고객지원 > 지식/노하우

지식/노하우

지식/노하우

사용자 경험과 전환을 향상시키는 상품 추천 기술 10가지

페이지 정보

작성일2017-08-16

본문


사용자 경험과 전환을 향상시키는 상품 추천 기술 10가지 

 

㈜넷스루 전략기획실 

 

 

 

이 글은 Yusp이라는 추천 솔루션을 제공하는 Gravity R&D에서 컨텐츠 마케팅 전문가로 활동하고 있는 후바 가스파(Huba Gaspar)가 작성한 글입니다. (source 참고)

 

최근 거의 모든 온라인 쇼핑몰은 상품 추천 엔진을 사용하고 있습니다. 또한 상품 추천 엔진을 이용하여 매출, 클릭률, 전환 등 중요한 측정값을 향상시키고 있습니다.

그리고, 상품 추천 엔진은 사용자 경험에 긍정적인 영향을 미치며, 측정이 어려운 고객 만족도나 고객 유지에도 중요한 영향을 미치고 있습니다. 

 

추천 엔진 정의 


추천 엔진의 핵심은 주어진 상황에서 특정 사용자에게 가장 연관성 높은 아이템을 추천하기 위해 알고리즘과 데이터를 사용하여 정보를 필터링하는 것입니다. 

 

여기서, 아이템은 하나의 컨텐츠, 하나의 상품이거나 (데이트 사이트 같은 곳에서는) 어떤 사람이 될 수도 있습니다. 추천은 주어진 상황과 관련된 특정 아이템의 연관성을 결정하는 집계 데이터나 개인화된 추천을 가능하게 하는 특정 사용자 정보를 이용하여 제공됩니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502861

 

이커머스 사이트에서 판매하는 상품 유형과 취향을 맞춰야 하는 특정 유형의 대중은 사이트에서 어떻게 추천을 사용하여 제시할 것인지, 어떤 로직이 가장 적합한지 결정하는데 큰 영향을 미칩니다.  

 

이 글에서 사용되는 로직이라는 단어는 추천에 제공된 미리 정의된 규칙과 알고리즘의 세트를 의미합니다. (즉, “인기 상품”, “이 상품을 산 사람들이 산 상품” 등)

 

추천 엔진의 유용성 


어떤 고객이 쉽고 빠르게 물건을 찾을 수 있도록 도움을 많이 받은 상점에서 재구매를 할 가능성이 높은지 알기 위해 굳이 시장조사를 할 필요는 없습니다. 

그들은 언젠가 다시 그 상점에 돌아올 가능성이 높습니다. 추천 외에 이런 경험을 만들어 낼 수 있는 방법이 많겠지만, 정교한 솔루션 구현으로 연관성있고 개인화된 고객 여정을 만들어야 합니다. 

몇 개월 전, 넷플릭스는 추천 엔진이 매년 10억달러의 가치를 제공한다고 할 정도로 추천 시스템의 비즈니스 가치는 확실합니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862
 

 

다른 사례로는 2011년에 이베이가 2년된 추천 엔진 스타트업인 Hunch를 8천만달러에 인수했습니다. 

 

1998년에 아마존 창업자인 제프 베조스는 추천 시스템의 가치를 다음과 같이 이야기하였습니다. 

 “온라인 세계에서는 고객과 깊은 관계를 만들 수 있는 기회를 가져야 하는데, 이는 고객의 선호도를 받아들이고 시간에 따라 고객이 구매하는 행동을 관찰하여 생성된 고객에 대한 개별화된 지식을 이용해 고객의 사이트 탐색 과정을 향상시킴으로서 가능해집니다. 그렇게 한다면, 고객은 우리가 그들을 잘 이해해 주어 아주 깊은 충성심을 느끼게 될 것입니다.” 

 

2015년 VentureBeat이 발간한 연구에 의하면, “디지털 네이티브(Y와 X세대)”의 77%는 온라인에서 개인화된 경험을 기대한다고 하였습니다. 이것은 개인화와 연관된 기술은 “Nice to Have(가지면 좋은 것)” 항목에 포함되었다는 것을 의미합니다. 

 

요즘 이런 기술을 도입하는 것은 온라인 비즈니스를 성공적으로 수행하는데 선결조건이 되었습니다. 

가장 유명한 아마존의 통계를 예로 들어보겠습니다. 아마존 전체 매출의 35%는 추천을 통해 고객이 알게 된 상품을 구매한 것이라고 합니다. 

