"더 많은 클릭은 더 나은 추천을 의미한다"는 것은 이커머스에서 가장 인기 있는 가정 중 하나이며, 동시에 성과를 잘못 읽는 가장 쉬운 방법 중 하나입니다. 상품 추천 엔진은 주목을 끌고 장바구니에 항목을 추가할 수 있지만 여전히 새로운 수익을 창출하지 못하거나 이행 및 고객 신뢰에 문제를 야기할 수 있습니다.
스토어 소유자와 운영 팀에게 유용한 질문은 고객이 반응하는지 여부가 아닙니다. 추천이 고객이 구매하는 방식을 변화시키되 구매 후 경험을 악화시키지 않으면서 비즈니스에 도움이 되는 방식으로 변화시키는지 여부입니다.
목차
- 상품 추천 엔진이 실제로 하는 일
- 데이터 및 비용별 추천 방식 비교
- 항목 간 필터링이 추천을 실용적으로 만든 방법
- 고객 여정 전반에 걸쳐 추천이 나타나는 위치
- 추천이 작동하는지 보여주는 지표
- 추천 수익을 신뢰하기 전에 보류 테스트 실행
- 라이브하기 전 해로움, 편견 및 신뢰에 대한 보호 장치
상품 추천 엔진이 실제로 하는 일
도움이 되는 매장 직원은 고객이 본 또는 구입한 것을 기억하고, 현재 쇼핑 중인 것을 알아채고, 관련성 있는 다음 항목을 제안합니다. 상품 추천 엔진은 스토어의 카탈로그 전반에 걸쳐 해당 작업을 자동화합니다. 신호를 수집하고, 가능한 상품을 순위를 매기고, 고객의 현재 상황에 적합한 짧은 목록을 제시합니다.
엔진은 세 가지 유형의 입력으로 작동합니다:
- 카탈로그: 상품, 변형, 가격, 재고 및 색상 또는 크기와 같은 속성.
- 행동: 상품 보기, 장바구니에 추가, 구매 또는 제안 건너뛰기와 같은 작업.
- 맥락: 상품 페이지 보기, 장바구니 확인 또는 기존 주문 편집과 같이 고객이 현재 하고 있는 일.
이를 통해 단일한 확정적 답변이 아닌 순위가 매겨진 제안 목록을 만듭니다. 이 구분이 중요한 이유는 쇼핑객들이 보통 상단에 배치된 항목에 집중하기 때문입니다. 제안이 일반적으로 관련성이 있더라도 제품이 품절되었거나, 기존 주문과 호환되지 않거나, 쇼핑객이 하려는 작업과 관련이 없으면 그 순간에는 맞지 않을 수 있습니다.

추천은 맥락에 응답합니다
검색과 추천은 서로 다른 문제를 해결합니다. 검색은 입력된 질의에 응답합니다: 고객이 찾고 싶은 것을 말합니다. 추천은 질의 없이 쇼핑객의 상황에 응답합니다.
고객이 러닝 양말을 구매하고 배송 전에 매장이 다른 색상의 수분 흡수 양말을 제안한다고 가정해봅시다. 그 제안은 현재 주문과 제품 카탈로그를 바탕으로 합니다. 시스템이 간단한 규칙을 사용하든 더 복잡한 모델을 사용하든, 테스트는 동일합니다: 그 항목이 고객 여정의 그 시점에 의미가 있는가?
자동화를 적용할 위치를 선택하는 팀은 다양한 전자상거래용 AI 추천 전략을 비교할 수 있으며, 특히 행동 신호와 제품 및 페이지 맥락을 어떻게 결합할지 결정할 때 유용합니다. 핵심 측정은 엔진의 소리가 얼마나 고급스러운지가 아닙니다. 그것은 엔진이 먼저 놓은 항목들이 정확히 그 순간에 유용한지 여부입니다.
