서비스 추천 알고리즘 이해하기 커리어에 도움되는 아티클 244 우리가 자주 이용하는 온라인 서비스 (product)에서 서비스 이용을 돕는 추천 알고리즘을 흔하게 접할 수 있습니다. 커머스, OTT, 취업 등 한 눈에 보기 어려울 정도로 다양한 선택 옵션이 있는 경우 추천 시스템이 더 활성화 되어 있는 것 같습니다. 오늘 소개하는 콘텐츠가 추천 UX에 대한 내용인데요. 기술적인 알고리즘 설명이 아닌 서비스를 이용하는 사용자 경험을 어떻 목적과 의도로 설계했는지 사례를 통해 쉽게 이야기해 주고 있습니다. 콘텐츠 저자가 이야기하는 추천 UX 설계 과정에서 꼭 기억해야 하는 포인트는 아래와 같습니다. 참고하여 각자 맡은 서비스 (product)에 멋지게 반영해 보시길 바래요 :) 1. 맥락과 타이밍 유저의 탐색·구매 여정과 니즈를 철저히 분석하고, 맥락과 타이밍에 맞게 추천합니다. 2. 근거있는 추천 이 상품이 왜 추천되었는지 유저에게 추천하는 근거를 밝히면 추천 신뢰도를 높일 수 있습니다. 3. 비선호 콘텐츠에 대한 피드백 추천에 대한 평가를 비선호 콘텐츠를 차단하고. 사용자는 서비스와 소통한다는 느낌을 받습니다. 요즘 서비스들의 추천 UX, 정리해드림 저자 해씨 유형 1. 사용자 정보 기반의 추천 유저의 정보를 바탕으로 유저가 관심 있어 할 만한 상품을 추천하는 방식입니다. 이때 정보란 인구통계학적 분류, 금융 데이터, 이력서 정보, 건강 데이터 등의 유저 데이터를 말합니다. 1) 유저의 데이터를 적극적으로 인용하기 토스와 뱅크샐러드는 유저의 금융 데이터를 수집합니다. 그리고 수집한 데이터를 분석해 유저에게 도움이 되는 금융상품을 추천합니다. 상품 추천을 위해 유저의 실제 소비 내역을 화면에 바로 인용하기도 합니다. 예를 들어 신용 점수, 자주 쇼핑하는 곳, 카드 사용액 등 유저의 소비 데이터를 열람해 가공하는 식입니다. 추천 상품을 설득하는 방법도 흥미롭습니다. 뱅크샐러드는 나의 카드를 추천 카드로 바꾸면 얼마나 돈을 아낄 수 있는지 알려줍니다. 나아가, 단순히 얼마가 이득이라고 전달하지 않고 추천 카드를 쓸 때의 예상 혜택을 내 결제 내역을 바탕으로 시뮬레이션해서 보여줍니다. 유저는 어떤 카드를 사용해야 혜택이 더 클지 쉽게 파악할 수 있습니다. 토스는 나와 비슷한 유저와의 비교를 통해 상품을 추천하기도 합니다. 보험의 경우가 그러한데요, 유저의 보험 가입 내역과 또래의 내역을 비교한 뒤 이렇게 말합니다. "심장 보장이 또래 대비 부족해요." 유저는 위기감을 느낍니다. 바로 밑에 있는 '5분 상담 신청하기'가 불안한 마음을 해소해줄 것처럼 보이죠. 2) 얼마나 많이, 어떻게 나와 맞는지를 추천 근거 보여주기 우리가 일자리를 구할 때 이용하는 구인/구직 플랫폼에서도 추천 기능은 활발히 사용됩니다. 플랫폼에 나의 이력 정보를 올리면 나의 직무와 경력에 맞는 공고가 매칭되죠. 추천 방식은 플랫폼마다 조금씩 다릅니다만 나의 이력과 공고가 얼마나, 어떻게 맞는지를 보여준다는 점은 같습니다. 원티드는 채용 공고 탭의 핵심 영역에서 'wanted ai가 제안하는 합격률 높은 포지션'을 보여줍니다. 또한 'ai 예측'을 통해 일자리마다 예상 합격률을 보여줍니다. 여기에서 'ai 예측'이란 유저의 이력서와 공고의 정보를 인공지능으로 비교 분석해 수치화한 것입니다. 