마케팅, 추천시스템 (영어 기사 한글 정리) 본문
Recommendation Systems: Applications and Examples in 2023
https://research.aimultiple.com/recommendation-system/
Recommendation Systems: Applications and Examples in 2023
Recommendation engines help in delivering the right product to customers based on historical behavior. Explore use cases, benefits & vendors.
research.aimultiple.com
위의 기사를 한글로 정리하며 영어 공부와 마케팅 관점에서의 추천 시스템을 상기해 본 글.
기사의 내용을 그대로 따라가며 한글 번역 및 의역.
# 데이터 수집
- 간접 데이터: 검색 기록, 방문 페이지, 구매내역, 마우스 클릭 등 유저의 행동을 간접적으로 사용하는 데이터. 수집의 난이도가 낮아 많은 데이터를 얻을 수 있지만 데이터로 사용하기 위해서는 많은 정제과정이 필요하다. 단순히 수치 자체를 데이터로 사용하기엔 고려해야 할 요소들이 많으며, 정답값이 존재하지 않는 경우가 대다수이기에 평가 기준과 방법을 잘 설정해야 데이터로써의 효용성을 높일 수 있다.
- 직접 데이터: 리뷰, 구독, 차단 등 유저가 자신의선호도를 직접적으로 표현한 데이터. 큰 영향력을 가지지만 대체적으로 얻기 힘들다.
# 추천시스템의 이점
- 전환율 향상 (conversion: 앱에 들어와서 실제 구매로 전환되는 등)
- 유저 만족도 향상
- 충성도 향상 (loyaty&share: 장기보유 주식, 충성주식)
- 이탈 감소 (churn rate: 이탈율)
# 적용 분야
데이터의 적용 범위와 깊이에 따라 데이터를 적용하는 방법을 잘 다뤄야 한다. 데이터의 범위가 제한되는 경우에는 사람의 경험이 추천 시스템보다 나은 경우가 많으니, 현업의 로직을 시스템을 발전시키는 데에 적용하는 것이 좋다. 개개인에 대한 단편적인 데이터는 추천 시스템에는 적용하기 어렵다. 추천 시스템을 개선하기 위해서는 다각화되고 깊이 있는 데이터가 필요하다.
- 온라인 쇼핑 (E-commerce)
-가장 처음으로 적용되고 잘 사용되고 있는 분야. 추천 시스템에 최적화. - 소매,유통 (retail) [trove: treasure trove, 매장물, 귀중한 것이 많은 곳]
-쇼핑 데이터야 말로 가장 직접적인 유저의 의도를 알 수 있는 분야다. 쇼핑 데이터에 있는 잠재적 데이터를 이용하여 정교한 추천을 할 수 있다. - 미디어 (Media)
-온라인 쇼핑과 비슷하게 최초로, 많이 쓰이는 분야. 추천 시스템이 없는 뉴스 사이트는 찾기 힘들다. - 은행 (Banking) [SME: Small and medium enterprises, 종업원 숫자 25~500 수준의 중소기업]
-대중과 중소기업을 대상으로 하는 추천은 추천의 주된 영역이다. 고객의 현재 재정 상황과 과거 이력 등 비슷한 이력을 지닌 유저들의 데이터는 꽤나 강력하다. - 통신 (Telecom)
-수백만에 이르는 간접 정보를 수집할 수 있어, 추천 시스템을 만들기에 적합한 분야다. - 공익사업? (Utilities)
-통신과 비슷하나 범위가 좀 더 제한되고 간단한 추천이 가능한 분야다.
# 추천시스템 적용 예시
- Amazon.com
-아이템끼리의 연관도를 이용한 CF 추천 시스템으로 대부분의 페이지에서 사용되고 있다. - Netflix
-75%가량의 콘텐츠가 추천시스템을 통해 소비되고 있으며, Netflix Prize등의 대회를 통해서도 지속적으로 발전시키고 있다. - Spotify
-주기별로 추천을 수행하고 있으며,
'유저의 음악 플레이 리스트에 기반한 CF 모델'
'인터넷에서 NLP를 이용한 가수와 노래에 대한 최신 정보 반영을 통한 추천'
'음원 자체의 정보(템포,비트,특징 등)을 이용한 추천'
으로 유저에게 음악을 추천한다. - Linkedin
-유저가 알고 있을 만한, 유저가 관심이 있을만한 아이템들에 대해서 추천을 하는 방식.
# 추천시스템 적용
- 기존 추천 시스템 적용
-이미 기적용 되어 잘 돌아가고 있는 시스템을 적용하는 것이기에 높은 정확도를 기대할 수 있다. - 새로운 맞춤형 시스템 적용
-추천 시스템이 적용되지 않던 틈새시장이거나, 맞춤형 시스템을 적용했을 때 큰 이익을 기대해 볼 수 있는 분야라면 적용해 볼 만하다. - AI컨설턴트와 맞춤형 시스템 적용
-광고를 위한? - 대회에서 문제 해결 시스템 제작
-Competition!
#정리하며
알고 있는 내용도 많았지만, 데이터를 중점적으로 바라보는 개발자의 관점보다 조금 더 넓은 느낌으로 추천시스템을 바라보는 기사라 생각된다. 데이터와 알고리즘을 잘 알고 적용할 줄도 알아야 하겠지만, 현업 및 고객과의 대화를 위해 여러 관점으로 추천시스템을 이해해 놓으면 좋지 않을까 하여 한 번 정리하게 된 글.
'공부' 카테고리의 다른 글
타닥타닥10: logloss란? (0) | 2023.05.01 |
---|---|
타닥타닥9: Decision Tree Model (0) | 2023.05.01 |
타닥타닥8: 협업 필터링(Collaborative Filtering, CF) 알고리즘 (0) | 2022.12.05 |
타닥타닥7: 웹로그 분석 (0) | 2022.07.09 |
타닥타닥6: Autoencoder based Recommendation: Autoencoder based Collaborative Deep Learning (0) | 2022.06.11 |
Comments