데이터와 비용으로 비교한 추천 접근 방식
매장이 제품을 추천하기 시작하기 위해 복잡한 모델이 필요하지는 않습니다. 올바른 시작점은 팀이 자신의 카탈로그와 고객에 대해 알고 있는 것과 매칭을 만드는 데 사용할 수 있는 데이터의 양에 따라 달라집니다.
| 접근 방식 | 사용하는 것 | 필요한 데이터 | 주요 약점 |
|---|---|---|---|
| 베스트셀러 및 인기도 | 전체 매장의 판매 수 | 일부 주문 이력 | 이미 인기 있는 항목을 선호함 |
| 콘텐츠 기반 | 유형, 색상 및 크기와 같은 제품 속성 | 깔끔한 제품 데이터 | 약간의 놀라움으로 유사한 항목을 반복함 |
| 항목 대 항목 협업 필터링 | 함께 구매되거나 조회된 항목 | 대량의 공동 구매 데이터 | 신제품에 약함 |
| 하이브리드 | 후보 규칙, 속성 및 행동 | 제품 데이터와 행동 | 더 많은 엔지니어링 및 모니터링 |
| 규칙 및 수동 큐레이션 | 판매자가 선택한 컬렉션 또는 제품 | 판매자 판단 | 쇼핑객에게 맞춰 조정하지 않음 |
매장의 데이터에 맞는 방법 선택
베스트셀러는 스토어에 행동 이력이 거의 없을 때 실용적인 대체안입니다. 주문 데이터만 필요하지만, 인기도가 자체 강화될 수 있습니다. 이미 잘 팔리는 제품들이 계속 노출됩니다. 콘텐츠 기반 추천은 카탈로그 속성을 사용하므로, 스토어의 상호작용 데이터가 제한적일 때도 쇼핑객을 유사한 제품과 매칭하는 데 도움이 될 수 있습니다. 약점은 반복입니다. 고객이 파란 재킷을 보면, 엔진이 유용한 대안을 제시하는 대신 유사한 재킷을 계속 보여줄 수 있습니다.
아이템 간 필터링은 고객이 함께 보거나 구매한 제품 간의 관계를 사용합니다. 이러한 관계가 의미 있으려면 충분한 관련 활동이 필요하며, 새로 등록된 제품은 아직 해당 이력이 없을 수 있습니다. 하이브리드 시스템은 접근 방식을 혼합하므로, 여러 상황에서 제안을 더 유용하게 만들 수 있지만, 구축 및 모니터링에 더 많은 작업이 필요합니다. 수동 규칙 및 큐레이션은 판매자에게 어떤 컬렉션이나 제품을 표시할지에 대한 제어권을 제공하지만, 선택된 항목은 각 쇼핑객의 행동에 맞게 조정되지 않습니다.
개인정보 보호 장치만으로는 인기 편향의 위험을 제거하지 못합니다. 연합 추천에 대한 연구는 모델이 여전히 인기 있는 제품을 선호할 수 있는 방법을 설명하며, 개인정보 보호, 공정성, 설명성 및 보안은 공동 평가가 필요할 수 있습니다. 이것이 가능한 한 현재 맥락, 호환성 및 가용성으로 시작하고, 제품이 나타난 이유를 설명하며, 노출이 동일한 대량 항목을 선호하는지 감시해야 하는 이유입니다. 이 작업의 유용한 동반자는 제품 추천 KPI 추적 가이드로, 팀이 활동뿐만 아니라 결과에 주의를 집중하도록 도울 수 있습니다.
주문이 거의 없는 스토어의 경우 베스트셀러와 큐레이션된 추천으로 시작하세요. 속성 매칭을 추가하기 전에 제품 속성을 정리하세요. 주문 이력이 아이템 관계를 의미 있게 만들 때만 행동 방법을 도입하세요. 각 제안의 이유를 보이게 유지하면, 이력이 적은 쇼핑객도 왜 나타났는지 이해할 수 있습니다.
아이템 간 필터링이 추천을 실용적으로 만든 방법
2003년, Amazon은 "Amazon.com Recommendations: Item-to-Item Collaborative Filtering"을 발표했습니다. 각 고객을 직접 다른 모든 고객과 매칭하려고 시도하는 대신, 이 접근 방식은 자주 함께 보거나 구매한 제품을 비교했습니다. 시스템은 이러한 아이템 관계를 미리 계산하고 쇼핑 세션 중에 관련 제품을 검색할 수 있어 매우 큰 카탈로그에 대한 추천을 더 실용적으로 만들었습니다. 이 역사적 설명과 널리 반복되는 판매 주장의 한계는 추천 시스템 및 상업적 영향에 대한 연구에서 논의됩니다.

