추천 엔진은 아마존, 넷플릭스 등 여러 기업에서 강력한 도구로 활용되고 있습니다. 칼럼니스트 다니엘 파겔라는 추천 엔진의 이점을 살펴보고 마케터들이 왜 이에 주목해야 하는지 설명합니다.
넷플릭스의 방대한 영화 및 TV 프로그램 추천 목록은 개인 맞춤형 사용자 경험의 훌륭한 예입니다. 실제로 넷플릭스에 따르면 사용자들이 시청하는 콘텐츠의 약 70%는 개인 맞춤 추천입니다.
그 단계에 이르기까지 쉬운 일은 아니었으며, 추천 시스템 개선은 지속적인 과정입니다. 넷플릭스는 10년이 넘는 시간 동안 추천 시스템을 개발하고 다듬어 왔습니다.
2006년, 넷플릭스는 기존 알고리즘을 개선할 수 있는 머신러닝 전문가를 찾기 위해 넷플릭스 프라이즈를 시작했습니다. 한 알고리즘 과학자 팀이 넷플릭스 알고리즘보다 10% 더 나은 성능을 보였습니다. 언뜻 보기에는 작은 차이처럼 보일 수 있지만, 넷플릭스는 이 정도의 성과만으로도 향후 큰 발전을 기대하게 되었습니다. 이 팀은 1만 달러의 상금을 받았습니다.
추천 엔진은 마케터와 기업이 빅데이터 분석 기반의 심층적인 지식을 활용하여 사용자의 과거 온라인 활동이나 행동에 맞춘 추천을 제공할 가능성을 높이는 데 도움을 줄 수 있습니다.
이 글에서는 기업이 개인화 및 추천 기능을 효과적으로 활용하여 투자 수익률(ROI)을 높이는 방법을 살펴보겠습니다. 저희 회사가 수십 건의 추천 엔진 활용 사례를 분석한 결과를 바탕으로, 추천 엔진의 잠재적 비즈니스 이점을 세 가지 범주로 나누어 설명하겠습니다.
사용할수록 향상됨 (긍정적 피드백 루프)
넷플릭스 프라이즈의 목표는 회원 유지율을 높이는 것, 즉 장기적으로 서비스를 더욱 "매력적으로" 만드는 것이었습니다. 하지만 넷플릭스는 일회성 개선만을 원한 것이 아니었습니다.
추천 엔진의 핵심은 충분한 데이터가 축적될 경우 시간이 지남에 따라 사용자 만족도를 향상시킬 수 있는 자가 개선 시스템을 구축하는 것입니다. 넷플릭스의 카를로스 고메즈-우리베와 닐 헌트가 발표한 논문(PDF)에서 설명했듯이 말입니다.
개인 맞춤형 추천을 더욱 효과적으로 제공하여 매력적인 서비스를 구축한다면, 가입을 망설이던 회원들이 더 오래 이용하게 되고 회원 유지율이 향상될 것입니다.
넷플릭스는 매우 세분화된 분류를 통해 회원들이 좋아할 만한 콘텐츠 목록을 제공함으로써 수많은 주문형 비디오 스트리밍 서비스 중에서 선택의 폭을 좁혔습니다. 또한 시청률 및 이탈률 추세를 측정하여 결과를 분석하고, 이를 통해 매일 더욱 정교한 서비스를 제공하고 있습니다.
신규 회원을 확보하는 것 외에도, 회사가 매출 성장을 지속하려면 기존 구독자를 유지할 수 있어야 합니다. 다시 말해, 이탈률이 낮을수록 월 매출이 높아집니다.
넷플릭스는 사용자들이 앱을 둘러보고 영상을 선택하도록 설득할 시간이 매우 짧습니다. 회사에 따르면 사용자들은 약 20개의 콘텐츠를 살펴본 후 60~90초 만에 흥미를 잃습니다.
고메즈-우리베와 헌트는 더욱 정교한 추천 시스템과 개인화된 사용자 경험을 적용함으로써 서비스 해지로 인한 연간 1억 달러의 손실을 줄일 수 있었다고 밝혔습니다.
넷플릭스의 매출 수치를 살펴보면 2017년 2분기에 전년 동기 대비 32.3%의 성장률을 기록했는데, 이는 전 분기에 기존 9900만 명의 회원에 520만 명의 신규 회원이 추가된 데 따른 것입니다.
