휴리틱스 오류 개선, 추천 알고리즘

휴리스틱은 새람들이 빠르게 판단을 내리거나 복잡한 문제에 대한 해결책을 찾는 데 사용하는 규칙, 혹은 노하우를 말합니다. 과거 자신의 주관적 경험이나 통용되는 상식 등을 활용해 의사결정에 필요한 인지적 노력을 줄일 때 필요한 것이 바로 휴리스틱입니다. 비즈니스 현장에서는 휴리스틱이 종종 유용한 도구로 사용되기도 합니다. 그런데 심리학자들은 이런 휴리스틱으로 인해 인간이 다양한 오류를 범할 수 있다는 사실을 연구했습니다. 사용자에게 물건이나 콘텐츠를 판매하는 온라인 플랫폼에서 사용자들의 휴리스틱 오류를 줄이는 작업은 상당히 중요합니다. 사용자는 자신의 휴리스틱이 만들어내는 오류대로 행동하게 되고 이는 사용자 스스로에게 플랫폼에게도 부정적 영향을 끼칠 수 있기 때문입니다. 온라인 플랫품들이 인공지능 기술을 활용해 사용자들의 휴리스틱 오류를 어떻게 줄일 수 있을까요.

온라인 플랫폼 운영에서 중요한 기능 중 하나는 추천(Recommendation) 알고리즘입니다. 넷플릭스를 예로 들어보겠습니다. 넷플릭스에서 공포 영화를 좋아하는 사람에게는 다른 공포 영화가 다른 장르의 영화보다 더 자주 추천됩니다. 이유는 간단합니다. 사용자에게 공포 영화를 추천하면 다른 장르보다 시청 시간을 높일 수 있기 때문입니다. 물론, 사용자 만족도도 그에 따라 높아집니다. 내가 좋아하는 영화를 계속 추천해 주기 때문입니다. 그런데 문제는 이 만족이 오래 지속되지 않을 수 있다는 것입니다. 일정 초기 단계에는 만족도가 높게 유지될 수 있겠지만 계속 공포영화만 추천을 받게 되면 어느 순간 사용자는 지루함을 느낄 수 있습니다. 넷플릭스의 공포영화만 보러 들어온 것이 아닌데 비슷한 장르만 계속 추천을 받게 되면 초반에 느꼈던 만족감이 감소하게 되는 것입니다. 그래서 넷플릭스와 같은 콘텐츠 플랫폼에서는 세린디피티(Serendipity) 즉 우연이라고 하는 테크닉을 추천 알고리즘에 추가하게 됩니다. 세린디피티 요소는 추천의 결과로 새로운 무언가가 제시될 수 있도록 하는 알고리즘입니다. 공포 영화만 추천을 하다가 갑자기 로맨틱 코미디 영화를 추천해 준다던지 역사 영화를 추천해 주는 것을 말합니다. 이렇게 세렌디피티 즉 우연 요소를 알고리즘에 넣어줌으로써 사용자는 해당 플랫폼이 제공하는 다양성 혹은 새로움 등을 느끼게 됩니다. 특정 장르만 추천을 받다 다른 장르를 추천받음으로써 단편적인 지루함을 덜 수 있고 새로운 콘텐츠를 발견하는 또 다른 재미를 느끼게 됩니다.

콘텐츠가 아닌 의류를 파는 쇼핑몰을 예를 들어보겠습니다. 쇼핑몰에서는 보통 남성 고객들에게 남성 의류만 추천을 해주는 것이 보통입니다. 그래야 판매율이 높고 매출도 잘 나올 것이라는 생각 때문입니다. 이런 추천 방식은 누구나 예상할 수 있는 방향이죠. 세린디피티 요소를 이 상황에서 고려하면 어떻게 될까요. 남성 고객들에게 여성용 가방 혹은 여성용 향수를 추천해 줄 수 있습니다. 예상치 못했던 우연적인 아이템을 추천받음으로써 자신의 여자친구나 혹은 어미니에게 드릴 선물을 떠올릴 수 있게 됩니다. 새로운 아이템을 발견하는 재미도 있습니다. 쇼핑몰 운영자 입장에서는 새로운 추가 수익원이 될 수 있습니다. 이처럼 세렌디피티 요소를 통해 추천 과정에서 발생할 수 있는 휴리스틱 오류를 개선하게 됩니다. 고객 입장에서는 새로움을 마주하는 재미가 있고 그 결과 해당 플랫폼에 머무르는 시간이나 횟수가 늘어나게 됩니다. 운영자 입장에서는 추천 알고리즘을 향상하고 고객에게 다양한 물품을 제안할 수 있습니다. 추천 시스템에서 휴리스틱 오류를 줄이는 두 번째 테크닉은 추천 알고리즘의 변수를 늘리는 것입니다.

