추천 엔진(Recommendation Engine)은 마케터가 고객에게 실시간으로 관련 제품 추천을 제공할 수 있게 하는 데이터 필터링 기술이다. 이는 머신러닝(ML) 및 인공지능(AI)과 같은 복잡한 알고리듬과 데이터 분석 기술을 사용하여 개인에게 적절한 제품 카탈로그를 추천한다. 또한 웹사이트, 애플리케이션 및 이메일에서 사용자 선호도, 과거 검색 이력, 특성 및 상황적 맥락을 기반으로 제품을 제시할 수 있다. 현재 맞춤형 전략이 요구되는 엔터테인먼트, 모바일 앱, 교육과 같은 B2C 전자상거래 산업에서 사용되고 있다.

전 세계 추천 엔진 시장 규모는 2021년 27억 달러로 평가되었으며, 2022년부터 2031년까지 연평균 성장률(CAGR) 32.1%로 성장하여 2031년에는 438억 달러에 이를 것으로 전망된다. 이는 시장조사 전문기관인 AMR(Allied Market Research)의 예측에 따른 것이다.

분야별 시장 분석

유형 측면에서, 협업 필터링 부문은 전자상거래 플랫폼에서 고객의 취향과 선호도를 바탕으로 제품을 추천하는 신뢰할 수 있는 추천 엔진에 대한 수요가 증가하면서 높은 점유율을 보이고 있다. 하이브리드 추천 부문은 최종 사용자 솔루션의 효과성을 개선하고 알고리듬 효율성을 향상시키기 위해 하이브리드 시스템 사용이 증가함에 따라 예측 기간 동안 가장 높은 성장률을 보일 것으로 예상된다.

지역별로는, 선진 기술 채택의 증가와 신흥 기술에 대한 정부 지원 증가로 인해 북미 지역의 시장 점유율이 예측 기간 동안 가장 클 것으로 예상된다. 아시아태평양 지역은 전자상거래 보급 증가, 온라인 쇼핑 거래 급증, OTT 서비스 제공업체 수의 증가로 인해 예측 기간 동안 크게 성장할 것으로 보인다.

추천 엔진 시장의 주요 기업들로는 어도비, 아마존 웹 서비스, 구글, 휴렛패커드 엔터프라이즈 디벨롭먼트 LP, IBM, 인텔, 마이크로소프트, 오라클, 세일즈포스, SAP SE 등이 있다.

디지털 기술 도입의 증가

디지털화의 증가로 전자상거래 플랫폼 전반에서 온라인 쇼핑이 증가했다. 또한 추천 엔진은 사용자 친화적인 탐색을 허용하고 이전 검색에 따라 고객에게 제품이나 정보를 보여준다. 더욱이 휴대폰 소유의 급속한 증가는 전자상거래 성장에 기여하고 있으며 전자상거래 웹사이트가 추천 엔진을 도입하도록 촉진하고 있다. 2022년 글로벌 모바일 통신 협회(GSMA)에 따르면, 모바일 가입자 수는 2021년 53억 명에서 2025년에는 58억 명에 이를 것으로 예상된다. 이러한 증가는 전자상거래 산업의 성장을 촉진하여 추천 엔진 시장을 견인할 것으로 예상된다.

고객 경험 향상에 대한 집중

고객 경험 개선은 추천 엔진 수요 발전을 주도하는 주요 요인이다. 고객 참여와 유지, 높은 판매 및 투자 수익률(ROI)을 달성하기 위해 고객 경험을 향상시키는 것이 중요하다. 스마트 제품 추천은 또한 업셀링과 크로스셀링을 위한 자연스럽고 논리적인 기회를 제공한다.

고객은 자신의 행동과 경험을 통해 관심을 보이고, 제품 추천 시스템은 자동으로 행동을 적절한 추천과 매치시킨다. 작은 거래는 더 큰 거래가 되고, 구매할 의도가 없었던 고객들이 갑자기 구매에 관심을 가지게 된다. 전자상거래 사이트 수익의 31%가 맞춤형 추천에서 생성되며, 아마존 수익의 약 35%가 추천 엔진에 의해 발생하고 있다.

데이터 수집과 추천 시스템 구축

추천 엔진은 데이터와 머신러닝 기술의 조합으로 작동한다. 이는 행동 데이터, 컴퓨터 학습, 통계 모델링을 사용하여 고객이 필요로 하는 콘텐츠, 제품 또는 서비스를 예측하는 고급 데이터 필터링 시스템이다. 데이터가 많을수록 관련성 있는 수익 창출 제안을 하는 데 더 효율적이고 효과적일 것으로 예상된다. 추천 엔진은 표준 4단계 과정을 완료한다.

추천 엔진을 만드는 첫 번째이자 가장 중요한 단계는 데이터를 수집하는 것이다. 수집되는 데이터는 주로 두 가지 유형, 즉 암시적 데이터와 명시적 데이터이다. 암시적 데이터는 웹 검색 기록, 클릭, 장바구니 이벤트, 검색 로그, 주문 기록과 같은 활동에서 정보를 수집하는 데 도움이 된다. 명시적 데이터는 리뷰 및 평점, 좋아요 및 싫어요, 제품 댓글과 같은 고객 입력에서 수집된 정보이다.

추천 시스템은 ‘블랙박스’로 여겨지며, 이러한 대기업들이 만든 모델은 쉽게 해석되기 쉽지 않다. 생성된 결과는 사용자가 필요로 하거나 원하는 것에 대한 추천이지만, 사용자는 추천받기 전까지는 필요하거나 원한다는 것을 인식하지 못한다.

추천 시스템을 구축하는 방법은 다양하다. 일부는 페이지 랭크와 같은 알고리듬적이고 공식적인 접근법을 사용하는 반면, 협업 필터링, 콘텐츠 기반, 링크 예측과 같은 모델링 중심의 접근법을 사용하는 경우도 있다. 이러한 모든 접근법은 복잡성이 다양할 수 있다. 그러나 복잡성이 ‘좋은’ 성능으로 이어지는 것은 아니다. 단순한 솔루션과 구현이 가장 강력한 결과를 가져오는 경우가 많다.