A 쇼핑몰의 개인화 추천 시스템 구축 사례

A 쇼핑몰은 넷스루의 개인화 추천 솔루션 스마트오퍼(SmartOffer)를 도입해 개인화 추천 시스템을 구축했습니다.

이를 통해 다양한 페이지에서 고객의 상황(행동, 피부 타입, 구매 이력 등)에 맞는 상품을 적시에 추천할 수 있게 되었습니다.

A 쇼핑몰의 과제

A 쇼핑몰은 화장품 전문 온라인몰로 다양한 상품 라인을 보유하고 있었지만, 고객에게 꼭 맞는 제품을 추천하는 기능은 부족했습니다. 특히 고객 행동 데이터를 실시간으로 반영하거나 외부 데이터를 연계해 상품 리스트를 구성하는 데 한계가 있었고, 추천 시나리오를 만들거나 결과를 확인하려면 개발자의 도움이 필요해 마케터가 원하는 시점에 유연하게 대응하기 어려운 상황이었습니다.

때문에 개발자의 도움 없이, 실시간 데이터를 활용하여 마케터가 추천 시나리오를 생성/수정하고 분석 결과를 통해 인사이트를 얻을 수 있는 솔루션이 필요했습니다.

넷스루 스마트오퍼 도입 효과

넷스루는 A 쇼핑몰에서 이용 중인 다양한 API, 머신러닝, 조회/구매, 외부 분석 데이터 등을 스마트오퍼와 연동해, 고객 상황에 맞는 추천 로직을 구성했습니다. 이를 통해 웹/앱 쇼핑몰 내에서 개인화 추천이 자연스럽게 제공되어, 사용자 경험을 향상시킬 수 있게 되었습니다.

아래에서 A 쇼핑몰에서 실제 운영 중인 스마트오퍼의 추천 로직과, 각 추천 로직이 어떤 화면에 적용되었는지 소개합니다.

1. API 연동을 통한 사용자 피부 상태/선호 색상 기반 추천

피지가 많고 자연스러운 색상을 선호하는 고객에게, 구매율이 높다는 이유로 유분이 많은 크림이나 밝은 색상(ex. 17호)의 파운데이션을 추천한다면, 고객은 나를 위한 ‘추천’이 아니라, 판매를 위한 ‘광고’로 느낄 것입니다.

하지만 고객의 피부 상태에 맞는 가벼운 제형의 크림과, 선호 색상에 부합하는 톤(ex. 23호)의 파운데이션을 추천한다면, 나에게 필요한 ‘정보’라고 인식하게 됩니다.

이처럼 고객에게 필요한 정보를 제공하기 위해, 스마트오퍼는 A 쇼핑몰의 피부 관리 서비스 API*, 컬러 API* 와 연동하여 고객의 피부 점수에 따른 상품을 제안하고, My Color 기반으로 베이스 컬러를 추천합니다.

[추천 로직 - 추천 영역 예시]

• 피부 관리 서비스 API를 통한 상품 추천 - 피부 진단 결과 페이지

• 컬러 API를 통한 베이스 컬러 추천 - 상품 상세 페이지

2. 머신러닝 데이터를 통한 연관 상품 추천

스마트오퍼는 고객의 행동 데이터를 학습한 머신러닝 모델을 통해 연관성 높은 상품을 자동 추천합니다. 상품 조회, 구매, 장바구니 담기, 검색 실패 등의 행동을 학습하여 머신러닝이 연관 상품을 선정하고 이를 기반으로 스마트오퍼가 추천을 제공합니다.

이때, 고객이 최근에 구매한 상품은 제외하는 필터를 설정할 수 있어, 고객별 구매 가능성이 높은 상품만 골라 추천할 수 있습니다.

[추천 로직 - 추천 영역 예시]

• 조회 상품의 연관 상품 추천 - 상품 상세 페이지

• 재구매율 높은 상품 추천 (고객별 최근 2주 내 구매 상품 제외) - 장바구니

• 검색 실패 키워드 연관 상품 추천 - 검색 실패 영역

또한, 머신러닝 데이터, API 연동 데이터, 개인화 추천 결과 데이터를 종합적으로 분석하여 추천 로직을 더욱 고도화 할 수도 있습니다.

3. 조회/구매 통계를 통한 베스트 상품 추천

조회/구매 수나 누적 구매액과 같은 통계 기반 데이터를 활용해, 인기 상품을 추천할 수도 있습니다. 전체 고객의 행동 흐름을 반영할 수 있어 트렌디한 추천이 가능하며, 로그인하지 않은 비식별 고객에게도 상품을 추천할 수 있다는 장점이 있습니다.

