"추천 시스템??" [ReSys]

✅ 해당 글은 OREILLY 의 '추천 시스템 입문 교재'를 참고해 정리한 글입니다!! 더 자세한 내용이 궁금하시다면 교재를 참고해주세요!!

 

📌 추천 시스템

최근 각종 미디어 컨텐츠가 온라인 상에서 다양한 서비스를 통해 제공되고 있다. 유튜브의 알고리즘 기반 '맞춤 동영상' , 스포티파이의 '추천 플레이리스트', 배달의 민족 GPT 기반 '메뉴 추천' 기능 등등. 광범위한 영역의 상품이나 동영상, 메뉴 중에서 사용자가 직접 키워드를 입력하고 찾는 행위는 더이상 효율적이지도 않고, 사실... 불편하다.

 

"내가 일일이 골라야 해?? 그냥 내 취향에 맞게 골라주면 안돼??"

 

 이런 시대적 요구와 기술 발전에 발맞추어 등장한 것이 바로 '추천 시스템'이다. 유저(고객)들은 특별히 키워드를 입력하지 않고도 마음에 드는 아이템, 상품을 고를 수 있으며, 취향과 성향에 맞는 컨텐츠를 접할 수 있다. 

 해당 교재에서는 추천 시스템을 '여러 후보 가운데 가치있는 것을 선정해 의사결정을 지원하는 시스템'이라고 정의한다. 그렇다면 가치를 정의하는 방법에 따라 추천 알고리즘 또한 달라질 수 밖에 없다. 

 

 

"여러 후보 가운데 가치 있는 것을 선정한다?"

 

 특정 알고리즘을 고르고 비즈니스에 적용하기 위해서는 그 '목적'과 '방향'을 잘 설정해야 한다. 특히 어떤 '가치'를 제공할 것이냐가 주된 포인트라고 할 수 있다.

 영화를 예로 든다면, "호러, 스릴러, 잔인"이라는 키워드를 해당 영화가 갖고 있을 수도 있고, "안정, 평화, 자연"이 주 키워드가 될 수도 있다. 결국 영화라는 컨텐츠에서는 해당 키워드가 바로 소비자에게 제공하는 '가치'가 될 것이다. 

 

"의사결정을 지원한다?"

 

 "의사결정을 지원한다"라고 함은 시스템을 통해 선택된 아이템을 실제 사용자(user, 소비자)자 구입하거나 이용할 수 있도록 도와준다는 말이다. 사용자에게 가치 있는 아이템을 제공했다 하더라도, 그 결과가 실은 개인 사용자에게 "별로 가치 있지 않은" 아이템이 될 수도 있다. 따라서, 이 아이템 혹은 컨텐츠를 어떤 단계에서 어떻게 사용자에게 도달하게 할 것인지, 어떻게 컨텐츠를 표시할 것인지, 무슨 마케팅기법을 적용할지 등을 계속해서 고려하는 과정이 필요하다. ("사용자 경험, User Experience에 대해서는 3장에서 다룰 예정!!")

 

📌 추천 시스템의 종류

교재에서는 추천 시스템의 종류를 알아보기 위해 추천시스템을 3개의 과정으로 구분하여 설명한다. 

입력 / 프로세스 / 출력

1️⃣ 입력 (데이터 입력)

 추천 시스템에서 사용하는 데이터는 주로 컨텐츠(contents)와 인터렉션(interaction) 두 종류가 있다. 사용자의 컨텐츠 정보는 크게 나이, 성별, 주소 등의 프로필 정보가 있다. 서비스에 따라서는 선호 카테고리라던지, 가격대, 상품 정보 등이 있을 수 있다. 아이템 컨텐츠의 경우에는 카테고리, 상품 설명란, 발매일, 가격, 원산지, 제작자 등이 있겠다. 이 컨텐츠 정보들을 이용해 특정 상품을 추천하는 알고리즘을 두고 '컨텐츠 기반 필터링(Content-Based filtering)' 이라고 한다. 

