고객을 확보하고 유지하고자 하는 기업에게 개인화 추천은 필수적이다. 액센츄어(Accenture)에 따르면 소비자 10명 중 9명은 자신과 관련 있는 상품이나 서비스를 추천하는 브랜드에서 쇼핑할 가능성이 더 높다. 추천은 또한 16%의 전환 증가를 가져올 수 있기 때문에 기업의 순익에도 큰 영향을 미친다. 따라서 추천 엔진 도입도 크게 늘어나고 있다. 인더스트리아크(IndustryArc)는 글로벌 추천 엔진 시장이 2018년 11억4000만 달러에서 2025년에는 120억3000만 달러로 성장할 것으로 보고 있다.
추천 엔진의 이점 : 반드시 사용해야 하는 이유
인공지능(AI)의 지속적인 발전으로 추천은 더 이상 일반 잠재고객이나 특정 세그먼트를 공략하는 데만 사용되지 않는다. 요즘은 딥러닝(DL) 기반 추천 엔진을 사용하여 페르소나, 위치, 관심사, 실시간 온라인 행동 등과 같은 지표를 기반으로 개별 단위의 초개인화 추천으로 소비자를 공략할 수 있다. 이를 통해 리타겟팅 광고나 이메일 마케팅으로 온라인 트래픽을 유도할 수 있을 뿐만 아니라 고객 피로와 이탈률도 줄일 수 있다. 또한 개인화된 추천은 고객과 관련성이 높은 상품 또는 서비스를 제공하여 고객의 실제 참여를 유도한다. 이는 주문 건당 평균 결제금액(AOV)를 높이고 전환 또한 증가시킨다. 장기적으로는 개인화된 추천을 사용함으로써 브랜드가 고객을 이해하고 중요하게 여긴다는 것을 보여줄 수 있어 고객 만족도와 충성도를 높일 수 있다.
구축 전 극복해야 할 과제들
2025년까지 예견된 엄청난 성장률을 통해 전 세계적으로 많은 기업들이 추천 엔진 도입을 고려하고 있음을 알 수 있다. 하지만, 유용한 기술들이 종종 그렇듯 이 기술을 실제 비즈니스에서 효과적으로 사용할 수 있기 위해서는 먼저 해결해야 할 과제가 있다.
1. 상당한 투자가 요구된다 추천 엔진은 금전적으로 뿐만 아니라 시간적으로도 큰 투자다. 사내에 효과적인 추천 엔진을 구축하는 데는 오랜 시간과 깊은 전문 지식이 필요하다. 반드시 필요한 데이터 과학자 및 기타 다양한 전문 인력 외에도, 발굴 및 분석 단계(타당성 조사 포함), 프로토타입 구현 단계, 최소 실행 가능한 제품(MVP) 개발, 배치 및 구동에 대한 비용을 모두 고려해야 한다. 추천 엔진이 구동되기 시작했다고 해서 투자가 완료되는 것도 아니다. 지속적인 모니터링과 개선을 통해 최대한 효과적으로 작동할 수 있도록 최적화를 해줘야 하고, 이는 지속적인 비용 발생으로 이어진다.
2. 기성 제품을 고르는 일도 만만찮다 그 대안으로 벤더의 기성 솔루션을 사용할 수도 있지만, 시중에 나와 있는 제품이 너무 많은 상황에서 우리 비즈니스에 적합한 솔루션을 가려내기는 쉽지 않다. 도입 성공 사례, 핵심 기술, 기존 사내 인프라와의 통합 가능성 등 다양한 측면을 평가해야 하기 때문에 여러 솔루션을 검토하는 데는 많은 시간이 소요된다. 예를 들어 웹사이트에 가장 적합한 추천 전략은 협업 필터링(collaborative filtering) 모델인지, 아니면 콘텐츠 기반 필터링이 더 적합한지 판단할 수 있어야 한다. 만약, 타사의 기성 솔루션을 사용하기로 했다면 각 기술의 장단점과 우리 브랜드에 적합하다고 생각하는 이유를 명확하게 설명하도록 요구해야 한다.
3. 도입 프로세스가 복잡할 수 있다 추천 엔진을 실제 비즈니스에 도입하는 것 자체가 복잡한 일이 될 수 있다. 경우에 따라서는 특히 비즈니스 업종에 맞지 않는 경우에는 도입하지 않는 것이 더 나은 결정일 수 있다. 그러나 도입 과정이 복잡해지는 데는 여러 다른 원인이 있을 수 있다. 추천 모델에 대한 이해 부족, 웹사이트의 사용자 경험(UX) 설계 불량, 속해 있는 비즈니스 영역에 대한 지식 부족 등 다양한 이유가 있다. 기술 뿐만 아니라 해당 비즈니스 영역이 어떻게 구성되어 돌아가는지도 이해하고 있는 직원에게 맡기거나 새로 채용을 하면 추천 엔진이 가져다줄 수 있는 이점을 최대한 누릴 수 있다.
