레코픽 설명회 8회 발표자료_공유_20170530

제 8 회

레코픽 설명회

2017.5.30

진행 순서

Intro : 행사 소개 및 이벤트 안내 (5분)

Session 1 (40분)

Coffee Break (10분)

Session 2 (40분)

시연 및 Q & A (20분)

Outro : 경품 추첨 및 클로징 (5분)

금일 발표 내용

Session 1 추천이 왜 필요한가요?

추천은 어떻게 계산되나요?

Session 2

그럼 레코픽은 뭐가 좋은거에요?

레코픽 과금은 어떻게 책정되나요?

디지털 세상, 추천은 이미 우리 곁에…

추천은 정보 과잉의 디지털 세상에서 사용자의 의사결정을 도와주는 똑똑한 정보

필터링 엔진(filtering engine)으로 쇼핑, 미디어, SNS 등 거의 모든 영역에서 필수

요소

모바일 쇼핑과 추천

국내에서도 쇼핑몰 모바일 메인페이지 등에 개인화 추천 등 추천 적용 보편화

쇼핑몰에서 추천의 역할

쇼핑몰 매출

= 방문자수 X 전환율 X 객단가

마케팅투자

=외부마케팅(광고) X 내부마케팅(추천)

‘고객 유입’ ‘구매 전환’

내부 마케팅으로서의 상품 추천

마케팅 기회

사용자가 지금 무엇에 관심이 있는지를 알아내서..

사용자가 찾고자 하는 것을 제시할 수 있어야…

데이터에 기반하여

구매확률이 높은

상품 추천!

추천은 누가 더 잘 할까? : Human vs. Machine

Human : 경험 중심의 스토리텔링 가상의 고객 세그먼트를 정의하고,

적절한 마케팅 캠페인 설계

예시 : ‘Golden Baby’ 아이가 하나인 30대 중산층

맞벌이 부부(워킹맘, 프레디)

Machine : 데이터 중심의 확률 계산 구매가 일어나는 과정과 행동에만 집중하여

데이터에 기반한 구매 확률 계산

실제 일어나는 행위에 집중, 실시간 분석 및 처리

Quiz

추천 알고리즘의 분류

1

협업필터링 방식

Collaborative Filtering(CF)

사례 : Amazon

2 3

컨텐츠 기반 추천 Content-based

Recommendations(CBR)

하이브리드 방식

Hybrid

사례 : Pandora Radio 사례 : Netflix

컨텐츠(음악,영화, 뉴스 등)의

속성에 대한 유저의 선호를

매칭하여 해당 유저가 좋아할

만한 컨텐츠 추천

과거 데이터로부터의 유사도

패턴을 기반으로 미래의

선호를 예측

협업필터링(CF)과 컨텐츠

기반 추천(CBR)의 결합

Collaborative Filtering 협업필터링

과거 데이터로부터의 ‘유사도(Similarity)’ 패턴을 기반 으로 미래의 선호를 예측

Explicit data

명시적으로 평가(rating)를

요구하여 데이터 수집

Implicit data

유저의 행동을 관찰하여

데이터 수집

영화별점 매기기

구매행동로그 수집

User-based Item-based

1 유사도의 기준에 따라

2 유사도 계산에 필요한 Data 확보

3 유사도 계산에 필요한 다양한 통계 기법 Jaccard Similarity Coefficient

클러스터링…

User 1

User 2

User 3

User-based filtering Item-based filtering

similar

similar

Item 1

Item 2

Item 3

Item 4

User 1

User 2

User 3

Item 1

Item 2

Item 3

Item 4

Collaborative Filtering 협업필터링

◎

◎

데이터 규모가 커지면?

레코픽이 사용하는 Input Data

사용자 행동로그 : visit, view, basket, order 등

Timestamp : 각 로그의 발생시점

Referral page : 사용자 의도 파악을 위해 직전 방문 페이지 분석

view < basket < order

1

2

3

1번~3번에 대해 각각 가중치 부여

행동유형별

최신성(Recency)

우연한 발견(Serendipity)

사용자 구매의도(Referral)

한달전 < 어제

인기상품의 가중치 낮춤

메인페이지 < 검색 or 카테고리 페이지

추천 성과에 영향을 주는 요소들

추천 서비스 제공사 : 추천 시스템의 성능

최근 3개월 vs 최근 1년

1

2

데이터 규모

추천 계산 주기

알고리즘 성능

추천시스템 안정성

배치(batch) vs. 실시간(real-time)