헤드라인 수익 주장을 신중하게 읽으세요
이 방법의 실용적 장점은 관련 상품을 효율적으로 찾는 방법에 관한 것이었습니다. 작은 규모의 스토어의 경우 동일한 논리에는 전제 조건이 있습니다. 상품 쌍이 의미 있는 의미를 지니려면 충분한 동시 구매 활동이 있어야 합니다. 그러한 기록이 없으면 약한 연결을 신뢰할 수 있는 신호로 취급하는 것보다 더 간단한 대체 방법이 더 타당합니다.
Amazon의 추천과 관련된 상업적 수치는 신중하게 해석해야 합니다. 추천 생태계의 기여도를 대략 사이트 활동 또는 매출의 10~30%로 추정하지만, 이러한 추정치는 명확한 인과 관계 측정값이 아닙니다. 추천이 Amazon 판매의 35%를 차지한다는 널리 반복되는 주장은 2013년 McKinsey 보고서에 기인한 것으로 알려져 있지만, Amazon은 이를 공개적으로 확인하지 않았으며 방법론이 명확하게 공개되지 않았습니다.
9개월 동안 210만 명의 Amazon 사용자의 익명화된 브라우징 로그에 대한 독립적인 분석에 따르면 같은 연구에 따르면 추천 관련 활동의 최소 75%는 추천 없이도 발생했을 가능성이 높습니다. 이 발견은 추천이 가치가 없다는 의미가 아닙니다. 관찰된 클릭과 구매에는 고객이 어차피 생성했을 활동이 포함될 수 있다는 뜻입니다.
추천 클릭을 주의 징후로 취급하되, 증분 매출의 증거로는 취급하지 마세요.
고객 정보를 사용하는 개인화를 고려하는 팀의 경우, 기술적 선택이 명확한 데이터 처리 관행과 함께 이루어져야 합니다. 홍보 문자에 GDPR을 적용하는 방법에 대한 실용적인 입문서는 홍보 활동 주변의 개인정보 보호 질문을 정리하는 데 도움이 될 수 있지만, 추천은 여전히 자신만의 상황별 평가가 필요합니다.
고객 여정 전체에서 추천이 나타나는 곳
상품 페이지를 탐색하는 사람에게 적합한 추천은 체크아웃 시 방해가 될 수 있습니다. 올바른 배치는 쇼핑객의 의도, 엔진이 사용할 수 있는 정보, 부적절한 항목을 표시할 때의 운영 위험에 따라 달라집니다.

| 배치 | 쇼퍼 의도 | 일반적인 소스 | 주요 위험 |
|---|---|---|---|
| 상품 페이지 | 탐색 및 비교 | 관련 상품, 같은 브랜드 | 관련 없는 유사 상품 |
| 장바구니 | 구매 준비, 가치 확인 | 자주 함께 구매, 번들 | 결제 프로세스에서 주의 산만 |
| 결제 | 결정됨 및 가격 민감 | 저가 애드온, 기준 상품 | 플로우 후반부에 예상치 못한 요금 |
| 주문 상태 페이지 | 대기 중, 변경 원할 수 있음 | 베스트셀러, 컬렉션 추천 | 배송과 충돌하는 오퍼 |
| 주문 편집 플로우 | 기존 주문 수정 또는 추가 | 호환되는 변형 및 상품 | 함께 배송할 수 없는 상품 추가 |
| 확인 후 | 만족함, 추가 관심 가능 | 명확한 이유가 있는 관련 상품 | 반복되면 침입적으로 느껴짐 |
배치를 의사결정에 맞추기
상품 페이지에서 고객은 탐색하고 비교합니다. 같은 브랜드의 관련 상품이나 항목은 선택의 폭을 넓힐 수 있지만, 유사한 상품은 잡음처럼 느껴질 수 있습니다. 장바구니에서 쇼퍼는 구매에 더 가까워졌으며 번들이나 자주 함께 구매하는 상품 제안을 좋아할 수 있습니다. 하지만 결제 완료에서 주의를 돌리는 프로모션은 목적을 훼손할 수 있습니다.
