Recommendations AI를 사용해 CTR을 60% 개선한 Bazaarvoice

* 본 아티클의 원문은 2021년 12월 1일 Google Cloud 블로그(영문)에 게재되었습니다.

불과 얼마 전만 해도 AI를 추천 엔진에 내장하는 작업은 착수하는 데에만 몇 년이 걸릴 정도로 어렵고 많은 비용이 드는 일이었습니다. 하지만 Bazaarvoice의 사례에서 입증되었듯, 클라우드 서비스의 도움을 받으면 AI에 투자하여 비즈니스 성과를 얻기까지 걸리는 시간이 대폭 단축됩니다.

Bazaarvoice는 브랜드와 소매업체가 고객을 이해하고 더 나은 서비스를 제공할 수 있도록 돕는 제품 리뷰 및 사용자 제작 콘텐츠(UGC) 솔루션 분야의 선두 제공업체입니다. 2019년 Bazaarvoice는 650만 명의 소비자 리뷰어가 활동하는 커뮤니티인 Influenster.com을 인수하면서 소비자가 솔직한 의견을 공유할 수 있는 플랫폼으로 포트폴리오를 확장했으며 5,400만 회가 넘는 공유 횟수를 달성하기에 이르렀습니다.

인수 이후 Bazaarvoice는 사이트의 제품 다양성이 53% 증가하여 540만 개가 넘는 고유 제품을 선보이고 있습니다. 높은 사용자 참여도를 유지하기 위해서는 Influenster가 신뢰할 수 있고 투명한 리뷰의 출처이자 고객이 관련성 있는 유용한 제품을 처음으로 발견할 수 있는 공간으로 인식되어야 합니다. Influenster는 쇼핑객에게 신제품을 소개함으로써 고객에게 가치를 제공할 뿐만 아니라 브랜드에서 유용한 소비자 정보를 수집할 수 있도록 돕고 있습니다.

원래 Influenster는 사용자들이 미용 제품에 대한 솔직한 의견을 공유하기 위해 모이는 공간이었으나 예술 작품부터 웨어러블 기기에 이르는 거의 모든 카테고리로 영역이 빠르게 확장되었습니다. 처음에는 사이트의 범위가 훨씬 좁았기 때문에 규칙 기반의 추천 엔진으로 시작하여 성장할 수 있었습니다. 하지만 Bazaarvoice에 인수되면서 범위를 확장했기 때문에 Influenster에는 더욱 강력한 추천 시스템이 필요해졌습니다. 초창기 Influenster는 제품마다 자세한 리뷰와 이미지가 제공되어 친구가 제품을 보증하는 것처럼 느껴지는 인간적인 매력을 갖추고 있었기 때문에 성공을 거뒀습니다.

Bazaarvoice 엔지니어링팀은 상품 카탈로그와 카테고리가 계속 증가하는 가운데 기존의 인간적인 느낌을 어떻게 유지할 수 있을지 자문했습니다. 새로운 제품 카테고리를 도입할 때마다 규칙을 더 만들기보다는 사이트에 맞춰 확장될 수 있는 추천이 필요했습니다. 또한 기록이 없는 회원에게도 Influenster 환경의 성능이 그대로 제공되도록 해야 했습니다.

Bazaarvoice는 여러 추천 엔진을 테스트하면서 각 엔진을 현재의 규칙 기반 시스템을 기준으로 벤치마킹했습니다. 결국에는 투명한 청구, 손쉬운 통합 및 설정, 입증된 성과를 토대로 Google Cloud의 Recommendations AI를 선택하기로 결정했습니다.

투명한 청구

“확장에 따른 비용을 정확히 알 수 있다는 점에서 엔지니어들이 크게 만족했습니다.”라고 Influenster 콘텐츠 획득 서비스 제품 부문의 닉 시프탄 수석 부사장은 말합니다. 기술적 부채를 방치했다가 예기치 않게 비용이 걷잡을 수 없이 증가할 때 비로소 해결하기보다는 한 번에 구축하여 혁신하는 것이 목표였습니다. 사용한 만큼만 지불하는 Google Cloud의 간단한 요금제 덕분에 사용자 상호작용 증가에 따른 비용 증가를 예측하고 그에 따라 계획을 세울 수 있었습니다.

