시청했다면, C와 D는 유사한 영화라고 가정한다. 그리고 C를 시청했는데 D를 아직 시청하지 않은 사용자에게는 유사한 D 영화를 추천한다
2. 콘텐츠 기반 필터링(Content-based Filtering)
콘텐츠 기반 필터링은 사용자의 소비 패턴보다는 상품 자체의 특성을 기반으로 상품의 유사성을 판별하여, 사용자가 이전에 본 상품들의 특성을 분석하여 유사한 상품을 추천하는 방식이다. 가장 단순한 예를 들면, 사용자가 특정 장르의 영화를 많이 본 경우, 같은 장르의 다른 영화를 추천하는 것이 대표적인 예이다. 보통 상품의 카테고리나 장르, 가격대, 타겟고객군 등의 상품 속성이나 메타데이터를 기반으로 유사 여부를 판단한다.
3. 하이브리드 추천 (Hybrid Recommendation)
하이브리드 추천 시스템은 협업 필터링과 콘텐츠 기반 필터링을 결합하여 보다 정교한 추천을 제공하는 것을 목적으로 한다. 협업 필터링은 일반적으로 잘 동작하지만, 신규 가입자와 같이 아직 소비 데이터가 충분하지 않는 사용자에게는 추천할 수 없다는 단점이 있다. (해당 분야에서 이와 같이 데이터가 부족한 신규 고객에 관한 문제를 Cold Start Problem이라고 한다) 따라서 신규 고객의 경우에는 협업 필터링 보다는 콘텐츠 기반 필터링 방법을 사용하는 것이 적절하다. 반대로 콘텐츠 기반 필터링은 사용자가 과거에 소비한 카테고리 상품만 지속적으로 추천함으로 인해, 사용자가 관심있을 지 모르는 새로운 상품 군으로 확장하지 못한다는 단점이 있다. 따라서 어느 정도 상품을 소비한 사용자에 대해서는 협업 필터링에 의한 추천을 통해 소비 상품군을 넓힐 필요가 있다.
4. 딥러닝 기반 추천
최근에는 딥러닝 기술을 활용한 추천 모델도 많이 활용된다. 앞에서 소개했던, LTV 예측에 있어서 확률통계 모델과 딥러닝 모델과의 비교와 유사하게, 데이터 속성이 다양하고 차원수가 많아 협업 필터링 모델이나 콘텐츠 기반 필터링으로 설명되기 어려울 때 딥러닝 기반 추천 모델이 잘 동작할 수 있다. 다만, 모든 딥러닝 기반 모델과 마찬가지로 많은 양의 데이터가 확보되지 않으면 잘 동작하지 않는다.
5. 규칙(Rule) 기반 추천
사람은 아주 오래전부터, 경험으로부터 획득한 지식을 기반으로 암암리에 상품 추천을 해왔다. 동네 단골집 손님에게는 늘 구매하던 제품을 추천하거나, 주기적으로 찾아오는 손님에게는 구매 주기에 다다른 제품을 추천하기도 한다. 마찬가지로 이커머스에서도 이러한 규칙 기반의 추천은 지금도 잘 동작한다. 재구매 주기가 도래하거나, 삼계탕용 닭을 구매한 고객에게 삼계탕 재료를 함께 추천하기도 한다. 이와 같이 명시적으로 규칙을 정해 추천할 수 있는 경우에는 우선적으로 활용해볼 만한 추천 방법이다.
이러한 추천 모델들은 전자상거래 뿐 아니라 스트리밍 서비스와 같은 구독 서비스, 통신, 금융 서비스 등 넓은 산업군에서 활용된다. 다만 산업 특징마다 적합한 접근 방법은 매우 다르므로 적절한 추천 모델을 적용하는 것이 중요하다.
