고객 스스로 자유로운 선택을 할 수 있게 하면서도, 기업의 목표에 부합하는 전략을 구사할 수 있을까요?

지난 시간동안 추천엔진의 종류와 예시를 살펴보았습니다.

혹시 추천엔진의 종류에 대해서 못 보신 분들이라면 아래 링크를 한 번씩 살펴 보시기 바랍니다. 

1편. 예시와 함께 넷플릭스 추천엔진 이해하기 : 사용자 기반 필터링 기법을 중심으로

2편. 예시와 함께 아마존 추천엔진 이해하기 : 아이템 기반 필터링 기법을 중심으로 

이러한 추천엔진에 관심이 많은 이유는 우리 고객에게 최적의 경험을 제공하기 위한 하나의 수단이기 때문입니다. 하지만 이를 구현하기에 큰 어려움이 있습니다.             

추천엔진 구현이 어려운 이유는 크게 세가지 입니다.

첫번째, 추천엔진에 사용되는 데이터를 확보하고 있지 않다

두번째, 추천 시스템 개발에 들어가는 비용과 리소스 확보가 어렵다

세번째, 추천 알고리즘을 어떻게 활용해야 하는지 모르겠다

그래서 오늘은 추천엔진 시리즈의 마지막 BizSpring Recommendation™에 대해서 알아보겠습니다.  

-BizSpring Recommendation 데이터 수집

-BizSpring Recommendation 추천 알고리즘 종류 및 추천엔진 노출 영역 

-BizSpring Recommendation 세그먼트 

(그림1) 비즈스프링 추천 시스템 구성도

[BizSpring Recommendation 데이터 수집]

BizSpring Recommendation은 웹사이트 내 스크립트를 적용하여 데이터를 수집합니다.

그래서 웹사이트에 추천엔진 전용 스크립트를 적용한 시점부터 추천엔진에 활용되는 데이터가 수집하게 됩니다. 주요 데이터는 사용자 고유 ID와 조회 및 구매 상품 데이터를 수집하게 됩니다.

(표1) 비즈스프링 추천엔진 수집 데이터 예시

[BizSpring Recommendation 추천 알고리즘 종류 및 노출 영역]

BizSpring Recommendation은 협업필터링(사용자 기반 추천 알고리즘, 아이템 기반 추천 알고리즘)과 웹 로그 데이터를 통해 추천엔진에 상품을 추천하게 됩니다.

그럼 각 알고리즘에 대해서 좀 더 자세하게 알아보겠습니다. 

사용자 기반 추천 알고리즘

사용자 기반 추천 알고리즘은 ‘나와 취향이 비슷한 사용자들이 조회 / 구매한 상품 중 아직 내가 조회 / 구매하지 않은 상품을 추천’ 합니다. 

(그림2) 수집된 데이터를 이용하여 도식화된 사용자별 상품 유사도 측정

위의 (그림2)는 (표1)과 같이 수집된 데이터를 기반으로 사용자 별 상품 유사도를 측정하게 됩니다. 

좀 더 자세하게 살펴보면 사용자A, 사용자C, 사용자D는 세 개의 상품(Galaxy, iPhone, Nexus) 상품을 조회했으며 사용자A, 사용자C, 사용자D는 취향이 비슷한 사용자라는 것을 알 수 있습니다. 이를 기반으로 사용자A에게 추천하는 상품은 두 개의 상품(Blackberry와, Xperia)을 추천하게 되는 것입니다. 

그럼 실제 User Base 추천알고리즘으로 추천된 상품을 확인해 보겠습니다.

(그림3) 사용자 기반 추천 예시

위의 (그림3)을 보시면 추천엔진이 적용된 웹 페이지에 접속했을 때 현재 저와 유사한 사용자들이 조회한 상품 중 제가 아직 보지 못한 상품을 추천한 예시입니다.

사용자 기반 추천 알고리즘을 사용하면 사용자 별로 추천 점수가 정해지고 추천 점수가 높은 순으로 상품을 추천하게 됩니다.

