넷플릭스 '추천 시스템' 따라 하면 와~~

[DBR/동아 비즈니스 리뷰]추천 시스템은 10년 이상 우리의 구매 결정에 영향을 끼쳤던 것이다. 넷플릭스에서 재생되는 영화 3분의 2는 넷플릭스가 고객에게 추천한 작품이었다. 아마존의 매출의 35%도 추천을 통해서 생성합니다. 인터넷 교보문고에서 책을 살 때, 대형 온라인 마켓에서 생필품을 살 때 삽니다.먼저 히트하는 "내가 흥미진진한 상품과 서비스"도 추천하는 시스템이었다. 우리 생활 곳곳에 녹아 있는 추천 시스템은 이제 바로 비즈니스의 핵심 인프라로서 자리매김하고 있다. 나의 비지니스에 적합한 추천시스템은 어딨어, 역시 어떻게 하면 제대로 된 추천시스템이 만들어질까?

>

가장 먼저 추천 시스템의 목표에 대한 확실한 정의가 필요하다. 단순히 "추천" 치고는 곡해의 여지가 많다. 정확히 정의하자면, 추천 시스템의 목표는 '사용자 기록 정보, 거래 상세 정보, 상호작용 로그'라는 사용 가능한 사용자의 인터넷 활용 정보와 제품 사양, 사용자의 후기, 다른 제품과의 비교 등을 연상하는 제품 정보를 고려하여 보다 개인화된 추천을 하는 것'이었다. 핵심은 "개인화된 추천"이었다.

>

보다 넓은 관점에서 정의할 수도 있다. 아이템 구입 및 조회수 증가뿐만 아니라 ,"사용자가 최상의 의사결정을 할 수 있도록 도와주는 시스템"이었다.이렇게 정의하면 추천 시스템은 인공지능의 영역으로 확장된다. 사용자가 사야할 주식을 추천하거나 기계에서 고를 것으로 예측되는 부분을 찾는 등 다양한 분야의 추천이 가능하다.

추천 시스템의 종류는 크게 1)협업 필터링 모델, 2)콘텐츠 기반 모델, 3)하이브리드 추천 모델에 나 누구이다.'협조 필터링 모델'은 사용자의 행동 이력에 의거 추천하는 방식 입니더 이 모델에서는 두 사용자가 과거에 동 1 한 관심사를 공유하고 있다면 미래에도 비슷한 개인의 취향을 가질 것으로 가정하는 것이다. A라는 사람이 '머신 러닝'에 관한 책을 구입했다면, A와 비슷비슷한 구매 패턴, 과인대, 학력 등을 가지고 있는 B에게도 '머신 러닝' 책을 추천하는 식입니다. 이것은 가장 오래된 추천 방식으로 우리 모두가 한번쯤은 경험해 본 시스템입니다. Amazon, 교보문고, 옥션과의 이베이에서도 이 시스템을 이용한다. 그런데 이 시스템은 치명적인 사고를 하과인 가지고 있다. 당장 충분한 데이터가 모이지 않으면 처음부터 추천할 수 없는 "콜드스타트" 사고다. 또한 어느정도 자료가 쌓여있어도 아내의 소리를 보는 패턴의 소비자가 과인타과인면 추천시스템은 아예 작동하지 않는다.

>

"콘텐츠 기반 모델"은 협업 필터링 모델의 단점을 보완하기 위해 등장했습니다. 이 모델은 사용자와 아이템의 속성에 따라 추천하는 시스템이었다. 유튜브를 떠올리면 이해가 빠르다. 유튜브에서 "류현진 출전 경기" 동영상을 시청하고, 자신 면 이후의 관련 콘텐츠로 류현진의 다른 경기, 하이라이트, 메이저리그의 다른 경기 등이 추천 동영상으로 올라온다. 그러나 추천 동영상이 다른 운동, 혹은 운동을 친국화한 다른 영역으로 확장되지 않는다. 사용자가 사용한 아이템의 속성상 친국적 추천은 불가능했기 때문이다. 이후, 협업 필터링 모델이나 컨텐츠 기반 모델 등 다양한 모델을 섞어 추천 정확도를 향상시킨 것이 바로 "하이브리드 추천 모델"이었다.

>

역사적으로는 협업 필터링 모델에서 콘텐츠 기반 모델, 하이브리드 추천 모델 순으로 발전해 왔다. 그러나 이들 사이에는 위계관계가 있는 것은 아니다. 사업 종류에 따라, 어떤 고객에게, 어떤 추천을, 왜 하느냐에 따라 필요한 모델만 다를 뿐이었다. 추천 시스템이 매출의 상당 부분을 올리고 있는 아마존도 아주봉인 것이 새로운 추천 모델을 들여오지 않는다. 충분한 데이터가 쌓여 있어 기본적인 협업 필터링 모델을 개량해 마스크 서 추천 시스템을 개선하고 있다. 넷플릭스는 더 다양한 기법을 도입하고 있지만 마찬가지로 매우 특별한 기술을 사용하지는 않는다. 단지 개선하여 본인 갈 뿐이었다. "중요한 것은 "적재적소"이다. 유명 기업의 유명 추천 시스템이 내 사업의 성공을 보장하지는 않는다. 내가 속한 비즈니스에 따라 고객의 개인 기호에 따라 "케이스 바이 케이스"에서 추천 시스템을 구축해야 합니다.

>

추천의 구조를 만들려면 몇가지 기본 원칙이 있다. 제1에 도메인 지식의 정렬이다. 예를 들면 내가 유호카 관련된 1를 합니다 면, 유통업에 대한 전문 지식을 갖춘 상태가 아니면 안 됩니다. 또 유통업의 거물로 불리는 아마존에서는 언제, 어떻게, 무엇 추천 시스템을 도입하고, 어느 성과를 냈는지 등도 알아야 합니다. 둘째, 당연히 추천을 위한 충분한 데이터가 필요하다. 셋째, 축적된 데이터를 분석할 수 있는 인프라를 갖추어야 합니다. 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 무엇인지 정확히 파악해야 합니다. 제가 추천하고 싶은 것이 베스트 상품인지, 소비자가 구매한 상품과 거의 대동소이한 상품인지, 개인 맞춤상품인지 알아야 합니다.

>

이러한 조건에 맞게 추천 모델을 구축하고 자신이 있으면 반드시 연구해야 할 부분이 있다. "추천의 다양성" 확보다. 그것은 대수롭지 않지만 많은 대기업들이 놓치기 쉬운 부분이었다. 한번 데이터가 축적되고 추천 시스템이 가동되기 시작하면 겉으로는 완벽하게 볼 수 있다. 그러나 잘 살펴보니 추천 시스템이 하나의 데이터 내에서 기능하여 고객이 불만을 느끼는 경우가 있다. 즉, 한 고객이 여러 번 접속했을 때, 추천 시스템이 계속 같은 아이템을 추천하지는 않았는지 잘 알아봐야 합니다. 다양한 아이템이 추천되더라도 제품이 쭈꾸미 잼 비슷하지 않을까 연구해야 합니다. "고객이 접속하고 다시 검색합니다"라는 것은, 그 고객이 원하는 것은 계속 자신이 없다는 의의였다거나 성공적으로 추천 시스템을 구축하고 운영하기 위해서는 자신이 속한 비즈니스의 본질부터 이해해야 합니다. 특정 시스템 구축에만 매달리고 현란한 기술만 고집해서는 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

>