검수요청.png검수요청.png

선호도

위키원
sekung1010 (토론 | 기여)님의 2020년 7월 23일 (목) 15:21 판
이동: 둘러보기, 검색

선호도(選好度)는 여러 가지 중에서 가리어 특별히 더 좋아하거나 덜 좋아하거나 하는 정도를 말한다. 좋아하는 정도를 나타내어 경제학, 심리학, 인공지능 등의 다양한 분야에서 사용되고 인공지능에서는 합리적인 사고의 개념으로 정의한다.

개요

선호도는 좋아하는 정도를 나타내어 다양한 분야에서 사용되어 진다. 좋아하는 정도를 나타내어 경제학, 심리학, 인공지능 등의 다양한 분야에서 사용되고 인공지능에서는 합리적인 사고의 개념으로 정의한다. 예를 들어, 경영 분야의 테스트 마케팅에서는 신제품 따위를 판매할 때, 미리 특정 지역을 골라 소비자의 선호도 따위를 조사하고 분석하여 전체의 경향을 예측할 때 사용되고 심리 분야에서는 자극을 두 개씩 제시하여 그 가운데서 더 좋은 자극을 선택하게 하는 방법으로 자극의 선호도 순위를 알아보기 위한 심리 측정 방법인 대비법이 있다. 또한, 쌍대 비교법으로 자극을 둘씩 제시하여 그 가운데서 더 좋은 자극을 선택하게 하는 방법. 자극의 선호도 순위를 알아보기 위한 심리 측정 방법이 있다. 일상에서도 소비자가 브랜드 상표에 대한 선호도가 있는 상표 충성도 또한 선호도를 통해 이루어진다. 유의어로는 인기라는 명사가 있다.[1]

특징

합리적 선택 이론

합리적 선택 이론은 어떤 것을 선호하는지 말할 수 있는 두 개 이상의 선택 가능한 대안 중에서 선호를 하고 있다고 가정한다. 그렇게 되면 만약 대안 A를 대안 B보다 선호하고 대안 B를 C 보다 선호한다면 A를 C 보다 선호하는 것이라고 가정된다. 합리적 주체는 자신의 선호를 결정할 때 이용 가능한 정보, 사건의 가능성, 잠재적 비용과 이익을 고려하며, 스스로 결정한 행위의 가장 좋은 대안을 정할 때 일관적으로 행동한다고 가정된다.[2]

일반적으로 합리적 선택이라는 것은 어떤 선택이 존재하는지에 대한 결정 방식과 그다음 어떤 일관적인 기준에 따라 가장 선호되는 선택을 하는 것이다. 경제학적인 합리성은 모든 선택에 선호도를 매길 수 있다. 만약 선택 옵션이 여러 개가 있다면 당신은 선택 사이에 무차별적이거나 동일한 선호도가 아니면 하나를 선택할 수 있지만, 해당 옵션에 대해 아무런 선호도를 매길 수 없는 게 아니라는 것이다.[3]

소비자 분석 시스템

식품회사에서 제품의 맛이나 특성을 평가하기 위해서 가장 많이 사용하는 방법으로 소비자들을 초대하거나 방문하여 직접적인 시식을 통해서 이루어지는 대면조사가 있다. 이러한 방법은 평가를 위한 표본 집단의 적절한 구성 문제와 사이즈 증가에 따른 비용 문제를 동반한다. 또한, 소비자의 취향을 평가하기 위한 적합한 질문을 만드는 과정들과 그 평가를 위한 툴을 만드는 어려움도 동반한다. 수작업과 설문조사에 의존하고 있으므로 모집단의 숫자에 따라 설문 결과의 신뢰도 문제가 생길 수 있고, 원하는 데이터를 얻기 위해 각각의 설문 조사별로 감각 분석을 위한 툴이나 어휘집이 필요한 경우가 많다. 또한, 소비자들의 선호도는 시대 유행에 따라 계속 바뀌기 때문에 설문 방식과 내용도 계속해서 업데이트가 필요하다. 이는 제품 사이클이 길지 않고 매년 많은 신제품이 나오는 소비재 산업에서 추가 비용 부담과 신뢰성의 문제를 일으킨다. 따라서 일반적인 대면 조사 및 온라인상의 수작업적인 리뷰 분석 방법은 질문의 신뢰성과 편차 감소를 위해 표본을 늘릴 경우, 투입되는 비용 및 시간의 효율적인 관리가 힘들어지는 경향이 있다.

