2016.10 - SKP 빅데이터와-자연어처리-기술을-이용한-11번가-상품-추천
- 추천시스템 : 사용자의 행동 이력, 사용자간 관계, 상품 유사도, 사용자 컨텍스트에 기반하여 사용자의 관심 상품을 자동으로 예측하고 제공하는 시스템
- 협업 필터링(CF: Collaborative Filtering) : 고객-고객, 아이템-아이템, 고객-아이템간 유사도에 기반하여 아이템을 추천하는 방식
- Amazon : Item Similarity DB 구축을 통한 개인화 추천 (Item-to-Item CF)
- 구매 기록을 바탕으로 상품과 상품 사이의 유사도를 구축
- 사용자가 구매한 아이템들을 바탕으로 다른 아이템을 추천
- Model-based Collaborative Filtering
- 기존 아이템 간 유사성을 단순하게 비교하는 것에서 벗어나 데이터 안에 내재한 패턴을 이용하는 기법
- Content-based Filtering
- 협업 필터링이 사용자의 행동이력을 이용하는 반면, 콘텐츠 기반 필터링은 아이템 자체를 분석하여 추천
- SKP 11번가 전략 : CBF, CF 알고리즘과 딥러닝의 특징을 결합한 추천 알고리즘을 개발
2016-정보과학회 - “온라인 상에서의 실시간 고객분석과 개인화 서비스 제공
레코벨 박성혁 대표 ▪ dave.park@recobell.com - 쿠차관련 옐로모바일 계열사, 티몬 외에도 SSG닷컴, GS숍, 교보문고, 아모레퍼시픽 에 적용
- 개인화 데이터를 얼마나 체계적이고 상세하게 수집할수 있느냐에 따라서 개인화 마케팅 수준이 결정된다
- 개인화 데이터가없는사용자에 대해서도 프로파일 추론 기술을 통하여 높은 정확도로 값을 예측할 수 있음
- 상세페이지 대체재 및 보완재 추천 : 유사한 대체재 상품과, 조금 다르지만 함께 구매되는 보완재를 주는 것이 유효
- 메인페이지 에서의 최근 클릭 기반 추천 기능을 통해서도 고객이 최근 관심사와 관련된 상품들을 보여줌
- KNN(최근접이웃) 탐색 알고리즘에 의한 유사사용자들로부터 상품 추천
- 특정 상품에 대해 고객의 정기적인 구매주기 패턴을 파악하여 정기 배송 추천
- 찜목록 /장바구니에 담아 놓은 상품들을 바탕으로 함께 구매하면 좋은 보완재를 추천 ( 추가 배송비가 들지않는다면... )
이탈률은 감소하고 CR, 객단가, CTR은 증가 ==> 초과 매출 발생
- CTR: Click through ratio , 노출 대비 클릭률
- CR : Conversion Rate , 구매전환율
- 객단가: 구매고객 중, 평균 고객당 구매가
- BR : Bounce Rate, 이탈률
- 검색페이지 :
- 검색어에 기반한 연관 추천 상품을 제공
- 검색결과의 상품 수가 부족할 경우, 노출 상품 수를 보충
- 상품뿐만 아니라 연관 기획전까지 추천
- 개인화 성공사례
- 개인화 이메일 : 장바구니 기반, 검색어 기반, 자동화된 DM 발송 (장바구니 마감임박/판매종료, 결제 페이지 이탈자 회유 등
2016.03 - [단독] 티몬 "네가 뭘 원하는지 알려주마"..."상반기 빅데이터 기반 고객별 서비스 시작
- 개인화 서비스(customized service)’ : 개인의 과거 구매 실적, 기호, 관심, 취향 등을 추적해 소비자가 가장 선호하고 필요로 하는 상품을 추천해주는 서비스
- 사람의 경험과 직관에 ‘빅데이터 분석 알고리즘을 결합한 시스템과 기술이 필요
- 현재 한국에서도 큐레이션 서비스를 제공하고 있지만, MD가 선별한 상품을 추천한다.
- 소비자 개개인이 아니라 성별, 연령, 거주지, 직업 등 묶음에 따라 상품 기획자가 고른 상품 구매를 권유하는 수준
- 여행 상품을 예매한 고객 일부에게 카메라를 추천하고 다른 고객엔 추천하지 않은 뒤 매출 차이를 비교하는 것이다.
- 결과 : 개인별로 관심 있어 할 만한 상품의 앱푸시를 적용 : 클릭률, 구매율 각각 30%씩 상승
- KT 쇼닥은 30여개 쇼핑몰 사업자와 제휴해 2억건 이상의 상품정보를 확보했다.
- 고객의 기본 정보(연령·성별·지역), 검색 키워드·시간대별 쇼핑 특성·앱 이용 패턴 등과 연계해 찾고 있던 상품을 추천해주는 서비스
2014.12 kth DAISY 개인화 추천 적용기 첫번째. 일단 적용해 봤다.
- 상품ID , 카테고리 ID 기반
- 셋탑별로 시청한 상품 시청 이력을 7일동안 수집하여 가장 시청빈도가 높은 상품군(카테고리)에 가중치를 가장 높게 부여
- 가구별(셋탑별) 추천 상품 pool을 일단위로 구축 (최근 7일?)
- 시청이력이 적으면 시청 순위가 높은 상품순으로 추천
기타 서비스 사례