- 1편 부터 보러가기: [AI 추천 인사이트 1편] 왜 AI 추천이 필요한가
AI와 데이터가 추천을 주도하는 지금, 이커머스의 상품 추천은 마치 처음부터 엄청난 기술과 함께였던 것 처럼 보입니다. 하지만 불과 몇년전까지만 해도 추천의 주체는 ‘사람(마케터, MD)’이었습니다.
1. 경험과 직관으로 만든 ‘MD 추천’
상품 추천의 가장 원형은 ‘MD의 큐레이션’입니다. 이 방식은 여천히 많은 이커머스 플랫폼에서 활용되고 있으며 다음과 같은 장점이 있습니다.
- 고객을 잘 아는 전문가(MD)가 상품을 선별
- 브랜드 방향성이나 트렌드를 반영하기 쉬움
- 초반 운영 비용이 낮고 세팅이 간단
예를 들어, 패션 플랫폼 A사는 ’20대 여성 직장인을 위한 원피스 추천’과 같은 카테고리를 MD가 직접 큐레이션하여 메인에 노출했습니다. 이는 실제 구매 전환율이 높았고 고객 만족도 조사에서도 ‘믿을 만한 추천’이라는 평가를 받았습니다.
하지만 이 방식은 다음과 같은 한계에 부딪히곤 했습니다.
- 데이터 부족으로 추천의 객관성 부족
- MD 개인 역량에 따라 성과 편차 발생
- 고객 수가 많아질수록 개인화 추천의 한계
즉, 초기에는 효율적이지만 규모 확장에는 취약한 방식이었던 셈입니다.
2. 클릭률 높은 건 무조건 보여줘! ‘인기 상품 추천’
또 다른 초기 방식은 ‘인기 상품 노출’입니다. 가장 많이 팔린 상품, 많이 클릭된 상품, 높은 평점을 받은 상품을 압세워서 추천 영역을 구성하는 방식입니다.
장점은 분명했습니다.
- 검증된 상품 중심으로 안정적인 전환율 확보 가능
- 운영 자동화가 쉬움 (TOP N 기반)
- 신규 고객에게 신뢰감을 줌
실제 예시로, 리빙 전문몰 B사는 메인 페이지에 전일 기준 판매량 상위 10개 상품을 자동 노출한 결과, 타임 세일 대비 평균 구매 전환율이 1.5배 높게 나타났습니다.
하지만 이 방식 역시 구조적 한계를 지니고 있었습니다.
- 트렌드 편중: 소수 인기 상품에만 트래픽이 몰림
- 고객별 맞춤 부족: 고객 A에게 맞는 추천인지 여부는 알 수 없음
- ‘롱테일’ 상품은 노출 기회가 거의 없음
즉, 단기 ROI는 좋지만 고객별 경험 차별화에는 실패할 가능성이 큽니다.
3. 정적인 추천 방식의 마케터 리스크
MD 추천, 인기 상품 기반 추천은 모두 정적인 추천입니다. 이 추천 방식은 설정만 하면 자동으로 유지되거나 수동으로 수정해야만 변화가 생깁니다. 이로 인해 다음과 같은 리스크가 존재합니다.
- 불특정 다수를 기준으로 하기에 고객 경험이 평준화됨
- 타이밍 반영 어려움 (예: 장바구니에 담긴 상품 리마인드 불가)
- 마케터/MD의 지속적인 수정/관리 필요 (운영 리소스 소모)
- 성과 편차 발생 및 기획 의도와 실제 결과 간의 괴리 발생
이러한 문제로 인해 추천 운영 자체가 마케터의 업무 부담이 되는 경우도 적지 않았습니다.
4. 그럼에도 이 방식이 여전히 유효한 영역은?
그렇다고 해서 이 방식이 무조건 오래된 방식이거나 모두 폐기되어야 하는 것은 아닙니다. 아래와 같은 영역에서는 여전히 유효하거나 현재의 추천 방식과 조합이 가능합니다.
| 추천 방식 | 여전히 유효한 영역 | AI 추천과의 연결점 |
| MD 추천 | 브랜드몰, 테마 중심 기획전 | AI 추천 + MD 큐레이션 혼합 콘텐츠 |
| 인기 상품 추천 | 신규 고객 대상, 트렌드 소비몰 | 인기 기준 + 개인 관심사 기반 정렬 |
예를 들어, ‘MD 추천’은 AI 추천 상품을 MD가 검수 및 리마케팅 콘텐츠로 재배치하는 형태로 진화할 수 있으며, ‘인기 상품 노출’도 고객별로 재정렬된 인기 상품 리스트로 재해석 될 수 있습니다.
추천은 ‘정적인 큐레이션’에서 ‘동적인 개인화’로 진화
초기의 추천 전략은 마케터나 MD가 ‘무엇이 좋을까?’를 고민해 결정하는 방식이었습니다. 반면 현재의 AI 추천은 고객이 이미 보여준 행동을 기반으로 ‘고객에게 맞는 것’을 빠르게 제안합니다. 하지만 이 둘은 단절된 것이 아니라 연결된 흐름입니다.
과거 방식의 장점을 살리되, 데이터와 기술을 활용해 운영 부담을 줄이고 고객 경험을 더욱 정교하게 설계하는 것이 지금 마케터가 해야 할 일입니다.
다음 편에서는 추천 알고리즘의 종류에 대해 자세히 살펴보겠습니다. 협업 필터링, 콘텐츠 기반 필터링 그리고 두 가지를 결합한 하이브리드 방식까지, 실제 적용 사례와 함께 풀어보겠습니다.
- 3편 이어서 보기: [AI 추천 인사이트 3편] 인구통계 기반 추천은 정말 효과적일까?