여러 소셜 네트워크 서비스(SNS) 사이트에서 작성된 임의의 불특정한 식품에 대한 맛, 평가, 분석 등을 리뷰한 글들을 자연어 처리를 통해 분석 가능한 빅데이터로 맛에 관한 문장을 크롤러를 구현한 후 크롤링하여서 데이터를 추출한다. 이는 각각 성별, 나이, 지역 등 소셜 네트워크 서비스상의 작성자들에 대한 서브 항목 카테고리를 만들어 추후 각각의 모집군별의 자세한 분석도 가능하게 프로그래밍이 되었다. 그렇게 소셜 네트워크 서비스 리뷰에서 크롤링을 거쳐 수집된 문장들은 제품의 특징을 비교할 항목별 단어의 말뭉치로 전환되고 워드 임베딩 작업을 위해 연속적인 스킵그램 모델로 훈련된다. 즉 딥러닝 방식을 이용하여, 기존의 대면 방식으로 이루어지는 식품 관능검사를 비대면적이고 저비용으로 할 수 있는 대체 방법안을 제시할 수 있다. 온라인상이나 소셜 네트워크 서비스에서 소비자들이 자유롭게 올리는 리뷰들로부터 식품의 평가를 분석하는 자동화된 텍스트 분석 방법을 만들어 분석 가능한 단어들을 추출하고 이를 정량화된 벡터값을 가진 단어들로 최종 변환한다. 변환된 단어를 기준으로 식품들의 맛과 향 또는 다른 비교 대상 항목을 정하여 맛을 평가하기 위해 추론을 추출한다. 추출한 결과를 대면 조사로 이루어진 소비자 선호도 평가 결과와 비교해 본 결과, 제안한 식품 평가 방법의 신뢰성과 장점을 확인할 수 있다. 큰 비용과 시간이 소모되는 식품 특성 분석 및 관능 평가를 대면 조사나 수작업을 통하지 않고 온라인상의 빅데이터에서 딥러닝 기법을 이용한 자동화 관능검사로 대체할 수 있음을 보여준다.

결론적으로 자동 텍스트 분석 방법은 간단한 맛 정보뿐만 아니라 음식에 관한 다양한 세부 정보를 제공하여 제품 자체의 특징을 자세히 분석하므로 실제 대면 조사와 비교해 우위에 있다. 또한, 온라인상의 빅데이터 수집 시에 대상 제품군 전체의 데이터를 수집할 수 있기 때문에 개별 제품 및 제품군 전체에 대한 특징을 동시에 분석할 수 있어 제품군 선호도 분석이 필요한 신제품 개발의 척도로도 이용할 수 있다. 마지막으로 실시간으로 온라인상의 빅데이터를 수집하는 방법이어서 시대 유행에 민감한 소비자들의 변화를 계속해서 관찰하며 분석할 수 있다는 점도 기존 대면조사 방식과 차별화된다.[4]

사용자 경험

인공지능은 일상생활에 밀접하게 관련이 있다. 이메일을 확인할 때와 넷플릭스 목록을 둘러볼 때도 인공지능은 사용자의 선호도, 성향, 행동에 기반해 사용자 경험을 향상해 주는 결정을 내린다. 또한, 사용자 경험(UX)을 최적화하고 브랜드와 리테일러들이 관련성 높은 광고를 제공할 수 있도록 지원하여 인공지능의 역량을 활용하고 있다. 인공지능은 다른 업계에도 지대한 영향을 미치고 있다. 의학, 은행, 자동차, 광고 분야에서 혁신을 추진하는 데 없어서는 안 될 요소가 되었다. 각 분야는 다음과 같다.[5]

