2023. 5. 3. 11:26ㆍ기록/UXUI 스터디
🎁 오아챌 3일차 주제: 추천 시스템(Recommender System)
- 현재 커머스, 엔터테인먼트, 소셜 등 거의 대부분의 IT 서비스에서 추천 시스템이 사용되고 있어요. 그렇다면 추천 시스템의 UX, UI는 어떻게 설계해야 사용자들이 만족스럽게 느낄까요?
- 필터 버블(인지 편향), 콜드 스타트 등 추천 시스템의 문제점을 UX 디자인이 어떻게 해결할 수 있을까요?
- 나를 중독시키는 추천 UX 사례가 있다면?
- 기타 등등, 추천 시스템과 관련된 UX 이슈라면 무엇이든 좋아요.
- 추천 시스템에 익숙하지 않다면, 쉽게 추천 알고리즘을 설명한 다음 영상을 시청해보시는 것도 좋아요: https://youtu.be/4hsV1Dwlu_s
나의 챌린지 : 닐슨 노먼 그룹 추천 콘텐츠에 대한 UX 가이드 라인
https://www.nngroup.com/articles/recommendation-guidelines/
UX Guidelines for Recommended Content
Encourage engagement with recommendations by presenting them prominently, segmenting suggestions into clear categories, and providing methods for users to give feedback.
www.nngroup.com
해당 아티클을 읽고 정리
요약 : 맞춤 추천을 눈에 잘 띄게 표시한다 / 추천을 세분화 한다 / 사용자가 피드백을 제공할 수 있는 방법을 제공하여 추천 사항에 대한 참여를 장려한다.
- 개인화된 콘텐츠 소스로, 추천에 대한 사용자의 기대치를 조사하는 사용자 연구 결과, 참여자는 정보 과부하를 피하는데 도움이 되는 개인화된 제안을 높이 평가했다.
-> 일반 콘텐츠 보다 효과적이었으며, 추천의 출처를 이해하는 것 또한 중요했다. 피드백 제공을 위해 제안과 상호작용 하는 기능도 중요했다.
1. 맞춤 추천의 우선 순위 지정
- 개인화된 콘텐츠는 일반 콘텐츠보다 훨씬 가치가 높다.
- 개인화된 추천 영역이 홈페이지에 많이 나타날수록 사용자가 이를 알아채고 사용할 가능성이 높다.
-> Amazon은 긴 스크롤 페이지이지만, 상단 근처 명확하게 개인화 된 여러 콘텐츠 영역을 보여주어 개별 사용자에게 고도로 맞춤화된 사이트로 자주 언급된다.
-> Sephora를 자주 사용하는 한 사용자는 사이트의 모든 영역을 자신의 개인 취향에 맞게 조정하기를 원했다.
“보통 물건이 많기 때문에 다른 것을 다 보여주더라도 내가 가장 갖고 싶은 물건이 적어도 맨 위에 있었으면 좋겠다"
2. 데이터 출처를 명확하게 명시
- 가능하면 사용된 데이터에 대해 구체적으로 설명해라.
-> 고객에게 어떻게 고려되어 추천되는지 통찰력, 신뢰성 추가 및 맞춤 제안되었음을 확실히 알려줄 수 있다.
-> 사용자가 맞춤 추천을 통해 콘텐츠 유형을 측정하고 찾고 있는 게 맞는지 결정하는데 도움이 된다.
Ex) ooo를 보셨다면 이 영화도 좋아할 것 같아요! 등의 문구 명시
-> 정보를 통해 고객이 해당 콘텐츠가 표시되는 이유를 이해하고, 제안에 대해 선택을 제공할 수 있다.
-> 최소한 추천을 생성하기 위한 전체 데이터 소스(과거 기록 기준 혹은 구매한 항목 관련 등) 에 대한 일부 참조가 포함되어야 한다.
-> '추가'(more) 와 같은 모호한 설명은 추가하지 않는다.
3. 구분화 된 추천 사항
- 개인화된 콘텐츠를 세부화 하면 고객은 구체적인 추천을 탐색할 수 있다.
-> 모든 추천 사항을 단일 그룹에 넣지 말라
-> Spotify는 개인 재생목록(Your Daily Mix)은 장르로 분류되기 때문에 가끔 훨씬 더 유용하다. '개인 재생목록'은 모두 한 장르의 음악이고, 이를 기반으로 좋아하는 장르를 성공적으로 필터링 했다.
4. 고객이 추천 사항을 조정할 수 있도록 한다
- 고객이 추천에 대한 피드백을 제공하거나, 추천의 기반이 되는 데이터를 편집하는 방법을 제공한다.
- 부정적인 피드백을 제공하는 것은 고객이 더욱 만족할 수 있는 경험을 제공하기 위해서라도 필수적이다.
-> 고객은 간단하고 넷플릭스의 설명적인 메시지를 높이 평가했다.
