추천 강자 넷플릭스
넷플릭스의 핵심 전략은 ‘취향 저격’이다.(블로터, 헤이 넷플릭스, 콘텐츠 추천 시스템이 뭔가요?) 넷플릭스는 사용자의 취향을 알아내고 사용자가 좋아할 만한 콘텐츠를 추천해준다. 영화 추천과 더불어 사용자들이 선호하는 장르나 배우, 내용으로 넷플릭스 오리지널 시리즈를 자체제작하기도 한다. 심지어 영화 타이틀 이미지도 개인별 선호도를 반영하여 다르게 보여준다.
넷플릭스의 추천 알고리즘은 성공적이었다. 맞춤형 콘텐츠 추천 시스템에 의한 영상 시청량이 전체 시청량의 80%를 차지할 정도다. 이러한 개인 맞춤형 사례는 수많은 기업의 벤치마킹 대상이 됐으며, 내부에서도 시스템을 끊임없이 개선시키며 끊김 없는 최적의 콘텐츠 소비 환경을 제공하기 위해 노력하고 있다.
추천은 왜 해야할까?
비단 동영상 스트리밍 서비스에만 추천이 활발한 건 아니다. 이커머스의 상품 추천, SNS에서의 친구 추천, 구글 검색광고, 뉴스 추천 등 추천 영역은 계속 확대됐다. 추천의 효과도 입증되고 있다. 액센츄어의 연구에 따르면 전자상거래에 개인화 추천을 도입했을 때 소비자의 75%가 자신을 알아보거나 과거 구매기록에 기초한 추천을 해주는 쇼핑몰에서 구매하는 경향이 높다고 한다.
1) 방랑형 고객을 위한 추천
고객이 뭔가 사고 싶은데 뭘 사야할 지 모를 때 추천은 진가를 발휘한다. 살만 한 게 있나 메인홈에 접속한 고객에게, 상세페이지에서 다른 관련 상품이 없나 고민하는 고객에게 잘 맞는 상품을 추천해주는 것이 쇼핑몰의 주요 역할이다.
쇼핑몰을 구경하다 보면 필요없는 것도 다 사버릴 때가 있는가 하면, 항상 보던 상품만 보이고 아무리 여기저기 눌러도 살 게 보이지 않을 때도 있다. 후자는 쇼핑의 재미를 반감시킨다. 특정 상품을 구입하겠다는 목적이 없어도, 혹은 그 목적을 달성한 후 더 살 게 없나 방랑하는 경우에도 추천은 구매전환에 기여한다.
2) 상품이 너무 많은 것에 대한 대안
상품구색 확대는 오래전부터 커머스업체의 일순위 과제였다. 하지만 상품이 너무 많다는 게 문제가 되어 도리어 고객에게 불편을 줄 때도 있다. 고객이 많은 상품들을 살펴보느라 시간을 할애하지만 정작 원하는 제품은 찾지 못하는 케이스다.
과거엔 원피스를 검색했을 때 4천 개 상품 중 3천 개만 검색되는 것이 문제였고 이를 해결하려 노력했다. 그러나 이젠 검색결과 4천개 중 고객이 살 만한 10개를 뽑아서 검색결과 앞으로 꺼내주는 것이 주요 이슈다. 같은 원피스라도 도트, 무지, 꽃무늬, 체크 중 어느 쪽인지, 미디 기장과 미니스커트 중 무엇을 먼저 제시할지 설계해 고객의 탐색 부담감, 비효율성을 줄여주는 게 과제가 된 것이다.
추천의 형태
추천은 고객이 각 페이지에 진입하는 맥락을 반영한다. 메인홈과 검색결과, 상세페이지 등 각 페이지 영역마다 추천의 형태, 종류가 상이하며 개인화 정도에 차이가 있다.
메인홈에선 최근 조회한 상품이나 이와 유사한 상품, 인기/특가상품을 추천하는가 하면 상품 상세에선 각 상품의 보완재, 대체재 성격의 상품을 추천한다. 검색결과에선 검색자의 개인정보에 기반해 노출상품을 조정하기도 한다.
