2024. 12. 13. 00:21ㆍ카테고리 없음
오늘 당신은 몇 개의 '맞춤 추천'을 받으셨나요?
넷플릭스가 추천하는 새로운 시리즈, 유튜브가 끊임없이 보여주는 '당신이 좋아할 만한' 영상들, 인스타그램이 '회원님의 관심사 기반'으로 끝없이 보여주는 릴스까지. 우리는 매일 수십 개의 개인화된 콘텐츠 속에서 하루를 시작하죠.
디지털 서비스 진화과정에서 가장 두드러진 변화를 꼽자면, 단연 ‘개인화’일 거에요. 개인화란 사용자의 행동 데이터와 선호도를 분석하여 맞춤형 콘텐츠나 서비스를 제공하는 것을 의미해요.
2000년대 초반 개인화는 단순히 사용자의 이름을 넣는 수준에 불과했죠. 하지만 이제는 어떤가요? AI가 우리의 취향을 분석하고 우리의 다음 행동을 예측하며 심지어 우리가 원하는 것을 우리보다 먼저 알아내려 해요.
하지만 여기서 중요한 질문이 떠오르네요. "과연 모든 서비스가 같은 방식으로 개인화되어야 할까요?"
이번 글에서는 주요 디지털 서비스들이 각각 어떤 방식으로 개인화를 구현하고 있는지, 그리고 그 선택의 이유가 무엇인지 깊이 들여다볼게요. 특히 사용자 경험(UX)의 관점에서, 각 서비스의 특성에 따라 어떤 개인화 전략이 효과적인지 살펴보려고 해요.😉
앞서 언급한 것처럼, 우리는 매일 다양한 형태의 개인화된 서비스를 경험하고 있어요. 그렇다면 이 수많은 개인화 방식들은 어떤 기준으로 나눠볼 수 있을까요? 제가 관찰한 바로는, 대부분의 개인화 서비스들이 다음 세 가지 축 중 하나 또는 그 이상을 활용하고 있더라고요.
개인화 서비스의 세 가지 축
현재 디지털 서비스들의 개인화 방식은 크게 세 가지 축으로 나눠볼 수 있어요
- 콘텐츠 소비 기반 개인화 : "당신의 취향을 분석했어요”
- 데이터 기반 예측 개인화 : "당신의 미래를 분석했어요”
- 상황/맥락 기반 개인화 : "당신의 현재 상황을 분석했어요”
상황/맥락 기반 개인화의 경우엔 스포티파이나 유튜브 뮤직과 같이 사용자가 듣고 있는 상황(예: 출퇴근, 운동,저녁, 아침 등)에 따라 그에 적합한 음악 플레이리스트를 추천해주는 서비스를 예시로 들 수 있어요. 이외의 깊이 있는 사례를 찾기가 어려워서 이번 글에서는 앞의 두 가지 유형을 중점적으로 다뤄봤어요.
주요 서비스별 심층 분석
1. 콘텐츠 소비 기반 개인화 : "당신이 좋아할 만한 ~"
우선 ‘콘텐츠 소비 기반 개인화’는 사용자가 소비한 콘텐츠 취향에 맞춘 추천을 통해 최적의 소비 경험을 제공하는 방식이에요. 이 축에선 방대한 콘텐츠를 보유하고 있어 개인화 추천의 효과를 극대화할 수 있는 영상 서비스 사례와 쇼핑 커머스 플랫폼 사례를 주로 다뤄볼게요.
글로벌 컨설팅 기업 맥킨지의 조사에 따르면, 고객의 71%가 개인화된 경험을 기대하고 있으며, 이를 충족하지 못할 경우 약 76%의 고객이 불만을 느낀다고 해요. 특히 서비스 사용 첫 90초가 사용자 이탈을 결정짓는다는 '90초 룰'이 등장할 만큼, 초기 경험에서의 개인화는 더욱 중요해지고 있죠. 특히 콘텐츠 기반 개인화는 이러한 사용자 기대를 충족시키는 핵심 전략이 되고 있어요.
🧐 그런데 여기서 딜레마가 발생해요. 신규 가입자의 경우 데이터가 없다보니 개인화된 추천이 어렵죠. 이것을 바로 콜드 스타트**(Cold Start)** 문제라고 해요.