 

이것은 추천 시스템을 평가할 때 매우 중요한 측정지표입니다. 경험에 따르면 기업은 이와 같은 시스템의 성과를 어떻게 평가해야 할지 처음부터 알지 못합니다. 

 

추천 성과를 나타내는 몇 가지 측정지표는 다음과 같습니다.

 

1. 추천을 통한 전환율 – 추천 상품을 클릭한 사람이 구매로 전환한 비율

2. 1000개 추천당 거래총액(GMV: Gross Merchandise Value) – 처음에 이해하기 가장 어려운 항목이지만 일반적으로 1000개 추천당 평균 매출액을 의미하며 추천 영역에 배치된 상품을 산 고객을 기준으로 계산됩니다. 

3. CTRs (Click Through Ratio: 클릭률) – 가장 중요한 측정지표입니다. Footer나 SideBar와 같이 그다지 좋은 위치가 아닌 곳에 있는 추천 위젯이 전체 클릭률을 왜곡시키기도 하지만, 평가할 때 반드시 기억해야 하는 측정값입니다. 

4. 추천을 통한 매출 비중 – 아마존 예시에서 언급된 것처럼 가장 자주 사용되는 측정지표 중 하나입니다. 전체 매출 중에 추천을 통해 발생된 매출을 의미합니다.

5. 상품조회수 – 방문 세션 동안 추천을 통해 사람들이 조회한 상품의 수를 말합니다. 더 많은 페이지를 조회한다는 것은 사용자가 상품을 찾는데 어려워한다고 볼 수도 있으나 Wolfgang Digital의 연구에 의하면 사용자가 사이트에서 보낸 시간과 조회한 페이지수는 구매 전환과 양의 상관관계를 가진다고 합니다. 

 

위에 언급한 5가지 측정지표는 추천시스템 POC(개념증명)를 하는 동안 주로 평가하는 항목입니다. 

 

그리고, 위젯 위치, 페이지 레이아웃, 계절이나 캠페인 관련된 요인 등과 같은 많은 외부 요인들이 측정값에 영향을 준다는 점도 추천 시스템을 평가할 때 반드시 고려해야 합니다. 

 

추천과 개인화의 차이


추천과 개인화는 혼용되어 많이 사용하고 있는데, 동일하지 않습니다.

추천은 개인화되어 제공가능하지만 다른 방법으로도 많이 제공됩니다.  

개인화가 아닌 추천도 많으며 추천이 아닌 개인화도 많이 있습니다. 개인화 또한 추천엔진에 의해서만 구현되는 것이 아닙니다. 물론 규모가 큰 경우 제대로된 개인화는 추천엔진에 의해서 제공됩니다.

 

추천 시스템의 주요 기술은 기술적으로나 응용 업무와 관련해서 점점 더 향상되고 있습니다.

SaaS 솔루션이 많아지면서 많은 기업들이 정교한 추천 시스템의 효과를 확인할 수 있게 됨에 따라 추천 시스템은 이커머스 시장에서 차별화된 경쟁력으로 자리잡게 되었습니다. 

 

 5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862
 

 

추천 사용 영역


이커머스나 컨텐츠 사이트에서 추천을 노출시킬 곳은 많습니다. 이 글에서는 이커머스 사이트의 메인 페이지, 상품상세 페이지, 카테고리 페이지, 404페이지에서 기본적으로 사용하는 추천 기법에 대해 설명하겠습니다. 

 

메인페이지 추천

메인 페이지는 직접 사이트를 방문한 사용자가 처음 만나는 곳입니다. 직접 방문한 사용자는 특별히 찾는 것이 없는 경우가 많으므로 메인페이지 추천은 최근 딜이나 할인상품을 안내하거나 상품 포트폴리오를 제공하는 목적으로 사용할 수 있습니다.

 

1. 인기 상품

인기 상품 추천은 모든 이커머스 사이트에서 성과가 좋은 기본이자 가장 강력한 추천 로직입니다. 특정 상품의 인기는 (판매 기간을 고려한) 구매 회수에 의해 결정됩니다. 

좀 더 정확한 추천을 제공하기 위해 버튼 클릭, 페이지 조회, 장바구니 넣기 등의 이벤트 데이터를 추천 로직에 추가할 수 있습니다. 