더 많은 데이터(즉, 매일 넷플릭스 플랫폼을 이용하는 활성 사용자 수)를 활용하여 알고리즘을 학습시킬 수 있게 되면서, 넷플릭스는 기존 사용자에게 더욱 빠르고 효과적으로 서비스를 개선할 수 있는 이점을 누리게 되었습니다. AI 투자사인 폴라리스 파트너스의 게리 스와트는 이러한 "승자독식" 구도가 "사용을 통한 개선"이 중요한 이유 중 하나라고 지적합니다.
구글만큼 질문에 대한 답을 잘 주는 웹사이트가 있을까요? 아마 없을 겁니다. 구글은 막대한 시장 점유율을 자랑하며, 더 적은 데이터를 사용하면서도 경쟁사보다 훨씬 빠르게 발전할 가능성이 높습니다. 아마존보다 더 관련성 높은 상품을 추천해주는 온라인 쇼핑 플랫폼이 있을까요? 아마 없을 겁니다.
요점은 이렇습니다. 모든 분야의 추천 엔진은 이와 같은 극단적인 차별화를 만들어낼 가능성을 가지고 있습니다.
장바구니 가치(수익) 향상
아마존은 2분기 매출 37.9억 달러를 기록하며 온라인 소매 시장에서 압도적인 지배력을 이어가고 있습니다. 1998년에 도입된 아마존의 상품 간 협업 필터링 알고리즘은 제품 라인과 주제 영역을 기반으로 고객에게 맞춤형 추천 상품을 제공합니다. 이 시스템은 고객이 구매하고 평가한 상품과 유사한 상품을 고객의 구매 목록에서 찾아 추천 상품으로 선정합니다.
일부 웹사이트에서는 고객 여정의 한 부분(예: 결제 페이지의 "관련 상품" 목록)에만 추천 기능이 존재하지만, 아마존은 장바구니 가치를 극대화하기 위해 온라인 경험 전반에 걸쳐 다양한 추천 "진입점"을 통합했습니다.
예를 들어, 사용자는 "추천 상품" 링크를 클릭하여 관심 있을 만한 카테고리별 상품이 표시된 페이지를 보거나, 이전에 본 상품과 유사한 상품이 있는 섹션을 참조할 수 있습니다.
사용자는 "함께 자주 구매하는 상품" 섹션에서 묶음 상품을 확인할 수도 있는데, 아마존은 이러한 상품을 함께 구매할 경우 배송비를 절감할 수 있습니다. 이는 아마존이 구매 내역부터 장바구니에 담아두고 구매를 포기한 상품까지 수십억 건에 달하는 데이터를 분석하기 때문에 가능한 일입니다.
맥킨지는 아마존에서 이루어지는 소비자 구매의 35%가 제품 추천에서 비롯된다고 추정했지만, 아마존 자체는 자체적인 추정치를 공개한 적이 없습니다. 2016년 아마존은 인공지능 앱 개발을 장려하기 위해 DSSTNE(데스티니라고 발음)라는 오픈 소스 인공지능(AI) 프레임워크를 무료로 제공했습니다.
또 다른 전자상거래 거대 기업인 알리바바 그룹은 티몰과 타오바오 플랫폼을 통해 중국 전자상거래 시장을 계속해서 장악하고 있습니다. 고객에게는 과거 거래 내역뿐만 아니라 검색 기록, 제품 평가, 즐겨찾기, 지리적 위치 및 기타 온라인 행동 데이터를 기반으로 한 제품 추천이 제공됩니다.
알리바바는 인공지능(AI)을 활용하여 이전 거래 내역이 없는 신규 사용자에게 제품을 추천합니다. 알리바바 가맹점 서비스 사업부의 데이터 기술 담당 이사인 웨이 후는 성명에서 자사의 기술이 사용자의 다른 곳에서의 제품 구매 데이터를 수집하여 사용자의 구매 이력과 일치하는 제품을 추천할 수 있다고 설명했습니다.
2016년 중국의 24시간 온라인 쇼핑 행사였던 11.11 쇼핑 페스티벌 기간 동안 알리바바는 인공지능(AI)을 활용하여 쇼핑객 개인 맞춤형 페이지에 상품 추천을 제공했습니다. 참여 업체들은 타겟 고객 데이터를 기반으로 자사 매장을 맞춤 설정했습니다. 알리바바는 InsideRetail Asia와의 인터뷰에서 해당 행사를 통해 6.7억 개의 개인 맞춤형 쇼핑 페이지를 생성했으며, 전환율이 20% 향상되었다고 밝혔습니다.