* (그림3) 추천엔진 예시 화면은 본 콘텐츠를 위해 제작된 데모사이트 데이터를 활용한 예시입니다. 

아이템 기반 추천 알고리즘

아이템 기반 추천 알고리즘은 ‘사용자들이 한 개 이상의 상품을 동시에 조회 / 구매한 빈도에 따라 연관성을 학습하여 상품을 추천’ 합니다. 

(그림4) 상품별 연관도

위의 (그림4)를 예를 들어 Galaxy 상품 상세 페이지에 접속하게 되면 Galaxy 상품과 연관도가 높은 순(Nexus > iPhone > Blackberry > Xperia > iPad)으로 상품을 추천하게 됩니다.

이와같이 Item-Item Base는 각 상품 별로 연관성이 높은 상품을 추천합니다. 

그럼 실제 Item Base 추천알고리즘으로 추천된 상품을 확인해 보겠습니다.

(그림5) 아이템 기반 추천 예시

위의 (그림5)를 보시면 추천엔진이 적용된 상품 상세페이지의 상품과 연관성이 높은 상품을 추천한 예시입니다. 아이템 기반 추천 알고리즘을 사용하면 상품 별로 연관도 점수가 정해지고 연관도 점수가 높은 순으로 상품을 추천하게 됩니다. 

웹 로그 데이터

순위 기반 데이터는 가장 조회가 높은 상품순으로 추천하는 방식입니다.

순위 기반 추천은 최근 조회/구매한 상품을 추천할 때와 학습할 수 있는 데이터 량이 적을 때 활용합니다.

보통 처음 추천엔진을 적용했을 때도 가장 많이 활용되며 사용자 기반 / 아이템 기반 알고리즘을 통해 추천된 상품이 많지 않을 때 나머지 상품은 순위 기반 데이터를 통해서 노출시키게 됩니다.

또한 웹사이트에 접속 후 최근까지 본 상품을 추천할 때 데이터를 학습할 필요가 없기 때문에 수집된 웹 로그 데이터를 활용하게 됩니다.  

노출영역

BizSpring Recommendation은 고정적인 노출영역이 아닌 노출하고자 하는 웹 페이지에 별도의 추천엔진 노출을 위한 스크립트를 적용하면 해당 영역에 추천엔진이 노출됩니다.

위의 알고리즘 별로 자주 사용되는 노출 페이지는 다음과 같습니다.            

[BizSpirng Recommendation 세그먼트]

데이터 분석 또는 데이터를 활용 관련 콘텐츠를 보면 가장 이야기를 많이 하는 부분이 “데이터를 쪼개서 봐야한다”라는 말을 많이 이야기 합니다.

BizSpring Recommendation은 전체 사용자의 상품 데이터 뿐만 아니라 세분화된 데이터를 기반으로 상품을 추천합니다. 

(그림6) 세그먼트 별 추천 상품

위의 (그림6)을 보시면 전체 사용자들의 조회/구매 상품을 기반으로 상품을 추천하기도 하지만 여성(F), 남성(M) 사용자들의 조회/구매 상품을 기반으로 상품을 추천합니다. 그 외 특정 카테고리에 속해 있는 조회/구매 상품을 기반으로 상품을 추천하므로 보다 웹사이트에 접속한 사용자의 관심사에 맞는 상품을 추천할 수 있습니다. 

이 글을 마치며…

수 많은 데이터를 보유하고 있더라도 결국 가지고 있는 데이터를 활용하여 사업 성장에 기여해야 합니다.

BizSpring Recommendation은 수집된 데이터를 통해 웹사이트에 접속한 고객에게 관심있는 상품을 추천함으로써 고객의 관심을 이끌어 낼 수 있는 액션을 수행할 수 있습니다. 이 과정에서 데이터 분석 부터 추천까지의 모든 업무를 BizSpring Recommendation이 수행하기 때문에 업무 리소스 측면, 웹사이트 고객의 만족도를 높이는 측면에서 많은 기여를 할 수 있습니다.

BizSpring Recommendation™에 대해서 더 궁금하신 분들은 02-6919-5514 | ad@bizspring.co.kr로 연락 주시기 바랍니다