 인터렉션(interaction) 정보는 사용자가 서비스 안에서 행동한 이력 데이터를 의미한다. 구입, 북마크, 평가(별점) 정보 등이 바로 아이템에 대한 인터렉션 데이터이다. 이 데이터는 사용자가 서비스 안에서의 행위가 늘어날 수록 점점 더 축적된다. 그리고 이 다양한 인터렉션에서 발생하는 정보들을 토대로 추천하는 알고리즘을 '협업 필터링(Collaborative filtering)'이라고 한다. 

 

cf) 'Cold Start Problem'

인터렉션 데이터는 일반 컨텐츠 데이터에 비해 실시간으로 축적되는 데이터가 대부분이다. 그렇다보니 인터렉션 정보를 기반해 만든 협업 필터링이 사용자의 기호를 더 잘 반영하면서 구매와 클릭을 잘 유도하는 경향이 있다. 하지만 신규 사용자나 아이템의 경우, 구매-판매-기타 등등 행위에 대한 이력 데이터가 상대적으로 부족하다. 기존의 인터렉션과 정보가 부족한 상태에서 추천이 결국 어려워지는데, 이를 일컬어 '콜드 스타트 문제'라고 부른다. 

 

2️⃣ 프로세스 (추천 설계)

• 개요 추천(개인화 x) : 사용자에게 동일한 내용을 제시함.(ex. 배달의 민족 실시간 음식 구매 순위, 아마존의 판매 순위, 가격 순, 인기 순 등등) 
• 연관 아이템 추천 : 아이템 사이의 *유사도를 사용. 유사도 설계에서는 앞서 다룬 '컨텐츠 기반 필터링'이나 '협업 필터링' 기법을 사용해 제품을 추천한다. 
• 개인화 추천 : 사용자의 프로필(컨텐츠 정보) 혹은 행동 이력(인터렉션 정보)를 구분하여 사용하거나, 두 가지 방식을 모두 사용하여 각 사용자에게 맞추어 추천. 

 

cf) *유사도

아이템 간의 유사도를 판단할 때에도 1) 비슷한 아이템일 가능성이 높을 때 유사도가 높다고 판단하는 관점과, 2) 함께 구입될 만한 아이템일 가능성이 높을 때 유사도가 높다고 판단하는 관점이 있다.

 

ex) 프린터를 구입할 때 : 구입한 이후 카트리지, 잉크와 같은 소모품을 제시. 

-> 이처럼 경우에 따라 해당 아이템과 함께 제시할 수 있는 아이템이 굉장히 다양하다. 상황, 환경, 맥락을 고려하여 연관 아이템 추천 구조를 설계하는 것이 중요!!!

 

3️⃣ 출력 (추천 결과 제시)

비즈니스에서 최종 상품 혹은 컨텐츠를 제시할 때 가장 중요한 것은 앞서 '가치'라고 했다. 이때 '제시하는 방법'에 대해서도 눈여겨볼 필요가 있다. 왜냐??

 

"좋은 아이템을 추천하더라도 제시 방법이 나쁘면 누가 그걸 사겠어??"

 

 

 웹사이트를 만들더라도, 첫 화면은 무슨 바탕으로 만들지, 각 글씨의 크기와 폰트는 어떻게 정할지, '상의', '하의' 등의 카테고리 순서는 어떻게 배치할지 등등 다양한 방법을 통해 아이템이 사용자에게 보다 편리하고 빠르게 도달하도록 계속해서 고민해야 한다. ("해당 방법에 대해서도 3장에서 자세하게 다룰 예정!!")

 

 

📌 결론

짧지만 추천시스템을 사용하는 간단한 이유와 그 종류를 다루어보았다. 입력과 프로세스, 출력이라는 3가지 요소에서 대표적으로 사용되는 추천 구조 또한 알 수 있었다. 따라서 우리는 현재 갖고 있는 고객 데이터는 어떤 종류인지, 어떤 알고리즘을 적용했을 때 가장 효율적이고 유의미한 비즈니스 결과를 가져올 수 있는지를 고민해야 한다.

 종론에는 어떤 추천 시스템을 사용해야 유저, 소비자들이 어떻게 행동할 것인지 예측하는 것도 하나의 과제라고 할 수 있겠다. 

 

'추천 시스템'은 다음에 계속됩니다...!!!

 

 

 

이미지 출처] "https://www.flaticon.com/kr/free-icons/" Good Ware - Flaticon