추천 방식의 진화
캐릭터 기반 추천에서 LLM 기반 개인화 추천으로
한 줄 요약
저희는 처음에 고객을 캐릭터로 유형화한 뒤 캐릭터별 대표 상품을 추천하는 구조를 설계했습니다.
이후, 같은 캐릭터 안에서도 고객별 관심사와 상황이 다르다는 점을 반영하기 위해
캐릭터 + 최근 행동 데이터 + 이탈 위험 신호를 함께 고려하는 LLM 기반 개인화 추천 방식으로 확장했습니다.
##
1. 왜 추천 기능이 필요했는가
저희 서비스는 CRM / CDP 기반으로 고객 데이터를 수집하고 분석하는 것을 목표로 합니다.
하지만 고객 데이터를 단순히 저장하거나 조회하는 것만으로는 서비스 가치가 충분하지 않다고 판단했습니다.
중요한 것은, 고객 데이터를 해석하여 각 고객에게 적절한 상품과 혜택을 제안하는 것이라고 보았습니다.
저희 팀에서 설계한 페르소나는 다음과 같습니다 .
- 어떤 고객은 신규 상품 및 서비스 탐색이 많습니다.
- 어떤 고객은 가족 결합 상품에 반응합니다.
- 어떤 고객은 보안 부가서비스에 더 관심을 보입니다.
- 어떤 고객은 혜택, 할인, 쿠폰 중심으로 행동합니다.
즉, 추천은 단순한 상품 노출이 아니라
고객의 성향과 현재 관심사를 반영한 개인화 기능으로 설계될 필요가 있었습니다.
2. 1차 추천 방식: 캐릭터 기반 추천
2-1. 설계 의도
초기에는 CRM / CDP 서비스 특성에 맞추어, 고객을 하나의 대표 캐릭터 페르소나로 유형화한 뒤 그 캐릭터에 맞는 대표 상품을 추천하는 방식을 설계했습니다.
이 방식은 고객 데이터를 단순 점수로만 보여주는 것이 아니라, 캐릭터라는 직관적인 형태로 해석하여 서비스적인 재미를 제공하고, 운영 관점에서도 세그먼트별 추천 전략을 세우기 쉽게 만든 구조였습니다.
2-2. 캐릭터 산출 방식
고객 캐릭터는 감으로 정한 것이 아니라, 고객 더미 데이터를 기준으로 아래 6개 지수를 산출한 뒤
회원별로 가장 높은 T-score를 대표 성향으로 선택하는 방식으로 설계했습니다.
| 분류 지수 | 페르소나 캐릭터 | 핵심 성향 |
|---|---|---|
| 탐색 지수 | 🛰️ SPACE_SHERLOCK | 신규 상품 및 서비스 탐색형 |
| 혜택/트렌드 지수 | 🏄 SPACE_SURFER | 유행에 민감하고 혜택 효율 중시 |
| 멀티 디바이스 지수 | 🐙 SPACE_OCTOPUS | 다양한 기기 연결 및 테크 활용 |
| 가족/홈 결합도 지수 | 🪐 SPACE_GRAVITY | 가족 결합 및 유선 상품 중심 |
| 인터넷/보안 지수 | 🛡️ SPACE_GUARDIAN | 안전한 네트워크 및 보안 서비스 중시 |
| 안정성 지수 | 👨🚀 SPACE_EXPLORER | 기존 서비스 유지 및 안정적 이용 |
2-3. 초기 추천 방식
초기 추천 방식은 다음과 같았습니다.
- 고객의 6개 지수를 산출합니다.
- T-score 표준화를 수행합니다.
- 가장 높은 지수를 대표 캐릭터로 선정합니다.
- 각 캐릭터에 미리 연결된 대표 상품 3개를 노출합니다.
예를 들면 다음과 같습니다.
- SPACE_SHERLOCK → 탐색형 고객에게 적합한 대표 상품 3개
- SPACE_GUARDIAN → 보안 / 인터넷 성향 고객에게 적합한 대표 상품 3개
- SPACE_GRAVITY → 가족 / 홈 결합 중심 고객에게 적합한 대표 상품 3개
이 방식은 구조가 단순하고 직관적이며, “내 캐릭터에 맞는 추천”이라는 사용자 경험도 제공할 수 있었습니다.
