결론부터 확인 ?
첫째, 기업 상황에 따라 선택할 수 있는 대안이 많아져요.
둘째, 우리 고객 특성에 따른 응대 방식을 선택할 수 있습니다.
셋째, 브랜드 성숙도에 따라 단계별로 알맞은 알고리즘을 적용할 수 있어요.
[1] 이커머스 · 자사몰 상황에 알맞은 알고리즘 선택하기
지금 막 오픈한 쇼핑몰이라면?
고객 데이터가 적은 상황입니다. 이 경우 방문자 이력과는 상관없는 알고리즘, 즉 고객이 현재 보고 있는 A 상품의 관련 상품을 추천할 수 있어야 하는데요. 구매나 클릭 데이터가 없어도 상품 추천이 가능한 ‘상품명 기반 유사 상품 알고리즘’ 사용을 추천합니다. 이 알고리즘은 방대한 양의 자연어와 400만 개 이상의 상품 데이터로 딥러닝한 AI 알고리즘이에요. 고객이 어떤 상품에 관심을 두고 있는지 파악해 고도화된 유사 상품 추천을 실행한답니다. 이 알고리즘은 특히 상품 상세 페이지에서 아주 좋은 성과를 보이고 있어요. 상세 페이지 또는 장바구니 페이지 등에서 활용해 보시길 추천합니다.
패션 카테고리의 쇼핑몰이라면 여러 AI 알고리즘 중에서도 ‘이미지 기반 유사 상품 알고리즘’에 대한 관심과 기대가 클 텐데요. 고객이 보고 있는 상품과 가장 유사성 높은 이미지의 상품을 추천하는 이 알고리즘도 (고객 행동 데이터가 적거나 갓 오픈한 쇼핑몰에서) 바로 사용할 수 있습니다. 상품당 조회수가 높지 않은 쇼핑몰에서도 좋은 성과를 내는 알고리즘이니 바로 적용해 보시길 바랍니다.
충성 고객도 많고, 신상품 출시도 잦은 쇼핑몰이라면?
‘구매 패턴 유사 상품 알고리즘’ 사용을 추천합니다! 이 알고리즘은 쉽게 표현하자면 ‘넷O릭스’ 등 OTT 서비스에서 제공 중인 ‘고객님이 좋아할만한 콘텐츠 추천’ 기능과 비슷해요. 고객의 쇼핑 경험을 기반으로 관심을 보일만한 상품의 유사도 계산을 통해 정밀한 상품 추천을 한답니다. 단골 고객층이 탄탄하고, 새로 출시하는 상품에 대한 반응도가 높은 브랜드라면 적용해 보시길 추천드려요.
상품 카테고리가 좁고 특화된 쇼핑몰이라면?
안경, 액세서리 등 특정 카테고리 상품만을 전문으로 취급하는 버티컬 사이트라면 ‘유사 취향 고객 선호 상품 알고리즘’ 사용을 추천합니다. 고객이 유심히 살펴본 상품과 비슷한 스타일 또는 같은 카테고리의 상품을 추천하는 알고리즘이기 때문이에요. 고객이 어떤 취향을 가졌는지 AI 알고리즘이 계산한 후, 해당 고객이 좋아할만한 (구매 확률이 높은) 상품을 도출해 낸답니다.
[2] 우리 브랜드 고객 특성에 꼭 맞는 알고리즘 선택하기
취향 큐레이션에 민감한 고객에게는?
고객이 어떤 상품을 보고 있는지, 실시간 추적하고 학습하여 최근 본 상품에 따라 다음에 볼 상품까지 예측해내는 ‘딥러닝 기반 다음에 볼 상품 알고리즘’을 강력 추천드려요. 이 알고리즘은 고객이 무엇에 흥미를 갖고 있는지 세밀하게 파악합니다. 두 사람이 똑같이 상품 5개를 보았더라도, 각 상품을 클릭하 순서가 다를 경우 둘의 관심사 (유의 깊게 보고 있는 부분)가 다르다는 걸 간파해냅니다. 초개인화 맞춤 상품추천을 원하는 고객이 많은 쇼핑몰에게 꼭 맞는 알고리즘이에요.
✅ 고객들의 상품 클릭수가 높아질수록 더 좋은 성과를 내는 알고리즘입니다.
객단가별 고객 그룹이 뚜렷이 나뉜다면?