결제에서 저가 애드온은 이미 결정한 쇼퍼에게 어울릴 수 있지만, 가격 변경은 확인 전에 명확해야 합니다. 불명확하거나 늦은 요금은 유용한 추천을 놀라움으로 느끼게 할 수 있습니다. 주문 상태 페이지에서 고객은 대기 중이거나 변경 방법을 찾을 수 있습니다. 베스트셀러나 컬렉션 추천은 오퍼가 배송과 충돌하지 않는 한 어울릴 수 있습니다.
주문 편집 플로우는 일반적인 관련성 이상이 필요합니다. 기존 주문을 변경하는 고객은 이미 있는 항목에 맞고 시간 내에 이행할 수 있는 상품이 필요합니다. 배송이나 재고 문제를 만드는 오퍼는 편리한 편집을 고객과 운영팀을 위한 추가 작업으로 바꿀 수 있습니다. 확인 후에는 관련 상품이 여전히 관심 있는 쇼퍼에게 어울릴 수 있지만, 오퍼를 반복하면 침입적으로 느껴질 수 있습니다.
구매 후 배치를 계획하는 스토어는 주문 변경과 함께 오퍼가 어떻게 맞는지 고려하기 위해 Shopify의 구매 후 업셀 이 개요를 사용할 수 있습니다. 사이트에 상품을 보여줄 수 있는 기회가 얼마나 많은지가 아니라 고객의 작업에 기반해 배치를 선택하세요.
추천이 작동하는지 보여주는 지표
추천 모델은 등급 오류를 낮추면서 쇼퍼가 보는 몇 가지 상품의 순서를 악화시킬 수 있습니다. 그래서 등급 예측만으로는 전자상거래 배치의 목표로 부족합니다. 더 실질적인 질문은 엔진이 유용하고 적격인 상품을 상단에 순위지으려고 하는지입니다.
순위를 비교하기 위해 오프라인 측정 사용
순위 목록의 경우, NDCG@K는 관련성 높은 항목이 상단에 나타날 때 더 높은 점수를 부여합니다. 오프라인 검토에서는 NDCG@5 또는 NDCG@10을 Recall@K, Hit Rate 및 MAP@K와 함께 사용하여 엔진이 관련 상품을 찾고 우선순위를 매기는지 평가할 수 있습니다. MAP@10, NDCG@10, Precision@10, Recall@10 및 MRR을 비교하는 학술 벤치마크 평가는 단일 측정값이 추천 품질의 모든 측면을 포착할 수 없는 이유를 보여주며, 이는 이 추천 평가 지표 연구에 설명되어 있습니다.
커버리지와 다양성은 다른 관점을 제공합니다. 엔진이 동일한 상품을 반복적으로 표시하는 대신 더 광범위한 카탈로그에서 가져오는지 보여줍니다. 적격성 확인을 통해 해당 상황에서 판매할 수 없는 상품을 걸러내야 합니다. 주문 편집의 경우, 기존 주문과의 호환성, 재고, 이행 시간, 목적지 제한 사항 및 판매자 규칙을 고려해야 합니다. 높은 관련성 점수로도 구매 불가능하거나 배송할 수 없는 항목이 좋은 추천이 되는 것은 아닙니다.
| 지표 | 단계 | 표시 내용 | 주의할 점 |
|---|---|---|---|
| NDCG@10 | 오프라인 | 상위 10개 항목의 순서 정렬 정도 | 항목이 주문과 함께 배송될 수 있는지 여부는 무시함 |
| Recall@K | 오프라인 | 목록에서 포착된 관련 항목의 비율 | 더 긴 목록에 보상을 줄 수 있음 |
| 커버리지 및 다양성 | 오프라인 | 표시되는 카탈로그의 정도 | 광범위한 목록은 초점이 맞지 않아 보일 수 있음 |
| 장바구니 추가율 | 온라인 | 표시된 항목에 대한 즉각적인 관심 | 클릭이 영향을 과대평가할 수 있음 |
| 증분 주문 가치 | 온라인 | 통제 그룹 대비 추가 매출 | 유효하려면 통제군이 필요함 |
| 부착률 | 온라인 | 수락된 추가 상품이 있는 주문의 비율 | 낮은 비율은 약한 관련성을 나타냄 |
| 환불 또는 취소율 | 온라인 | 권장된 항목으로 인한 피해 | 구매 후 늦게 나타남 |
온라인 결과를 사용하여 어떤 항목을 유지할지 결정
오프라인 지표는 팀이 후보를 선별하고 비교하는 데 도움이 됩니다. 엔진이 비즈니스 결과를 개선한다는 것을 증명하지는 않습니다. 온라인 테스트는 장바구니 추가율, 증분 주문 가치, 부착률, 취소 또는 환불에 미치는 영향을 측정해야 합니다. 이러한 결과는 관심을 끄는 항목과 주문 완료 후 가치를 제공하는 항목을 구별하는 데 도움이 됩니다.
