넷플릭스 '추천 시스템' 따라 하면 확인

[DBR/동아 비즈니스 리뷰]추천 시스템은 10년 이상 우리의 구매 표결에 영향을 끼쳤던 것이다. 넷플릭스에서 재생되는 영화 3분의 2는 넷플릭스가 고객에게 추천한 작품입니다. 아마존의 매출의 35%도 추천을 통해서 발생하는 것이다. 인터넷 교보문고에서 책을 살 때, 대형 온라인 마켓에서 생필품을 살 때 끊임없이 팔리는 내가 관심 있는 상품과 서비스도 추천 시스템입니다. 우리의 삶에 녹아 있는 추천 시스템은 비즈니스의 핵심 인프라로 자리 잡고 있다. 내 사업에 적합한 추천 시스템은 어떻고, 어떻게 하면 제대로 된 추천 시스템을 만들 수 있을까?

>

우선 추천 시스템의 목표에 대한 확실한 정의가 필요하다. 단순히 추천이라고 하기에는 오해의 소지가 많다. 확실히 정의하자면 추천 시스템의 목표는 "사용자기록정보, 거래상세정보, 인터랙티블로그와 같은 사용 가능한 사용자의 인터넷 활용정보와 제품 사양, 사용자 후원, 타 제품과의 비교 등을 같이 하는 제품 정보를 고려하여 보다 개인화된 추천을 하는 것"입니다. 핵심은 '개인화된 추천'입니다.

>

보다 넓은 관점에서 정의할 수도 있다. 아이템 구매자의 조회수 증가뿐만 아니라 "사용자가 최상의 의사결정을 할 수 있도록 돕는 시스템"입니다. 이렇게 정의하면 추천 시스템은 인공지능의 영역으로 확장된다. 사용자가 사야 할 주식을 추천하거나 기계로 마을이 날아갈 것으로 예측되는 부분을 찾아 메우는 등 다양한 분야의 추천이 가능하다.

추천 시스템의 종류는 크게 한개)협업 필터링 모델, 2)콘텐츠 기반 모델, 3)하이브리드 추천 모델로 자기 누이고 있다.협조 필터링 모델은 사용자의 행동 이력에 따라 추천하는 방식이었다 이 모델에서는 두 사용자가 과거 같은 관심사를 공유하고 있다면 미래에도 비슷한 개인 취향을 가진 것이라고 가족입니다. A라는 사람이 머신러닝과 관련된 책을 구입했더니 A와 비슷한 구매 패턴, 자신이 대, 학력 등을 가진 B에게도 머신러닝 책을 추천하는 식이었다. 이것은 가장 오래된 추천 방식이며, 우리 모두가 경험해 본 시스템이었다 아마존, 교보문고, 옥션이 자신의 이베이에서도 이 시스템을 이용합니다. 그런데 이 시스템은 치명적인 문제를 자신하고 있다. 당장 충분한 데이터가 모이지 않으면 아예 추천이 불가능한 콜드스타트 문제다. 또 어느 정도 자료가 축적된 이 강의에서도 처음 보기 패턴의 소비자가 자신의 타자기 추천시스템은 아예 작동하지 않는다.

>

'콘텐츠 기반 모델'은 협업 필터링 모델의 단점을 보완하기 위해 등장했습니다. 이 모델은 사용자와 아이템의 속성에 따라 추천하는 시스템이다. 유튜브를 떠올리면 이해하기 쉽다. 유튜브에서 류현진의 출전 경기 동영상을 하본인이라면 다음 관련 콘텐츠로 류현진의 다른 경기, 하이라이트, 메이저리그의 다른 경기 등이 추천 동영상으로 표시된다. 그러나 추천 동영상이 다른 운동 또는 운동을 친국어인 다른 영역으로 확장되지 않는다. 사용자가 사용한 아이템의 속성으로 친국어 추천은 불가능하기 때문이다. 다음 협업 필터링 모델과 콘텐츠 기반 모델 등 다양한 모델을 섞어 추천 정밀도를 높인 것이 곧바로 하이브리드 추천 모델이다.