  • 자동차(Car) : 인공지능은 자동차와 주행의 미래를 완전히 바꾸어 놓았다. 자율주행 자동차는 거의 무한한 시나리오로 주행할 수 있다. 이 스마트한 자동차는 사용자의 실수 때문에 발생하는 교통사고를 낼 확률이 낮고, 추운 겨울밤에는 온열 시트를 켜주는 등 소유자의 선호도에 기반해 설정을 자동으로 조절한다.[5]
  • 은행(Bank) : 금융기관들은 일반적으로 혁신을 도입하는 속도가 느린 것으로 알려졌지만, 인공지능에 익숙해져 가고 있다. 고객들은 금융기관이 투자 계획에 대한 맞춤화를 해줄 것을 기대하기 때문이다. 많은 은행이 고객과의 소통과 전체 모바일 애플리케이션 경험의 맞춤화에 인공지능을 사용하고 있다. 예를 들면, 웰스 파고(Wells Fargo)의 애플리케이션은 계좌 정보를 보고 반복 결제와 선호도를 기반으로 사용자 행동을 분석하여 청구서 알림, 초과 인출 사전 알림, 계좌 이체 통지 등을 제공한다.[5]
  • 의료(Medical care) : 인공지능의 하위 분야인 머신러닝(ML)은 환자와 상호작용하는 모든 단계에서의 치료 방법은 물론 환자와 소통하는 방법에 엄청난 영향을 끼치고 있다. 머신러닝은 의료 영상을 검토하여 종양을 발견하고 병리 보고서에 기반해 진단을 내리는 데 사용되고 있다. 인공지능은 잠재적인 증상을 감지하는 데 큰 역할을 한다. 이는 기존에 사용된 수동 절차보다 훨씬 더 효율적이다. 선호도를 통해 환자의 증상에서 패턴을 파악하는 데 도움을 주는 챗봇과 안면 인식 소프트웨어는 딥러닝과 함께 희귀 유전병을 식별하는 데 도움을 주고 있다.[5]
  • 광고(Advertising) : 인공지능은 각 비즈니스가 방대한 고객 데이터 세트를 분석하여 진보적이어서 각 사용자의 구매 여정에 부합하는 광고를 제공한다. 광고는 고객이 이전에 보인 관심, 행동, 선호도에 기반한다. 예를 들어, 새 보금자리를 마련한 고객이 구매와 검색하는 방식을 학습함으로써, 인공지능은 고객이 이삿짐센터를 예약하거나 집을 멋지게 꾸미고 새집에 필요한 모든 것을 마련하는 데 실질적으로 도움을 주는 광고를 생성할 수 있다. 인공지능은 사용자의 일상생활의 다양한 영역에서 이제는 쉽게 찾아볼 수 있다. 기술이 지속적으로 발전하면서, 인공지능은 사용자가 브랜드와 상호작용하는 방식과 결정을 내리는 방식에 더 많은 영향을 줄 것이다.[5]
  • 맞춤형 뉴스(customized news) : 2017년 7월 9일, 포털사이트인 네이버와 카카오가 자사의 뉴스 소개 화면에서 인공지능을 적용한 추천 서비스 비중을 늘리고 있으며, 인터넷 뉴스포털에서 인공지능 뉴스 편집자의 비중이 빠르게 높아지고 있다. 인공지능 편집자는 사용자의 취향을 스스로 학습하면서 개인마다 다른 관심사와 선호도를 반영해 맞춤형 뉴스를 보여주는 역할이다. 뉴스 영역에서의 인공지능의 역할은 추천뿐 아니라 기사 작성까지 넓어지고 있다. 미국 IT 매체 리코드(Re/code) 등 외신에 따르면, 구글은 최근 지역 뉴스를 작성하는 인공지능 기반 소프트웨어 개발을 위해 영국 통신사 프레스어소시에이션(PA)에 70만6,000유로를 투자했다. 정부 기관 등이 공개한 공공 데이터베이스에서 수집한 정보를 문장으로 변환해 기사로 만들고 연관된 사진이나 영상까지 자동으로 삽입하는 것이 구글의 목표이다. IT업계 관계자는 "사용자가 최대한 오래 머물도록 해야 하는 온라인 뉴스 플랫폼 업체들이 사용자 각자의 입맛에 맞춘 콘텐츠 추천과 기사 생산까지 척척 해내는 인공지능 개발 투자에 적극적으로 나서고 있다"라고 말했다.[6]