판매 상품의 가격 범위가 넓고, 구매도 활발히 일어나는 이커머스 쇼핑몰이라면 ‘RFM 세그먼트별 선호 상품 알고리즘’을 사용해 보세요. RFM(최근 방문 일자, 방문 빈도, 구매 금액) 지표를 기준으로 고객을 분류해, 고객이 어느 그룹에 속하는지 파악하고 해당 그룹에서 선호하는 상품을 추천하는 알고리즘이랍니다. 그룹별로 비슷한 쇼핑 스타일을 가진 고객들이 선호하는 인기 상품을 추천해 보세요!
[3] 브랜드 성숙도에 따라 단계별 알고리즘 선택하기
그루비 설치도, 쇼핑몰 운영도 ‘초기 단계’라면?
고객 행동 데이터가 많을수록 큰 효율을 보이는 ‘방문자 이력 기반 AI 알고리즘’ 6종을 당장 사용할 수는 없습니다. 콜드스타트(상품추천을 위한 고객 행동 데이터가 많이 쌓이지 않은 상태)라도 성과를 내는 ‘상품명 기반 유사 상품 알고리즘’과 ‘이미지 기반 유사 상품 알고리즘’으로 먼저 시작해보세요. 1~2개월이 지나 고객 데이터가 어느 정도 쌓인다면 차츰 ‘딥러닝 기반 다음에 볼 상품 알고리즘’이나 ‘딥러닝 기반 유사 상품 알고리즘’을 병행 사용해 성과를 테스트해 보면 좋겠습니다. 그 외 브랜드별 마케팅 전략에 따라 구현해 보고 싶은 상품추천안이 있다면, 그루비 고객성공팀에 문의해 주세요. 그루비는 기업별 커스터마이징 서비스도 제공 중인데요. 기능 문의나 개선 요청도 빠르고 편리하게 도와드리고 있습니다.
[함께 본 상품] vs [함께 담은 상품] vs [함께 구매한 상품]
얼핏 비슷해 보이기도 하고, 특별한 차이가 없어 보인다는 오해를 받는 알고리즘 3형제, ‘함께 본 상품 알고리즘’과 ‘함께 담은 상품 알고리즘’, ‘함께 구매한 상품 알고리즘’입니다. 각 알고리즘을 언제, 어떻게 시의적절하게 사용하면 좋을지 알려드릴게요.
- [함께 본 상품] 알고리즘 : A 고객이 지금 1번 상품을 보고 있다고 가정할 때, 동일하게 1번 상품을 본 다른 고객이 함께 둘러본 2, 3, 5, 7번 상품을 추천하는 알고리즘입니다. 지금 보고 있는 상품과 유사한 상품들이 추천되기 때문에 상품 상세 페이지에서 활용하기 좋은 알고리즘이에요.
- [함께 담은 상품] 알고리즘 : A 고객이 1번 상품을 막 장바구니에 담았다고 가정할 때, 동일하게 1번 상품을 장바구니에 담은 고객이 함께 장바구니에 많이 담은 상품을 추천하는 알고리즘입니다. 장바구니 담기 완료 팝업창에서 쓰기 좋은 알고리즘이에요.
- [함께 구매한 상품] 알고리즘 : 지금 1번 상품을 보고 있거나, 1번 상품을 장바구니에 담았을 때 함께 구매한 상품을 추천하기 때문에 고객이 상품 탐색을 거의 마무리하고 구매를 결심했을 때 쓰기 좋은 추천 알고리즘입니다. 장바구니 페이지에서 활용해 보는 것을 추천드려요.
일반적으로 클릭한 상품보다 장바구니에 담은 상품이 적고, 장바구니에 담은 상품보다 구매한 상품이 적은데요. 구매나 장바구니 담기가 그리 많이 발생하는 편이 아니라면 세 알고리즘 중 ‘함께 본 상품 알고리즘’만 사용해도 충분합니다. 구매와 장바구니 담기 데이터보다 상품을 조회한 데이터 양이 더 많아서 좀 더 나은 추천이 가능하기 때문입니다.
반대로 클릭 데이터뿐만 아니라 장바구니 담기, 구매 데이터가 풍성하다면 ‘함께 구매한 상품 알고리즘’으로 더 좋은 관심사 추천을 할 수 있습니다. 구매는 다른 어떤 퍼널 대비, 고객의 큰 흥미와 취향을 반영하는 행동 데이터이기 때문입니다.