Input data, 추천 성과 검증

추천 응답속도, Auto-scaling

쇼핑몰 고객사 : 추천 노출/UI 측면

추천 노출 위치

추천 상품수

추천 문구

페이지 상단 vs 페이지 하단

상품수 고정 vs 상품 더보기(swipe)

영혼없는 문구 vs 고객명, 추천 근거 등 표시

상품 기준 추천

대체재

보완재

함께 본 상품

함께 구매한 상품

추천상품

상품 기준 추천의 효과

사용자 그룹 별 구매전환율 (국내 최대 오픈마켓)

추천 미적용 레코픽 추천 적용

상품 View 1~10

View 기준 사용자그룹

잠깐 들린 Light user들도 하나라도

구매해서 나갈수 있게…

로열티 높은 Heavy User 들은

더 많은 쇼핑을…

상품 View 11~20

상품 View 21~30

상품 View 31~40

상품 View 41~

사용자 기준 추천 (개인화 추천)

추천상품 최근 행동 로그

Why 개인화 추천? : 레코픽 case

클릭률

0.0%

1.0%

2.0%

3.0%

4.0%

5.0%

6.0%

7.0%

8.0%인기 상품 추천 클릭률 개인화 추천 클릭률

5.1%

1.2%

Why 개인화 추천? : 해외사례

해외 추천 서비스 사례 : Barilliance

개인화 추천이 인기상품 추천보다 클릭율 2배

기존 개인화 추천의 한계

과거 이용 패턴에 기반하기 때문에

사용자의 최근 관심사를 반영하기 어려움

오늘 처음 방문한 사용자는

데이터가 없기 때문에 추천이 어려움(Cold start)

사실 대부분의 사용자들은

몇 개의 페이지만 보고 바로 이탈

사용자의 과거 이용 패턴에 대한 분석과 함께 사이트에 들어와서 지금 관심있게

보고 있는 상품에 대해서도 바로 추천에 반영할 수 있어야 사용자의 이탈을

최소화하면서 구매전환을 극대화할 수 있음.

1

2

3

국내 최초 실시간 개인화 추천 : 2014.8월

레코픽 ‘실시간’ 개인화 추천

사용자의 과거 이용 패턴만 분석하는 기존 개인화 추천 대비 레코픽 ‘실시간’ 개인화 추천은

사용자의 1)과거 이용 패턴과 2)최근 관심사를 동시에 실시간 분석하여 추천 계산

실시간

개인화 추천

사용자의 3개월간 전체 로그 분석

사용자의 최근 로그 분석

LOG LOG LOG LOG LOG LOG

LOG LOG LOG LOG LOG LOG

Quiz

실시간 개인화 추천의 성과

클릭률

0.0%

2.0%

4.0%

6.0%

8.0%

10.0%

12.0%

14.0% 인기 상품 추천 클릭률 개인화 추천 클릭률 실시간 개인화추천 클릭률

1.2%

5.1%

7.9%

진행 순서

Intro : 행사 소개 및 이벤트 안내 (5분)

Session 1 (40분)

Coffee Break (10분)

Session 2 (40분)

시연 및 Q & A (20분)

Outro : 경품 추첨 및 클로징 (5분)

레코픽 소개

온라인 쇼핑몰을 위한 클라우드(Cloud) 기반의 추천 서비스로, 국내 최초의 실시간

개인화 추천 서비스를 제공하고 있습니다. (www.recopick.com)

현재 120여개 사이트에 적용

월 10억 건의 로그수집 (누적 330억건)

월 9억 건의 추천 요청 스크립트 삽입

로그 전송

페이지 방문 로그 전송

추천서비스(12종) 제공

http://www.recopick.com/

레코픽 추천의 역할

빅데이터 기반으로 고객의 구매심리를 좀더 과학적으로 자극하는 역할을 합니다.

단순히 정보를 노출하는 수준을 넘어, 잘 설계된 상품탐색 경로를 제시하여

구매전환을 촉진하는 장치로써 매출향상에 기여합니다.

