Recommendations AI를 사용하여 전자상거래의 전 세계 평균 주문 금액을 2% 높인 IKEA Retail(Ingka Group)

 * 본 아티클의 원문은 2021년 7월 27일 Google Cloud 블로그(영문)에 게재되었습니다.  

IKEA에는 다양한 채널의 고객 여정에 각종 개인화를 토대로 한 뛰어난 고객 경험을 제공할 수 있는 여러 기능이 있습니다. 예를 들어 쇼핑 장바구니의 제품 추천, 광고 섹션의 콘텐츠 추천, 제품 페이지의 영감을 주는 추천 등입니다. 얼마 후 추천 관련 일을 폭넓게 다루는 '추천'팀을 분할하여 제품 추천에 주력하는 하위 팀 하나를 만들기로 했습니다. 팬데믹으로 인해 고객 행동뿐만 아니라 니즈에도 변화가 생겼습니다. 급변하는 상황에서 IKEA는 지금까지의 업무처리 방식을 바꾸고 더 과학적인 접근 방식을 전면적으로 적용하여 고품질 제품 추천을 대규모로 제공하는 운영상의 복잡성을 처리하기로 했습니다. 개인화의 수준을 높이고 고객을 종합적으로 이해하기 위해서는 필요한 일이라고 판단했습니다.

데이터 기반 의사 결정

첫 번째 단계는 '추천' 솔루션이 개인화에 미치는 영향을 파악하기 위해 고품질의 정량적 정보를 확보하는 능력을 근본적으로 개선하는 것이었습니다. 이를 위한 수단으로 고객 행동에 대해 대량의 A/B 테스트를 수행하였고 초기 실험 이후 다음과 같은 몇 가지 중요한 사실을 알게 되었습니다.  

1. UX와 알고리즘의 조합은 통합적인 고객 경험을 제공하는 데 매우 중요합니다. 

2. 개인화의 품질은 단편적으로 측정할 수 없습니다. 한 번에 여러 추천 그룹을 테스트해야 통계적 유의성을 얻을 수 있습니다.

탄탄한 데이터 수집 프레임워크를 구축하고 고객에 대해 아는 것이 거의 없다는 사실을 인정한 후에야 믿을 수 없을 정도로 많은 창의적인 옵션을 남김없이 검토할 수 있었습니다. 틀에 얽매이지 않고 보다 자유롭게 개인화에 대해 생각해 보는 새로운 관점을 얻었다는 점에서 한번 돌아보는 계기가 되었습니다. 데이터가 예상하지 않은 것을 알려주기 때문에 데이터를 신뢰하는 법도 배웠습니다. 

실험 및 학습 프레임워크

당사의 팀은 실험적인 수정사항을 기존 솔루션에 신속하게 배포하는 방법을 고안했습니다. 덕분에 제목과 이미지의 세세한 부분까지 포함한 사용자 경험을 프런트엔드에서 실험할 수 있었습니다. 또한 수동으로 세밀하게 추천을 추가하거나 삭제하는 작업부터 자체 개발 및 Recommendations AI의 다양한 알고리즘 조합과 일치까지 백엔드에서도 조정하고 있습니다.

이러한 유연성은 Recommendations AI의 추천을 직접 가져오는 데 따른 비용 증가와 복잡성 가중 등 오버헤드를 수반했습니다. 하지만 우수한 추천 시스템을 만들기 위해 더 이상 일일이 직접 평가하지 않아도 된다는 이점이 있었습니다. IKEA가 데이터 기반의 질적 접근 방식을 중심으로 추천을 제공하면서 실험 일정을 상당히 단축했습니다. 여기에 CI/CD 파이프라인의 최적화가 더해져 팀에서 아이디어나 가설을 구상하고 고객 A/B 테스트에 적용하기까지 30분이 채 걸리지 않게 되었습니다.

Recommendations AI 실험

IKEA팀의 인프라를 이미 GCP에서 실행하는 상황에서 Recommendations AI 사전 체험판을 사용하게 되면서 시작 요건이 최소화되고 초기 테스트를 시작하는 데 필요한 노력과 투자도 줄어들었습니다. 

처음에는 몇 가지 사용 사례로 시작하여 기존 추천 알고리즘에서 개선해야 할 부분이나 보완이 필요한 추천을 찾아냈습니다. 또한 개인화된 추천을 통해 더 유용한 정보를 고객에게 제공할 수 있는 추가 방법을 탐색했습니다. 

Recommendations AI 모델 조합

Recommendations AI를 제품 추천 모음을 알려주는 간단한 API로 생각할 수도 있겠지만, 솔루션을 연구할수록 Recommendations AI를 여러 가지 방식으로 조정하면 비즈니스 목적을 달성하기 위해 다양하게 세부 조정 구성을 제공할 수 있다는 점이 분명해졌습니다. 아무리 유용한 조정과 개인화일지라도 그 수가 너무 많으면 성능이 평균 이하로 떨어질 수 있지만, 일반적으로 작업할 ML 기반 추천을 여러 버전으로 제공하는 것이 훌륭한 전략임을 알 수 있었습니다. 경험을 개인화할수록 경우의 수가 많아져 고객에게 가장 적합한 옵션을 선택할 수 있는 가능성이 높아집니다.