- 새로운 사용자의 경우 데이터가 없어서 개인화된 추천이 어려움
- 하지만 90초 룰에 따르면 첫 경험이 매우 중요
서비스들은 이 문제를 다음과 같은 방식으로 해결하고 있어요
넷플릭스의 경우
- 가입 직후 몇 가지 선호 장르/콘텐츠를 선택하도록 함
- 인구통계학적 데이터(나이, 성별 등) 기반의 초기 추천
- 비슷한 프로필을 가진 기존 사용자들의 패턴 활용
지그재그 같은 쇼핑 플랫폼
- 첫 방문시 스타일 취향 테스트 진행
- 트렌드 상품 + 기본적인 필터링 조합으로 초기 경험 제공
- 최근 검색어나 클릭 데이터를 실시간으로 반영
이처럼 서비스들은 초기 사용자 경험부터 개인화를 시작하지만, 진짜 개인화의 힘은 데이터가 쌓이면서 더욱 강력해져요.
🎬
<영상 서비스의 개인화 전략>
먼저 영상 서비스들의 개인화 전략을 살펴볼까요? 주요 영상 서비스인 넷플릭스와 유튜브, 왓챠는 모두 콘텐츠 소비 기반 개인화를 채택하고 있지만, 각각의 접근 방식은 매우 달라요. 그럼 하나씩 살펴볼게요!
- 넷플릭스
넷플릭스는 다들 아시다시피 개인 맞춤형 콘텐츠 추천으로 가장 유명한 서비스예요. 특히 주목할 만한 점은 단순히 하나의 추천 방식이 아닌, 여러 각도에서 사용자를 이해하려 노력한다는 거죠. 예를 들어 로맨스 장르를 좋아하는 사용자라도, 주말 저녁에는 가족과 함께 볼 수 있는 작품을, 평일 늦은 밤에는 좀 더 진지한 작품을 추천하는 식이에요.
또한 넷플릭스는 시청 패턴도 세심하게 분석해요. 어떤 사용자는 한 시리즈를 몰아서 보는 것을 선호하고, 어떤 사용자는 여러 작품을 번갈아 보는 것을 선호하죠. 심지어 어떤 장면에서 일시정지를 자주 하는지, 어떤 회차에서 시리즈를 포기하는지까지 분석해서 추천에 반영한다고 해요.
이러한 넷플릭스의 추천 알고리즘 시스템은 크게 세 가지 핵심 요소로 구성되어 있어요
- 협업 필터링 : 비슷한 취향을 가진 사용자들의 시청 패턴 분석 협업 필터링은 사용자의 행동데이터를 분석해 비슷한 취향을 가진 사람들이 공통으로 좋아하는 콘텐츠를 추천하는 방식이에요.
- 콘텐츠 메타데이터 : 장르, 배우, 감독 등 수천 개의 태그 활용 콘텐츠 필터링은 사용자가 좋아한 영화의 특징(태그)을 분석해 유사한 콘텐츠를 추천하는 방식이에요. 넷플릭스에선 시리즈물을 자주보는 저의 경우엔 ‘마음에 쏙 드실거에요’, ‘회원님을 위해 엄선한 오늘의 콘텐츠’ 모두 시리즈물로 구성돼있네요!
- 시청 행동 분석 : 시청 완료율, 몰아보기 패턴 등을 고려 딥러닝을 통해 세부적인 취향을 반영하는데 멈춘 시간, 시청 시간대, 시청 완료율 뿐만 아니라 영화의 분위기까지 분석해 이를 모델에 입력하여 더욱 개인화된 추천을 제공한다고 해요.
이처럼 넷플릭스는 영화/드라마 플랫폼답게 장르와 태그 기반의 정교한 추천 시스템을 구축했어요. 반면, 유튜브는 훨씬 더 다양하고 짧은 영상들을 다루다 보니 또 다른 방식의 개인화 전략을 선택했죠.
2. 유튜브
유튜브의 가장 큰 특징은 '실시간성'이에요. 매분 매초 전 세계에서 업로드되는 수많은 영상들 중에서, 지금 이 순간 내가 가장 보고 싶어할 영상을 찾아내는 게 관건이죠. 그래서 유튜브는 사용자의 '현재 관심사'에 굉장히 민감하게 반응해요. 방금 전에 본 영상의 주제나 스타일이 다음 추천에 즉각 반영되는 거예요.
특히 재미있는 점은 영상을 얼마나 오래 봤는지가 가장 중요한 지표라는 거예요. 클릭은 했지만 몇 초 보지 않은 영상보다, 끝까지 시청한 영상과 비슷한 콘텐츠를 우선적으로 추천하죠. 실제로 유튜브 내부에선 이를 '시청 시간 최적화'라고 부른다고 해요.