손쉬운 통합

이 프로젝트를 감독한 소프트웨어 엔지니어링팀의 책임자인 에랄프 바이락타르는 "Google에서 이렇게 복잡한 시스템을 무척 사용하기 쉬운 API에 패키징했다는 사실이 매우 인상적이었습니다.”라고 말합니다. 원래는 단 한 명의 정규직 엔지니어가 모든 업무를 담당했기 때문에 간편한 통합이 더욱 중요해졌습니다. Recommendations AI는 Google 검색 및 YouTube에서 수년 간 축적된 추천 전문 지식을 활용하며 Google Ads의 판매자 센터와 함께 사용하면 제품 메타데이터를 가져오는 간소한 프로세스도 만들 수 있습니다. 모델을 만들 때는 선호하는 추천 유형과 최적화할 비즈니스 목표를 선택해야 합니다. 모델을 만들고 API를 웹사이트에 통합하면 이미 코드가 전 세계에 배포되어 있습니다. 전 세계 사용자에게 추천을 제공하기 위해 추가적으로 고려해야 할 아키텍처 요소가 없습니다. 따라서 Bazaarvoice에서 구상부터 제작을 완료하기까지 한 달밖에 안 걸렸습니다.

검증된 성과

“이를 제품 추천에 사용하고 DB 사용이 많은 비즈니스 로직을 Recommendations AI로 오프로드한 결과, 전반적으로 응답 시간이 단축되었고 A/B 테스트로 입증된 보다 정확한 추천을 제공할 수 있게 되었습니다.”라고 에랄프는 덧붙였습니다. 

우선 Bazaarvoice는 자체 규칙 기반 시스템을 기준으로 Recommendations AI를 A/B 테스트했습니다. 실험 단계 초기에 클릭률이 꾸준하고도 확실하게 개선되어 원래의 추천 시스템보다 60% 증가한 것을 확인했습니다.

기록이 없는 회원에 대해서는 더욱 인상적인 성능을 보였습니다. Influenster.com에서 계정을 가입하는 사용자 외에 방문자들이 등록을 완료하지 않은 채 웹사이트를 떠나는 경우도 많습니다. 업계에서는 이를 일반적으로 '콜드 스타트' 문제라고 부릅니다. 사용자의 기록, 행동, 선호도를 모르는 상태에서 추천할 상품을 어떻게 파악할 수 있을까요? Recommendations AI는 알 수 없는 사용자를 입력하고 학습하는 옵션을 제공합니다. 제품에 대한 메타데이터를 제공함으로써 등록된 회원과 신규 사용자 모두에게 고품질의 추천을 제시할 수 있습니다.

기업의 미래와 관련하여 에랄프는 Bazaarvoice 경험에 대한 의견을 다음과 같이 마무리했습니다. “모든 카탈로그에서 보다 양호한 [트래픽 분산이 가능하도록] 교차 카테고리 제품을 조정 가능한 비율로 추가하여 손쉽게 제품을 발견하도록 도와줍니다. Bazaarvoice는 데이터 과학에 투자하고 있으며 Recommendations AI를 기준으로 삼아 성장하는 것은 멋진 도전과제입니다.”

Recommendations AI에 대해 자세히 알아보고 조직의 성장에 어떤 도움을 주는지 살펴보려면 최근에 게시한 4부작 가이드를 확인하세요. 'Recommendations AI를 사용해 효과적인 소매 추천을 얻는 방법' 개요를 시작으로 하는 이 가이드에서는 데이터 수집, 모델링, 예측 제공 및 Recommendations AI 평가도 다룹니다. 또한 빠른 시작 가이드를 참고하면 간편하게 사용을 시작할 수 있습니다.