팀은 또한 하위 효과를 관찰할 기간을 결정해야 합니다. 추가 상품은 처음에는 성공해 보이다가 나중에 클릭 기반 보기가 놓치는 환불이나 운영 문제를 발생시킬 수 있습니다. Shopify 스토어가 바구니 크기에 미치는 영향을 평가할 때, 이 Shopify 평균 주문 가치 가이드가 통제 그룹을 대체하지 않으면서도 비즈니스 측정값을 명확히 하는 데 도움이 될 수 있습니다.
오프라인 지표는 후보를 선택합니다. 온라인 결과는 엔진이 그 자리를 얻을 자격이 있는지 결정합니다.
신뢰하기 전에 추천 수익에 대한 홀드아웃 테스트 실행
구매 후 행동은 드물고 보통 암묵적입니다. 제품 클릭, 주문 편집 중 추가, 수락된 제안, 그리고 이후 구매는 각각 다양한 가중치를 가진 긍정적 신호로 취급될 수 있습니다. 상호 작용이 없는 노출은 해석하기 더 어렵습니다. 쇼핑객이 제품을 눈치채지 못했을 수 있으므로 자동으로 싫어하는 것으로 계산되어서는 안 됩니다.
추천 파이프라인은 베스트셀러, 함께 구매한 제품, 관련 제품, 컬렉션 제약 및 큐레이션된 선택 사항에서 후보를 생성할 수 있습니다. 2단계 순위 지정자는 현재 주문, 제품 세부 정보, 재고, 마진 및 운영 제약 같은 기능을 가중치로 측정할 수 있습니다. 오프라인 모델 이득은 유용할 수 있지만 고객이 더 많이 지출하거나 추가 주문 활동이 가치 있을 것이라는 보장은 하지 않습니다.
예를 들어, 대규모 MovieLens 벤치마크는 LightGCN의 NDCG@10이 0.415이고 KNNBaseline이 0.353으로 17% 상대적 개선을 보고했습니다. 이 결과는 벤치마크 이득을 보여주며, 전자상거래 상점을 위한 보장된 상업적 상승을 의미하지 않습니다. 동일 연구는 비즈니스 결과 검증의 필요성을 논의하고 일부 비즈니스에서 5–15% 수익 증가를 설명하며, 이는 예측으로 기능하기보다는 구현과 맥락에 따라 다르는 범위입니다 (추천 모델 및 비즈니스 평가에 대한 연구 결과).
무작위 비교 설정
- 무작위로 쇼핑객을 할당합니다. 한 그룹은 추천을 볼 수 있도록 유지하고 다른 그룹에서는 대조군으로 제외합니다.
- 동일한 고객 단계를 사용합니다. 예를 들어, 별개의 배치나 다양한 종류의 주문을 비교하기보다는 동일한 주문 편집 흐름의 쇼핑객을 비교합니다.
- 전체 주문 주기를 포함합니다. 변경, 이행 및 후속 결과가 발생할 수 있는 기간을 포함하여 결과가 즉시 수락에만 기반하지 않도록 합니다.
- 이득과 비용을 모두 추적합니다. 증분 추가 수익, 전환, 평균 주문 가치, 추천 수락, 지연 시간 및 이행 예외와 같은 운영 가드레일을 측정합니다.
테스트 시작 전에 의사 결정 규칙을 정의합니다. 이행 비용 후 긍정적인 증분 마진을 생성하고 고객 불만이 증가하지 않으면 추천 경험을 유지합니다. 결과가 추가 비용이나 고객 문제로 상쇄되는 수익에 따라 다르면 축소하거나 중단합니다.