추천이 없는 쇼핑몰 RecoPick 추천 적용 쇼핑몰

상품 상세 설명 함께 본 상품

VS

방문 나가기 상품구경 방문 나가기 상품구경

구매 가능성이 높은

상품 추천

레코픽 추천의 종류

레코픽은 다양하고, 정교한 추천 서비스를 제공하고 있습니다.

상품 기반의 추천을 통해 트래픽 증가를 유도하고 연계 구매로 이어질 확률이 높은 상품을 추천

1.상품 기준 추천

개별 사용자의 특성 및 최근의 니즈를 반영하여 사용자에게 가장 적합한 맞춤형 상품을 추천

다양한 통계 Data를 기반으로 인기 상품과 구매로 전환될 확률이 높은 상품을 추천

2.사용자 기준 추천

3.통계형 추천

성, 연령 등 고객의 demographic 특성을 반영하여 특정 고객 Segment에 가장 적합한 상품을 추천

4. 고객 Seg기반 추천

고객 Seg 기반 추천


상품 기반의 추천을 통해 트래픽 증가를 유도하고, 연계 구매로 이어질 확률이 높은 상품을 추천합니다.

1.상품 기준 추천 서비스

함께 본 상품 (ViewTogether)

사용자의 전체 행동 로그를 통해 상품과 상품의 관계를 분석하고, 이를 바탕으로 사용자가 본 상품과 관련된 추천 리스트(대체재)를 제공

함께 구매한 상품 (BuyTogether)

사용자의 구매로그를 통해 상품과 상품의 관계를 분석하고, 이를 바탕으로 사용자가 구매한 상품과 관련된 추천 리스트(보완재)를 제공

1

2


개별 사용자의 특성 및 최근의 니즈를 반영하여 사용자에게 가장 적합한 맞춤형 상품을 추천합니다.

2.사용자 기준 추천 서비스

실시간 개인화 추천 (최근 관심사 기반)

사용자의 개인별 최근 성향을 실시간으로 분석하여 사용자의 현재 니즈와 특성이 반영된 맞춤형 추천 리스트를 제공

1


다양한 통계 Data를 기반으로 인기 상품과 구매로 전환될 확률이 높은 상품을 추천합니다.

3.통계형 추천 서비스

1 View Top100 하루 동안 사용자들이 가장 많이 본 상품 노출

Buy Top100 하루 동안 사용자들이 가장 많이 구매한 상품 노출

추천클릭 Top100 추천 리스트 노출 대비 클릭이 많이 발생한 상품 노출

카테고리 Top100 카테고리네 가장 인기가 있었던 상품 제공

실시간 인기 상품 TOP 100 최근 1시간내 사용자들이 가장 많이 본 상품 노출

구매전환 Top100 사용자의 View 대비 구매가 많이 일어난 상품 노출

추천유입 Top100 상품의 유입 경로 중 추천 유입률이 높은 상품 노출

3

5

7

2

4

6

1

레코픽 추천의 장점

추천 성과와 비용 측면에서 국내 경쟁 추천 솔루션 대비 10배의 가성비(ROI)

1. Faster : 쉽고 빠른 적용

2. Better : 2X 전환율

3. Cheaper : 5X 가격 경쟁력

최대 10X 가성비!

Faster : 쉽고 빠른 적용!

• 레코픽 대시보드내에서 위젯을 통한 추천서비스 설정 및 변경 가능.

• 관리자가 직접 추천 알고리즘의 선택 및 디자인 변경을 수행할 수 있음

대시보드 > 추천 위젯 설정

Better : 2~3배의 추천 성능

• 추천 성능 비교 테스트 사례 – 대상 사이트 : 국내 최대 패션기업의 온라인몰(‘S’몰)

– 테스트 기간 : 2016년 상반기 8주간, 2회 테스트 실시

– 참여 추천 솔루션 업체(3개사) : 레코픽, ‘R’사, ‘N’사

– 테스트 추천 알고리즘 : 개인화 추천 @ 모바일 메인페이지

• 테스트 결과

1차 테스트 2차 테스트

비교 레코픽 vs. ‘N’사 레코픽 vs. ‘R’사

추천클릭율 2.88배 1.05배

전환율 3.0배 2.86배

Cheaper : 2~5배의 가격 경쟁력

• 추천 솔루션/서비스 도입시 비용 항목

비용 항목 H/W 및

인프라 투자 전담 개발 인력 투입

솔루션 라이센스 비용

월운영비

솔루션 방식 YES YES YES YES

클라우드 방식

타사 NO NO

NO

YES

레코픽 (업계 최저)

NO NO NO YES

(최소과금월 50만원)

기타 장점 : 검증된 서비스

11번가, AK몰, 아모레퍼시픽, 신세계면세점, 삼성물산 패션부문(SSFShop) 등

대형 쇼핑몰에서 안정성과 효과를 검증하였고, 지속적으로 업그레이드되고

있습니다.