3. 캐릭터 기반 추천의 장점
✅ 1) 고객 유형을 직관적으로 보여줄 수 있습니다
단순 점수보다 캐릭터 형태로 보여주면 고객이 자신의 성향을 훨씬 쉽게 이해할 수 있습니다.
✅ 2) CRM / CDP 관점에서 세그먼트 운영이 쉽습니다
운영자 입장에서는 특정 캐릭터군을 대상으로 마케팅, 쿠폰, 프로모션 전략을 세우기 용이합니다.
✅ 3) 추천 구조가 단순하고 설명하기 쉽습니다
캐릭터와 추천 상품만 매핑하면 되기 때문에 초기 구현과 시연에 적합한 구조였습니다.
✅ 4) 서비스적으로 재미 요소를 줄 수 있습니다
고객은 단순 추천보다 “내 캐릭터” 를 보는 재미를 느낄 수 있습니다.
4. 기존 방식의 한계
하지만 캐릭터 기반 추천만으로는 추천 관점에서 여러가 한계가 있었습니다.
4-1. 같은 캐릭터라면 같은 상품이 반복 추천됩니다
가장 큰 한계는, 같은 캐릭터에 속한 고객에게는 비슷한 상품이 반복적으로 추천된다는 점이었습니다.
예를 들어 두 고객이 모두 SPACE_SHERLOCK이라 하더라도,
실제로는 다음과 같은 차이가 있을 수 있습니다.
- 최근 본 상품이 다릅니다.
- 최근 자주 클릭한 태그가 다릅니다.
- 이탈 위험 여부가 다릅니다.
- 관심 있는 속성이 다릅니다.
즉, 세그먼트 추천은 가능하지만 고객별 차이를 반영한 진정한 개인화 추천은 어렵다는 한계가 있었습니다.
4-2. 최근 관심사를 반영하기 어렵습니다
고객이 최근에 조회한 상품이나 최근 일주일 동안 자주 클릭한 태그는 고객의 현재 관심사를 보여주는 강한 신호입니다.
하지만 캐릭터 기반 추천은 고객의 장기 성향은 반영할 수 있어도, 최근의 동적인 관심 변화까지 담아내기는 어렵습니다.
즉, 고객이 지금 보고 싶어 하는 것을 즉시 반영하기 어렵습니다.
4-3. 추천 이유를 풍부하게 설명하기 어렵습니다
기존 방식에서도 “이 캐릭터이기 때문에 이 상품을 추천합니다” 수준의 설명은 가능했습니다.
하지만 고객의
- 캐릭터
- 최근 본 상품
- 최근 클릭 태그
- 이탈 위험 여부
까지 종합하여
“왜 지금 이 상품이 이 고객에게 적합한가”를 자연스럽게 설명하기에는 한계가 있었습니다.
5. 추천 방식의 변화
캐릭터 기반 추천 → LLM 기반 개인화 추천
이러한 한계를 바탕으로, 저희는 캐릭터를 완전히 버린 것이 아니라
캐릭터를 추천의 출발점으로 유지하면서,
고객의 현재 맥락까지 반영할 수 있는 방식으로 추천을 고도화했습니다.
즉, 추천 방식은 다음과 같이 변화했습니다.
Before
“이 캐릭터이므로 이 상품 3개를 추천합니다.”
After
“이 고객의 캐릭터 + 최근 행동 + 클릭 태그 + 이탈 위험 여부를 종합하여 더 적합한 상품을 추천합니다.”
이처럼 기존의 세그먼트 추천을 바탕으로,
한 단계 더 나아가 개인화 추천으로 확장했습니다.
6. LLM 기반 추천 방식의 핵심 입력 정보
LLM 기반 추천에서는 고객의 여러 정보를 함께 종합합니다.
6-1. 캐릭터 / 페르소나
고객의 대표 성향을 보여주는 기본 축입니다. 예를 들어 탐색형인지, 가족 중심형 등 고객 성향에 따라 추천 방향이 달라질 수 있습니다.
6-2. 최근 본 상품
고객이 최근에 조회한 상품은 현재 관심사와 가장 가까운 데이터입니다.
이를 통해 장기 성향뿐 아니라 최근 의도까지 반영할 수 있습니다.
6-3. 최근 1주일간 가장 많이 클릭한 태그
클릭 태그는 고객이 어떤 속성에 반응했는지를 보여줍니다.
예를 들어 다음과 같은 태그가 있을 수 있습니다.