고객 참여도 및 만족도 향상 (고객 유지율 개선)
유튜브의 추천 엔진은 2015년부터 구글 브레인을 기반으로 작동하며, 구글은 이를 현재까지 가장 정교한 추천 시스템 중 하나로 평가합니다.
넷플릭스와 마찬가지로 유튜브도 다양한 유형의 비디오 콘텐츠 간 유사성을 찾는 알고리즘을 도입하기 전에 수많은 실험과 재설계를 거쳤습니다. 유튜브의 제품 관리 부사장인 조한나 라이트는 와이어드와의 인터뷰에서 이제 추천 영상이 시청자에게 더욱 관련성이 높다고 확신한다고 밝혔습니다.
당신은 또한 갈 수 있습니다 싱가포르 제품 관리 인증 제대로 된 통찰력을 얻기 위해.
유튜브는 사용자의 시청 기록, 영상 게시 시기, 검색어, 위치 정보 등을 활용하여 다음에 재생할 영상을 결정합니다. 넷플릭스와 달리 유튜브는 무료이며, 구독료 모델이 아닌 콘텐츠 이용(및 광고 노출)에 전적으로 의존합니다.
유튜브는 추천 기능을 통해 시청자가 사이트에 계속 머물도록 유도하는 동시에 과거 시청 기록을 바탕으로 적절한 광고를 제공합니다. 유튜브는 시청자가 30초 이상 광고를 시청하거나 화면상의 콘텐츠 또는 페이지에 표시된 광고를 클릭할 때 수익을 얻습니다.
모회사인 알파벳은 유튜브를 구글 웹사이트 플랫폼 전체의 일부로 분류하기 때문에 별도의 수익 수치는 공개하지 않습니다(2017년 6월 30일 기준 구글의 총 광고 수익은 220억 달러를 넘어섰습니다).
반면, 판도라나 스웨덴에 본사를 둔 스포티파이 같은 음악 스트리밍 서비스는 추천 엔진을 활용하여 사용자 참여도를 높이고 구독자를 유지합니다. 이러한 인터넷 라디오 회사들은 유료 구독 플랜과 비구독자 대상 광고를 통해 수익을 창출합니다.
Spotify의 Discover Weekly는 사용자의 취향, 청취 습관, 좋아하는 아티스트, 심지어 사용하는 기능까지 고려하여 노래를 추천합니다. 이는 협업 필터링과 자연어 처리를 통해 가능해졌습니다. 추천 기능 개발에 참여한 엔지니어링 매니저인 에드워드 뉴엣은 Wired와의 인터뷰에서 다음과 같이 설명했습니다.
모든 사용자가 자신만의 완벽한 플레이리스트를 만들려고 할 때의 행동을 모방함으로써, Spotify의 2억 개 플레이리스트를 활용하고, 개별 사용자의 취향을 파악하여 흥미로운 플레이리스트를 만들어낼 수 있습니다.
판도라의 자체 추천 엔진은 450개의 음악적 속성을 가진 '뮤직 게놈 프로젝트'라는 기술을 기반으로 합니다. 이 알고리즘은 수천 명의 아티스트의 노래를 분석하고 사용자의 취향에 맞춰 온라인 라디오 스테이션을 구성합니다.
Spotify와 Pandora의 이러한 기능을 통해 청취자는 이전에 들어본 적 없는, 특히 떠오르는 인디 아티스트의 곡과 같이 관심을 가질 만한 노래를 접할 수 있습니다. 이는 기존 구독자를 유지하고 비회원에게 광고를 통해 더 많은 음악을 제공하는 한 가지 방법입니다.
스포티파이는 자사 웹사이트에서 2017년 7월 기준으로 61개국에 걸쳐 6천만 명 이상의 구독자와 1억 4천만 명의 활성 사용자를 보유하고 있으며, 이들이 3천만 곡 이상의 음악을 즐길 수 있다고 밝혔습니다. 한편, 판도라의 2분기 매출은 3억 7,680만 달러였습니다.
추천 엔진의 활용 범위는 이러한 산업에만 국한되지 않습니다. 식품, 스포츠, 심지어 패션 업계에서도 인공지능을 활용하여 고객에게 적합한 옵션을 제시하고 있습니다. 점점 더 많은 기업들이 마케팅 캠페인에서 이 기술을 사용하여 투자 수익률(ROI)을 개선하고자 노력하고 있습니다.
___
by 다니엘 파겔라
출처 : 오늘날의 마케팅 기술