경제학 관점

경제학에서 선호도는 선택을 설명하는 개념이다. 경제학자들은 행복을 어떤 대상을 다른 것에 비해 더 좋아하는 개인 선호도가 얼마나 충족되었는지를 바탕으로 판단한다. 개인의 욕망을 객관적으로 평가하기는 어려우므로 현시선호(revealed preference)라는 관점에서 생각한다. 선호도는 여러 가지 중 하나에 대해서 자신이 원하는 정도를 뜻한다. 개인의 선호도를 얼마나 충족하였는지에 따라 행복을 측정한다. 이렇게 선호도를 높은 물건을 구매하면 행복, 효용성을 충족시킨다. 이를 극대화하기 위해서 가장 선호도가 높은 물건을 구매해야 한다.[7]

경제학에서 합리성은 두 가지로 정의가 된다. 첫째는 완전성(completeness) 조건인데 선택의 상황에서 좋아하는 것과 싫어하는 것을 분명하게 분별할 수 있어야 한다는 것이다. 좀 더 구체적으로 말하면, 선택해야 할 것 중에서 두 개씩 뽑아 맞비교할 때 그 둘을 똑같이 좋아하는지 아니면 그중 어느 것을 더 좋아하는지를 분명하게 말할 수 있어야 한다는 것이다. 둘째는 이행성(transitivity)의 조건인데 쉽게 말해서 선호에 일관성이 있어야 한다는 것이다. 예를 들어서 김치찌개보다 햄버거를 더 좋아한다는 사람이 자장면보다는 김치찌개를 더 좋아한다고 하면, 그는 당연히 자장면보다는 햄버거를 더 좋아해야 한다. 만일 햄버거보다는 자장면을 더 좋아한다면, 우리는 이 사람이 과연 어떤 것을 가장 좋아하고 어떤 것을 가장 싫어하는지 알 수가 없다. 이행성 조건을 좀 더 정확하게 말하면, 어떤 사람이 x를 y보다 더 좋아하고 y를 z보다 더 좋아한다면, 그는 당연히 x를 z보다 싫어하지 않아야 한다는 것이다. 만일 x보다 z를 더 좋아한다면 이 사람의 선호에 일관성이 없는 셈이다. 이런 선호를 흔히 순환성을 가진다.[8]

인공지능 알고리즘

알고리즘은 문제 해결을 위한 순서화된 절차나 방법을 의미하며 입력 자료를 미리 정해둔 규칙, 일련의 절차, 명령에 따라 처리하고 결과를 출력해내는 것을 의미한다. 알고리즘은 거래비용 절감, 정보공유 활성화 등에 기여하며, 공급자와 소비자의 후생을 증진시키는 방향으로 발전하고 있다. 기업의 경우, 반복적 업무나 중요한 의사결정을 내리는 데 알고리즘을 활용하면서 거래비용을 줄이고 활발한 정보 유통을 하며 고객에게 더욱 양질의 상품을 제공할 수 있다. 이를 통해 사용자의 행동 패턴, 사용자 간 관계, 상품 유사도를 바탕으로 고객의 취향과 선호를 예측할 수 있으며, 이에 맞는 상품을 추천해주며 마케팅 효과를 높일 수 있는 알고리즘을 활용한 추천시스템이 있다. 다양한 형태의 알고리즘을 통해 더 많은 정보를 손쉽게 찾을 수 있게 되었다. 그리고 기업들은 정교하게 설계된 인공지능 알고리즘을 통해 자사의 경쟁력을 강화하려 노력하고 있다. 기업 자체적으로 알고리즘을 개발하는 방법도 있지만, 최근 다른 테크놀로지 기업이 출시한 인공지능엔진과 솔루션을 활용해 미래의 수요, 가격 변화, 소비자의 행동 패턴, 선호의 변화 등을 예측하는 기업도 적지 않다. 즉, 기업은 알고리즘을 통해 최적의 가격을 설정할 수 있게 된 것이다. 고객 개인에 맞춤화된 추천시스템을 통해 타깃 고객을 대상으로 마케팅을 할 때, 더 효과적인 의사결정과 높은 경영성과를 달성할 수 있다. 그리고 소비자 역시 온라인상에서 제품의 가격을 비교를 할 수 있는 알고리즘을 통해 더욱 합리적인 소비를 할 수 있게 되었고 탐색비용을 줄일 수 있게 된다.[9]

