[recopick] zdnet 발표자료_20140703
DESCRIPTION
The 11th Advanced Computing Conference Track 1. Big data driven BusinessTRANSCRIPT
![Page 1: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/1.jpg)
RecoPick 추천서비스를 통한 성과창출
2014.07.03
ZDNet Korea
Advanced Computing Conference 2014
![Page 2: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/2.jpg)
목차
1. RecoPick팀 소개
2. 추천 필요성 및 도입시 고려사항
3. RecoPick 추천 서비스 소개
4. 추천을 통한 성과 측정 사례
5. 추천에 대한 몇 가지 궁금증
6. 맺음말
![Page 3: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/3.jpg)
RecoPick팀 소개
SK플래닛 사내벤처(Planet X)로 출발(2013) 11번가/T스토어 등에 사용되는 추천기술을 대외사업화 인력구성(8명) = 개발(5) + 사업(2) + 디자인(1)
홈페이지 : www.recopick.com 페이스북 : facebook.com/recopick
RecoPick = Recommendation +Editor’s Pick
![Page 4: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/4.jpg)
추천, 정말 필요한가? (1/2)
Amazon / Netflix, 그리고 추천 추천은 단순 feature가 아닌 고객의 구매심리를 어떻게 과학적으로 자극할 것인가의 문제 사이트와 고객간 데이터 기반 대화
추천의 역할 1) 고객의 구매패턴에 기반한 상품 오퍼
대체재 / 보완재 추천
개인화 추천 / 장바구니 리마인딩 등
2) 이용 편의성 제공 : 재구매 주기 예측
3) 상품 전시관리 지원 : 지금 뜨고 있는 상품? 지난 3일간 노출대비 구매전환이 높은 상품
![Page 5: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/5.jpg)
추천, 정말 필요한가? (2/2)
웹에서 모바일로의 쇼핑트렌드 변화 자동화된 추천의 역할에 주목해야… 모바일 추천성과 1.5배(PC 웹과 비교시)
PC Web : 목적구매, 검색/가격비교
Mobile : 충동구매, 큐레이션
![Page 6: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/6.jpg)
추천 도입시 고려사항
자체구축 아니면 솔루션 도입?? 초기투자에 대한 부담
별도 개발인력, 서버 등 인프라 자체 구축, 시스템 운영
비싼 패키지 솔루션, 유지/보수 어려움…
작게 시작하되 지속적인 실험을 통한 개선 추구 가설 수립 : 추천 알고리즘/노출영역 효과 측정 : 클릭률/경유매출 지속적인 개선 / 확장
Risk는 최소화 하면서 ROI는 극대화!
![Page 7: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/7.jpg)
Recommendation-as-a-Service 추가개발이나 데이터 연동 없음
추천 서비스별 Widget과 API 제공
산업군별 Best Practice 도입
트래픽 기반 후불 결제방식 (30일 무료 테스트)
이젠 추천도 서비스 받는 시대
![Page 8: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/8.jpg)
“이 상품을 구매한 분들은 이런상품들도 구매하셨습니다”
“이 상품을 본 고객이 많이 본 다른 상품”
스크립트 한줄로 아마존과 같은 추천서비스를!
![Page 9: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/9.jpg)
RecoPick 현황 : 14.6.30 현재
총 68억 건의 로그 수집(누적)
월 7.7억 건의 로그 수집(월)
월 2.4억 건의 추천 요청(월)
월 7백만 건의 추천 클릭(월)
![Page 10: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/10.jpg)
다양한 추천 서비스(11종)
1. 상품기준(Item-to-Item) 추천(2종) 1) 대체재 추천 : ViewTogether 2) 보완재 추천 : BuyTogether
2. 개인화(User-to-Item) 추천(3종)
1) 개인화 추천 Basic 2) 장바구니 리마인딩 3) 재구매 상품 추천
3. 통계기반 추천(6종)
1) 많이 본 상품 Top 100 2) 추천클릭률 Top 100 3) 구매전환율 Top 100 4) 추천유입률 Top 100 5) 베스트셀러 Top 100 6) SNS 유입 Top 100
추천 서비스별/ 노출 영역별
성과 측정 가능
![Page 11: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/11.jpg)
상품기반 추천 사례
ViewTogether
BuyTogether
![Page 12: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/12.jpg)
최근 행동 기록 추천 상품 리스트
개인화 추천 사례
![Page 13: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/13.jpg)
통계형 추천 : 구매전환율 Top 100
![Page 14: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/14.jpg)
간편한 추천 적용
![Page 15: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/15.jpg)
추천 성과 분석 : 9개 지표
![Page 16: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/16.jpg)
추천 성과 분석 : 채널별 분석
![Page 17: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/17.jpg)
RecoPick 적용사이트
![Page 18: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/18.jpg)
