추천 엔진의 이해
추천 엔진의 이해 1. 추천 시스템의 진화 2. 최근접 이웃 기반 추천 2. 1. 사용자 기반 협업 필터링 2. 2. 아이템 기반 협업 필터링 3. 콘텐츠 기반 추천 시스템 3. 1. 아이템 프로필 생성 3. 2. 사용자
rstatistics.tistory.com
추천 엔진의 이해
추천 엔진의 이해 1. 추천 시스템의 진화 2. 최근접 이웃 기반 추천 2. 1. 사용자 기반 협업 필터링 2. 2. 아이템 기반 협업 필터링 3. 콘텐츠 기반 추천 시스템 3. 1. 아이템 프로필 생성 3. 2. 사용자
rstatistics.tistory.com
유튜브는 '추천 알고리즘' 법적 책임져야 할까
“콘텐츠 추천 알고리즘은 통신품위법 230조의 보호를 받을 수 있을까?”미국 연방대법원은 3일(현지시간) 2015년 이슬람국가(ISIS)의 파리 테러로 희생된 미국인 희생자...
zdnet.co.kr
평가 기법
-
모형을 평가하는 과정에서 가장 중요하게 고려돼야할 사항은 다음과 같습니다.
-
k-fold Cross-Validation과 같이 교차검증을 통하여 모형의 정확도를 일반화시키는게 바람직하며 오차를 평가하는 기준은 평균 제곱근 오차(RMSE)나 평균 절대 오차(MAE)가 주로 쓰입니다.
-
또한 정확도와 재현율 매트릭도 주로 쓰입니다.
추천 엔진의 이해
추천 엔진의 이해 1. 추천 시스템의 진화 2. 최근접 이웃 기반 추천 2. 1. 사용자 기반 협업 필터링 2. 2. 아이템 기반 협업 필터링 3. 콘텐츠 기반 추천 시스템 3. 1. 아이템 프로필 생성 3. 2. 사용자
rstatistics.tistory.com
Recommendation : 추천 – 알고리즘 : Item-Based Filtering
추천 (Recommendation) 데이터 분석의 가장 좋은 활용은 추천이 아닐까 한다. 데이터 마이닝(Data Mining) 이란? 데이터 분석, 추천을 얘기하기 전에 우선, 데이터 마이닝(Data Mining)을 먼저 살펴보면, “대
hochul.net
![](https://blog.kakaocdn.net/dn/z5vjS/btsyJOzNigb/Iv7gNR5TuTkYJEqHzGf0Qk/img.png)
다음, 카카오 추천 엔진으로 '나만 볼 수 있는 공간' 자동으로 만든다 - 바이라인네트워크
카카오 추천 시스템은 카카오의 은근한 핵심 시스템이다. 은근한 이유는 눈에 띄지 않기 때문이다. 생각해보면 친구 추천, 추천 컨텐츠 등 여기저기에 적용돼 있다.
byline.network
![](https://blog.kakaocdn.net/dn/XBpr2/btsyLOlJa5U/TUD49Xjw4DApkHa2NQjlSk/img.png)
![](https://blog.kakaocdn.net/dn/oHnpJ/btsyPuM4cxZ/CuAwEkCK58gDxQUlea35pk/img.png)
![](https://blog.kakaocdn.net/dn/OBYQW/btsyLNmP4UC/ARJGHkZubzP58eYvdsVFKk/img.png)
Artwork Personalization at Netflix
Artwork is the first instance of personalizing not just what we recommend but also how we recommend.
netflixtechblog.com
http://www.dt.co.kr/contents.html?article_no=2018022702102251047001
www.dt.co.kr
- 추천(Referral) 프로그램은 "5달러를 주고 5달러를 받는" 형태로 많은 앱에서 볼 수 있으며, 최근 몇 년간 인기를 끌고 있음
- 사용자들이 제품 내에서 사용할 수 있도록 CAC(고객 획득 비용)를 사용자에게 제공함으로써, 구글이나 페이스북과 같은 유료 마케팅 채널보다 큰 이점을 가짐
- 특히 고객 획득 비용이 높은 틈새 시장을 대상으로 하는 제품에 유용하며, 추천 프로그램은 전체 고객 유입 경로의 20-30%를 차지할 수 있음
- 추천 프로그램이 만병통치약은 아니지만 다른 마케팅 활동을 보완하기 위해 추가할 가치가 있음
추천 프로그램의 역사
- 최초의 문서화된 추천 프로그램은 기원전 55년 율리우스 시저가 군인들에게 친구를 군대에 모집하면 연봉의 약 1/3에 해당하는 300 세스테르티우스를 지급한 것으로 알려짐
- 드롭박스의 혁신적인 추천 프로그램은 2008년경 시작되었으며, 많은 스타트업들이 비슷한 아이디어를 실험하는 데 영감을 줌
- 친구를 초대하면 500MB 추가 저장 공간을 얻는 방식
- 15개월만에 10만 사용자에서 4백만명이 됨. 매일 가입자중 35%가 추천에 의한 것. (20%는 공유 폴더 및 다른 바이럴 기능으로 부터)
- 특히 이미 입소문을 통해 퍼지고 있는 제품에 매우 효과적. LTV가 낮은 제품에는 효과적이지 않음
추천 프로그램의 구조
- 추천 프로그램은 Airbnb, Uber, Instacart, Coinbase, Wealthfront 등 다양한 회사에서 구현되며, 몇 가지 공통적인 패턴을 가짐
- 프로그램을 구성할 때 다음과 같은 질문에 답해야 함:
- 질문: 언제 사용자에게 추천을 요청할 것인가? 왜 추천을 요청하는가? 메시지는 무엇인가?
