추천 시스템: '이런 상품도 좋아하실 수 있습니다'는 어떻게 결정될까요

대형 기술 기업이 아니어도 추천 시스템이 중요한 이유는 무엇입니까?

고객이 모두 살펴보기 어려울 만큼 많은 상품을 취급하는 기업이라면 추천 시스템이 중요합니다. 시스템이 무엇을 먼저 보여 주느냐가 어떤 상품이 눈에 띄고, 구매되고, 재입고되는지를 크게 좌우하기 때문입니다.

상품 약 4,000개를 판매하고 직원이 15명인 가상의 온라인 공예용품점 윌로미어 크래프츠를 가정합니다. 전자상거래 책임자 하나는 매입팀의 불만과 '이 상품도 마음에 드실 수 있습니다' 영역을 구축한 대행사의 보고서를 받았습니다. 메모에는 이렇게 적혀 있습니다. '거의 모든 페이지에서 똑같은 상품 40개가 추천됨. 봄 신상품 뜨개실 제품군(220개 상품)은 3주 동안 추천 노출이 거의 없었음. 재방문 고객에게는 적절한 추천이 나오지만 첫 방문자에게는 무작위처럼 보이는 추천이 나옴. 독립 제작자 브랜드들은 자기 상품이 전혀 나오지 않는다고 함.' 하나는 대행사에 변경을 요청하기 전에 창업자에게 현재 상황을 설명해야 합니다.

추천 시스템은 무엇을 보여줄지 어떻게 결정합니까?

대부분의 추천 시스템은 콘텐츠 기반 필터링, 협업 필터링 또는 두 가지를 혼합한 방식을 사용합니다. 차이는 항목끼리 비교하는지, 사람끼리 비교하는지에 있습니다.

콜드 스타트 문제란 무엇입니까?

콜드 스타트 문제란 추천 시스템이 새로운 상품이나 사용자의 상호작용 이력이 없어 추천에 어려움을 겪는 현상입니다. 특히 협업 필터링은 아직 아무도 구매하거나 클릭하지 않은 상품을 적절히 배치하지 못합니다. Willowmere의 봄 신상품 뜨개실이 바로 이런 경우였으며, 처음 방문한 사용자에 대해서도 판단할 근거가 거의 없습니다.

일반적인 해결 방법으로는 신규 상품에 콘텐츠 기반 유사도를 적용하거나, 같은 카테고리 또는 같은 제조사의 다른 상품을 바탕으로 신규 상품을 추정하거나, 신규 방문자에게 인기 상품을 의도적으로 다양하게 보여 주거나, 매장에 적합한 경우 선호도를 묻는 간단한 질문을 한두 개 제시하는 방법이 있습니다.

피드백 루프와 공정성 문제는 어떻게 발생합니까?

시스템이 자신이 선택해 노출한 항목의 클릭을 학습하면 피드백 루프가 발생합니다. 자주 노출되는 항목은 클릭을 더 많이 받고, 그 결과 더 자주 노출됩니다. 시간이 지나면 Willowmere의 40개 상품 사례처럼 소수의 인기 상품이 나머지 상품을 밀어내고, 한 번도 노출되지 않은 상품은 가치를 입증할 기회조차 얻지 못합니다.

여기서 곧바로 공정성 문제가 제기됩니다. 독립 제작자의 제품은 처음부터 축적된 이력이 적으면 품질과 관계없이 이 순환 구조 속에서 계속 노출되지 않을 수 있고, 고객의 선택지도 줄어듭니다. 이를 방지하는 방법으로는 추천 자리 일부를 신제품이나 노출이 적은 제품에 배정하고, 총 클릭 수뿐 아니라 제작자와 카테고리별 노출을 측정하며, 모델이 과거에 자신이 선택한 결과만 학습하지 않도록 학습 데이터를 갱신하는 방법이 있습니다.

대행사에 보내는 미흡한 요청과 개선된 요청은 어떻게 다릅니까?

부실한 요청은 이렇게 말합니다. '추천이 제대로 작동하지 않습니다. 개선해 주세요.' 대행사는 같은 종류의 클릭 데이터를 더 많이 사용해 재학습하는 데 그칠 수 있으며, 그러면 순환 구조가 더 강해집니다.

개선된 요청은 다음과 같습니다. '현재 추천 영역은 구매 이력에만 의존하는 것으로 보입니다. 다음을 요청합니다. (1) 신상품의 이력이 충분히 쌓일 때까지 섬유, 무게, 색상, 공예 기법 등의 상품 속성을 활용해 추천합니다. (2) 첫 방문자에게는 하나의 베스트셀러 목록 대신 여러 카테고리에 걸친 다양한 상품을 보여 줍니다. (3) 추천 자리 여덟 개 중 두 개는 지난 30일 동안 노출이 적었던 상품에 할당합니다. (4) 제작자별, 상품 출시 후 경과 기간별 추천 노출 비중을 매달 보고합니다. (5) 방문자를 나누어 변경된 추천 영역과 현재 추천 영역을 비교 테스트하고, 클릭뿐 아니라 주문을 측정합니다.' 이제 하나는 요청한 작업이 완료되었는지 판단할 수 있습니다.

추천이 효과를 내고 있는지 어떻게 확인합니까?

추천을 점검할 때는 클릭률뿐 아니라 주문, 반품, 제품과 공급업체 전반에 노출이 얼마나 고르게 분산되는지도 확인합니다. 일부 인기 상품의 클릭은 늘리면서 신규 제품군을 눈에 띄지 않게 만드는 추천 영역은 사업에 해가 될 수 있습니다. 할인 행사나 연휴 기간에는 어떤 모델을 쓰더라도 추천 성과가 더 좋아 보일 수 있으므로, 기존 버전을 보는 방문자 대조군과 변화를 비교합니다.

추천 시스템에서 흔히 하는 실수는 무엇입니까?

가장 흔한 실수는 클릭 수만 최적화하는 것입니다. 이렇게 하면 눈길을 끄는 항목이 우대되고 그 결과가 다시 같은 추천을 강화합니다. 그 밖에도 콘텐츠 특성 정보 없이 새 상품군을 출시해 초기 데이터 부족 문제를 겪거나, 대조군 없이 전후만 비교해 성공을 판단하거나, 어떤 공급업체나 상품 범주가 전혀 노출되지 않는지 무시하거나, 개인정보 처리방침에 고객에게 알리지 않고 개인정보를 추천에 사용하는 실수가 있습니다.

Tosheo.ai에서 이 수업은 어디에 해당합니까?

이 수업은 머신러닝 과정의 머신러닝 범주에 속하며, 모델의 학습 및 평가 방식에 관한 수업 다음에 나옵니다. Tosheo.ai의 실습 과제에서는 가상 상점의 추천 기능을 개선하기 위한 기획서를 작성하도록 하며, 평가 기준에 따른 피드백은 콜드 스타트, 피드백 루프, 공정성, 공정한 검증을 확인합니다. 이는 해당 업무를 의뢰하고 평가하기 위한 실무 기초 과정입니다. 코드로 추천 시스템을 만드는 내용은 선택형 코드 트랙에 포함됩니다.

출처와 범위

Google 개발자 사이트, 추천 시스템 과정: 후보 생성 개요 (19 October 2026 확인) ↗

Google 개발자 사이트: 콘텐츠 기반 필터링의 장단점 (19 October 2026 확인) ↗

Google 개발자 사이트: 콜드 스타트를 비롯한 협업 필터링의 장단점 (19 October 2026 확인) ↗