컨텐츠 사이트(뉴스, 동영상 포탈)의 경우, 페이지에서 보낸 시간이나 얼마나 스크롤했는지, 동영상 시청 시간과 같은 요소도 인기를 측정하는데 중요하게 사용됩니다.

당신 사이트 방문자가 가장 많이 본 컨텐츠나 아이템을 어떤 측정지표로 정의할 것인지 늘 고민해야 합니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

2. 평가 기반 추천

인기는 높은 사용자 평가에 의해서도 정해집니다.

추천 시스템 용어로는 사용자 평가, 코멘트라고 부르며, 사용자가 좋아한다는 표시를 “명시적인 피드백”을 통해 나타낸 것입니다.

반면, 클릭, 구매, 조회 등의 행동은 “암묵적인 피드백”이라고 볼 수 있습니다. 사이트를 이용하는 사용자의 상호작용으로 자연스럽게 만들어내는 데이터이기 때문입니다.

암묵적인 피드백은 양이 많고 정보가 풍부하며 구조화되어 있지만, 후기와 같은 명시적인 피드백은 비구조화된 정보이고 평가 정보는 양이 아주 적어서 실제 추천 시스템은 거의 암묵적인 피드백을 활용합니다.

시스템적으로는 평가 정보를 효과적으로 활용하기 어렵지만, 사용자는 평가 정보를 유용하게 활용합니다. BrightLocal 조사에 따르면 사용자의 88%가 온라인 후기 정보를 믿는 것으로 나타났습니다. 

만일 사이트 사용자가 구매 의사결정을 하는데 후기를 많이 참조하는 경향이 있다면, 메인페이지에 “최고로 평가된 상품” 영역을 배치하는 것을 고려하거나 다른 로직에 의해 추천된 위젯 내 상품 정보에 평가 정보를 함께 표시하는 것을 고려해 보시기 바랍니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

3. 개인화된 추천

개인화된 추천 위젯은 사용자의 과거 구매 및 조회 이력에 따라 서로 다른 상품을 제공합니다. 여기에 사용되는 추천 알고리즘은 어떤 요소를 고려하여 구현했는지에 따라 차이가 큽니다. (사소한 것도 다른 결과를 가져올 수 있습니다)

인기 상품 추천이 전체 주류를 따라가기에 좋으나, 상품 추천에 개인화 요소를 적용하게 되면 롱테일 아이템 판매량이 증가합니다. 

개인화된 추천은 많은 양의 행동 데이터를 이용하므로 신규 방문자에게는 적절하게 추천할 수 없습니다. (Cold Start 문제)

재방문자에게 개인화된 사용자 경험을 제공하려면 신규 방문자에게 업계 베스트 프랙티스를 “예비 시나리오(fallback scenario)”로 정의하여 개인화된 추천으로 제공하여야 합니다. 

실제로 추천 시스템은 개인화된 아이템을 제안하기 위해 고객별로 데이터가 충분한지 확인합니다. 

개인별로 데이터가 충분하지 않다면 추천시스템은 고객 특화된 것보다 메타 데이터 등을 이용하여 좀 더 일반적인 기준으로 추천합니다. 

예비 시나리오(fallback scenario)는 신규 방문자가 이해할 수 있는 정확한 추천이 제공될 수 있도록 효과를 고려하여 만들어야 합니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

상품페이지 추천

상품 페이지 또는 상품 상세 페이지는 방문자가 상품에 대해 자세한 내용을 파악하고 장바구니에 담거나 구매를 하는 장소입니다. 

이 페이지에서 추천 목표는 조회 중인 상품과 가장 관련이 높은 아이템을 표시하여 사이트 내에서 다른 페이지를 계속 조회하도록 만드는 것입니다. 

보통 가게에 오래 머물수록 구매할 가능성이 높아집니다. 2014년 Wolfgang Digital은 사이트에서 보낸 시간과 조회한 페이지 수는 구매와 상당한 상관관계가 있다는 것을 연구를 통해 밝혔습니다.

 

4. 유사 상품들

유사상품 추천 영역은 매우 다른 로직들이 사용됩니다. 가장 단순한 것은 카테고리 기준으로 필터링하는 것입니다. 이 방법은 추천 엔진 없이도 구현가능합니다. 

