안녕하세요.
비즈니스 시작과 성공을 함께하는 e-커머스 파트너 가비아CNS입니다.

 

AI 기반 상품 추천 기술을 고도화여 검색 결과에 2가지 쇼핑 블록을 제공합니다.

이용자 쇼핑 이력을 분석해 개인화된 검색 결과를 제공하는 '맞춤형 블록'과 추가로 탐색할 만한 쇼핑 관심사를 연결하는 '추천형 블록'을 함께 도입하는데요. 각각의 블록에 대해 2편의 포스팅에 걸쳐 소개해 드립니다.

 

| 나만을 위한 맞춤형 쇼핑 검색

 

쇼핑하면서 종종 며칠 전 클릭한 상품이 다시 아른거릴 때,

찜해놓은 상품이 있지만 비슷한 상품들을 더 둘러보고 결정하고 싶을 때,

또는 이미 구매한 상품과 매치하여 사용할 만한 상품을 찾을 때가 있습니다.

 

지금까지는 직접 손품을 팔아서 해결했던 이런 쇼핑 경험들을 AI 기술로 간편하게 만들어줄 수 있는 방안을 고민했는데요.

이제 네이버에서 검색하기만 하면 ‘홍길동 님을 위한 맞춤 쇼핑’에서 그동안 찾아본 상품들을 알아서 모아주고, 그와 연관된 상품 · 브랜드 · 스토어를 함께 추천해 드립니다.

 

만약 최근에 테이블을 찾아본 사용자가 다시 ‘테이블’을 검색한다면 맞춤형 블록에서 이미 △장바구니 담은 테이블, △5일 전 클릭한 테이블, △장바구니 담은 테이블과 비슷한 상품들을 모아서 제공하는 형태인데요. 이로써 사용자들은 한 번 관심 가진 상품을 다시 빠르게 찾을 수 있고, 비슷한 상품들을 추천받아 쉽게 탐색을 확장할 수 있습니다.

 

뿐만 아니라, 테이블과 어울리는 ‘다이닝 체어’를 새로 찾을 때에도 맞춤형 블록이 제공될 수 있습니다. 그동안 의자 카테고리의 상품을 한 번도 찾은 적이 없더라도, 클릭한 ‘테이블’과 함께 보는 연관 브랜드와 연관 스토어의 ‘다이닝 체어’ 상품들을 모아서 보여주는데요. 실시간으로 사용자의 이력을 분석하여 기존보다 더욱 확장된 추천 경험을 검색 결과에서 제공하려고 했습니다.

 

같은 키워드라 하더라도 사용자마다 다른 개인화된 결과를 제공하고, 이해하기 쉬운 추천사유를 함께 제공한 결과 사용자 만족도도 더욱 향상된 것으로 나타났는데요. 출시 전 테스트 결과 기존 쇼핑 추천 모델 대비 맞춤형 블록에서의 클릭률은 최대 27%까지 높은 효율을 보였습니다.

 

| 실시간 맞춤 쇼핑을 가능하게 해주는 : 맞춤 쇼핑 블록 엔진

 

네이버 쇼핑의 15억 개의 상품 DB를 처리하는 대용량 데이터 추천 시스템을 구축하고, 이용자의 쇼핑 이력을 실시간으로 분석하고, 추천 사유까지 반영해 이용자 취향과 검색 질의와 연계된 상품 추천 결과를 즉각 보여줄 수 있도록 추천 모델을 고도화했기에 가능한 결과였는데요.

단계별로 추천 엔진 구축 시 목표한 방향과 그 방식을 소개합니다.

 

1. 비인기/신규 상품 추천 가능한 개인화 검색 시스템

 

기존에 시도한 개인화 검색 서비스에서는 인기 상품 검색 상위 N 개 상품 결과를 리랭킹 하여 개인화 결과를 제공하는 방식이기에 추천 결과가 주로 인기 상품에 제한되었다는 한계가 있었습니다.

