소셜로그인 중단 안내

계정으로 로그인 기능이 2023년 11월 16일 중단되었습니다.

아이보스 계정이 사라지는 것은 절대 아니며, 계정의 이메일 주소를 이용해 로그인 하실 수 있습니다.

▶️ 자세한 공지사항 확인

개인화 추천 시스템의 알고리즘이 궁금하다면?

2025.01.24 15:39

넷스루mkt

조회수 173

댓글 0



우리는 일상 생활에서 개인화 추천 시스템을 수없이 접하고 있습니다. 온라인 쇼핑몰에서 취향에 맞는 상품을 추천 받거나, 스트리밍 플랫폼에서 흥미로운 영화나 드라마를 추천 받는 것이 대표적인 예입니다.


그렇다면 이런 추천 시스템은 어떤 원리로 움직이는 걸까요? 이번 글에서는 개인화 추천 시스템의 주요 기법과 알고리즘에 대해 소개하고 그 예시도 함께 살펴보도록 하겠습니다.


1. 통계 기반 추천

첫번째로 소개할 기법은 바로 통계 데이터에 기반한 추천입니다. 개인화된 콘텐츠를 제공하는 기법은 아니지만 추천 시스템의 가장 기초가 되는 방식이므로 간단히 소개하겠습니다. 통계 기반 추천은 많은 사람들이 좋아한(클릭, 찜하기, 구매 등) 상품을 추천하는 방식입니다.


출처: Netflix / 야놀자 App

‘넷플릭스’에서는 오늘 많은 사람이 시청한 대한민국 TOP 10 시리즈를, ‘야놀자’에서는 한 달간 많은 사람이 구매한 TOP5 이용권을 사용자에게 추천하고 있다.


이러한 통계 기반 추천 방식은 많은 사람을 대상으로 간단하게 추천할 수 있다는 장점이 있지만, 개별 사용자의 취향을 고려하지 못한다는 단점도 있습니다.


[장점]

  • 구현이 간단하고, 대규모 데이터가 있을 때 효과적

  • 빠른 연산이 가능하여 실시간 추천에 적합

[한계]

  • 데이터가 충분히 쌓이지 않으면 신뢰도가 낮아질 수 있음

  • 개별 사용자의 취향보다는 집단적 경향에 집중


2. 협업 필터링 추천

협업 필터링(Collavorative Filtering)은 다른 사용자들의 선호도 데이터를 기반으로 사용자와 아이템 간의 상호작용에 따라 상품을 추천하는 기법입니다. 주로 2가지 방식으로 나뉩니다.


(1) 사용자 기반 (User-Based)

  • 나와 유사한 취향을 가진 사용자가 주로 선호하는 상품을 추천

  • 예: 고객 A와 B가 애니메이션을 주로 시청(선호)했다면, A가 시청한 애니메이션을 B에게도 추천


(2) 아이템 기반 (Item-Based)

  • 내가 선호한 아이템과 함께 주로 선호 되는 상품을 추천

  • 예: ‘기저귀’를 구매한 고객이 ‘맥주’를 함께 구매하는 경우가 많았다면, ‘기저귀’를 구매한 고객에게 ‘맥주’를 추천


출처: 29CM / 올리브영 App
29CM, 올리브영과 같은 온라인 쇼핑몰 App의 상품 상세설명 하단에서 다른 사용자가 해당 상품과 함께 구매 또는 클릭한 상품을 추천하고 있다.


협업 필터링의 경우 사용자와 아이템의 정보를 복합적으로 활용하기 때문에 데이터가 쌓일수록 정확성이 높아지지만, 데이터가 부족한 서비스 초기 상황에서는 적용하기 어렵다는 한계가 있습니다.


[장점]

  • 사용자 선호도 기반으로 상품이 추천되므로, 상품의 세부 정보 데이터가 없어도 됨

  • 지속적인 데이터 수집을 통해 추천의 정확도가 점점 향상됨

[한계]

  • 콜드스타트(사용자와 아이템에 대한 데이터가 부족한 초기 상황)의 경우 정확도가 낮아질 수 있음

  • 상대적으로 수요가 적은 롱테일 상품은 추천 결과로 나오지 않을 가능성이 높음


3. 콘텐츠 기반 추천

콘텐츠 기반(Content-Based) 추천은 협업 필터링(Collavorative Filtering) 추천과 함께 개인화 추천 방식으로 가장 많이 소개되는 알고리즘 입니다.


콘텐츠 기반 추천 알고리즘은 사용자가 선택한 상품과 유사한 특성을 지닌 다른 상품을 추천하는 것입니다. 주로 상품의 카테고리, 설명, 이미지 등 상품의 메타 정보를 활용해서 유사한 콘텐츠를 추천하는데, 상품 정보만을 사용하기 때문에 다른 사용자들의 정보가 필요하지 않다는 것이 협업 필터링과의 가장 큰 차이점 입니다.


출처: 29CM / Netflix App

29CM에서는 사용자가 선택한 상품과 비슷한 상품(ex. 크림색 니트)을, 넷플릭스에서는 사용자가 보고 있는 콘텐츠와 비슷한 콘텐츠(ex. 예능 프로그램)을 추천한다.


