캐치테이블은 비즈니스 초기부터 구글 클라우드의 데이터 분석 플랫폼을 전략적으로 도입해, 서비스 및 고객 행동 데이터를 효과적으로 수집, 분석하며, 이를 기반으로 한 인사이트를 도출해 비즈니스 의사결정을 지원해왔습니다. 핵심 분석 환경은 Google Analytics 4의 행동 로그를 기반으로 하며, Google Cloud의 BigQuery를 중심으로 데이터 분석 체계를 공고히 구축하였습니다.

BigQuery에 고객과 레스토랑, 예약, 앱 내 행동 데이터가 통합되면서, 데이터 추출, 처리 속도가 획기적으로 개선되었고, 보다 정교하고 심층적인 분석이 가능해졌습니다. 이와 함께 PM, 마케터는 데이터를 직접 조회하고 실험을 설계하며 결과를 검증하는 Self-BI 문화를 만들어가고 있으며, 전사적으로 정의된 KPI를 실시간으로 모니터링하면서 '감'이 아닌 '데이터'에 기반한 의사결정 방식이 점차 조직에 자리 잡고 있습니다.

캐치테이블은 단순한 예약 서비스를 넘어, 고객의 모든 식사 경험을 혁신하는 요식업 통합 플랫폼으로 발전하고 있습니다. 캐치테이블의 목표는 고객의 개별 취향을 정확히 파악하고, 맞춤형 추천을 제공하여 더욱 만족스러운 식사 경험을 선사하는 것입니다.

박우진 수석 데이터사이언티스트는 매일 수백만 명의 이용자 로그 데이터를 분석하여, 고객의 명시적 및 잠재적 선호와 행동 패턴을 정밀하게 예측하는 고도화된 개인화 프로파일링 시스템을 구축하고 있다고 설명했습니다. 이를 위해 Google Cloud의 강력한 GPU 인프라 위에서 cuML 기반의 GPU 가속 클러스터링 기법을 활용하여, 대규모 데이터에서 고객 세그먼트를 정교하게 분류하고 파악하고 있습니다. 이렇게 도출된 클러스터링 결과를 개인화 프로파일링 AI 알고리즘과 결합함으로써, 고객의 관심사와 선호도를 다각도로 분석하고 예측하는 데 있어 중요한 기반이 되었습니다. 이를 통해 고도화된 개인화 추천 서비스를 지속적으로 발전시키고 있습니다.

캐치테이블은 또한, 사전 학습된 대규모 언어 모델(LLM)과 자체 개발한 임베딩 전략을 결합하여 유사 매장 추천의 정확도를 획기적으로 향상시키는 하이브리드 모델을 구축했습니다. 이 모델은 고객의 검색 의도와 음식점의 세부 특성을 동시에 학습하여, 고객이 원하는 음식점의 특징을 정확히 파악하고 관련성이 높은 매장을 추천하는 데 뛰어난 성과를 보이고 있습니다. 특히 고객의 검색 의도와 유사한 매장을 정확히 추천함으로써 검색 결과의 정확성과 다양성을 개선했습니다. Vertex AI 기반 추천 모델 도입 이후 예약 전환율은 약 30%, 매장명 검색당 임프레션은 약 150% 높아지는 실질적인 비즈니스 성과를 달성했습니다.

박우진 수석 데이터사이언티스트는 이러한 추천 모델들을 Vertex AI의 Kubeflow 기반 GPU 최적화 환경에서 학습 및 추론하도록 설계하여, 모델 학습 속도를 극대화하고 다양한 최적화 실험을 자동화하였다고 설명하였습니다. 이러한 접근 방식은 최적화된 인프라 환경 덕분에 모델 학습 및 추론 비용을 획기적으로 절감하고, 실시간으로 추천 결과를 제공하는 데 있어 강력한 기반이 되었습니다.

Vertex AI는 모델 학습과 배포 과정에서 컴퓨팅 리소스를 최적화하여 효율적으로 관리하며, Kubeflow는 컴포넌트별로 요구되는 GPU 및 CPU 인스턴스를 자동으로 할당하여 학습 프로세스를 최적화합니다. 이를 통해 모델 학습과 배포의 안정성을 유지하면서도 리소스 활용을 극대화할 수 있었습니다.

또한, 캐치테이블은 Google Cloud의 최신 생성형 AI 모델 Gemini를 활용하여 더욱 정교하고 다각화된 추천 시스템을 개발하고 있습니다. Gemini 모델은 텍스트 요약(Summarization), 텍스트 생성(Generation) 등의 LLM(Task) 기능을 적극 활용하여, 매장의 특성, 리뷰, 유저의 검색어 등 다양한 비정형 데이터를 결합한 최적의 하이브리드 추천 모델을 기획하고 개발해 서비스를 꾸준히 진화시키는 중입니다. 이를 통해 고객의 행동 패턴 및 검색 의도와 숨겨진 맥락을 더욱 정확히 이해하고, 상황별로 최적화된 맞춤형 추천을 실시간으로 제공합니다. 기존의 콘텐츠 기반 추천을 넘어서는 이 시스템은 고객의 검색 경험을 풍부하게 하고, 개인화된 가치를 극대화하는 데 중요한 역할을 합니다.

캐치테이블은 고객의 선호도 분석, 검색 의도 파악, 그리고 다양한 데이터 소스를 결합하여 초개인화된 추천 시스템을 지속적으로 발전시키고 있습니다. Vertex AI와 Kubeflow 환경을 기반으로 모델 학습, 검증, 배포 과정을 최적화하며, 대규모 데이터를 효율적으로 처리하고 빠르게 실험할 수 있는 유연한 인프라를 갖추었습니다. 이를 통해 캐치테이블은 Google Cloud를 통한 안정적이고 확장 가능한 플랫폼 위에서 고객에게 최적화된 맞춤형 추천 결과를 실시간으로 제공하며, 지속적으로 서비스를 개선하고 발전시키고 있습니다.