알고리즘을 활용한 추천시스템

제조 영역에서 스마트팩토리가 확산되며 개인의 니즈에 맞춘 다품종 소량생산이 가능해진 것처럼 기업은 고객 개개인이 무엇을 원하는지에 따라 맞춤화된 제품과 서비스를 추천해주는 데 주목하기 시작했다. 이를 가능케 해주는 것이 바로 알고리즘을 활용한 추천시스템이다. 추천시스템은 사용자의 행동 패턴, 사용자 간 관계, 상품 유사도에 기반하여 알고리즘으로 고객의 취향과 선호를 예측하고 이에 맞는 상품을 추천하고 구매 결정을 도와주는 시스템을 의미한다. 가령 온라인 쇼핑몰에서는 고객의 검색 이력, 클릭, 특정 화면에 머무르는 시간, 리뷰, 평점 등을 수집한 후, 고객이 관심 있을 만한 상품을 추천해줄 수 있다. 알고리즘에 의한 추천시스템은 크게 전체 추천, 그룹 추천, 개인화 추천, 연관 아이템 추천으로 총 네 종류로 구분된다. 알고리즘을 활용한 추천시스템은 먼저 사용자의 행동 패턴 로그를 통해 관심사를 파악하는 단계, 관심사와 관련된 아이템을 찾아내는 단계를 밟는다. 이어 관련 아이템의 중요도를 파악해서 우선순위를 매기는 단계, 마지막으로 도출된 결과를 사용자의 개인적 상황에 맞도록 다시 한번 여과하는 과정을 거친다. 이 모든 프로세스는 알고리즘 규칙에 의해 수행되며, 고객 개개인의 니즈를 얼마나 잘 파악하고 자사의 제품과 서비스를 추천하는지는 기업의 성패를 좌우하는 역할을 한다.[9]

콘텐츠 기반 필터링 추천시스템은 사용자의 과거 이력과 프로파일 정보로부터 선호하는 아이템을 파악한 후, 미리 선정한 기준에 따라 아이템 간 유사도를 측정하여 유사도가 가장 높게 나타난 아이템을 추천해주는 시스템이다. 아이템의 자체의 내용과 속성을 파악하여 유사 아이템을 추천해주는 기법으로, 문서에서 특정 단어의 중요도에 따라 가중치를 부여하는 텍스트마이닝 기법인 티에프-아이디에프(Term Frequency-Inverse Document Frequency), 자연어처리, 인공신경망 기술 등이 활용되고 있다. 협력 필터링 추천시스템은 우수한 성능을 나타내는 기법으로, 사용자와 아이템에 대한 정보를 기반으로 프로파일을 생성하고 이를 바탕으로 목표 고객과 유사한 구매 선호도를 가진 다른 사용자에게 아이템을 추천해주는 방법이다. 특정 아이템에 대해 선호도가 유사한 고객들은 다른 아이템에 대해서도 비슷한 선호도를 보일 것이라는 기본 가정을 바탕으로 사용자 간 혹은 아이템 간 유사도를 기반으로 선호도를 예측하는 방법이다. 콘텐츠 기반 필터링 추천시스템에서는 아이템만을 대상으로 했다면 협력 필터링에서는 사용자와 아이템을 모두 고려한 모델이란 점에서 다양한 범위의 추천이 가능하다는 장점을 지닌다. 결론적으로, 알고리즘의 비즈니스 활용 방안으로 알고리즘에 기반한 추천시스템을 활용해 시장과 고객으로부터 확보한 데이터를 기반으로 고객의 숨겨진 니즈를 선재적으로 파악하여 고객별로 맞춤화된 제품을 추천해주면, 비용 효율적으로 자사의 상품을 마케팅을 할 수 있을 것이다.[9]