-> 연구 참여자들은 이 옵션을 사용하지 않겠다고 했다. 부분적으로 넷플릭스가 맞춤 추천을 잘 해주기 때문이다.
5. 추천 사항을 빠르고 자주 업데이트 한다
- 고객이 맞춤 추천을 수정하기를 원할 경우, 이 작업이 즉시 반영되어야 한다.
Ex) 원하지 않는 광고 숨기기 클릭 시 즉시 광고가 숨겨지거나 메시지로 대체된다.
-> 사이트가 신속하게 업데이트 하면, 고객은 감동받고 사이트를 계속 이용하는 동기를 부여받는다.
결론
- 개인화된 콘텐츠는 제대로 실행될 때 고객의 참여도와 만족도를 높일 수 있다.
- 좋은 추천은 고객이 이용 후 다시 돌아올 가능성이 높기 때문에, 지속적인 브랜드 충성도를 촉진하는데 도움된다.
- 프로모션, 일반 콘텐츠 보다 우선 순위를 주어 개인화된 콘텐츠를 검색 가능하게 만들어라.
-> 맞춤 추천을 명확한 범주로 구분하고 추천 기능을 생성하는데 사용된 데이터 소스를 기록한다.
-> 맞춤 추천에 피드백 기능을 제공하면 고객이 향후 추천 사항을 다듬는데 도움이 되고, 콘텐츠에 대한 참여를 높일 수 있다.
해당 아티클을 읽고 느낀점
단순하게 유저가 기록한 데이터를 기반으로 추천하면 된다고 생각했는데, 그게 아니라는 걸 깨달았다.
또한 그 동안 봤던 서비스들의 워딩들, 왜 그렇게 했는지에 대해서 이해할 수 있었다. (특히 토스)
추천은 어떻게 해야하며, 그 이유를 왜 고객에게 알려줘야 하는지에 대해서까지 알 수 있어 굉장히 유익했다.
덕분에 포트폴리오의 1개의 프로덕트도 메인 워딩도 가이드에 맞춰 수정했다. (고객 입력 데이터를 기반으로 추천 항목이 있다.)
순서는 당연히 맞춤 추천을 우선으로 배치했기 때문에 내가 올바르게 했구나 라는 걸 알 수 있었다.
위의 아티클을 기반해서 실제 사례를 모은 아티클을 읽었다.
닐슨 노먼 가이드는 웹에 대한 내용이 많다면, 실제 사례는 앱이 주이다.
https://blog.naver.com/uiux_lab/222345224560
사용자의 눈길을 끄는 추천 제공하기
"전체 이커머스 매출의 30%는 '추천'에서 발생하며, 그 비율은 계속 증가할 것 이다."...
blog.naver.com
멤버들 공유 아티클
1. 에코 챔버 효과
https://brunch.co.kr/@ddc8fafd53894cb/106
https://brunch.co.kr/@cogito88/347
[요약]
에코 챔버 효과
- 필터 버블은 사용자가 익숙하지 않은 정보를 차단함으로써 미지의 영역을 깔끔하게 제거해 버린다.
- 요즘은 인터넷 공간에서 자신과 유사한 생각을 가진 그룹하고만 소통하는 경우가 늘다보니 편향된 사고를 하는 사람이 증가하고 있다.
- ‘에코 챔버 효과(Echo Chamber Effect)’, 에코 챔버는 인공적으로 메아리를 만들어내는 방으로 자신이 말하면 메아리가 되어서 자신에게 돌아온다.
https://blog.naver.com/naver_diary/222633537238
포스트 코로나 이후의 트렌드로 ‘로컬 브랜드’의 성장을 예측했던 네이버의 칼럼이 있었는데, ‘로컬 브랜드’, ‘로컬 크리에이터’의 성장, 지역 성장을 돕는 UX를 설계하는 것도 오프라인으로 사용자를 이끌 수 있는 방법이 될 수 있을 것 같아요!
아 그리고 추천 시스템의 설계에서 ‘사용자가 중단한 지점부터 시작해라!’라는 내용이 있었는데 이 부분도 재밌게 읽어서 같이 공유드립니다!
https://www.netsolutions.com/insights/how-to-take-your-ux-to-a-new-level-with-personalization/
2. 고객 주요 여정별 상품추천 UX와 개인화 추천영역 배치에 대한 데이터활용
많이 도달하거나 체류시간이 집중되는 곳, 탐색 분포가 집중되는 곳의 주변에 배치해야한다 라는 측면으로도 접근할 수 있었어요 🙂
https://www.beusable.net/blog/?p=1359
고객 주요 여정별 상품추천은 이 아티클에서 더 자세히 볼 수 있는데요!