콘텐츠 기반의 추천 방식은 아이템 메타 정보만 있다면 사용자 정보 없이도 추천이 가능하다는 장점이 있지만, 사용자에게 다양한 분야의 콘텐츠를 추천하기 어렵다는 한계도 존재합니다.


[장점]

  • 다른 고객들이 어떤 상품을 클릭했는지에 대한 세밀한 정보가 필요 없음

  • 신규 아이템이 추가되더라도 속성값(메타 정보)만 있다면 유사한 콘텐츠를 추천할 수 있음

[한계]

  • 데이터에 포함된 메타 정보가 충분하지 않으면 제대로 추천이 어려움

  • 유사한 특성을 가진 상품만 제공되므로 사용자의 관심사가 좁아질 수 있음(필터 버블 현상)


4. 고객 통합 데이터 기반 추천

마지막으로 소개할 방식은 고객 통합 데이터 기반 추천으로 사용자의 개인 정보(성별, 연령 등), 온라인 행동(검색, 클릭 등), 금융 정보(계좌 잔액, 만기일 등) 등의 데이터를 통합적으로 활용하여 맞춤형 콘텐츠를 추천하는 것입니다.


예를 들어 인구통계학적 정보(ex. 30대, 여성)와, 구체적인 행동 데이터(ex. 최근 일주일 내 키링 카테고리 상품 클릭, 로맨스 드라마 시청)를 함께 반영하면 개인의 취향에 더욱 적합한 추천을 할 수 있습니다.


출처: 29CM / Netflix App
온라인 쇼핑몰과 OTT서비스에서는 다양한 고객 행동 데이터를 바탕으로, 사용자의 취향에 맞는 상품(콘텐츠)을 추천한다.


또한, 회원 정보나 온라인 행동 데이터를 회사 내부의 DB와 연동하여 고객 통합 데이터를 구축하면 더욱 정밀한 개인화 추천이 가능합니다. 예를 들면 금융사에서 고객의 구체적인 금융 정보(카드 결제일, 자동이체 종료일, 가입 상품 등)와 행동 정보를 결합하여 특정 고객에게만 배너를 띄우거나, 선호할만한 서비스를 추천하는 것입니다.


출처: (구글Play) 우리은행 우리WON뱅킹 소개
우리WON뱅킹에서는 고객의 금융 데이터를 활용하여 배너를 노출하고, 고객의 금융 데이터와 행동 데이터를 기반으로 선호할만한 혜택을 추천한다.


이러한 추천 방식은 고객 정보를 세밀하게 수집•분석하고, 어떤 유형의 고객에게 어떤 콘텐츠를 노출할지에 대한 ‘시나리오’를 잘 설정하는 것이 중요합니다. 예를 들어, 특정 상품을 클릭한 사용자를 대상으로 관련 상품을 추천하거나, 만기일이 임박한 사용자에게 맞춤형 상품을 추천하는 방식 등이 그 예입니다. 상황에 맞는 추천이 제공될수록 사용자 만족도와 서비스 효율성이 높아집니다.


[장점]

  • 고객의 다양한 데이터를 종합적으로 활용하여 정교한 추천이 가능

  • 사용자의 행동과 선호도를 반영한 맞춤형 서비스 제공으로 고객 편의성 증대

[한계]

  • PC, 모바일 등 다양한 형식으로 수집되는 고객의 데이터를 통합하기 어려움

  • 개인정보 보호 및 데이터 보안 문제가 중요하게 다뤄져야 함


지금까지 개인화 추천의 주요 기법에 대해 살펴보았습니다. 개인화 추천 시스템은 단순한 편의 제공을 넘어, 고객 경험을 향상시키고 기업의 경쟁력을 높이는 중요한 도구가 되었습니다. 사이트 내에서 제공되는 추천 콘텐츠가 ‘광고’가 아닌 ‘혜택’으로 인식되기 위해서는 사용자에 대한 깊은 이해와, 정교한 추천 시나리오가 필수적입니다.


때문에 개인화 추천을 중요시 하는 기업에서는 고객 행동 수집 솔루션과, 개인화 추천 솔루션을 사용하고 있습니다. 데이터 수집 솔루션과 개인화 추천 솔루션을 함께 사용하면 PC/모바일 등으로 나눠진 고객 행동 데이터를 실시간으로 수집하여 통합 분석할 수 있고, 이를 기반으로 정교한 타겟 마케팅을 수행할 수 있습니다. 또한 솔루션에서 데이터의 특성에 따라 추천 알고리즘을 최적화하여 제공해주며, A/B 테스트를 통해 추천 효과를 비교하여 가장 효율적인 추천 시나리오를 만들어 갈 수 있습니다.


이 글을 보신 여러분도, 다양한 추천 시나리오를 활용해 고객들이 가장 선호할 제품을 먼저 제안함으로써 사용자 만족도를 극대화하시길 바랍니다.🧚

개인화추천행동데이터금융데이터고객데이터초개인화
목록
댓글 0

아직 등록된 댓글이 없습니다.
넷스루mkt님의 게시글에 첫번째 댓글을 남겨보세요.

댓글 새로고침
로그인 후 더욱 많은 기능을 이용하세요!아이보스 로그인