[추천 로직 - 추천 영역 예시]

• 카테고리별 최근 1일 구매가 많은 상품 추천 - 메인 하단 카테고리 랭킹

• 조회 상품이 속한 브랜드 내 조회/구매 선호 상품 추천 - 상품 상세 페이지

• 전체/카테고리별/피부고민별 7일간 누적 구매액이 높은 상품 추천 - BEST

위와 같이 조회/구매 데이터를 활용하면, 고객이 선택한 브랜드, 카테고리, 피부고민에 맞는 인기 상품 리스트를 로그인 여부와 관계 없이 간단하게 추천할 수 있습니다.

4. GA 로그 데이터를 통한 관심 상품 추천

사내에서 사용 중인 고객 행동 수집/분석 솔루션의 데이터를 활용해 상품을 추천할 수도 있습니다. A 쇼핑몰의 경우 GA(Google Analytics)를 사용하고 있으며, GA에서 수집된 상품 조회 로그(72간 전 데이터 기준)를 기반으로 최근 관심도가 높은 상품을 스마트오퍼가 추천합니다.

[추천 로직 - 추천 영역 예시]

• GA 로그 기반 최근 조회수 높은 상품 추천 - 메인 하단 실시간 랭킹

GA 데이터는 실시간 수집이 어려워 72시간 전(3일 전 기준) 조회 데이터를 기준으로 추천이 이뤄지는 반면, 넷스루의 고객 행동 수집 솔루션인 와이즈컬렉터를 사용하면 조회/구매 데이터를 실시간으로 수집해서 실시간 추천에 활용할 수도 있습니다.

또한, 넷스루의 AI 행동 예측 솔루션인 “MAiS”를 활용하면 ‘1주일 이내 구매 확률 70%이상’ 과 같은 AI 세그먼트를 만들어 타겟으로 삼고 상품을 추천할 수도 있습니다.

이처럼, GA 뿐 아니라 다양한 솔루션들의 데이터 값과 연동하여 더욱 심도 있는 타겟팅과 추천이 가능하다는 것이 스마트오퍼의 장점입니다.

5. 고객 상황에 맞춘 추천 시나리오 우선 적용

지금까지 설명한대로 스마트오퍼에서는 다양한 로직을 기반으로 추천 시나리오를 만들 수 있습니다. 하지만 하나의 영역에 꼭 하나의 시나리오만 연결되어 있지는 않습니다. 고객에게 노출되는 화면의 영역은 제한되어 있고, 쇼핑몰 내의 여러 부서에서 해당 영역에 광고를 노출하고 싶어하기 때문입니다. 이럴 경우 고객 중심으로 여러 시나리오의 우선순위를 설정해야합니다.

예를들면, A 쇼핑몰의 상품 상세 페이지 하단 ‘브랜드 인기 상품’ 영역의 추천 시나리오 1순위는 ‘조회 상품 브랜드 내 조회 선호 상품’ 이고, 2순위는 ‘조회 상품 브랜드 내 구매 선호 상품’이며, 3순위는 ‘조회 상품 브랜드 내 신상품’ 입니다. 이 우선순위에 따라 기본적으로는 해당 브랜드의 ‘조회 선호 상품’을 보여주지만, 해당 상품이 고객의 구매 가능성이 낮은 경우(최근 구매, 고객의 선호도에 반하는 상품, 품절 이슈 등)는 ‘구매 선호 상품’ 또는 ‘신상품’을 추천할 수 있습니다.

지금까지 A 쇼핑몰에 적용된 스마트오퍼의 추천 로직을 예시와 함께 소개했습니다.

스마트오퍼는 고객사 내부 서버에 설치되어 운영되기 때문에 내부 DB, API, 외부 시스템과 유연하게 연동할 수 있습니다. 이를 통해 고객의 다양한 특성과 상황에 맞춘 세분화된 추천이 가능해지고, 추천 정확도와 신뢰도가 향상될 수 있습니다.

초기 구축은 다양한 실무 경험과 노하우를 갖춘 기술 인력이 직접 지원하여, 고객사의 환경에 맞는 안정적인 세팅이 가능합니다. 또한 구축 이후에는 마케터가 개발자의 도움 없이 추천 시나리오를 직접 운영하고 분석할 수 있어, 실무 효율성 측면에서도 효과적으로 활용할 수 있습니다.

넷스루의 개인화 추천 시스템에 대해 더 궁금한 점은 mkt@nethru.co.kr로 문의 주시기 바랍니다. 💌