 

하지만 맞춤형 블록에서는 비인기/신규 상품 상관없이, 15억 개 상품 모두 추천 후보로 하여 보다 다양하고 정확하게 추천될 수 있도록 대용량 데이터 추천 시스템도 구축했는데요. 이에 사용자가 어떤 상품을 탐색하더라도 개인화 추천 결과를 생성할 수 있는 기반을 마련하였고, SME 판매자의 상품의 노출 기회가 더욱 확대되었습니다

 

 

2. 네이버 사용자의 모든 쇼핑 탐색을 수집하고 추천하는 실시간 엔진

 

현재 이 순간에도 네이버에서 사용자들은 최대 초 당 2000건에 이르는 상품을 찾아보고 있는데요.

실시간으로 사용자 이력에 맞춰 검색 결과를 제공하기 위해, 사용자의 다양한 쇼핑 이력을 즉시 수집하고, 입력한 질의에 적합한 결과만 추려서 개인화 검색 결과를 제공하고 있습니다. 이를 위해 클러스터 환경에서 사용자 이력 기반 추천 모델을 서빙하는 엔진을 구축하여 유입 트래픽이 급증하더라도 대응 가능한 실시간 엔진을 개발하였습니다.

 

이외에도 맞춤형 블록에서는 검색 질의와 쇼핑 이력 간의 연관성을 폭넓게 분석하기 위해 검색 질의의 의미적인 확장성을 고려하고 있습니다. 여기서 사람의 자연어 문장도 이해하는 생성형 AI 기술인 하이퍼클로바를 사용하려고 하는데요. 이를 통해 검색 질의와 의미적으로 비슷한 쇼핑 이력까지 찾아내어 더 많은 사용자에게 맞춤형 블록 결과를 제공하고자 합니다.

 

3. 맥락 있는 사용자향 추천사유 제공

 

검색 지면에서 처음으로 상품이 추천된 사유를 제공하는 기술적인 시도도 진행하였는데요.

추천된 상품/브랜드/ 스토어 별로 사용자 쇼핑 이력과 연계된 추천 사유 (OO 일 전 찜한, OO 번 방문한 브랜드 등)를 같이 제공하여 맞춤형 결과에 대한 사용자 이해를 돕고자 하였습니다.

 

사용자가 현재 타이밍에 가장 선호할 만한 "추천 사유"를 추출할 수 있는 모델링 기술을 적용하였는데요. 앞으로도 다양하고, 맥락 있는 추천 사유 데이터를 제공할 수 있도록 개선 작업을 진행하여, 맞춤형 결과에 대한 차별성을 강화할 계획입니다.

 

| 인기 상품이 아니어도 AI 기술을 통해 이용자와 매칭될 기회가 커집니다.

 

AI 개인화 추천 기술이 고도화됨에 따라 개성 넘치는 SME 상품들도 이용자와 매칭될 확률이 높아질 전망입니다.

 

현재 AiTEMS 기술은 비인기 SME 상품의 추천 비중이 35%, 신생 스토어 상품 노출의 비중은 52%로 다양한 SME의 상품들이 추천되고 있어 인기 상품 쏠림 현상 완화에 기여하고 있는데요.

맞춤형 블록 역시 출시 전 테스트 결과 기존 쇼핑 영역대비 상품 클릭률은 2배 이상, 거래액도 4배 증가한 것으로 나타나, 이번 개인화 상품 추천 블록을 통해 SME의 매출 향상 기회가 보다 높아질 것으로 보입니다.

 

2017년부터 쌓아왔던 AiTEMS 상품 추천 기술 노하우와 초대규모 AI 모델 하이퍼클로바의 접목으로 네이버 추천 기술은 정교화되고 있으며, 앞으로도 기술 시너지를 바탕으로 이용자 만족과 SME 성장을 연결해내고, 업계 내 차별화된 AI 기술 경쟁력을 갖춰 나갈 예정입니다

 

다음 포스팅에 이어서 네이버가 자체 개발한 AI 상품 추천 기술 'AiTEMS(에이아이템즈)'에 초대규모 AI '하이퍼클로바' 더한 ‘추천형 블록’에 대해서 소개해 드리겠습니다.

 

출처: 네이버 검색 공식블로그

그 외 궁금하신 내용은 다이애드 마케팅센터(1644-4527)에 문의 바랍니다.
감사합니다.