리멤버는 추천 근거를 직접적으로 제시합니다. 'OOO 님을 위한 맞춤 채용정보'라는 타이틀 아래 공고에서 요구하는 직무와 경력을 보여주죠. 당신의 직무 및 경력에 맞춰 추천하는 공고라고 알려주는 셈입니다. 이는 추천의 근거로 플랫폼의 신뢰도를 높여주죠. 유형 2. 사용자의 선호 콘텐츠, 구매 이력 기반의 추천 유저의 서비스 이용 기록을 바탕으로 유저가 관심을 가질 만한 콘텐츠를 추천합니다. 유저가 어떤 콘텐츠를 보고, 어떻게 반응했는지가 데이터로 수집됩니다. 추천 목적은 유저가 원하는 정보 또는 취향에 맞는 콘텐츠를 쉽고 빠르게 찾을 수 있도록 돕는 겁니다. 결국 구매(전환)에 도달하는 시간이 짧아지게 되죠. 1) 봤던 콘텐츠 기반으로 피드를 구성하기 유저가 봤던, 검색했던 키워드로 피드를 구성하는 방법이 보편적입니다. 유저가 어떤 콘텐츠를 보거나 어떤 단어를 검색하면 유저가 그것에 관심이 있다는 뜻으로 가정하는 방식입니다. 시스템이 관심 콘텐츠를 바탕으로 홈 화면의 피드를 스스로 구성해 버리죠. 강남언니는 유저가 검색하거나 조회했던 시술과 관련된 정보로 피드를 구성합니다. 앱 상단에 유저가 관심을 두는 시술이 해시태그 형식으로 나열되죠. 그 아래에는 관련 상품이 추천됩니다. 더 내려가면 관심 시술의 비포 앤 애프터 등 후기가 보입니다. 이러한 구성을 통해 유저는 관심 시술에 대한 정보를 충분히 접할 수 있습니다. 마이리얼트립도 검색한 여행지에 따라 홈 피드가 바뀝니다. 제가 여수를 검색한 이후에는 여수, 전남에 해당하는 상품을 추천해 줬습니다. 속초를 검색하고 홈으로 돌아오자 이번에는 속초와 강원도에 관련된 상품이 홈에 보입니다. 네이버 쇼핑의 FOR YOU(베타) 탭 피드는 유저에 맞게 개인화됩니다. 유저의 검색 이력은 물론 자주 구매한 아이템, 즐겨 찾는 스토어 등 유저의 쇼핑 이력이 반영된 모든 콘텐츠를 추천해 주죠. 2) 샀던 물건을 다시 추천하기 커머스 앱은 다양한 방식으로 상품을 추천합니다. 구매한 상품과 비슷한 상품, 조회한 상품과 비슷한 상품, 이 상품을 구매한 다른 유저들이 함께 구매한 상품 등 일일이 나열하기도 어려울 정도입니다. 그중에도 자주 구매하는 상품을 추천하는 쿠팡과 이마트의 방식에는 배울 만한 점이 있습니다. 쿠팡은 내가 구매한 적이 있는 신선식품을 모아 센스 있는 타이틀을 붙여 추천합니다. 'OOO 님, 냉장고 채울 때가 됐어요!' 상품을 보지 않아도 식품 카테고리라는 점을 인지할 수 있고, '채울 때가 됐어요'라는 말로 내가 이미 구매했던 제품이라는 사실을 알 수 있죠. 또 '내가 구매했던 로켓프레시 상품'을 'OOO 님, 냉장고 채울 때가 됐어요!'라는 재치있는 타이틀로 녹여 유저는 냉장고를 채우는 가벼운 기분으로 신선식품을 재구매 할 수 있게 됩니다. 이마트는 자주 구매한 상품을 홈 화면에서 별도의 탭과 상단 지면을 통해 보여줍니다. 상품 이미지 위에 '자주 구매' 'n회 구매한 상품' 같은 라벨도 붙여주죠. 마트이다 보니 특정 생필품을 자주 구매하는 유저가 많았을 테고, 그들의 접근성을 향상하려 했던 것으로 보입니다. 덕분에 유저는 매번 사는 그 제품을 다시 사기 위해 주문 내역을 뒤지는 수고를 하지 않아도 됩니다. 3) 좋아하는 것 위주로 추천하기 우리는 관심이 있거나 취향인 콘텐츠에 좋아요를 누르거나 저장해 둡니다. 나아가 계정을 팔로우하기도 하죠. 