개념
사용자가 특정한 아이템을 매우 선호하는 경우, 그 아이템과 비슷한 콘텐츠를 가진 다른 아이템을 추천하는 방식이다.
ex) 예를 들어 어떤 사용자가 특정 영화에 높은 평점을 부여했다면 그 영화의 장르, 출연 배우, 감독, 영화 키워드 등의 콘텐츠와 유사한 다른 영화를 추천해준다고 생각하면 된다.
→ SOL) 상품/ 서비스 간의 유사성을 판단하는 기준이 해당 상품/ 서비스를 구성하는 다양한 콘텐츠를 기반으로 하는 방식이기 때문에 대중적이지 않은 작품들에 있어서 해당 모델의 적용은 어찌보면 적절해 보인다.
상품 속성 랭킹 유형
상품 속성을 우열을 가려 추천하는 방법이다.
ex) ‘가격이 낮은 순’, ‘신상품순’, ‘리뷰가 많은 순’, ‘평점이 높은 순’ , ‘시청시간이 긴 순’, ….
별로 어려운 알고리즘이 아니기 때문에 간단히 도입할 수 있음. 컨텐츠 별로 이 속성을 올바르게 정하는 것이 중요하다.
도입한 이후에는 고객이 자주 활용하는지 파악하는 것이 중요. 계속 고도화해주어야 함. 예를 들어 클릭 히트맵을 활용하면 클릭 수가 높고 낮은 것이 뭔지 파악가능하고 고객들이 어떤 랭킹 유형을 선호하는지 파악 가능.
연관 상품 유형
고객이 상품을 탐색하거나 구매를 시도할 때 해당 상품과 연관있는 상품을 추천하는 모델이다. 크게 ‘유사성’ 과 ‘상호보완성’ 으로 구분하여 맥락에 따라 제안한다.
•
상호보완성 추천 : 불닭볶음면을 구입하려는 고객에게 치즈나 소시지를 추천, 삽겹살을 구매하려는 고객에게 갈매기살과 상추, 쌈장을 추천하는 모델이다. 또는 동일한 카테고리의 다른 상품을 추천할 수도 있다. 불닭볶음면을 검색했다면 매운맛쫄면을 추천해줄 수도 있을 것.
도입한 이후에는 스크롤 히트맵 내 어텐션 그래프를 통해서 구간별 체류시간이 증가하는지, 해당 영역의 스크롤 도달 대비 클릭이 얼마나 발생하는지로 성과를 측정할 수 있다.
상품 선호 유형
고객이 과거에 시청하거나 구매했던 상품 유형을 분석하여 해당 상품의 특징을 분석한 뒤 동일하거나 비슷한 특징을 갖는 상품을 추천하는 모델
고객의 행동 이력을 점수화하고 점수가 높게 나온 상품과 콘텐츠를 추천해준다. 장점은 신상품이나 아직 보지 않은 작품에 바로 도입할 수 있다는 점이다.
상품 니즈 유형
고객의 상품이나 작품에 대한 니즈를 사전에 수집하여, 이를 바탕으로 고객이 원하는 상품이나 작품을 특징에 맞춰 제안하는 모델이다. 아주 이상적인 추천이 가능하고, ‘직접 질문을 통한 결과’ 데이터에 기반하기 때문에 정밀도가 높다.