보통 추천 알고리즘에서 주요하게 고려하는 변수는 사용자의 행동 패턴입니다. 쇼핑몰을 예로 들어보겠습니다. 쇼핑몰에서의 추천 알고리즘에는 사용자 A의 행동 즉, 얼마나 그 쇼핑몰 사이트에 머물렀고 어떤 페이지를 둘러봤으며 어떤 물건을 구매했는지 등이 중요한 데이터가 됩니다. 추천 알고리즘도 이러한 행동 데이터를 바탕으로 추천해 줄 아이템을 선정하거나 비슷한 행동 데이터를 보이는 다른 고객을 분석하게 됩니다. 그런데 이런 단순한 구조의 추천 알고리즘은 휴리스틱 오류 문제를 해결하기에는 역부족입니다. 행동 데이터는 사용자들의 휴리스틱이 만든 결과 그 자체이기 때문입니다. 다시 말해 행동 데이터는 사용자들이 구매 결정을 하며 발생한 모든 종류의 결과가 한데 모아진 데이터라고 할 수 있습니다. 그래서 행동 데이터만으로 추천 알고리즘을 만들게 되면 휴리스틱이 만들어내는 사용자들의 선택과 오류를 구분하지 못하게 됩니다. 당연히 휴리스틱 오류를 개선함으로써 생기게 되는 비즈니스상의 이점도 누리지 못하게 됩니다. 반면 추천 알고리즘의 변수를 늘리게 되면 행동 데이터뿐 아니라 다른 데이터들도 추천 과정에 반영을 할 수 있게 됩니다. 예를 들어 제품 데이터, 시계열 데이터, 리뷰 텍스트 데이터 등 다양한 데이터에서 추출된 변수를 추천 알고리즘에 담게 됩니다. 결과적으로 행동 데이터 외에 다른 데이터를 고려할 수 있게 됨으로써 휴리스틱 오류에 빠지지 않고 반대로 휴리스틱 오류를 수정 보완 할 수 있는 추천 알고리즘을 개발할 수 있게 됩니다.

짧은 길이의 숏폼 콘텐츠를 올리고 친구들과 공유할 수 있는 SNS인 틱톡은 휴리스틱 오류를 줄여주는 추천 알고리즘으로 유명합니다. 틱톡은 FYF(For You Feed)라는 이름의 추천 서비스를 운영하고 있는데 공개된 내용에 따르면 틱톡은 좋아요, 콘텐츠 길이뿐 아니라 콘텐츠의 다양성, 현재 인기 비디오 등도 함께 고려를 하고 있습니다. 덕분에 틱톡은 사용자에게 개인화된 콘텐츠 추천을 해주면서도 사용자 개인의 취향뿐 아니라 플랫폼 전체적으로 균형을 맞춘 콘텐츠를 추천할 수 있게 되었습니다. 그래서 틱톡 사용자들은 자신이 재밌다고 느끼는 콘텐츠뿐만 아니라 새로운 취향을 자극하는 콘텐츠도 접할 수 있습니다. 틱톡 입장에서는 사용자들이 휴리스틱 오류에 빠지지 않도록 추천 시스템을 설계하였고 그 결과 사용자들이 틱톡을 더 자주 로그인 하고 더 오래 머무르는 SNS가 되도록 만들 수 있었습니다. 지금까지 추천 시스템에서 발생할 수 있는 휴리스틱 오류에 어떻게 대처할 수 있는지 기술적인 측면에서 살펴보았습니다. 인공지능 기술의 발달에 따라 추천 시스템 또한 고도화되고 있습니다. 특히 온라인 플랫폼에서 추천 시스템의 중요도가 높아지고 있으며 사용자들 또한 추천 시스템에 영향을 많이 받고 있습니다. 우리 회사의 추천 시스템은 고객의 휴리스틱 오류에 어떤 대처를 하고 있는지 한 번쯤 생각해 볼 필요가 있습니다.