>

역사적으로는 협업 필터링 모델부터 콘텐츠 기반 모델, 하이브리드 권장 모델 순으로 발전해 왔다. 그러나 그들 사이에 위계관계가 있는 것은 아니다. 비즈니스 종류에 따라 어떤 고객에게, 어떤 추천을, 왜 하느냐에 따라 필요한 모델이 다를 뿐이다. 추천시스템이 매출의 상당 부분을 올리는 아마존도 크게 나쁘지 않아 새로운 추천 모델을 들여오지 않고 있다. 이미 충분한 데이터가 쌓여 있어 기본적인 협업 필터링 모델을 개량하면서 권장 시스템을 개선하고 있다. 넷플릭스는 보다 다양한 기법을 도입하고 있지만 역시 매우 특별한 기술을 사용하지 않는다. 다만 개선해서 나쁘지는 않을 뿐이다. 중요한 것은 적재적소다. 유명 회사의 추천 시스템은 내 사업의 성공을 보장하는 것이 아니다. 내가 속하는 비즈니스에 따라 고객의 취향에 따라 "케이스 바이 케이스"로서 권장 시스템을 구축해야 한다.

>

성공적인 추천 시스템을 구축하기 위해 염두에 둬야 할 기본 원칙이 있다. 첫 번째는 도메인의 지식을 갖추는 것이다. 예를 들어 내가 유통과 관련된 것이라면 유통업에 대한 전문지식을 갖춘 상태여야 한다. 역시 유통업의 큰손으로 불리는 아마존에서는 언제 어떻게 무슨 추천 시스템을 도입했고 어떤 성과를 냈는지 등도 알아야 한다. 둘째, 당연히 추천을 위한 충분한 데이터가 필요하다. 셋째, 축적된 데이터를 분석할 수 있는 인프라를 갖추어야 한다. 이 3원칙 없이 좋은 아이디어로 완벽한 알고리즘을 짜고도 제대로 된 추천 시스템을 구축할 수 없다. 상기의 3가지 조건을 충족하고 있으면,"내가 추천 시스템을 구축하려는 목적"이 어떤 것인지 정확히 파악할 필요가 있다. 내가 추천하고 싶은 것은 베스트 상품인지, 소비자가 구입한 상품과 비슷한 상품인지, 개인 맞춤상품인지 알아야 한다.

>

이들 조건에 맞게 추천 모델을 구축하고 과인면은 명확히 검토해야 할 부분이 있다. 추천의 다양성 확보다. 이것은 대수롭지 않게 생각하지만, 많은 중소기업이 놓치기 쉬운 부분입니다. 한 번 데이터가 축적돼 추천 시스템이 돌기 시작하면 겉으로는 완벽해 보인다. 하지만 자세히 살펴보면 추천 시스템이 있는 데이터 중에서 고객이 불만을 느낄 수 있다. 즉, 한 고객이 여러 번 접속했을 때 추천 시스템이 계속 같은 아이템을 추천하지 않았는지 체크해야 한다. 다양한 아이템이 추천돼도 제품이 별로 비슷하지 않은지 검토해야 한다. 고객이 다시 접속해서 다시 검색한다는 것은 그 고객이 원하는 것이 계속 안과에 온다는 뜻입니다. 성공적으로 추천 시스템을 구축하고 운영하려면 양식 있는 비즈니스의 본질부터 이해해야 한다. 특정한 시스템 구축에만 매달려 화려한 기술에 집착해서는 세계 최고의 추천 시스템에 세계 최다 데이터를 투입해도 비즈니스를 성공으로 이끌 수 없다.

잉타ー비ー즈치에이에지 일이 된 정리/미 표키 리드하는 것의 출처 게요 티 리드하는 것 뱅크 inter-biz@naver.com

>