(더 읽기: 티몬 User Segment에 따른 검색결과 조정 → 서비스 제작과정을 통해 알아보는 서비스 기획
일례로 레코픽은 사용자의 최근 성향(최근 본 상품 등)을 실시간으로 분석하여 상품을 추천하는 ‘실시간 개인화 추천’, 현재 보고 있는 상품과 관련된 상품을 추천하는 ‘함께 본 상품’, ‘함께 구매한 상품’으로 카테고리를 나눠 추천기능을 제공하고 있다.
단, PC와 모바일 환경에 따라 추천 대상군이 다소 차이가 있다. 상품 조회 기록이 쿠키에 쌓이고 이를 기반으로 추천이 이뤄지는데, 쿠키는 PC, 모바일웹, 모바일앱에 각각 따로 기록되기 때문이다.
더욱이 PC로 보는 상품군은 집이나 학교, 회사에서 자리에 앉아 쇼핑하는 물품들, 주로 고가의 상품이 많은 반면 모바일로 보는 상품군은 출퇴근 등 이동 중에 가볍게 보는 물품들, 상대적으로 저렴한 물품들이 많다. 이러한 상황을 반영해 추천솔루션은 상품군의 속성이나 접속 환경에 따라 조회 기록을 분리하고 추천 대상 상품을 정한다.
덧붙임: 최근 본 상품 기록 통합
한편 디바이스마다 분리된 상품 조회 기록을 통합하고자 하는 움직임도 있다. 단일 디바이스로 쇼핑하는 사용자만큼이나 한 명의 사용자가 PC와 모바일을 오가며 쇼핑하는 비중이 크기 때문이다. 한 사용자의 패턴을 보다 많이 기록하고 그에 맞춰 개인화 추천을 더 잘하기 위해 11번가는 작년 추천 엔진을 레코픽에서 콜로세오로 교체했다.
레코픽이 쿠키 기준으로 사용자를 구분했다면 콜로세오는 사용자 ID를 기준으로 삼는다. 기존 쿠키 방식은 한 사용자가 PC 웹에서 상품을 찾아 장바구니에 담은 후 모바일 앱에서 결제를 했더라도 각 채널별 사용자를 다르게 구분할 수 밖에 없었다. 반면 콜로세오는 각 환경을 통합하여 사용자 단위로 로그를 기록한다. 사용자 단위의 움직임을 파악하여 개인화 추천에 정확도를 높일 수 있다.
(더 읽기: 11번가 추천 엔진 교체 (RecoPick -> Colloseo))
그러니까 어떻게?
이쯤되면 궁금해진다. 어떻게 하면 적절한 시기에 적절한 상품을 고객 개개인에 맞춰 보여줄 수 있을까? 추천을 왜 하는지, 추천 결과가 어느 화면에 나타나는지는 잘 알려져 있다. 기획자에게 중요한 건 어떻게다. 어떻게 사용자의 취향, 성향을 알고 어떻게 영향요소들을 종합적으로 판단하여 딱 맞는 제품을 추천해주는지 이해할 필요가 있다.
쇼핑몰에 따라 MD의 직관, 영업력에 의해 추천 대상 상품을 선정하고 전시하는 경우가 있는가 하면, 관리자의 개입 없이 시스템(알고리즘)에 의해 추천이 이뤄지기도 한다. 혹은 이 둘을 혼용하여 절충할 때도 있다.
시스템에 의한 추천 중 가장 보편화된 추천의 기준은 연령대와 성별이다. 롯데닷컴은 각 연령대와 성별이 많이 구매한 상품에 태그를 달아 고객의 눈에 더욱 잘 띄게 배치했다.
한편 인구통계학적 정보 외 사용자의 앱 내 활동을 분석하여 사용자 개인의 취향에 맞는 제품들을 매일 새로 소개하는 서비스도 있다. 원데이텐미닛은 매일 100개씩 새로운 옷을 추천해주고 사용자의 반응에 따라 추천을 더욱 정교화한다.