- 대상: 어떤 사용자를 대상으로 할 것인가? 추천 금액은 어떻게 설정하는가?
- 인센티브: 어떤 인센티브를 제공할 것인가? 외부($) 또는 내부(포인트, 저장공간등) 초대한 사람과 받는 사람에게 동일한 보상을 줄것인가?
- 페이백: 프로그램의 성공 기준은 무엇인가? 카니발라이제이션에 대해 어떻게 생각하는가 ?
- AirBnB를 이에 따라 생각해보면
- 질문 : 집 전체 또는 개인 룸 하나를 임대할 수 있는 사람을 초대하세요
- 대상 : 모든 에어비앤비 이용자
- 인센티브 : $200 획득
- 페이백 : CAC가 다른 마케팅 채널에 비해 더 우수하며 비교 가능(이 부분은 추측임)
추천 요청(The Ask)
- 정말 중요한 것은 "어디에서 물어보는가?"임
- 여러 번 물어 볼것. 여러 장소에서 다양한 메시지를 사용. 사용자에게 요청하는 상황에 맞게.
- 배너에 추천 기능을 쓴다고 사람들이 이용하지 않음
- 추천 요청 화면을 주요 화면의 일부로 만들어 더 자주 표시할 것
- 사용자가 앱 내에서 무언가를 구매한 후나 친구와 상호작용한 후에 요청하는 것이 좋음
- 온보딩 흐름에 추가하고, 사용자가 작업을 마치거나 하면 그때 참여를 유도할 수 있음
- 절대 "광고"처럼 보이게 만들지 말 것
- Uber는 추천 캠페인을 'holidizing'하여 운영 (휴일과 연계하여 추천 프로그램을 맞춤화하거나 조정하는 것)
- 운전자들에게는 휴일이 다가오면 추천 프로그램에 참여해서 추가 수익을 얻으라고 알리거나
- 주요 콘서트가 열리는 동네에서는 1명을 초대하면 X를 받지만 5명 초대하면 5*X를 받는 계층형 특별 캠페인을 실행하는 것도 가능
- 주요 휴일 마다 새로운 금액/새로운 이미지를 이용하여 메시지를 업데이트하는 것도 좋음
- 다양한 메시지와 맥락에 맞춰 여러 번 요청하는 것이 중요함
대상 설정(The Target)
- 추천 프로그램은 "새로운 사용자"가 친구를 추천하도록 초점을 맞추어야 함
- 초기 온보딩 흐름중에 사용자에게 메시지를 표시하고, 온보딩의 일부로 친구들의 이메일을 추가하도록 함
- 초대를 보내기 전에 먼저 제품을 경험하라고 하는 의견과 정반대인데, 이용하고 빠지기 전에 먼저 초대하는게 좋고, 그래서 더 많이 보내는게 성공확율이 더 높아짐
- 사용자의 가치에 따라 다른 추천 금액을 설정하는 것이 효율적일 수 있음
- 많은 마켓플레이스 회사들이 이렇게 하고 있음
- 뉴욕/샌프란 과 멤피스 라면 각 장소별 금액이 달라야 함
인센티브(The Incentive)
- 드롭박스의 경우 저장 공간을 인센티브로 제공했으며, 이는 내부적 보상과 외부적 보상 사이의 딜레마를 보여줌
- 내부적 보상은 비용 효율적이지만, 외부 사용자에게는 반응이 적을 수 있음(제품에 대해서 알지 못한다면 더더욱)
- 드롭박스의 스토리지는 구체적인 가치 형태이기 때문에 내부/외부 중간적 위치임
- 결과적으로 대부분의 추천 프로그램은 시간이 지남에 따라 달러로 향하는 경향이 있지만, 중요한 건 새로운 외부 사용자의 우선 순위를 정하고 인센티브를 최대한 구체적으로 만드는 방법에 대해 생각하는 것
- 인센티브 금액 설정은 CAC/LTV 계산을 기반으로 하며, 더 큰 금액을 제공하는 계층적 오퍼가 더 효과적일 수 있음
- 금액을 올리기 위해서는 "가입하면 $5" 보다 "가입하고 5개를 구매하면 $100" 같은 것도 가능
- 가입 전환률과 재구매 전환률이 100x 까지 차이가 난다면, 인센티브를 20x 까지 안전하게 올릴 수 잇음
- “give $20, get $5” 와 “give $5, get $20.” 에서 일반적으로 초대자 중심의 금액이 더 잘 작동함. 즉 초대자가 이익이 더 많은 쪽
- 금액을 올리기 위해서는 "가입하면 $5" 보다 "가입하고 5개를 구매하면 $100" 같은 것도 가능