활용

음악 플랫폼

에스케이텔레콤㈜의 음원 플랫폼인 플로는 이용자 취향을 반영한 상위 100곡 순위 차트를 선보인다. 플로는 인공지능 딥러닝 기술로 기존 플로차트에 이용자의 청취 이력과 선호도, 음원 정밀 분석 등의 빅데이터를 접목해 개인 맞춤형 차트를 만든다. 플로 관계자는 차트 내 100곡이 이용자의 취향 순으로 새롭게 정렬되며 50위 밖의 곡이 10위권 안에 올라갈 수도 있다고 설명했다. 후발주자로 국내 음원시장에 진출한 플로는 인공지능기술에 공을 들이고 있다. 2018년 말 서비스 시작부터 홈 화면에서 실시간 차트를 없애고 스포티파이처럼 인공지능 음원 추천을 내세워 이용자 취향에 기반한 플레이리스트로 승부를 걸었다. 국내 음원시장 1위 멜론㈜카카오의 인공지능 추천 엔진을 활용해 음악을 골라준다. 멜론은 플로처럼 플레이리스트를 강화할 계획이다. 카카오는 2018년부터 인공지능 경진대회를 개최하는데 올해 주제로 멜론의 플레이리스트 예측과 추천을 정했다. 지니뮤직은 자체 개발한 인공지능 알고리즘을 활용해 평소에 즐겨 듣는 음악과 유사한 노래를 골라주거나 나와 비슷한 취향을 가진 다른 사람이 듣는 음악을 추천해주고 있다. 구글유튜브 뮤직도 최신곡을 관련 동영상을 보면서 들을 수 있는 데다 인공지능 알고리즘을 통한 콘텐츠 추천 기능이 뛰어나 이용자가 늘고 있다.[10]

음악 스트리밍 서비스 업체 스포티파이(Spotify)는 최고의 음악지능 플랫폼 구축을 목표로 기존에 사용하던 협력 필터링 기반 음원 추천시스템에 딥러닝 기술을 적용하고 있다. 딥러닝 기반 인공지능 기술을 활용하여 이용자의 취향을 더욱 정확히 파악하려 하고 있다. 스포티파이는 음원 추천시스템을 개선하기 위해 지속해서 관련 스타트업을 인수하고 있다. 2017년에는 마이트티비(MightTV)와 인공지능알고리즘 기술을 이용해 음악을 추천하는 기술을 보유한 프랑스계 스타트업 닐랜드(Niland)를 인수했다. 닐랜드가 보유한 기술은 스포티파이를 포함한 대부분 업체가 이용하는 협력 필터링 알고리즘과는 구별된다. 닐랜드는 블로그와 같은 공개 정보를 기반으로 아티스트, 앨범, 노래 등을 추천해주는 인공지능 엔진을 가지고 있다. 스포티파이의 지속적이고 과감한 투자는 음악 추천시스템뿐만 아니라 장기적으로 새로운 아티스트 발굴에까지 활용할 수 있을 것으로 기대를 모으고 있다.[9]

선거용 로봇 로엘

로엘은 챗봇을 이용해 선거관리위원회에 등록된 지방선거 후보의 기본정보를 사용자에게 제공해준다. 득표율 예측 등 깊이 있는 데이터를 제공한 대선봇 로즈와는 다르게 수많은 후보의 지역구별 정보를 더욱 쉽게 확인할 수 있도록 만들어진 로엘은 선거 일정, 투표소 안내, 후보 선호도 예측, 주요 뉴스 등 다양한 지방선거 관련 정보 및 일상어 채팅도 함께 제공한다. 챗봇 플랫폼의 특장점을 활용하여 선거관리위원회에 등록된 지방선거 후보의 기본정보를 사용자의 최소 키워드인 후보자별, 지역별, 후보군별 등을 검색으로 즉각 제공해준다. 선호도 예측 서비스는 소셜 네트워크 서비스 게시물과 기사 댓글과 같은 비정형데이터를 자이냅스의 자연어 처리 기술과 선호도 예측 서비스는 자이냅스의 딥자이(Deep Xai)의 머신러닝 기술로 분석해 유권자들의 후보별 선호도를 예측하는 서비스다. 분석한 결과는 시각화 대시보드를 통해 그래프 형태로 제공되고 특정 기간 소셜 네트워크 서비스의 데이터를 분석한 결과로 매일매일 변경된다.[11]