좋아요와 팔로우를 바탕으로 콘텐츠를 추천해주는 서비스도 많습니다. 핀터레스트의 첫 번째 탭 '추천'에는 유저가 좋아할 만한 모든 핀이 모입니다. 그리고 그다음 탭의 이름은 유저가 만들어둔 보드의 이름을 그대로 사용하죠. 각 탭에는 해당 보드와 연관된 핀들이 무한 스크롤로 로드됩니다. 각 핀의 페이지 안에서도 그 핀과 유사한 핀을 추천합니다. 이 화면 역시 무한 스크롤로 구현되어 있고요. 미디엄의 홈 화면도 아티클 피드로 구성됩니다. 탭의 이름은 'For you'입니다. 아티클 리스트의 좌측 하단에 꽤 구체적인 추천의 이유도 적혀 있습니다. 나를 위한 추천(selected for you), 나의 히스토리(based on your reading history), 내가 팔로우하는 주제(because you follow ~) 등의 출처가 정직하게 제시되죠. 유형 3. 나와 비슷한 사용자 기반의 추천 나와 취향이 비슷한 사람이 추천한 음악이나 영화에는 믿음이 가고, 대체로 콘텐츠 만족도도 높죠. 취향에 맞는 콘텐츠를 추천하는 알고리즘을 서비스 핵심 기술로 사용하는 서비스도 많습니다. 이들 서비스에서는 유저의 활동을 데이터로 바꿉니다. 청취 기록을 초 단위로 남기고, 플레이 리스트와 좋아요 등 유저가 어떤 콘텐츠를 좋아한다고 말해주는 기록을 수집합니다. 그리고 누적된 데이터를 바탕으로 취향이 비슷한 유저를 찾아내고, 그들이 좋아하는 콘텐츠를 분석해 비슷한 콘텐츠를 추천합니다. 1) 비슷한 취향의 유저들이 좋아하는 콘텐츠 추천하기 OTT, 음원 스트리밍 플랫폼 등에서는 협업 필터링(collaborative filtering)이라는 시스템을 이용합니다. 예를 들어 A라는 유저와 B라는 유저가 좋아하는 콘텐츠가 상당 부분 겹칠 경우, 시스템은 이 둘을 비슷한 취향을 가졌다고 간주합니다. 그 가정을 바탕으로 A가 좋아할 만한 콘텐츠를 B에게 추천하는 겁니다. 협업 필터링으로 가장 유명한 기업은 스포티파이입니다. 이들은 유저의 청취 시그널(30초 이상 들은 음악, 플레이리스트 주제 연관성, 청취 시간대 등)를 철저히 분석합니다. 이러한 데이터를 바탕으로 추천한 음악은 대개 유저의 취향을 저격하죠. 왓챠는 회원가입 시 스무 편의 영화에 별점을 매기도록 합니다. 그 별점과 시청 기록을 바탕으로 유저의 취향을 분석하고 작품을 추천합니다. 왓챠에서 눈에 띄는 것은 '예상 별점'이라는 시스템입니다. 유저와 비슷한 취향을 가진 사람들의 평가를 모아서 별점으로 수치화하여 보여줍니다. 유저는 예상 별점을 보고 이 작품이 자신의 취향에 맞는지를 판단합니다. 2) 이 상품을 산 유저들이 함께 본 상품 추천하기 오픈 마켓을 탐색하다 보면 같이 비교해볼 만하거나 함께 사면 좋은 상품을 보여주는 영역을 만나게 됩니다. 유사한 구매 이력을 가진 사람들의 선호 상품이 여기에 노출되는데요. 쿠팡은 상세페이지 하단에서 '많이 구매하는 베스트 조합'과 '다른 고객이 함께 본 상품'을 보여줍니다. 오늘회는 특정 상품을 구매한 사람들의 후기를 통해 꿀조합 상품을 추천합니다. 꿀조합 상품은 상세페이지 상단의 가격, 배송정보 바로 아래에 노출됩니다. 유저들의 콘텐츠를 먼저 보고 상품의 상세 정보를 접하는 구성입니다. 상세페이지 안에서도 꿀조합 상품을 모두 볼 수 있기 때문에 페이지를 이탈하지 않고 장바구니에 골라 담을 수 있습니다.