현재 120여개 사이트

총 330억건 로그 수집

월평균 10억건 이상의 로그분석

과거 추천 성과 데이터를 바탕으로 시간이

지날수록 고객사에 더 나은 품질의 추천을

제공

빅데이터 전문 개발자들이 최신 기계

학습(Machine Learning), 검증된 feature

추가하여, 지속적인 추천 알고리즘 고도화

기타 장점 : 성과 분석 및 추천 설정

어드민 대시보드를 통해 다양한 추천 성과 지표를 보여드리며, 개발자가 아니어도

쉽게 추천 설정을 하실 수 있습니다.

추천 성과를 한 눈에 볼 수 있는 대시보드 위젯 등 추천관리를 간편하게

성과 사례 1

국내 최대 오픈마켓의 고객 당 PV, 매출 모두 증가하였습니다.

고객 당 Page View 증가 (국내 최대 오픈마켓) 총 매출 증가

추천 적용전 레코픽 추천 적용후

*상품 상세페이지 하단 적용시

3.7

3.5

3.3

3.1

2.9

2.7

2.5

\

\

성과 사례 2

대형사이트 자체개발 추천 대비 클릭율 44% 증가하였습니다.

추천 클릭율 비교 (국내 최대 디자인 쇼핑몰)

자체개발 추천 적용 레코픽 추천 적용

7,000

6,000

5,000

4,000

3,000

2,000

1,000

0

추천클릭수

성과 사례 3

대형 사이트 자체 개발 추천 대비 매출 15% 증가하였습니다.

전체 거래액 증가 (국내 대형 패션 쇼핑몰)

\

\

4.8억원

6 억원

1.2 억원 PC웹에서 한달간 A/B 테스트

자체개발 추천(50%) vs. 레코픽 추천(50%)

레코픽 100% 추천 적용시

연간 전체 거래액 15% 증가 예상

자체개발 추천 적용 레코픽 추천 적용

성과 사례 4

모바일에서도 평균 매출이 상승하였습니다.

일평균 매출 A/B 테스트 비교 (국내 대형 면세점)

추천 비노출 레코픽 추천 노출

25,000

20,000

15,000

10,000

5,000

0

인당매출액(원)

성과 사례 5

중소 쇼핑몰도 비용 대비 높은 효과를 보이고 있습니다.

비용 대비 매출 증가 (국내 중형 여성의류 쇼핑몰)

전체매출

일평균

Page view

월매출

레코픽

월과금액

3.2만

1 ~ 2억

50만원 / 월*

\

\

1,400만원

레코픽 추천을

통한 경유매출

고객사 사용 현황

많은 쇼핑몰들이 레코픽을 선택하였습니다. 지금 바로 시작하세요!

대형 쇼핑몰

오드

마지아룩 문고리닷컴

현대리바트

코코블랙

11번가

AK몰

신세계면세점

삼성물산 패션몰

천이백엠 클랙앤퍼니

만다리나덕

두닷 닥터브로너스

베니토

가방팝

머스트잇

갤러리아면세점

패션 뷰티 가구/인테리어

아리따움

반할라

헬로우 스위티

립합

제이스타일

에이블씨앤씨

보나쥬르 자연미인가구

스킨알엑스

휠라코리아

따따따

홀리가든

고객사 사용 현황

국내 주요 쇼핑몰에 실제 레코픽이 적용된 모습입니다.

