전자상거래의 혁신: 고객 페르소나를 활용한 AI 기반 추천 시스템

본 논문은 고객의 구매 이력을 기반으로 고객 페르소나를 생성하여 전자상거래 추천 시스템의 성능을 향상시키는 새로운 방법을 제시합니다. GPLR 및 RevAff 알고리즘을 통해 효율성과 정확성을 개선하였으며, 실제 데이터셋을 이용한 실험 결과 최대 12%의 성능 향상을 확인했습니다.

당신은 무엇을 샀는가? 당신은 어떤 고객인가? - AI가 밝히는 전자상거래의 미래

온라인 쇼핑의 눈부신 발전 속에서, 전자상거래 플랫폼들은 방대한 고객 데이터의 홍수 속에 잠겨 있습니다. 이 데이터를 효과적으로 활용하여 고객에게 최적의 상품을 추천하고, 효율적인 마케팅 전략을 수립하는 것은 기업의 경쟁력을 좌우하는 핵심 요소입니다.

Shi Yimin 등 연구진이 발표한 논문, "You Are What You Bought: Generating Customer Personas for E-commerce Applications"는 이러한 문제에 대한 혁신적인 해결책을 제시합니다. 기존의 딥러닝 기반 고객 표현 방식은 복잡하고 해석이 어려운 암묵적 임베딩에 의존하여, 고객 세분화, 검색 개선, 상품 추천 등의 응용 분야에 제한이 있었습니다.

하지만 이 논문은 고객의 구매 이력을 종합적으로 분석하여 고객 페르소나를 생성하는 새로운 접근법을 제시합니다. '바쁜 부모' 또는 '가격 비교 전문가'와 같이, 고객의 구매 행동과 선호도를 사람이 이해하기 쉬운 형태로 요약한 고객 페르소나를 통해, 고객 이해도를 높이고 다양한 응용 분야에 활용성을 높일 수 있습니다.

연구진은 GPLR(Generative Persona Labeling and Random Walk) 이라는 효율적인 알고리즘을 개발했습니다. 이는 사전 훈련된 거대 언어 모델(LLM)을 활용하여 고객의 페르소나를 추론하고, 랜덤 워크 기법을 통해 전체 고객의 페르소나를 예측하는 효율적인 접근 방식입니다. 또한, RevAff 알고리즘을 통해 정확도와 시간 복잡도를 동시에 개선하여 실제 전자상거래 환경에 적용 가능성을 높였습니다. ($O(\frac{\epsilon \cdot |E|N}{|E|+N\log N})$ 의 시간 복잡도 개선)

세 개의 실제 전자상거래 데이터셋을 이용한 실험 결과는 놀랍습니다. 고객 페르소나 기반 표현을 통합한 그래프 합성곱 기반 추천 모델은 NDCG@K 및 F1-Score@K 지표에서 최대 12%의 성능 향상을 보였습니다. 이는 고객 페르소나가 전자상거래 분야에서 고객 이해 및 개인화 서비스 향상에 핵심적인 역할을 할 수 있음을 보여줍니다.

결론적으로, 이 연구는 고객 데이터를 효과적으로 활용하는 새로운 방법을 제시함으로써, 전자상거래 분야의 개인화 서비스 혁신을 주도할 잠재력을 가지고 있습니다. 고객 페르소나를 중심으로 한 AI 기반 추천 시스템의 발전은 앞으로 더욱 정교하고 효율적인 온라인 쇼핑 경험을 제공할 것으로 기대됩니다.