추천 엔진

넷플릭스

넷플릭스(Netflix)의 성공 신화는 콘텐츠 추천 서비스에서 비롯되었다고 해도 과언이 아니다. 최근 넷플릭스에서 대여되는 영화의 75%는 머신러닝에 의한 추천으로부터 발생하며 개인화된 비디오 추천은 신규 비디오 혹은 전체평점이 높은 비디오 추천보다 2~3배의 시청 효과가 있는 것으로 나타났다. 넷플릭스는 알고리즘을 통해 넷플릭스의 구독자들이 어떤 선호도를 갖는지 예측한다. 계속해서 수정과 보완을 거치면서 해당 알고리즘은 추천 엔진에 적용돼 중요한 역할을 수행한다. 추천엔진은 데이터와 알고리즘을 이용해 사용자에게 관련 영상을 추천해주는 데이터 필터링 도구다. 애널리틱스 인디아 매거진은 인도 시청자 취향이 다양하므로 넷플릭스가 추천 엔진에 사활을 걸었다는 점을 강조했다. 개인 취향 맞춤 서비스 기능은 사용자가 다른 영상을 찾아보게 했고, 회사의 콘텐츠 증가에도 일조했다. 또한, 빅 데이터 방법론으로 사용자가 원하는 영상을 찾기 쉽게 만들었다.[12]

독일의 과학 저널리스트 크리스토프 드뢰서는 책<알고리즘이 당신에게 이것을 추천합니다>를 통해 넷플릭스의 추천 서비스가 알고리즘 덕분이라고 말하며, 대부분의 추천 시스템이 협업 필터링(collaborative filtering) 알고리즘과 내용 기반 필터링(content-based filtering) 알고리즘을 조합한 형태라고 말했다. 내용 기반 필터링을 하기 위해서는 항목을 분석한 프로파일과 사용자의 선호도를 추출한 프로파일을 추출해 유사성을 계산해야 한다. 사용자의 특성을 비교해 사용자가 선호할 만한 콘텐츠를 제공하는 것이다. '사용자가 어떤 영화를 찾는가?', '그가 보기 시작했다가 금세 그만둔 영화는 무엇인가?', '그는 시리즈물을 한꺼번에 보는가?' 하는 개인적 취향에 관한 정보와 영화의 배경, 인물, 장르 등을 분석한 정보와 비교하는 방식이다. 현재 넷플릭스에서 사용하는 알고리즘은 협업 필터링을 기반으로 이를 고도화한 모델 기반 협업 필터링(Model-based Collaborative Filtering algorithm)이다.[13]

이 알고리즘은 고도화한 협업 필터링 모델을 단순히 아이템 간 유사성을 비교하는 것을 넘어, 고객의 데이터 안에 내재된 속성을 알아내어 이를 이용한다. 고객이 특정 아이템을 선호하는 데 내재된 패턴을 찾아내는 방법으로는 잠재(Latent) 모델, 베이지안 네트워크(Bayesian Network) 모델 등이 사용된다. 가령 영화 레미제라블을 시청한 이용자에게 모델 기반 협력 필터링 기법을 적용하게 되면, 이 이용자가 레미제라블을 시청한 이유가 주연 배우 휴 잭맨의 팬이어서인지, 아니면 영화에 나오는 오리지널 사운드 트랙(OST)을 좋아해서인지 혹은 원래부터 뮤지컬 장르를 좋아했기 때문인지를 잠재 노드(Latent Node)를 활용해 알아낼 수 있다. 과거 협력 필터링을 활용한 경우보다 더 많은 양의 정보를 분석하여 고객 행동의 숨겨진 원인을 파악하기에 추천의 정확도를 높일 수 있다.[9]

스티치픽스

2011년 미국에서 설립된, 스티치픽스(STICH FIX)는 개인맞춤형 의류 추천 및 배송 서비스를 제공하는 스타트업이다. 서비스 가입 회원들이 수수료 20달러를 내고 선호하는 패션 스타일, 사이즈, 예산 등을 입력하면 집으로 5가지 의류 및 액세서리를 보내주는 구독 경제가 기본 사업 모델이다. 사용자는 마음에 드는 게 하나도 없으면, 반품할 수 있고 마음에 드는 옷을 하나라도 구매하면 수수료 20달러를 깎아준다. 온라인 및 오프라인을 막론하고 경쟁이 치열한 대표 레드오션인 패션 산업에서 스티치픽스는 창업 7년 만인 2018년에 매출 12억3000만 달러, 순이익 4,500만 달러, 고객 270만 명을 확보했다. 스티치픽스가 성공한 비결로는 오프라인 매장에서 직접 구매하거나, 아마존닷컴(Amazon.com)에서 저렴한 옷을 골라 사는 것보다 더 큰 가치를 고객에게 제공하기 때문이다. 스티치픽스는 옷을 고를 시간이 없거나 귀찮은 사람들에게 마음에 드는 옷을 꽤 정확히 골라서 보내준다. 처음 5벌을 보낸 고객일지라도 80%가 최소 1벌을 구매할 정도로 높은 정확도를 자랑한다.