또한 유튜브는 '시청 세션'이라는 개념을 중요하게 여겨요. 한 번 유튜브를 켜서 끌 때까지를 하나의 세션으로 보고, 이 안에서 사용자가 어떤 흐름으로 영상을 소비하는지 분석하죠. 요리 영상을 보다가 운동 영상으로 넘어갔다면, 다음엔 '건강한 식단' 같은 두 주제를 연결하는 영상을 추천하는 식이에요.
✍🏻 정리!
유튜브의 실시간 인게이지먼트 기반 추천
- 체류 시간 우선: 영상 시청 지속성에 가장 높은 가중치
- 실시간 트렌드 반영: 현재 인기 있는 콘텐츠와 개인 취향의 조화
- 세션 기반 추천: 현재 시청 세션의 문맥을 고려한 다음 영상 추천
3. 왓챠
마지막으로 왓챠는 '평가 데이터 기반 개인화'라는 독특한 접근법을 보여주고 있어요.
다른 서비스들이 단순히 '추천/비추천'의 이분법적 평가를 사용하는 것과 달리, 왓챠는 5점 척도의 별점 시스템을 통해 더 섬세한 취향 분석이 가능해요.
특히 주목할 만한 점은 왓챠피디아와의 연동이에요. 왓챠피디아는 영화, 드라마 평가 전문 플랫폼인데, 여기서 쌓은 방대한 평가 데이터가 왓챠의 추천 시스템에 직접 반영돼요. 예를 들어, 제가 왓챠피디아에서 준 별점들이 왓챠에서도 그대로 활용되면서, 처음부터 제 취향을 잘 아는 상태로 시작할 수 있는 거죠. 이런 크로스 플랫폼 데이터 활용은 왓챠만의 강점이에요.
또 흥미로운 점은 '선택의 피로도'를 줄이기 위한 개인화 전략이에요. 수많은 콘텐츠 중에서 무엇을 볼지 고민하는 사용자들을 위해, 맨 아래로 스크롤하면 나타나는 특별한 섹션들이 있죠.
이는 단순한 '좋아요' 기반 추천이 아닌, 더 정교한 데이터를 활용한 개인화 전략이에요. 특히 사용자가 직접 매긴 별점은 작품에 대한 더 명확한 선호도를 보여주기 때문에, AI가 취향을 학습하는 데 더 신뢰성 높은 데이터가 되는 거죠.
👗
<패션 플랫폼의 개인화 전략>
이어서 쇼핑(패션) 플랫폼들의 개인화 전략도 살펴볼게요. 영상 서비스와는 또 다른 방식으로 개인화를 구현하고 있어요. 대부분의 패션 플랫폼들은 사용자의 행동 데이터를 활용한 개인화된 상품 추천을 제공해요.
예를 들어, 홈화면에서 '당신을 위한 추천상품' 섹션을 통해 내 취향과 관심사를 반영한 상품들을 보여주고, 자주 클릭하거나 관심을 보인 스타일을 반영한 카테고리 칩도 함께 제공하죠. 또한 '다른 고객이 함께 본 상품'이나 '함께 보면 좋은 상품' 같은 방식으로 협업 필터링 기반의 추천도 활용하고 있어요.
다만 패션 분야의 개인화는 영상 서비스 분야에 비해 몇 가지 독특한 도전 과제를 가지고 있어요.
1️⃣ 첫째, 패션 취향은 계절, 트렌드, 상황에 따라 빠르게 변해요. 작년에 즐겨 입던 스타일이 올해는 전혀 다를 수 있죠. 게다가 한 사람이 TPO에 따라 완전히 다른 스타일을 선호할 수도 있어요. 이런 변수들을 모두 고려한 개인화가 필요할거 같아요.
2️⃣ 둘쨰, 패션은 '발견의 즐거움'이 중요한 영역이에요. 너무 정확한 개인화가 오히려 새로운 스타일 발견 기회를 제한할 수 있죠. 그래서 29CM나 w컨셉 같은 플랫폼들은 개인화된 추천과 함께 큐레이션이나 트렌드 제안도 적절히 믹스하고 있는 모습을 볼 수 있어요.
