[RecoPick] ZDNet 발표자료_20140703

RecoPick 추천서비스를 통한 성과창출

2014.07.03

ZDNet Korea

Advanced Computing Conference 2014

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

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

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

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

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!

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

“이 상품을 구매한 분들은 이런상품들도 구매하셨습니다”

“이 상품을 본 고객이 많이 본 다른 상품”

스크립트 한줄로 아마존과 같은 추천서비스를!

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)

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

상품기반 추천 사례

ViewTogether

BuyTogether

최근 행동 기록 추천 상품 리스트

개인화 추천 사례

통계형 추천 : 구매전환율 Top 100

간편한 추천 적용

추천 성과 분석 : 9개 지표

추천 성과 분석 : 채널별 분석

RecoPick 적용사이트

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

상품 상세 페이지 상품 상세 페이지

온라인 쇼핑몰 A/B 테스트 사례 : 모바일

동일한 위치에서 사용자를 랜덤하게 50:50으로 나누어 서로 다른 추천을 노출

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)

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

개인화 추천 클릭률 인기상품 추천 클릭률

개인화 추천 vs. 인기상품 추천

온라인 뉴스 사이트 사례

추천 노출위치

4 %

8 %

이미지의 효과

2.9%

2.4%

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

Case 1 : 잡은 고기에 미끼는 필요하지 않다??

추천의 기여도(1) : 구매전환율 증가

헤비 유저가 추천을 많이 클릭하기 때문?

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

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

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

Case 2 : Human vs. Machine, 결과는??

관리자 추천 vs RecoPick 추천

RecoPick 추천 관리자 추천

추천 클릭률 : RecoPick 추천 > 관리자 추천

Case 3 : 대형 사이트 vs. 소형 사이트, 결과는??

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

1. 사이트와 고객간 데이터 기반 대화로

2. 작게 시작하되 지속적인 실험과 개선을 통해

3. 인사이트를 얻고 최적해를 찾아가는 과정

맺음말 : RecoPick이 바라보는 추천은…

영화 ‘Moneyball’

웹사이트 : www.recopick.com

이메일 : recopick@sk.com

Thank you