스티치픽스 추천이 높은 정확도를 보이는 배경에는 핵심 인재인 스티치픽스의 에릭 콜슨(Eric Colson) 최고알고리즘관리자(CAO)가 있다. 에릭 콜슨은 넷플릭스의 성공을 가능케 한 영상 추천 알고리즘을 개발한 주역이다. 2012년 에릭 콜슨을 영입한 스티치픽스는 수백 개의 머신러닝 알고리즘으로 개인 선호 스타일, 패션 트렌드, 최적 스타일리스트 배정, 고객 만족도, 물류 및 구매 상품 명단과 규모 등을 결정한다. 스티치픽스는 이 같은 인공지능 알고리즘으로 추천 패션 상품 선정에 필요한 시간을 대폭 줄일 수 있었다. 알고리즘이 전적으로 추천하는 넷플릭스와 달리 스티치픽스는 3,000명이 넘는 스타일리스트가 일하고 있다. 인공지능이 추천한 결과에 전문가의 손길이 더해져 최선의 추천 서비스를 제공하는 게 차별화된 경쟁력으로 인정받고 있다.[14]

각주

  1. 선호도 네이버 사전 - https://ko.dict.naver.com/#/entry/koko/793898cda7174b37877782ba3ca5ff75
  2. 합리적 선택 이론 위키백과 - https://ko.wikipedia.org/wiki/%ED%95%A9%EB%A6%AC%EC%A0%81_%EC%84%A0%ED%83%9D_%EC%9D%B4%EB%A1%A0
  3. Oso, 〈경제학에서의 합리성에 대해〉, 《이글루스》, 2015-10-19
  4. 문현준 민경복, 〈딥러닝 기법을 이용한 인공지능 기반의 소비자 선호도 분석 시스템〉, 《한민족과학기술자네트워크》
  5. 5.0 5.1 5.2 5.3 5.4 AI로 일상생활의 혁명이 일어나고 있는 8가지 영역〉, 《크리테오》, 2019-05-30
  6. 맹하경 기자, 〈사용자 취향 학습...AI, 포털 뉴스 절반 이상 편집〉, 《한국일보》, 2017-07-09
  7. 궁금소년, 〈경제용어#03 선호도〉, 《네이버 블로그》, 2018-02-03
  8. 이정전, 〈경제적 합리성 비판〉, 《에스스페이스》
  9. 9.0 9.1 9.2 9.3 9.4 삼정KPMG 경제연구원, 〈비즈니스 기회 창출을 위한 AI알고리즘의 활용〉, 《삼정케이피엠지》, 2018-06
  10. 임영신 기사, 〈"이 노래 추천해요"…음악플랫폼, AI 기술전쟁〉, 《매일경제》, 2020-05-05
  11. 배태웅 기자, 〈AI 스타트업 자이냅스, 6.13 지방선거용 챗봇 ‘로엘’ 출시〉, 《한국경제》, 2018-05-30
  12. 소윤서, 〈美 넷플릭스 성공요인, 시청자 선호도 간파하는 '빅데이터'로 밝혀져〉, 《에이아이타임즈》, 2019-04-08
  13. 함예슬, 〈넷플릭스, 내 취향 다 아는 이유' 〉, 《이웃집과학자》, 2018-11-12
  14. 안갑성, 〈넷플릭스 추천 알고리즘 개발자가 밝힌 'AI로 의사결정 내리는 법'〉, 《매경프리미엄》, 2019-07-16

참고자료

같이보기


  검수요청.png검수요청.png 이 선호도 문서는 인공지능 기술에 관한 글로서 검토가 필요합니다. 위키 문서는 누구든지 자유롭게 편집할 수 있습니다. [편집]을 눌러 문서 내용을 검토·수정해 주세요.