![[팀네이버 컨퍼런스 DAN25] 실시간 추천-CRM 통합 모델로 완성하는 개인화 UX](https://phinf.pstatic.net/tvcast/20251125_222/qb62E_17639975984806S3oR_PNG/image.png?type=f1109_624)
[팀네이버 컨퍼런스 DAN25] 실시간 추천-CRM 통합 모델로 완성하는 개인화 UX
이 요약은 네이버 시리즈가 개인화된 사용자 경험(UX)을 제공하기 위해 추천 및 고객 관계 관리(CRM) 모델을 통합하고, 배치 기반에서 실시간 추론 시스템으로 전환한 과정과 그 성과를 다룹니다. 여러 모델들의 복잡성과 일관성 문제를 해결하고, 실시간 처리의 필요성을 충족시키기 위해 단일 통합 프레임워크와 API 기반 서빙 아키텍처를 구축한 경험을 공유합니다.
1. 개인화 UX의 필수요소: 추천 - CRM
네이버 시리즈는 사용자 개개인에게 맞춤형 경험을 제공하기 위해 추천 시스템과 CRM(고객 관계 관리)을 핵심 요소로 활용하고 있습니다. 하지만 초기에는 이 두 가지 모델이 각각 독립적으로 운영되면서 여러 문제에 직면했어요.
네이버 시리즈의 개인화 UX
네이버 시리즈는 사용자들이 좋아할 만한 콘텐츠를 찾아주고, 적절한 시점에 필요한 정보를 제공함으로써 개인화된 UX를 제공하려고 노력했습니다. 🧐 예를 들어, 사용자가 웹툰을 볼 때 다음 회차를 추천해주거나, 오랫동안 접속하지 않은 사용자에게는 흥미를 끌 만한 이벤트를 알려주는 식이죠.
기존 모델 서빙 방식
기존에는 여러 ML 모델들이 각각 개발되고 서빙되었습니다. 추천 모델은 실시간으로 사용자 행동을 분석해 즉각적인 추천을 제공했지만, CRM 모델 중 일부는 데이터를 배치(batch) 방식으로 처리해서 실시간으로 반응하기 어려웠어요.
- 추천 모델: 실시간으로 작동하여 즉각적인 사용자 행동에 반응
- CRM 모델: 일부 기능은 배치 처리되어 실시간 대응이 어려움
이렇게 다양한 모델들이 늘어나면서 관리해야 할 복잡성도 커지고, 모델들 간의 일관성을 유지하기가 점점 어려워지는 한계가 드러났습니다. 마치 여러 명의 요리사가 각자 다른 메뉴를 만들면서 재료나 조리법이 겹치는데도 서로 소통하지 않는 상황과 비슷하다고 할 수 있죠. 😅
서로 다른 두 모델, 합칠 수 없을까?
이러한 문제들을 해결하기 위해 네이버 시리즈 팀은 큰 고민에 빠졌습니다. "개별적으로 작동하는 추천과 CRM 모델을 하나로 합칠 수는 없을까?" 이 질문에서 모델 통합의 아이디어가 시작되었습니다. 모델 개발 관점에서는 추천과 CRM 모델을 하나의 통합 프레임워크로 설계하고, 모델 서빙 관점에서는 모든 모델의 결과를 실시간으로 받아올 수 있도록 API 기반 서빙 아키텍처를 구축하기로 결정했습니다.
2. Formulation & Modeling
추천과 CRM 모델을 통합하기 위한 구체적인 방법론과 아키텍처 설계에 대해 알아보겠습니다.
Problem Setup
가장 먼저, 추천과 CRM을 통합했을 때 어떤 문제를 해결하고 어떤 목표를 달성할지 명확히 정의하는 것이 중요했습니다. 🎯
"기존의 분리된 모델들이 가져왔던 복잡성과 비일관성을 줄이고, 실시간 개인화 UX를 모든 영역에 적용하는 것을 목표로 했습니다."
이를 위해 사용자 행동 데이터를 기반으로 콘텐츠 추천뿐만 아니라, 특정 시점에 사용자에게 어떤 알림을 보낼지, 어떤 이벤트에 참여를 유도할지 등 다양한 CRM 활동을 동시에 예측하는 모델을 만들기로 했습니다.
Multi-Behavior Encoder
개인화 UX를 위해서는 사용자의 다양한 행동을 정확하게 이해하는 것이 필수적입니다. 네이버 시리즈에서는 사용자의 과거 행동 이력(예: 웹툰 열람, 소설 구매, 댓글 작성 등)을 학습하여 사용자의 취향과 성향을 파악하는 Multi-Behavior Encoder를 도입했습니다.
- 다양한 행동 데이터: 열람, 구매, 이벤트 참여, 검색 등
- 인코더의 역할: 이러한 복잡한 행동 패턴을 압축하여 사용자의 '성향 벡터'로 변환
이 인코더를 통해 사용자가 어떤 콘텐츠를 좋아하고, 어떤 프로모션에 관심이 있을지 미리 예측할 수 있는 기초 데이터를 마련하게 됩니다. 📈
Multi-Task Learning with MMoE
추천과 CRM이라는 두 가지 다른 '태스크(Task)'를 하나의 모델에서 동시에 학습하기 위해 MMoE(Mixture of Experts) 모델을 활용했습니다. MMoE는 여러 전문가(Expert) 네트워크가 있고, 각 태스크에 따라 최적의 전문가를 선택하여 사용하는 방식이에요.