'추천 서비스', '자주 함께 구매하는 항목', '내가 좋아할 만한 기타 항목'과 같은 Recommendations AI 모델은 전환율, 클릭률, 수익에 맞게 최적화 등과 같은 비즈니스 목표와 관련이 있습니다. IKEA는 여러 모델 조합과 커스텀 규칙을 실험했습니다. 이 모든 것은 GCP Console에서 바로 손쉽게 구성할 수 있었습니다. 가장 간단한 커스텀 구성은 재고가 있는 상품만 추천하는 것이었고 재고가 없는 경우에는 재고가 있는 유사 상품을 확인하는 방법으로 고객 경험을 개선했습니다. 

Google과 협업

Google Cloud와 협업하면서 실험 과정에서 학습 속도가 빨라졌습니다. 제품 개발 초기에 밀접하게 협력하였습니다. 또한 방향을 바꿀 수 있는 Google 모델의 유연성 덕분에 선택권이 이전보다 훨씬 더 다양해졌습니다. 그 결과 TTM(time to market)이 크게 향상되고 자력으로는 달성할 수 없었던 놀라운 성과를 이룰 수 있었습니다.

결과 및 핵심사항

더욱더 개인화된 실시간 추천 덕분에 큰 성공을 거두었습니다. 한 페이지에 표시되는 관련성 높은 추천 수를 +400% 늘릴 수 있었습니다. 보다 폭넓고 다양한 추천을 제공하기 위해 사용자 환경을 바꿀 필요가 있었습니다. 예를 들어 일부 위치에서는 고객의 사용 편의성을 높이기 위해 제품 추천이 표시된 화면을 가로로 스크롤할 수 있게 했습니다.

더욱 개인화된 추천을 표시하면서 전환율과 평균 주문 금액이 눈에 띄게 늘어나는 결과도 나타났습니다. Recommendations AI 알고리즘은 다음과 같은 두 가지 방법으로 고객을 지원합니다.

1. 고객이 좋아하는 제품을 빠르게 찾고 다른 옵션 중에서 선호하는 제품을 더 빨리 선택할 수 있으므로 구매에 대한 확신이 높아지고 구매까지 소요되는 클릭수가 훨씬 줄어듭니다. 이미 여러 유형의 추천을 적절하게 조정했지만 Recommendations AI의 도입으로 클릭률이 +30% 향상된 것으로 측정되었습니다. 

2. 평균 주문 금액이 2% 급증했고 고객이 매력적이고 직접적인 보완 제품을 찾는 데 Recommendations AI가 어떤 도움이 되는지 보여주는 수많은 사례가 생겨나면서 단일 제품에서 전체 가정용 가구까지 고객 구매가 늘어났습니다.

더 큰 비즈니스 성과가 나타남에 따라 팀은 고객 여정에서 점점 증가하는 추천을 사용할 수 있는 위치를 찾기 시작했습니다. 특정 컨텍스트에서 추천을 표시하는 것이 적합한지 확인하기 위해 초기 실험을 시작했습니다. 이 실험에서 나타난 데이터를 토대로 고객 행동의 변화에 따라 고객에게 표시할 가장 적합한 추천 유형을 추가로 탐색하게 된 경우가 많습니다. 현재 IKEA 사이트 추천은 대부분 Recommendations AI를 기반으로 표시됩니다. 

한 가지 중요한 사항은 일부 유형의 개인화된 추천은 단순한 접근방식보다 실적이 더 우수하기 때문에 높은 수준의 데이터 과학과 엔지니어링 역량이 요구되는 고급 알고리즘을 사용하면 이점이 많다는 점입니다. 단순한 접근방식이 효과적인 경우도 있고 제품 추천을 표시하지 않는 것이 적절한 경우도 있습니다. 제품 추천을 효과적으로 사용하기 위해서는 앞에서 언급한 모든 옵션과 언제 어떤 추천을 사용할 것인지 판단하는 능력을 갖추고 있어야 합니다.

다음 단계

고객 경험과 밀접하게 관련된 무언가를 시도하는 경우 사용자 행동은 끊임없이 변화하므로 이를 관찰하여 새로운 정보를 얻고 그에 맞게 조정해야 합니다. 제품 추천은 독립적인 주된 경험이 되기보다 경험을 지원하고 개선하는 데 사용되는 경우가 많습니다. 많은 옵션을 제공하는 도구 상자를 마련하고 팀이 고객 경험 향상을 위한 협업에 주력할 수 있다면 큰 가치를 창출할 수 있을 것입니다. IKEA는 Recommendations AI팀과 직접 협력하고 있으며 기대하는 몇 가지 새로운 기능을 실험하고 있습니다.  

미래에는 고객이 제품의 조화를 머릿속에서 상상하기보다 고객의 구매 욕구를 자극하는 한층 시각적인 경험을 통해 고객 여정을 개선할 기회가 있다고 생각합니다. Vision 제품 검색은 이러한 시각적 경험의 기반이자 IKEA가 향후 배포하려고 하는 기능입니다. 

IKEA 제품 추천팀과 Google Recommendations AI팀의 모든 개발자에게 행운을 기원합니다.