추천 시스템

추천 시스템이란?

추천이 들어오면 바뀌는 건 화면 몇 칸이 아니라 진열 권한이 사람에서 모델로 넘어간다는 사실입니다. 예전에는 MD와 기획자가 메인 배너와 상위 노출 순서를 회의에서 정했지만, 이제 첫 화면이 사용자마다 다르게 조립됩니다. 그래서 도입 초기에 터지는 갈등은 기술이 아니라 자리 다툼입니다. 프로모션 상품을 밀어야 하는 마케팅팀과 클릭률을 올리려는 모델이 같은 슬롯을 놓고 부딪히고, 결국 '고정 영역 몇 칸, 알고리즘 영역 몇 칸'이라는 합의를 문서로 남기게 됩니다.

방식은 크게 둘로 나뉩니다. 나와 비슷하게 행동한 사람들이 본 것을 끌어오는 협업 필터링은 데이터가 쌓일수록 강해지지만 신규 사용자와 신규 상품 앞에서는 무력합니다. 반대로 상품 설명·태그·카테고리를 읽는 콘텐츠 기반은 출시 첫날부터 작동하는 대신 늘 비슷한 것만 물고 옵니다. 그래서 실무에서는 대부분 둘을 섞고, 동작도 후보 생성과 랭킹 두 단계로 쪼갭니다. 수만 개에서 수백 개를 먼저 추린 뒤 그 수백 개만 정교하게 줄 세우는 구조라야 응답 시간을 수십 밀리초 안에 맞출 수 있기 때문입니다.

판단 기준도 두 겹입니다. 개발 단계에서는 Recall@K, NDCG 같은 정확도 지표를 보지만, 최종 승패는 A/B 테스트의 전환율과 재방문에서 갈립니다. 오프라인 점수는 올랐는데 실제 매출은 그대로인 경우가 드물지 않기 때문입니다. 규칙 기반 '함께 본 상품'과의 경계도 분명합니다. 규칙은 누가 들어와도 같은 목록을 주지만, 추천 시스템은 같은 페이지에서도 사람마다 다른 목록을 내놓습니다. 운영 비용과 관리 난도가 처음부터 다른 물건이라는 뜻입니다.

현장에서 가장 자주 어긋나는 지점은 '추천 경유 매출'을 전부 추천의 공로로 계산하는 습관입니다. 어차피 살 사람 앞에 한 번 더 띄우면 지표는 올라가지만 총매출은 제자리입니다. 추천을 끈 대조군 없이 성과를 보고하면 예산만 늘고 효과는 끝내 증명되지 않습니다. 재고 없는 상품이나 이미 이수한 과정이 계속 노출되는 사고도 흔한데, 한 번 겪은 사용자는 추천 영역 자체를 눈으로 걸러내기 시작합니다. 다양성 규칙과 제외 조건은 오픈 전에 못 박아 두는 편이 낫습니다.