오드 머스트잇 현대리바트 아리따움

AK 몰 신세계 면세점 삼성전자 11번가

레코픽 적용 프로세스

회원가입 스크립트 설치

3주

회원가입

방문자 행동분석을 위한

로그수집 스크립트 삽입

상품정보(이미지, 가격 등)

수집을 위한 메타태그 삽입

추천 위젯 삽입

사이트 내 원하는 위치에

추천 위젯 적용 스크립트 삽입

추천 성과 확인

사용자 그룹을 추천노출/비노출

로 나눈 A/B 테스트를 통해

추천을 통한 트래픽, 매출 증가

효과 확인

유료화 / 계약

무료사용 기간 종료 시점

유료화 전환

필요시 연간계약 등 진행

1주

Step 4 Step 3 Step 2

고객님을 위한 추천

Step 1

1

2

3

4

영역별 레코픽 적용 제안

카테고리 탐색 수준 구체적 상품에

대한 관심를 가지고 탐색 특정 상품에 대한

구매 목적를 가지고 진행 구매완료

메인 페이지 상품 상세 (상단)

검색

고객유입

상품 상세 (하단) 장바구니 페이지 주문완료 페이지 마이 페이지 (배송조회)

실시간 개인화 추천

(사용자 최근 관심사 기반)

통계형 추천

(구매전환율 Top100)

함께 본 상품 추천

(목적 상품 대체재)



통계형 추천


함께 구매한 상품 추천

(목적 상품 보완재)



통계형 추천

(베스트 셀러 Top100)


(목적 상품 대체재)



통계형 추천






통계형 추천

(베스트 셀러 Top100)



통계형 추천


로그인 구매

1순위

2순위

3순위

영역별 레코픽 적용 제안 적용예시 (웹기준)

* 가장 추천 효과가 좋았던 Best Practice 기반의 제안이므로 고객님의 사이트에 따라 유동적으로 적용 가능합니다.

통계형 추천 (실시간 인기상품)

메인 페이지 검색 페이지





실시간 개인화 추천 or 함께 구매한 상품 (보완재)

상품 상세 페이지 행사 페이지


함께 본 상품 추천 (대채제)

상품 세부 정보



장바구니 페이지 구매 완료 페이지

함께 구매한 상품 (보완재) 실시간 개인화 추천



마이 페이지 (배송조회) 로그아웃

통계형 추천 (추천클릭 Top100)


방문해 주셔서 감사합니다.

통계형 추천 (추천클릭 Top100)


추천을 활용한 개인화 마케팅

51

1) 인입(광고) 2) 체류(페이지내 상품추천 )

3) 재방문(개인화 마케팅)

11번가 개인화 이메일 테스트(1/2)

52

• 테스트 대상 : 이메일 1등급 고객 (20만명)

• 테스트 방안 : 5:5 A/B 테스트 (MD 추천 vs. 개인화 추천)

• 테스트 일정 : 4회 테스트 진행 (2017.5)

53

개인화 추천 MD 추천 비교

클릭율 평균 17.1% 8.4% 2.0배

연관 거래액 평균 ***원 **원 2.6배

A/B 테스트 결과 : 1차 ~ 4차

11번가 개인화 이메일 테스트(2/2)

개인화 앱푸시/문자 시나리오

모바일 앱푸시 알림 또는 SMS 클릭시 특정 이벤트 페이지가 아닌 ‘개인화 페이지’로 랜딩하여 개인화 추천상품을 보여주고 클릭시 상품상세 페이지로 이동

문자/Push 알림 확인 개인화 랜딩페이지 상품상세 페이지

(광고) 고객님의 최근 관심사를 반영한 추천상품입니다! [수신거부:MY AK > 사용자설정>알림설정]

54

New 과금안 : PC/모바일 통합 단일 과금

* 과금은 사용하는 추천의 종류에 상관없이 사이트 일평균 PV만으로 계산됩니다.

* 상품수 1만개 이상일 경우 상품당 2원씩 추가과금

* 스크립트 설치 대행비 별도

이용혜택

과금기준

최소금액

일평균 PV당 2원

월 50만원 일평균 PV가 25만이하일 경우(PC웹, 모바일 합산)

30일 무료 체험

모든 RecoPick 추천 서비스 (상품기준 추천, 실시간 개인화 추천, 통계형 추천)

2017.1월 신규 적용

1. 추천은 페이지를 구성하는 단순 feature가 아닌 데이터 기반의 자동화된 마케팅 방법으로

2. 작게 시작하되 지속적인 실험과 개선을 통해

3. 인사이트를 얻고 최적화를 추구하는 과정

맺음말

레코픽이 도와드리겠습니다!

Thank you https://recopick.com

[email protected]

https://recopick.com

https://recopick.com

레코픽 설명회 8회 발표자료_공유_20170530

Marketing