4. 데이터 분석 능력이 부족하다 모든 AI 기반 기술과 마찬가지로 추천 엔진도 데이터에 의존한다. 고품질 데이터가 없거나 고속으로 처리하여 철저히 분석할 역량이 없다면 추천 엔진을 최대한 활용할 수 없다. 최상 품질의 데이터는 다음 네 가지 질문의 답변에 달려 있다. 얼마나 최신인가, 어느 정도의 노이즈가 있는가, 얼마나 다양한가, 새로운 데이터를 얼마나 빨리 딥러닝 모델에 투입할 수 있는가의 측면에서 판단해야 한다. 딥러닝 기반 추천 엔진에는 높은 계산 복잡도가 요구된다. 모델에 투입하는 데이터의 정확성이나 가치가 낮으면 결과적으로 유용성이 떨어진다. 따라서 추천 엔진에 투자하기 전에 요구되는 수준의 데이터 분석 역량을 충분히 갖추고 있는지 확인해야 한다.
5. ‘ 콜드 스타트 (cold start)’ 문제가 있을 수 있다 사용자 데이터에 의존하는 것에도 단점이 있는데, 그 중 하나가 '콜드 스타트(cold start)' 문제다. 새로운 사용자가 시스템에 진입하거나 새로운 항목이 카탈로그에 추가되는 경우로, 알고리즘이 새로운 사용자의 취향이나 선호도, 또는 새로운 항목의 등급을 예측하기 어려워 정확한 추천이 힘들어진다. 그러나 딥러닝 모델은 상품 설명, 이미지 및 사용자 행동과 같은 상품 및 사용자 관련 세부사항의 맥락을 분석하여 고객과 상품 간의 상관 관계를 최적화할 수 있다. 그러면 시나리오에 따라 각 상품 또는 고객별로 의미 있는 추천을 제시할 수 있다. 따라서 모든 변수를 고려하여 도출된 최상의 추천 집합이 생성될 수 있다. 딥러닝 모델은 사용자 행동 데이터에 크게 의존하지 않기 때문에 콜드 스타트 문제에 대한 좋은 해결책이 될 수 있다. 더 자세한 내용은 다음 백서를 참조하세요 : 브랜드 맞춤 상품추천 전략 구축 완벽 가이드
6. 사용자 행동 변화를 포착할 역량이 없다 소비자들은 가만히 있지 않는다. 한 개인으로서 또 고객으로서 그 행동이 끊임없이 변화하고 진화한다. 그런 변화를 포착하고 따라가는 데는 전투를 치르는 것에 상응하는 노력이 요구된다. 강력한 추천 엔진은 고객의 선호도와 행동의 변화, 또는 곧 있을 변화의 징후를 파악하고, 지속적인 실시간 자동 학습을 통해 관련성 높은 추천을 이어갈 수 있다.
7. 개인정보 보호와 관련된 고객 우려가 있다 알고리즘이 고객에 대해 더 많이 알면 알수록 추천은 더 정확해진다. 그러나, 자신의 개인정보를 넘겨주기를 주저하는 고객들이 점점 더 많아지고 있다. 특히 최근 몇 년 사이 심각한 고객 데이터 유출 사례가 있었던 점을 고려할 때 고객 입장에서는 당연한 우려라고 할 수 있다. 다만 이 고객 데이터가 없으면 추천 엔진이 효과적으로 작동할 수 없다. 이 문제는 기업과 고객 간의 상호신뢰를 구축하는 것이 핵심이다. 많은 기업이 추천 엔진을 잘 활용한 덕분에 좋은 성과를 내고 있다. 추천 엔진은 엄청난 기회를 제공하지만, 그 잠재력을 최대한 활용하기 위해서는 기술에 내재된 많은 해결 과제들을 인지하는 것이 필수적이다.
* 고급 딥러닝 기반 추천에 대해 자세히 알아보시려면 애피어의 백서 ‘ 브랜드 맞춤 상품추천 전략 구축 완벽 가이드 ’ 를 참조하시기 바랍니다 . 궁금한 사항은 문의 를 남겨주시면 , 애피어의 전문가 팀이 상담해드리겠습니다 .