- 데이터
- 할인
- 결합
- 보안
- OTT
즉, 고객이 무엇을 중요하게 보고 있는지를 파악할 수 있습니다.
6-4. 이탈 위험군 여부
이탈 위험군 고객이라면 단순한 관심사 반영을 넘어서 유지 전략이나 혜택 중심 추천이 더 적절할 수 있습니다.
즉, 추천은 단순 상품 추천이 아니라 운영 전략과 연결된 추천으로 확장될 수 있습니다.
7. 변경 후 추천 구조
변경 후 추천 구조는 다음과 같이 정리할 수 있습니다.
추천 흐름
- 고객 데이터 기반으로 6개 지수를 산출합니다.
- 지수를 T-score로 표준화합니다.
- 가장 높은 지수를 대표 캐릭터로 선정합니다.
- 고객의 최근 본 상품 / 최근 클릭 태그 / 이탈 위험군 여부를 함께 수집합니다.
- 이 정보를 바탕으로 LLM이 보유 상품 후보군 내에서 추천 우선순위와 추천 이유를 생성합니다.
여기서 중요한 점은,
LLM이 존재하지 않는 상품을 임의로 만드는 것이 아니라
사전에 정의된 상품 후보군 안에서 고객 맥락에 맞는 추천 결과와 설명을 생성하는 역할을 한다는 점입니다.
8. 왜 LLM 기반 방식이 더 적합하다고 판단했는가
8-1. 세그먼트 추천에서 개인화 추천으로 확장할 수 있습니다
같은 캐릭터 안에서도 고객별 차이를 반영할 수 있습니다.
8-2. 정적인 추천에서 동적인 추천으로 전환할 수 있습니다
최근 본 상품과 클릭 태그를 반영하면
추천이 고정되지 않고 현재 관심사에 맞게 유연하게 변화할 수 있습니다.
8-3. 추천 이유를 더 자연스럽게 설명할 수 있습니다
LLM은 여러 맥락을 종합하여
“왜 이 상품을 추천하는지”를 자연스러운 문장으로 설명하는 데 강점을 가집니다.
8-4. 운영 목적과 추천 목적을 함께 반영할 수 있습니다
이탈 위험군 여부와 같은 신호를 함께 고려하면 추천이 단순 취향 반영을 넘어 유지 전략, 혜택 전략과도 연결될 수 있습니다.
9. 기존 방식과 개선 방식 비교
9. 기존 방식과 개선 방식 비교
| 구분 | 초기 방식 | 개선 방식 |
|---|---|---|
| 추천 기준 | 캐릭터 중심 | 캐릭터 + 최근 행동 + 이탈 위험 |
| 추천 성격 | 세그먼트 추천 | 개인화 추천 |
| 반영 데이터 | 대표 지수 / 캐릭터 | 캐릭터, 최근 본 상품, 클릭 태그, 이탈 위험 |
| 추천 방식 | 캐릭터별 고정 상품 3개 | 고객 맥락 기반 추천 생성 |
| 설명 가능성 | 정적 설명 | 맥락 기반 추천 이유 제공 |
| 유연성 | 낮음 | 높음 |
10. 핵심 메세지
저희의 추천 방식 변화는 기존 추천을 버리고 LLM을 도입한 것이 아니라,
**캐릭터 기반 세그먼트 추천을 먼저 설계한 뒤, 그 한계를 보완하기 위해 LLM 기반 개인화 추천으로 고도화한 것**입니다.
즉,
- 캐릭터는 여전히 중요한 분석 결과이며,
- LLM은 그 결과 위에 최근 행동과 운영 신호를 더해,
- 더 정교한 추천과 추천 이유를 생성하는 역할을 수행합니다.
11. 기대 효과
🎯 1) 고객 맞춤형 추천 품질 향상
같은 캐릭터에 속하더라도 고객별 최근 행동 차이를 반영할 수 있어 더 세밀한 추천이 가능해집니다.
🎯 2) 추천 결과의 설명 가능성 강화
추천 이유를 함께 제시할 수 있어 고객이 추천 결과를 더 쉽게 이해하고 받아들일 수 있습니다.
🎯 3) CRM / CDP 서비스와의 연결성 강화
고객 세그먼트와 개인 행동 데이터를 동시에 활용함으로써 분석과 추천이 자연스럽게 연결됩니다.