유저들이 정말로 원하는 컨텐츠는 무엇일까? — 우리의 추천시스템의 시작 (2)
지난 포스트에서 스타일쉐어에 유저들의 관심사를 기반으로 작은 기능을 릴리즈 하면서 유저들의 관심사 라는것이 얼마나 큰 임팩트를 줄 수 있는지 알게 되었다는 이야기를 했습니다.
비록 당연하다고 할 수 있는 인사이트 이지만, 정량적으로 보이는 성과는 우리에게 더 큰 도전을 할 수 있는 용기를 주었고 새로운 컨텐츠를 기획하는 계기가 되었습니다.
이번 포스트에선 스타일쉐어에서 추천시스템을 이용한 새로운 컨텐츠를 개발하기 위해서 겪은 과정들에 대해 이야기 해보려 합니다.
서비스 홈
스타일쉐어에는 첫화면을 담당하는 서비스 홈 화면이 있습니다. 서비스 홈 에서는 사용자들이 좋아할만한 다양한 컨텐츠를 컴포넌트 형태로 제공하고 있고, 스타일쉐어에서의 여정의 시작을 담당하고 있습니다.
이전에 서비스홈에서 제공하던 컨텐츠는 대부분 유저를 대상으로 타게팅하지 않고 있었습니다. 사용자의 취향 보다는 트렌드 에 초점을 맞춘 컨텐츠였죠.
트렌드 센싱 측면에서는 이러한 컨텐츠들이 훌륭한 역할을 해왔지만, 트렌드 뿐만 아니라 개인의 취향 또한 우리가 잡아야 할 토끼였습니다. 이러한 측면에서 우리는 서비스홈에 개인의 취향을 반영할 좋은 컨텐츠가 무엇일지 고민을 하게 되었습니다.
아이디어
이러한 고민을 하며 우리 서비스에 어떤 컨텐츠가 있을까 살펴보던 중 이전 포스트에서 이야기한 연관 스타일에서 새로운 아이디어를 찾아내게 되었습니다.
2021년 5월경 진행했던 #응답하라데일리룩 이벤트를 살펴보던 중 연관 스타일 화면에서 의외의 경험을 하게 되었습니다. 이벤트에 참여하기 위해 해시태그를 페이지를 방문할 수 도 있지만, 연관 스타일 화면에서도 충분히 연속된 스타일을 탐색하는 경험을 가질 수 있었습니다.
연관 스타일에서는 유저의 관심사를 가장 주요한 지표로 보고 스타일을 추천하게 됩니다. 비록 이벤트로 인해 발생한 관심사의 묶음이었지만, 관심사의 묶음이 스타일을 탐색하는 새로운 경험이 될 수 있다는 아이디어가 되어 곧바로 컨텐츠로의 구현 가능성을 검증해 보았습니다.
구현
알고리즘
구현 아이디어는 간단했습니다. 연관 스타일에서 스타일을 추천하기 위해 만든 모델에서 만들어진 임베딩 벡터를 Mini Batch K-Means 클러스터링 알고리즘을 이용해 스타일 묶음을 만들었습니다.
이렇게 만들어진 스타일 묶음은 유저들의 관심사 별로 묶인 스타일의 그룹 을 나타내게 되었습니다.
이러한 묶음들의 Embedding 벡터의 중앙값인 Centroid 벡터와 각 사용자들의 Embedding 벡터를 이용하면, 사용자의 취향을 반영하여 스타일 묶음을 추천할 수 있게 됩니다.
디스플레이
이렇게 관심사로 묶인 컨텐츠를 어떻게 보여주면 가장 좋을까 고민을 하던 중 서비스 홈에서 이미 스타일을 묶음으로 보여주고 있다는 점을 깨달았습니다. 같은 맥락으로 서비스 홈에 새로운 컴포넌트로 제공한다면 유저들에게 자연스럽게 제공할 수 있다고 생각하였습니다.
최종적으로 만들어낸 컴포넌트는 이러한 형태였으며, 이전보다 더욱 다채로운 컨텐츠를 제시할 수 있게 되었습니다.
A/B 테스트
스타일쉐어에서 제품 출시에 빠질 수 없는 요소는 성과측정입니다. UI 실험도 함께 진행중이어서 유저를 3개의 그룹으로 나누어 A/B 테스트를 진행하였지만 여기선 추천 스타일 컴포넌트에 관련한 2개의 유저군에 대해서만 이야기 하려 합니다.
유저 클릭 Heatmap
유저의 클릭이 많을수록 붉은색을 나타내는 방식인 Heatmap으로 나타낸 결과, 전반적으로 추천 스타일 컴포넌트가 포함된 유저군이 클릭수가 눈에 띄게 많음을 보였습니다.
지표 상승
물론 지표에서의 상승도 찾아볼 수 있었습니다. 서비스홈에서 컨텐츠로의 전환률이 눈에 띄게 늘어났고, 이 결과를 토대로 전체 유저에게 릴리즈하게 되었습니다.
유저들이 정말로 원하는 컨텐츠는 무엇일까?
유저들이 정말로 원하는 컨텐츠가 무엇인가에 대해서는 끊임없이 고민해야 하고 완벽하게 아는것은 영원히 불가능할 것 입니다.
하지만 우리는 두개의 제품 릴리즈를 통해 유저의 관심사 라는 좋은 힌트를 얻었고, 유저들이 정말로 원하는 컨텐츠를 제공하기 위한 또 한걸음을 걸아 나갔습니다.
