AI 추천 로직을 기획하는 과정 (아티클스터디)

사내 아티클 스터디_1기

3주차 1회분

 

원문 : https://medium.com/ssgtech/ai-p-ck-%EB%82%B4-%EC%B7%A8%ED%96%A5%EC%97%90-%EB%A7%9E%EC%B6%98-%ED%8A%B9%EB%B3%84%ED%95%9C-%EC%83%81%ED%92%88-%EC%85%80%EB%A0%89%EC%85%98-beta-90d24b382594

AI P!ck, 내 취향에 맞춘 특별한 상품 셀렉션(Beta)

---

0. 들어가며

선정한 아티클의 저자는 SSG 검색추천팀의 기획자이며, 올해 오픈한 'AI Pick'이라는 서비스의 개발 과정을 공유한 글이다.

검색 기획은 어려운 기획중에 하나이기에 누구에게, 언제, 무엇을, 어떻게 추천할건지 고민이 담긴 다른 기획자의 시선이 궁금해졌다. 

 

추천은 정답을 예측하기 어렵고 추천하는 방법이 다양하기 때문에, 전시 영역별(플로우별)로 가장 좋은 결과를 낼 수 있는 추천셋을 판단하기 쉽지 않다.

그래서 추천 최적화의 실험을 거쳐야 하지만 전시 영역별로 운영 조건이 다르기에, 다양한 가설로 실험하기란  현실적으로 어렵다.

이러한 연유로 테스트베드가 될만한 '추천 페이지'를 만들고 싶어서 AI Pick 프로젝트를 시작하게 되었다고 한다.

 

 

1. 기획 과정

다양한 서비스에서 개인화 추천을 제공하지만 특징이 조금씩 다른데, 크게 아래처럼 분류된다.

A) 별도의 페이지를 두어 추천   ex. 29CM, 네이버
B) 서비스 자체가 개인화 추천으로 구성   ex.넷플릭스, 유튜브

 

AI Pick은 개인화 추천 서비스이며, A처럼 별도의 페이지를 개발하는 방향이다.

원하는 상품을 직접 서칭하지 않고 AI Pick을 구경만해도 간편하게 확인할 수 있는 것이 목표.

 

베이스 데이터(ex. 선호 브랜드, 카테고리, 상품 특징, 성별 등)를 바탕으로 최신순, 반복순 등 여러 조합으로 구성이 가능.

아이데이션에서 결과에서 중요도와 다양성을 고려해 아이디어를 선별하여 서비스를 구성(리소스의 한계)한다.

 

MosCow 방법론을 활용하여, 고객의 관심사와 필수도를 기준으로 중요도를 1,2,3으로 나눈다. 그리고 추천의 품질을 고려한다.

1) MUST HAVE

2) SHOULD HAVE

3) COULD HAVE

 

<추천의 품질을 판단하는 4가지 요소>

① 관련성(Relevance) : 추천된 아이템이 유저에게 관련이 있는지

② 다양성(Diversity) : 연관이 있음과 동시에 반복적 추천이 아니니 다양한 추천이 필요

③ 신기함(Novelty) : 고객의 구매상품은 한정되어 있으므로 진부함을 느끼지 않도록 색다른 아이템의 추천 필요. 그래야 열렬한 팬이 될 수 있다. 

④ 행운(Serendipity) : 전혀 예상하지 못한 추천. 한번도 검색한 적이 없어도 알고리즘에 의해 뜨는 행운.

 

+ 도메인의 특성 고려하기 

 

 

2. 개발 과정

구현 방법에 따라 필요 데이터가 달라지므로 전체 프로세스를 처음부터 고민해야 한다. 기획 단계부터 이를 고려하면 추후 수정사항을 줄일 수 있다. 데이터 스키마를 정의하고 API 설계를 진행한다. 

 

개발할 추천셋도 많고 추천셋별로 베이스 데이터와 추천결과가 달라서 프로세스가 복잡할 수 밖에 없다. 여러 툴을 활용해 시각화하고 같이 논의한 것이 큰 도움이 되었다고 한다.

 

효율적으로 시간을 사용하고자 병렬 작업으로 진행.

모델 개발, 데이터 개발과 동시에 API도 개발함. 원래는 데이터가 있어야 API를 개발할 수 있지만, 미리 시각화시킨 스키마를 참고하여 API를 개발하는 것. 

→ 불필요한 개발 대기시간을 줄여서 테스트 시간을 확보.

 

 

3. 테스트 및 베타 오픈

올해 3월 고객에게 베타 오픈 전, 3번의 내부테스트를 진행하며 다양성의 부족/카테고리화 등의 피드백을 개선함.

개인별 선호가 다르기 때문에 명확한 답은 없다.

다양성을 만족하면서 탐색 편의성을 확보하는 실험이 계속 필요하다. 

 

자체 대시보드를 구축하여 지표를 데일리 트래킹했고, 개인화 없는 일반 추천보다 상품 클릭률이 약 5배 높은 결과를 보였다고 한다.

 

추후 추천셋별로 다양한 지표를 분석하여 특징 분석, 인사이트 도출을 통해 지속적인 최적화를 진행할 예정!