주문 편집 흐름은 쇼핑객이 이미 기존 주문에 대한 변경을 고려하고 있기 때문에 유용한 테스트 위치가 될 수 있습니다. Mayra는 고객이 주문을 편집할 때, 주문 상태 페이지에서, 그리고 확정된 편집 후에 관련 제품을 추천할 수 있습니다. 수락된 업셀은 동일한 주문에 추가되며, 새로운 합계는 Shopify를 통해 자동으로 결제됩니다. 상점 전체에서 실험을 설계하는 팀의 경우, 이 Shopify 전환율 최적화 가이드는 비즈니스 결과에 대한 변경 테스트에 대한 관련 맥락을 제공합니다.
해를 끼치는 것, 편견, 신뢰성에 대한 안전장치 론칭 전에 확인
전환율이 낮은 추천 세트도 더 나은 선택이 될 수 있습니다. 예를 들어, 부가상품이 판매를 증가시키지만 원래 주문과 함께 배송할 수 없거나, 재고와 충돌하거나, 고객이 예상하지 못한 방식으로 가격이나 세금을 변경한다면 어떨까요? 즉시적인 전환은 그 뒤에 따르는 혼동이나 추가 작업의 비용을 포착하지 못합니다.
유용한 검토는 수락된 부가상품 비율과 할인 및 이행 비용 후 증분 마진을 측정하고, 추천 항목, 이행 예외 및 고객 불만에 대한 반품이나 취소를 확인합니다. 이러한 결과를 편집 유형, 배송지, 제품 카테고리 및 배송 전까지의 남은 시간별로 분류합니다. 추천자를 평가하는 이러한 접근 방식은 클릭 및 전환과 함께 해 감지, 편견 감사, 개인정보 보호 검토, 설명 가능성, 신뢰성 확인 및 시나리오 기반 테스트를 주장합니다(전체적 추천 평가 연구).
인기도 편견도 또 다른 위험입니다. 개인정보 보호를 지키는 시스템도 이미 가장 많은 노출을 받는 제품을 선호할 수 있습니다. 어떤 제품이 표시되고 수락되는지 감사하고, 인기 있는 항목과 유용한 대체품 및 노출이 적은 카탈로그 선택지를 비교합니다. 추천 이유를 구체적이고 정직하게 유지하세요. "이 항목과 자주 함께 구매됨" 또는 "선택한 변형과 일치"와 같이요. 주문 변경 중에 고객은 이미 의도를 표명했으므로, 행동 프로파일링에 크게 의존하면 도움이 되기보다는 수상해 보일 수 있습니다.
설득력 있는 제품 단서로 인한 신뢰 문제도 있습니다. 2024년 미국과 캐나다의 1,750명의 쇼퍼를 대상으로 한 설문조사에서 1WorldSync는 67%가 평점, 리뷰 및 고객이 제출한 콘텐츠가 자신이 필요하거나 원하지 않는 제품을 구매하도록 설득했다고 말했습니다(1WorldSync의 쇼퍼 설문조사 발표). 그 결과는 추천 엔진이 아닌 고객이 제출한 콘텐츠에 관한 것이지만, 반복적인 권유가 응답뿐만 아니라 신뢰성에 대해서도 테스트되어야 하는 이유를 강조합니다.
론칭 전에 확인 사항:
- 호환성: 항목이 기존 주문과 함께 배송될 수 있습니까?
- 가용성: 재고 및 배송 시기가 추가를 허용합니까?
- 가격 명확성: 표시된 변경이 고객이 지불할 금액과 일치합니까?
- 설명: 추천에 대해 명시된 이유가 정확합니까?
- 노출: 유용하지만 인기가 적은 대체품이 나타날 공정한 기회를 갖습니까?
- 결과: 고객 및 주문 세그먼트 전반에 걸쳐 불만 및 환불이 수용 가능한 수준으로 유지됩니까?
Mayra ‑ Order Edit & Cancel은 Shopify 고객이 허용된 주문 변경을 하고 편집 중, 주문 상태 페이지에서, 또는 변경을 확인한 후에 관련 제품을 발견할 수 있게 합니다. 구매 후 추천을 평가하고 있다면, Mayra ‑ Order Edit & Cancel을 방문하여 고객 관리 편집과 제품 추가가 어떻게 스토어의 워크플로우에 맞을 수 있는지 알아보세요.