보상(The Payback)
- 추천 프로그램 전략을 추진하려면 일종의 ROI 지표가 필요하고, 이를 측정하기 위해 CAC/LTV 분석을 사용
- 캐니벌라이제이션(기존에 무료로 유입될 사용자가 추천 때문에 유료로 유입시키는 현상)을 고려해야 함
- 이를 위해서는 A/B 테스트를 통해서 "Cost Per Incremental Customer(증분 고객당 비용)" 같은 것을 측정해야함
- 또는 간단하게 단순히 On/Off 테스틀 통해서, 추천 프로그램을 껐을때 신규 사용자수가 크게 감소한다면 추천 프로그램이 동작하고 있는 것
추천 프로그램의 한계
- 드롭박스는 결국엔 추천 프로그램에 덜 의존하게 되었음
- 시장이 성숙함에 따라 추천 프로그램의 중요성은 감소하며, 제품의 자연스러운 네트워크 효과가 사용자 획득을 주도하게 됨
- Dropbox처럼 진정한 네트워크 효과가 있는 제품의 경우, 추천 보상과 같은 외적인 요소보다는 폴더 공유와 같은 내재적인 사용 사례가 결국 신규 사용자 확보를 주도하게 될 것
- 추천 프로그램보다는 바이럴 기능을 구축하는 것이 더 지속적인 가치를 창출함
- 바이럴 기능을 구축하는 것과 추천 프로그램을 구축하는 것은 사용자가 친구를 초대하도록 유도하는 비슷한 문제이지만, 공유와 소통을 중심으로 하는 진정한 바이럴 기능은 영속적이며 지속적인 가치를 창출
- 이러한 기능은 사용자의 참여와 유지에 도움이 되며, 부수적인 효과로 신규 사용자도 창출할 수 있음. 신규 사용자를 무료로 플랫폼으로 끌어들일 수 있다는 것은 큰 이점.
- Dropbox의 경우, 더 복잡한 추천 구조를 만드는 대신 팀원들을 프로젝트에 초대하거나 파일 공유 등의 제품 기능에 투자하는 것을 의미
- Uber의 경우, '도착 예정 시간 공유'나 청구서 분할 또는 단체 음식 주문과 같은 기능에 바이럴을 구축하는 것을 의미
How to design a referral program at andrewchen
Above: Dropbox’s innovative growth initiative — A referral program to give/get storage Why a referral program? Referral programs — the “give $5, get $5” offers you see in many apps — have become popular in recent years. They have big advantages
andrewchen.com
![](https://blog.kakaocdn.net/dn/dRs75b/btsyOWpy28J/petH9YjFyfTxW5GKS475NK/img.jpg)
![](https://blog.kakaocdn.net/dn/clLtsO/btsyMdeuAZj/8Lzv8eiB7wf1kLvjG44ick/img.jpg)
![](https://blog.kakaocdn.net/dn/nNWeR/btsyOVYvaPb/mzuvzuJ08tn3kOLUQhloyk/img.jpg)
![](https://blog.kakaocdn.net/dn/b086rz/btsyMNUaxmF/1eMngZHnXS8hpj7SI5FsRk/img.jpg)
'07.AI' 카테고리의 다른 글
생성형 AI - 정책 (2) | 2024.01.16 |
---|---|
프롬프트 엔지니어(Prompt Engineer) - 자동 최적화 (0) | 2024.01.15 |
생성형 AI - 데이터 생태계 신뢰성과 데이터 형평성을 위한 프레임워크 (0) | 2024.01.08 |
초거대 AI 모델 - 초거대 인공지능 프로세서 반도체 기술 개발 동향(2023.10) (0) | 2024.01.08 |
생성형 AI - 마켓 플레이스 (1) | 2024.01.08 |