메인, 제품페이지, 장바구니, 카테고리 페이지 외 결과없음, 404페이지 등 고객의 세션이 ‘종료’ 되는 시점에 대한 활용에 대한 이야기도 함께 있었어요! 위 성현님이 ‘사용자가 중단한 지점부터 시작해라’라는 아티클과 맥락이 맞을 수도 있겠네요 ㅎㅎ
https://cxl.com/blog/product-recommendations/#h-where-can-you-use-recommendations
3. 콜드 스타트
콜드스타트는 실무 작업 시 좀 소홀했던 것 같아서 한번 찾아봤는데요! 알고리즘적으로 접근하는 아티클이 많아서 UX적으로 좀 더 해결하는 건 십시일반으로 한번 모아봤어요 🥹
**문제 및 유형**
1. 사용자 콜드 스타트 문제 : 사용자에 대한 정보가 거의 없을 때
2. 제품 콜드 스타트 문제 : 제품에 대한 정보가 거의 없을 때
**문제의 원인**
- 체계적인 부트스트래핑 : 추천자가 의존할 수 있는 정보가 없을 때 (낮은상호작용+새로운사용자)
- 낮은 상호작용 : 상호작용 없거나 거의 없을 때
- 새로운 사용자 : 새로운 사용자가 시스템에 등록하고 아직 추천기록 전. 이전 상호 작용에 의존하지 않고 정해진 시간동안 추천을 제공해야할 때. 품질이 좋지 않은 사용자는 떠날 수 있음.
**완화기법**
- 직접 일부 정보 제공 요구 : 능동적 학습을 통한 선호도 도출, 새로운 사용자는 특정 프로필 정보 기입 요청
- 대표 기반 접근 방식 : 사용자 집합을 나타내는 사람들에게 의존
: 유사한 성격의 특성을 가진 사용자가 유사한 관심사를 가지고 있다는 가정
ex) 새로운 사용자 가입 시, 몇가지 콘텐츠 평가 요청 > 다른 제품 평가 추론
- 밀접한 관련이 있는 도메인의 경우 해당 도메인 내용 불러오기. but, 해당 도메인에 대한 관심 정보 필요
ex) 도서와 영화
- 소셜네트워크 데이터 정보 : 사용자의 소셜 네트워크 친구와 비슷한 취향을 가지고 있다고 가정
- 지리적 위치 및 컨텍스트 정보 (날짜, 시간, 날씨, 사용자의 장치, 운영 체제 및 브라우저, 그들이 도착한 도메인 등)에 따라 추천 생성
[극단적인 상황]
- 유행하는 제품 추천
- “자주 함께 구매”처럼 항목간 권장사항 활용
[기타]
- 딥러닝 등 알고리즘적 해결
https://analyticsindiamag.com/cold-start-problem-in-recommender-systems-and-its-mitigation-techniques/
https://www.yusp.com/blog-posts/cold-start-problem/
https://qr.ae/pypTQV
4. 추천 시스템의 기본 개념
https://medium.com/@jeongmin-ju/안녕하세요-추천을-좋아하는-데이터-분석가입니다-그동안-추천을-애정하며-공부해온-내용들을-바탕으로-추천시스템에-대해-한눈에-쉽고-빠르게-정리해보려고-합니다-991ccb490b44
Explicit 데이터와 Implicit 데이터
유사도개념
컨텐츠기반 필터링
추천시스템, 그것이 알고싶다
들어가기에 앞서서 추천 알고리즘이 핫한 이유는 무엇일까요? 실제로 유튜브 사용자들의 시청 시간 70%가 추천 알고리즘으로 일어나고 있으며, 추천 알고리즘의 도입을 통해 사용자들의 비디오
medium.com
5. AI 추천 UX
유저와의 상호작용이 AI 추천 UX의 큰 특징이다. 1.다양한 서비스에서 추천에 대한 간단한 설명을 덧붙인다. 이 설명을 통해 유저는 해당 콘텐츠가 본인에게 추천된 이유에 대해 납득하고 이해할 수 있게 됨 2.비선호에 대한 피드백을 받는다. 보지 않거나 선택하지 않는 행동, 시청 시간과 같은 분석을 통해 implicit 한 데이터를 수집하기도 하지만, 명확한 비선호를 통해 explicit 한 데이터를 수집할 수 있다
3.유저의 행동으로 기반하여 추천함을 알수있도록 히스토리, 분석결과를 제공한다.
4.관련컨텐츠를 제공한다.
스포티파이의 음악 추천방식
https://playinpap.github.io/recsys-spotify/
협업 필터링 기반 추천시스템이란, 비슷한 취향을 갖은 사용자가 좋아한 아이템을 사용자에게 추천하는 방법이다.그러나, 분석할 데이터가 없다면 콜드스타트 문제가 있다.
홈화면에서 유저 개인취향에 맞는 음악을 추천해주기 위해서 BaRT 알고리즘을 사용하는데 이는 사용자의 호불호를 학습하고,사용자가 듣고 싶어하는 다른 음악을 추천하도록 결정하는 것이다.
스포티파이는 추천된 음악을 30초 이상 들었을 때 알고리즘의 추천이 성공했다고 판단하여, 그 전에 건너뛰면 더 취향에 맞는 음악을 추천하도록 한다.