AI
유저들이 정말로 원하는 컨텐츠는 무엇일까? — 우리의 추천시스템의 시작 (1)
두줄요약
사용자 행동 데이터를 Matrix Factorization과 ALS로 분석해 연관 스타일 추천을 개선했습니다. A/B 테스트에서 방문과 전환, 구매전환율 상승으로 관심사 기반 추천의 효과를 확인했습니다.
구조와 흐름
- 스타일 상세 화면의 연관 스타일 개선을 위한 사용자 관심사 기반 추천 도입
- 콘텐츠별 사용자 행동을 벡터로 표현하는 임베딩과 스타일 간 거리 산출
- 임베딩 결과를 API로 제공하고 내부 검증 후 일반 사용자 A/B 테스트 진행
선택 이유
- 운영자 관점의 연관성 대신 사용자가 실제로 함께 관심 가진 콘텐츠를 연관 기준으로 채택
- 구현 진입장벽과 학습시간 대비 실험 결과를 고려한 Matrix Factorization 및 ALS 선택
- Firebase Analytics 이벤트와 BigQuery 적재 데이터 활용
성능/운영 포인트
- 관심사 기반 실험군에서 연관 스타일 방문 횟수 400% 증가
- 연관 스타일 방문 전환률 160% 증가, 방문 사용자의 구매전환율 13.5% 증가
- 모든 실험 결과에서 95% 이상 신뢰도의 통계적 유의성 확보
적용해볼 점
- 추천 기준 수립 전 사용자 행동 데이터로 연관성 가설 검증
- 내부 결과 확인에 그치지 않고 A/B 테스트로 사용자 반응과 구매 영향 측정
