추천을 위한 데이터와 기능 알아보기

상품(콘텐츠) 추천 기능 구현하기: (2) 데이터에 따른 추천 방식 적용하기

이전 글에서는 상품 추천 기능을 구현하기 위해 어떤 데이터를 수집해야하는지 소개하였습니다. 사물에 기반하는 데이터인지, 사람에 기반하여 고객의 행동 이력이 필요한지, 혹은 특정 유명인의 의견 데이터인지와 함께, 추천받을 대상자에게 맞춤형 개인화 정보를 제공하는 것인지 혹은 모두에게 추천하는 내용인지 등을 이야기해드렸죠!

최종적으로는 이에 따라 12가지의 추천 모델을 표로 제안하였는데요, 오늘 이 표가 의미하는 것이 무엇인지 개념을 안내드리겠습니다.




사물 기반 (Attribute)



A-1. 상품 속성 랭킹 유형



‘상품 속성 랭킹 유형’이란, 상품 속성을 우열을 가려 추천하는 방법입니다. 보통 ‘가격이 낮은 순’, ‘신상품순(출시일순)’, ‘리뷰가 많은 순’, ‘시청시간이 긴 순’ 등으로 추천할 수 있습니다. 별다른 어려운 알고리즘이 들어가지 않기 때문에 간단히 도입할 수 있으나 상품이나 컨텐츠 별로 이 속성을 올바르게 정하는 것이 무엇보다 중요합니다.

도입한 이후에는 고객이 자주 활용하는지를 파악하여 데이터를 추가할 필요성은 없는지, 나열 순서를 바꿀 필요는 없는지를 계속 고도화해주어야 합니다. 뷰저블의 클릭 히트맵을 활용하면 클릭 수가 높고 낮은 것이 무엇인지를 파악하여 고객의 선호하는 랭킹 유형을 파악할 수 있습니다.



A-2. 연관 상품 유형



상품을 탐색하거나 구매를 시도할 때 해당 상품과 연관있는 상품을 추천하는 개념으로 크게는 ‘유사성‘상호보완성’으로 구분하여 맥락에 따라 제안할 수 있습니다. 예를 들어 불닭볶음면을 구매하려는 고객에게 치즈나 소시지, 삼겹살을 구매하려는 고객에게 갈매기살과 상추, 쌈장을 제안하여 ‘상호보완’할 수 있고, 동일한 카테고리의 다른 상품을 노출시킬 수도 있습니다.


연관상품 추천 모델에 대해서는 아래 뷰저블 블로그를 참고해 주세요!

고객이 같이 사는 제품의 이유! 연관성 분석 이해하기 | 뷰저블

도입 이후에는 뷰저블의 스크롤 히트맵 내 어텐션 그래프를 통해 구간별 체류시간이 증가하는지, 해당 영역의 스크롤 도달 대비 클릭이 얼마나 발생하는지로 성과를 측정할 수 있습니다.



A-3. 상품 선호 유형


고객이 과거에 시청했던 영화 리스트나 구매한 적이 있는 상품유형을 분석하여 해당 상품의 특징을 분석한 뒤 동일한 특징을 갖는 상품을 추천하는 개념입니다.

이 글을 작성하는 필자는 봉준호 감독을 좋아하며, 독일의 역사와 문화를 사랑하는 크리스찬입니다. 유튜브에서는 검색어와 시청 이력을 기반으로 이러한 저의 특징을 이미 파악하고 있나봅니다. 추천영화로 기생충, 루터 같은 영화를 추천해준 것을 보면요!



고객의 행동 이력을 점수화하고 점수가 높게 나온 상품과 콘텐츠를 추천합니다. 상품 선호 유형의 장점은 ‘신상품’에도 바로 도입할 수 있다는 점이 있지만, ‘선물을 위해 구매한 상품’인 경우에는 데이터가 일부 왜곡될 수 있어 주의가 필요합니다.



A-4. 상품 니즈 유형


상품 니즈 유형은 고객의 상품에 대한 니즈를 사전에 수집하여, 이를 바탕으로 고객이 원하는 상품을 특징에 맞춰 제안하는 방식입니다.

굉장히 이상적인 상품을 추천할 수 있으며 ‘직접 질문을 통한 결과’ 데이터에 기반하기 때문에 정밀도도 높습니다.



사람 기반 (Consumer)



C-1. 인기도 랭킹 유형


상품의 인기도가 높은 순으로 나열하는 굉장히 간단한 방법으로, 판매량이나 시청시간순, 조회수 등을 예로 들 수 있습니다. 교보문고 베스트셀러를 떠올리면 쉽게 이해하실 수 있겠죠? 누구나 쉽게 도입할 수 있는 보편적인 방법입니다.




C-2. 유사 행동 유형



구매하려는 혹은 구매한 상품의 속성 또는 구매 패턴을, 다른 고객들과 비교하여 공통되는 연관성을 발견한 뒤 상품들을 제안하는 방법으로 커머스에서 보편적으로 사용합니다. 이 추천 방법은 ‘개인화’된 방법이 아닌 누구에게나 똑같은 상품이 제안되는 매스 데이터 기반으로 작동한다는 점을 유의해야 합니다. ‘다른 고객이 함께 본 상품’, ‘다른 고객이 함께 구매한 상품’을 제안하는 것을 예로 들 수 있습니다.