간단한 필터링 기법을 유사성 기준이 되는 메타데이터(상세 설명, 상품명, 태그, 가격 등)와 함께 사용하여 현재 카테고리 내에서 같은 브랜드나 같은 색상의 상품을 추천하고자 한다면 반드시 성능을 고려해야 합니다. 

가장 효과가 좋은 유사성 기반 로직은 “아이템간 협업 필터링(item-to-item collaborative filtering)”으로 불리는 기법으로 아마존에서 사용하기 시작한 방법입니다.

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

5. “이 상품을 구매/조회한 고객이… “ 협업 필터링

이커머스 상품 추천을 위한 협업필터링 기법은 아마존에서 가장 먼저 구현되었습니다. 이는 1999년 초 특허로 출원되었으며, 그 효과는 이미 잘 알려져 있습니다. 

협업필터링은 많은 사용자들의 선호나 취향 정보를 모아서 활용합니다. 이는 아이템간 유사성 기반으로 개인화된 추천을 제공합니다.

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

아이템간 협업 필터링을 이용한 추천: 이 추천 로직은 사용자들이 얼마나 자주 함께 조회하거나 구매하였는지를 파악하여 두 상품의 유사성을 결정합니다. 

실제로 이 로직을 사용한 위젯은 “이것을 조회한 고객이 함께 조회한…”과 같이 기본 추천 아이디어를 설명해주는 이름으로 표현합니다. 

이 알고리즘으로 만들어진 선호 모델은 사이트 방문자들이 플랫폼을 사용할 때 발생한 데이터를 수치화한 것으로 상당히 믿을만합니다. 

자동화된 액세서리 추천과 같은 것도 신뢰할 만한 정확도로 제공됩니다. 

 

6. 개인화된 추천

현재 사용자의 이력과 현재 보고 있는 상품을 고려하여 개인화된 상품 페이지 추천은 정교하게 조정될 수 있습니다. 개인화된 협업 필터링 알고리즘도 적용될 수 있습니다.

이 알고리즘이 어떻게 작동하는지 간단한 예를 들어 설명하겠습니다.


5a93d68a1d7841168ac51cbac6e4ebad_1502862
5a93d68a1d7841168ac51cbac6e4ebad_1502862


개인화된 협업 필터링 추천: 개인화 추천에 공통으로 사용되는 방법으로 사용자가 최근에 조회한 n개의 상품들의 평균 유사 정도를 이용합니다.  

여기에서 사용되는 동일한 아이템간 협업 유사성은 하나의 아이템을 다른 것과 비교하는 것이 아니라 사용자의 이력 내 모든 아이템들을 비교합니다. 최근성에 가중치를 적용하면 일반적으로 정확도가 향상됩니다.

 

장바구니 페이지 추천

장바구니 페이지에 있는 것과 유사하거나 관련있는 상품을 추천하는 것은 평균 주문 건수와 금액을 올리는데 아주 효과적인 방법입니다.

장바구니 페이지는 고객이 구매하기로 거의 결정한 상태에서 방문하는 곳으로 추천을 했을 때 우호적으로 받아들일 수 있습니다. 

경험에 따르면 장바구니 추천 결과는1000개 추천당 평균 GMV값이 높게 나타납니다. 

2015년 Braillance와 Marketingsherpa가 300개의 이커머스 사이트를 대상으로 한 연구에 따르면, 사용자 장바구니 페이지내 추천 위젯이 추천을 통한 매출 기준으로 10위 안에 들었다고 합니다. 

제품 페이지보다 장바구니 페이지 트래픽이 얼마나 작은지를 생각할 때 이것은 무시할 수 없습니다. 

 

7. 액세서리 추천하기

제품 액세서리(보완재)를 추천하면 평균 구매 총량을 증가시킬 수 있습니다.

이런 추천 위젯을 구현하는 것은 기술적으로 쉬운 편입니다. 그러나 상품 카탈로그 규모나 구조에 따라 관리가 많아질 수도 있습니다. 모든 항목의 보완재를 자동으로 추천하도록 만드는 것은 매우 어렵기 때문입니다.

따라서 이런 로직은 대개 수작업으로 이루어집니다.

아이폰 카테고리에서 아이폰 액세서리 카테고리를 추천할 수도 있습니다. 이 방법은 자동화하기 훨씬 쉽지만 카테고리 구조를 잘 정의해야 합니다.

많은 데이터를 이용하여 창의적인 방법으로 분석 규칙을 만들어 실용적인 추천 결과를 도출할 수 있습니다.   