이처럼 '콘텐츠 소비 기반 개인화'라는 같은 형태 안에서도 서비스 분야마다 개인화에 있어 서로 다른 접근 방식과 도전 과제를 가지고 있어요. 결국 성공적인 개인화란 각 분야의 특성을 정확히 이해하고, 사용자에게 진정한 가치를 제공할 수 있는 방향으로 이뤄져야 하는 거죠. 이제 또 다른 형태의 개인화, **'데이터 기반 예측 개인화'**에 대해 알아볼게요.
2. 데이터 기반 예측 개인화 : "당신은 아마 ~”
그동안 살펴본 콘텐츠 기반 개인화가 '현재'의 취향과 선호도를 분석했다면, 이번에는 '미래'를 예측하는 개인화 서비스를 살펴볼게요. 바로 '데이터 기반 예측 개인화'에요.
이는 단순히 현재의 선호도나 상황을 반영하는 것을 넘어서, 축적된 데이터를 바탕으로 미래의 상황까지 예측하고 대비할 수 있게 도와주는 방식이에요.
좋은 예시로 뱅크샐러드를 가져와밨어요. 뱅크샐러드는 지난 4월 디지털 헬스케어 기업 '셀바스AI'와 협력하여 새로운 형태의 건강 데이터 개인화 서비스를 선보였어요. 건강검진 데이터를 분석해서 특정 질병에 걸릴 위험이 가장 높은 연령대나, 또래 대비 위험도가 높은 질병을 예측해주죠.
특히 주목할 만한 점은 이 서비스가 '내 병원비 미리보기'와 연계된다는 거예요. 예측된 질병 위험을 바탕으로 예상되는 의료비까지 계산해주면서, 건강 관리와 재무 계획을 함께 고민할 수 있게 해주죠.
헤이문이나 핑크다이어리 같은 생리 주기 예측 앱들도 데이터 기반 예측 개인화의 좋은 사례예요. 이 앱들은 온보딩 과정에서 평균 생리 주기와 최근 생리 시작일만 입력해도 바로 다음 생리 예정일을 예측해주죠. 그리고 매달 실제 생리일, 생리 기간, 증상 등의 데이터가 쌓일수록 더 정확한 예측이 가능해져요.
특히 단순히 다음 생리일 예측에서 그치지 않고 축적된 데이터를 바탕으로 PMS 시기, 배란일, 가임기 등도 함께 예측해주면서, 각 시기에 맞는 건강 관리 정보도 제공하죠. 이처럼 사용자의 데이터가 쌓일수록 더 정확하고 개인화된 정보를 제공하는 것이 특징이에요
✍🏻 정리!
데이터 기반 예측 개인화의 특징은 다음과 같아요
- 장기적 관점: 당장의 선호도나 취향이 아닌, 미래의 위험이나 기회를 예측
- 데이터 통합 분석: 여러 출처의 데이터를 종합적으로 분석하여 인사이트 도출
- 실질적 가치 제공: 단순 정보 제공을 넘어 실제적인 행동 변화를 유도
이처럼 데이터 기반 예측 개인화는 사용자의 미래를 더 건강하고 안전하게 만드는 데 기여하고 있어요.
지금까지 살펴본 개인화 사례들을 사용자 경험(UX) 관점에서 정리해볼게요!
- 선호도 기반 개인화는 사용자의 명시적/암묵적 선호도를 반영하기 때문에 만족도가 높아요. 넷플릭스나 유튜브처럼 콘텐츠 소비가 주된 서비스에 특히 효과적이죠. 하지만 너무 비슷한 추천만 하면 사용자가 지루함을 느낄 수 있어요.
- 데이터 기반 예측 개인화는 사용자에게 실질적 가치를 제공해요. 뱅크샐러드처럼 건강과 같은 중요한 의사결정이 필요한 서비스에 적합하죠. 다만 너무 민감한 정보를 다루면 사용자가 불안감을 느낄 수 있어요.
각 서비스의 특성에 따라 효과적인 개인화 전략이 다르다는 걸 알 수 있어요.
- 콘텐츠 서비스 → 선호도 기반 + 새로운 발견의 균형
- 건강 서비스 → 데이터 기반 예측 + 프라이버시 보호
- 커머스 → 선호도 기반 + 트렌드 제안의 조화
결국 성공적인 개인화란 단순히 기술적 정교함을 높이는 게 아니라, 서비스의 성격과 사용자의 니즈에 맞는 적절한 전략을 선택하는 것이 아닐까요?
참고자료