C-3. 협업 필터링


협업 필터링은 1992년 미국의 제록스사에서 구축한 뉴스 추천 시스템이 시초가 된다고 일컬어집니다. 고객 A와 B가 있을 때 협업 필터링으로는 A 고객의 활동이 B고객과 유사하다는 것을 파악할 수 있는데요, 그럼 기업은 A와 B를 같은 그룹으로 분류하여 A의 활동과 B의 활동 데이터를 함께 분석하게 됩니다. 이를 기반으로 향후 A가 어떤 행동을 할 지에 대해 B, C, D, E와 같은 다른 고객의 행동 데이터에 기반하여 유추할 수 있게 되는데요, 수십 수백만개의 정보를 통해 정밀도를 높일 수 있습니다. 아마존 전체 매출의 30%, 넷플릭스 전체 콘텐츠 중 2/3이 제품 기반 협업 필터링을 활용한다고 합니다.


아래 뷰저블 블로그에서 협업필터링과 함께 다양한 개인화 추천을 확인할 수 있습니다.

데이터 기반 개인화 추천 (1/3): 트렌드와 기술편 | 뷰저블



C-4. 설문 기반 유형



성별, 연령, 직업, 선호하는 색상 등 다양한 개인 속성 정보를 기반으로 해당 속성에 가까운 상품을 직접 추천하거나, 유사한 속성을 지닌 사람이 선호하는 상품들을 제안하는 방식입니다. 직접 이러한 속성들을 작성하도록 하는 방식은 UX 차원에서 고객에게 귀찮은 태스크로 느껴질 수 있기 때문에, 최근에는 고객 행동 이력을 기반으로 추천 상품을 고도화해나가는 방식을 채용하는 경우가 많습니다.

보통 화장품 앱에서는 성별과 피부타입 등을 설문조사 결과를 기반으로 연관 상품을 추천하고, 뉴스 기사 앱에서는 카테고리를 먼저 고객이 선택하게 하여 해당 카테고리 내용을 우선적으로 보여줍니다. 도입 이후에는 뷰저블을 통해 페이지 별 체류시간의 증감이나 페이지 내 클릭 비중이 증가하였는지를 통해 성과를 측정할 수 있습니다.



지식 기반 (Knowledge)



K-1. 공인/유명인 추천 유형



연예인, 전문가, 점원 등을 통해 상품을 추천하는 방식으로 온-오프라인 굉장히 보편적입니다. 추천하는 측이 공인이거나 영향력을 지녔다면 굉장한 효과가 있습니다.



K-2. 개인 추천 유형


K-1에서 말한 연예인이나 전문가, 점원 외에도 특정 개인이 해당 상품이 얼마나 좋은지를 추천하는 방식입니다. 보통 블로그에서 맛집을 소개하거나 화장품을 리뷰하는 글들을 떠올릴 수 있습니다.



K-3. 의견 제안 유형


추천받을 사람의 과거 행동 이력이나 구매이력을 바탕으로 전문가, 점원, 개인이 판단하여 상품을 추천하는 방식입니다. 스타일리스트가 흰색 원피스를 좋아하는 사람에게 포인트로 파란색 가방을 제안할 수 있겠죠.



K-4. 상품 니즈 분석 제안 유형


마지막으로 상품 니즈 분석 제안 유형이란, 추천받을 사람이 제출한 설문정보를 바탕으로 니즈나 페인 포인트를 파악하여 일정한 기준으로 상품을 제안하는 방법입니다. ‘기미’가 고민인 20대 여성에게는 20대 여성에게 맞는 비타민C를 제안할 수 있겠죠. 추천하는 사람의 영향력과 신뢰도가 중요합니다.

기능을 도입하였다면 뷰저블에서 제공하는 다양한 히트맵이나 애널리틱스의 지표들을 통해 성과를 측정할 수 있는데요, 예를 들어 클릭 히트맵을 통해서는 사람들의 ‘관심’이 실제 전환 성과로 이어지고 있는지를 파악할 수 있으며, 무브 히트맵의 호버 성과를 통해서는 고객의 ‘관심’과 ‘이목’을 모으는지, 스크롤 히트맵을 통해서는 고객이 해당 기능을 인지하고 있으며 일정 시간을 할애하여 활용하는 지 등을 파악할 수 있습니다.

K-1 같은 경우에는 추천하는 해당 유명인의 사진을 도입한 이미지와 그렇지 않은 이미지를 나눠, 뷰저블로 A/B Testing까지 실시해볼 수 있습니다.




이번 글에서는 상품이나 콘텐츠를 추천하기 위해서는 어떤 데이터가 필요하며 이들을 기능화하기 위해서는 어떤 추천 방법들을 채용할 수 있는지 소개하였습니다.

이제는 여러분의 서비스에 적용하여 비즈니스 달성을 가속화하세요!



Share This Post

Share on facebook
Share on linkedin
Share on twitter
Share on email