알고리즘
Algorithm
알고리즘이란?
- 문제 풀이의 단계별 절차·규칙
- 같은 문제도 알고리즘 따라 효율 달라짐
- 모든 SW·AI의 바탕
알고리즘이 실제로 바꾸는 것은, 사람에 달려 있던 일을 '무엇을 어떤 순서로 하느냐'의 문제로 옮겨놓는다는 점입니다. 베테랑 구매 담당자의 감으로 하던 발주를 '최근 4주 평균 판매량 × 리드타임 + 안전재고'라는 절차로 적어두는 순간, 그 판단은 검증도 수정도 이관도 가능해집니다. 적어놓은 절차만이 개선의 대상입니다 — 머릿속에만 있는 기준은 왜 틀렸는지 따질 수조차 없습니다. 그래서 DX의 첫 단추는 시스템 도입이 아니라 지금 쓰는 업무 규칙을 문장으로 꺼내는 일입니다.
실무에서는 세 가지를 구분해야 대화가 됩니다. 규칙 기반 알고리즘은 사람이 조건을 직접 씁니다('재고 5개 이하면 발주'). 학습 기반 알고리즘은 과거 데이터에서 조건의 가중치를 스스로 찾습니다. 그리고 알고리즘과 코드는 다릅니다 — 알고리즘은 절차 자체, 코드는 그 절차를 특정 언어로 옮긴 구현입니다. 개발자가 '로직을 바꾸자'고 할 때와 '리팩터링하자'고 할 때가 완전히 다른 이야기인 이유도 절차를 손대느냐 구현만 손대느냐의 차이입니다.
효율 차이는 체감보다 훨씬 큽니다. 100만 건을 정렬할 때 단순 비교 방식은 약 1조 번, 병합 방식은 약 2천만 번의 연산이 필요합니다. 5만 배 차이가 서버 비용과 화면 응답 속도로 그대로 넘어옵니다. 그래서 좋은 알고리즘의 기준은 세 가지입니다. 정확한 답을 내는가, 어떤 입력에도 반드시 끝나는가, 그리고 같은 답을 얼마나 싸게 내는가입니다.
현장에서 가장 자주 어긋나는 지점은 '알고리즘이 뽑았으니 객관적'이라는 믿음입니다. 알고리즘은 설계자가 정한 목표 지표와 학습에 쓰인 과거 데이터를 충실히 따라갈 뿐입니다. 추천 로직을 클릭률 하나에만 맞춰두면 눈길은 끌지만 안 맞는 상품이 상단에 올라 반품률이 뛰고, 이탈 예측 점수를 그대로 영업에 내리면 어차피 남을 고객에게 할인 쿠폰이 나갑니다. 목표로 삼은 지표가 곧 알고리즘의 성격입니다. 결과가 이상할 때 던져야 할 질문은 '모델이 틀렸나'가 아니라 '우리가 무엇을 최대화하라고 시켰나'입니다.
9세기 수학자 알콰리즈미(Al-Khwarizmi)의 이름에서 유래했으며, 컴퓨터 과학의 근본 개념으로 정립됐습니다.
가상의 사례로 살펴보겠습니다. 생활용품을 온라인으로 파는 A사는 임직원 210명, 자사몰 월 주문 4만 건 규모입니다. 상품 추천 영역의 클릭률은 7%대로 나쁘지 않은데, 추천을 타고 산 상품의 반품률이 12%로 일반 주문(5%)의 두 배가 넘었습니다. 대표가 '3개월 안에 반품 물류비를 잡으라'고 지시하면서 데이터팀이 추천 로직을 처음부터 다시 들여다봤습니다.
- 데이터팀 김 책임이 로직을 뜯어보니 학습 목표가 '클릭 확률' 하나였습니다. 구매 여부도 반품 여부도 보지 않고, 눈길만 끄는 상품을 상단에 올리는 구조였습니다.
- CS팀 박 팀장이 회의에서 '반품 사유 1위가 3개월째 색상·사이즈 불일치인데, 그 상품들이 죄다 추천 1번 칸에 있다'며 캡처 화면을 띄웠습니다.
- 운영·CS·데이터 세 팀이 모여 성공 기준을 클릭에서 '30일 내 반품 없는 구매'로 바꾸고, 최근 60일 반품률 15% 이상인 상품은 추천 후보에서 제외하는 규칙을 얹었습니다.
- 전면 적용 대신 트래픽 20%에만 4주간 새 로직을 태워 기존 로직과 나란히 비교했습니다. 클릭률은 7.1%에서 6.2%로 내줬지만 반품률은 12%에서 7%대로 떨어졌습니다.
- 전량 전환 후 3개월간 추천 경유 반품률은 12%에서 6.4%로, 월 반품 물류비는 2,900만 원에서 1,600만 원으로 줄었습니다. 월 1,300만 원을 아끼면서 추천 매출은 오히려 8% 늘었습니다.