어떤 상품과 관련된 액세서리를 정의할 수 있는 코딩 가능한 규칙으로는 그 상품과 함께 자주 구매하는 상품을 추천하는 것입니다.  

구매 빈도가 적다면 추천 결과가 제대로 나오지 않을 수 있습니다. 충분한 데이터가 있다면 분석 결과는 실제 적용시 정확도가 높아질 것입니다. (전제가 맞다는 가정에서)

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

8. 자주 같이 구매하는 것

장바구니 페이지에 자주 같이 구매하는 것을 노출하는 것은 아주 효과적인 방법입니다.

장바구니 추천을 활용하려면 체크아웃 프로세스가 반드시 장바구니 페이지를 통해 진행되어야 합니다. 이것은 다소 데이터 집약적인 추천 기술입니다.

이 페이지 레이아웃 또한 매우 중요합니다. 리소스가 충분하다면 A/B 테스트를 이용하여 여러가지 레이아웃과 디자인을 비교하여 가장 좋은 것을 선택하기를 권합니다. 

넷플릭스의 경우, 상이한 플랫폼에서 쇼나 영화 같은 것을 어떻게 배치할 것인지 결정하기 위해 A/B 테스트를 아주 심도있게 수행합니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

카테고리 페이지 추천

고객이 어떤 카테고리 페이지를 조회하고 있다면 이미 무엇을 찾고 있다는 가치있는 정보를 준 것입니다. 추천 목표는 카테고리 내 컨텐츠를 모두 조회하지 않더라도 원하는 상품이나 컨텐츠를 쉽게 찾도록 돕는 것입니다.

여기에 가장 적합한 시나리오는 고급 필터링과 상세 검색이며, 추천은 이 시나리오에 추가로 가치를 제공하게 됩니다. 

 

9. 인기 상품

카테고리 페이지에서 사용자가 원하는 것을 찾는데 도움이 되는 가장 확실한 방법은 대부분 사람들이 찾는 것을 보여주는 것입니다. 

쉬운 방법으로는 카테고리 페이지 추천에서 하나의 카테고리만 사용할 것이 아니라 카테고리 구조를 이용하여 하위 카테고리 내용을 상위 카테고리 페이지에 추천해주는 것입니다. 이렇게 하면 좀 더 다양한 추천을 제공할 수 있습니다.

다른 방법으로는 카테고리내 인기도에 따라 상품을 재배치하는 것입니다. 

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862 

 

10. 결과 없음 페이지 & 404 오류 페이지

결과 없음 페이지나 404 오류 페이지에 도달하는 것은 사이트에서 고객이 떠나는 것을 의미합니다. 즉, 잠재적인 구매 기회를 잃어버리는 것입니다.

이런 페이지들은 아주 높은 종료율로 나타나며, 종료율은 매우 중요한 측정지표입니다.

체크아웃 과정이나 오류 페이지, 어떤 결과를 제공해야 하는 페이지와 연관된 경우가 아니라면 종료율은 큰 의미가 없을 수 있습니다. 

이런 상황에서 고객이 계속 다른 상품을 조회하도록 하기 위해서 추천 상품을 제공할 수 있습니다.

기본으로 고객이 설정해놓은 조건에 따라 결과를 제공할 수 없을 때는 전체 상품 카타로그 내에서 재검색을 통해 몇 가지 검색 결과를 표시할 수 있습니다.

404 페이지에서 검색 창을 추가하는 것도 UX 결함을 해소할 수 있는 방법입니다.

이 페이지에 개인화된 추천 상품을 표시하게 되면 고객이 오류 메시지나 “결과 없음”을 조회하기 보다는 다른 것을 탐색할 수 있게 됩니다.  

 

5a93d68a1d7841168ac51cbac6e4ebad_1502862

 

맺는 말


이 글에서 설명된 아이디어나, 전술, 기술들이 이커머스에서 사용된 상품 추천의 전부는 아닙니다.

이 글은 추천 시스템을 구현하거나 다음 단계로 무엇을 해야 할 것인지 고민하는 사이트 운영자에게 생각할 거리를 제공하고자 하는 것입니다.

 

Source: “10 Product Recommendation Techniques to Improve UX and Conversions” (https://conversionxl.com/product-recommendations/)

 

 

  • 트위터로 보내기
  • 페이스북으로 보내기

모바일 페이지로 이동