1. 온라인 쇼핑몰 – RecoPick 추천 vs. 자체 추천
– 개인화 vs. 인기 상품
2. 온라인 뉴스 사이트 – 추천 노출위치
– 이미지 효과
데이터 기반 A/B 테스트 사례
![Page 19: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/19.jpg)
상품 상세 페이지 상품 상세 페이지
온라인 쇼핑몰 A/B 테스트 사례 : 모바일
동일한 위치에서 사용자를 랜덤하게 50:50으로 나누어 서로 다른 추천을 노출
![Page 20: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/20.jpg)
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
RecoPick 추천 자체 개발 추천
자체 개발 추천 대비 RecoPick 추천에서 추천 클릭 수가 40% 이상 증가
A/B 테스트 결과 (1/2)
![Page 21: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/21.jpg)
자체 개발 추천 대비 RecoPick 추천에서 추천 경유 매출이 30% 이상 증가
A/B 테스트 결과 (2/2)
RecoPick 경유 매출 자체 추천 경유 매출
![Page 22: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/22.jpg)
개인화 추천 클릭률 인기상품 추천 클릭률
개인화 추천 vs. 인기상품 추천
![Page 23: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/23.jpg)
온라인 뉴스 사이트 사례
![Page 24: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/24.jpg)
추천 노출위치
4 %
8 %
![Page 25: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/25.jpg)
이미지의 효과
2.9%
2.4%
![Page 26: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/26.jpg)
잡은 고기에 미끼 줄 필요가 있을까?
자동화된 추천이 사람의 경험치를 넘어설 수 있을까?
추천은 트래픽이 큰 대형 사이트에서나 의미 있다?
추천에 대한 몇 가지 궁금증
![Page 27: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/27.jpg)
Case 1 : 잡은 고기에 미끼는 필요하지 않다??
![Page 28: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/28.jpg)
추천의 기여도(1) : 구매전환율 증가
헤비 유저가 추천을 많이 클릭하기 때문?
![Page 29: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/29.jpg)
모든 사용자 그룹에서 추천 클릭시 구매전환률 증가
6%
28% 30% 31%
28%
8%
29%
39%
45% 47%
0%
10%
20%
30%
40%
50%
상품 뷰 1~10 상품 뷰 11~20 상품 뷰 21~30 상품 뷰 31~40 상품 뷰 41~
추천 클릭 x,
구매 전환률
추천 클릭 o,
구매 전환률
상품 뷰에 따른 사용자 그룹
구매전환률
33%
28%
47%
66%
2%
라이트 유저 헤비 유저
추천의 기여도(1) : 구매전환율 증가
![Page 30: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/30.jpg)
추천의 기여도(2) : 인당 평균 매출액 증가
인당 평균 매출액 : 추천클릭 구매자 > 전체 구매자
-
20,000
40,000
60,000
80,000
100,000
120,000
140,000
A B C D E F G H I J K L M N O
구매자 인당 평균 매출액 추천 클릭 구매자 인당 평균 매출액 2014년 6월 평균
![Page 31: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/31.jpg)
추천의 기여도(2) : 인당 평균 매출액 증가
인당 평균 매출액 : 추천클릭 구매자 > 전체 구매자
0%
20%
40%
60%
80%
100%
120%
140%
A B C D E F G H I J K L M N O
구매자 인당 평균 매출액 추천 클릭 구매자 인당 평균 매출액 2014년 6월 평균
![Page 32: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/32.jpg)
Case 2 : Human vs. Machine, 결과는??
![Page 33: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/33.jpg)
관리자 추천 vs RecoPick 추천
RecoPick 추천 관리자 추천
추천 클릭률 : RecoPick 추천 > 관리자 추천
![Page 34: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/34.jpg)
Case 3 : 대형 사이트 vs. 소형 사이트, 결과는??
![Page 35: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/35.jpg)
Case 3 : 사이트의 규모에 따른 추천 성과
소형 사이트(일PV 5만 이하)
중대형 사이트(일PV 50만 이상)
4.9% 4.8%
0.0%
1.0%
2.0%
3.0%
4.0%
5.0%
6.0%
소형(17개) 중대형(6개)
추천경유매출 비율
![Page 36: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/36.jpg)
1. 사이트와 고객간 데이터 기반 대화로
2. 작게 시작하되 지속적인 실험과 개선을 통해
3. 인사이트를 얻고 최적해를 찾아가는 과정
맺음말 : RecoPick이 바라보는 추천은…
![Page 37: [RecoPick] ZDNet 발표자료_20140703](https://reader035.vdocuments.pub/reader035/viewer/2022062708/558bd10ed8b42ad9448b4657/html5/thumbnails/37.jpg)
영화 ‘Moneyball’