이 방식을 통해 모델은 추천과 CRM이라는 두 가지 목표를 동시에 최적화할 수 있게 됩니다. 각 태스크에 맞는 전문가가 특정 기능을 담당하면서도, 전체적인 모델은 사용자 행동에 대한 공통된 이해를 공유하게 되는 것이죠. 이는 모델의 효율성을 높이고, 각 태스크 간의 시너지를 창출하는 데 크게 기여합니다. ✨
Task Overview
MMoE를 활용한 통합 모델은 다음과 같은 주요 태스크들을 수행합니다:
- 콘텐츠 추천: 사용자가 좋아할 만한 웹툰, 소설 등을 예측하여 추천합니다.
- 이벤트 참여 유도: 특정 이벤트에 참여할 가능성이 높은 사용자를 예측하여 맞춤형 알림을 보냅니다.
- 이탈 방지: 서비스 이탈 가능성이 높은 사용자를 예측하고, 이들을 위한 리텐션(재방문 유도) 캠페인을 기획하는 데 활용됩니다.
이렇게 다양한 태스크를 하나의 모델로 통합함으로써, 네이버 시리즈는 더욱 일관되고 효율적인 개인화 UX를 제공할 수 있게 되었답니다.
3. 추천 시스템, CRM을 만나다
이제 통합된 모델이 실제 시스템에서 어떻게 구현되고 운영되었는지 자세히 살펴보겠습니다.
엇갈린 만남: 배치 CRM과 실시간 추천 시스템
이전에는 CRM은 주로 배치(Batch) 방식으로 운영되어, 하루에 한두 번 데이터를 일괄 처리하는 경우가 많았습니다. 예를 들어, 어제 데이터를 기반으로 오늘 발송할 알림 리스트를 생성하는 식이었죠. 반면 추천 시스템은 사용자의 실시간 행동에 즉각 반응해야 하므로 실시간(Real-time)으로 운영되었습니다.
"배치 CRM과 실시간 추천 시스템은 각각 다른 속도로 움직이는 두 개의 기차와 같았어요. 🚂💨 서로 다른 속도 때문에 함께 달리기가 쉽지 않았죠."
이러한 비동기적인 운영 방식은 모델 통합의 가장 큰 걸림돌 중 하나였습니다. 실시간 개인화 UX를 완성하기 위해서는 모든 CRM 활동도 실시간으로 이루어져야 했기 때문입니다.
추천 시스템을 CRM에 연결하다
이러한 문제점을 해결하기 위해 네이버 시리즈 팀은 모든 모델의 결과를 실시간으로 받아오기 위한 API 기반 서빙 아키텍처를 구축하기로 결정했습니다.
- API 기반 서빙: 통합 모델은 RESTful API 형태로 노출되어, 필요한 서비스에서 언제든지 실시간으로 모델의 예측 결과를 호출할 수 있도록 했습니다.
- 실시간 추론 체계 전환: 기존 배치 기반의 CRM 모델들도 실시간으로 사용자 데이터를 입력받아 즉시 결과를 반환할 수 있도록 시스템을 재설계했습니다. 이를 통해 사용자가 특정 행동을 했을 때, CRM 시스템도 즉각적으로 반응하여 맞춤형 메시지를 보낼 수 있게 되었습니다. 예를 들어, 특정 콘텐츠를 일정 시간 이상 시청하지 않은 사용자에게 "이어서 보시겠어요?"라는 알림을 실시간으로 보내는 것이 가능해진 거죠! 🔔
시스템 운영과 지속적인 개선
새로운 시스템을 구축하는 것만큼 중요한 것은 바로 안정적인 운영과 지속적인 개선입니다. 대규모 서비스 환경에서 실시간 시스템을 운영하는 것은 결코 쉬운 일이 아니죠. 😵
- 모니터링 강화: 모델의 예측 성능, API 응답 시간, 시스템 리소스 사용량 등 다양한 지표를 실시간으로 모니터링하여 문제가 발생하기 전에 감지하고 대응했습니다.
- A/B 테스트: 새로운 모델이나 기능이 적용될 때마다 A/B 테스트를 통해 실제 사용자 경험에 긍정적인 영향을 주는지 검증했습니다.
- 피드백 루프: 사용자 행동 데이터를 지속적으로 수집하여 모델 학습에 활용하고, 이를 통해 모델의 정확도를 꾸준히 향상시켰습니다.
이러러한 노력 덕분에 시스템은 점점 더 똑똑하고 안정적으로 진화할 수 있었습니다. 🚀
시스템이 만들어낸 가치
실시간 추천-CRM 통합 모델은 네이버 시리즈에 여러 가지 긍정적인 가치를 가져다주었습니다.
- 개인화 UX 고도화: 사용자 개개인에게 더욱 정확하고 시의적절한 추천과 CRM 메시지를 제공하여 만족도를 높였습니다.
- 운영 효율성 증대: 여러 모델을 통합 관리함으로써 개발 및 운영 복잡성을 줄이고, 자원 효율성을 높였습니다.
- 비즈니스 성과 향상: 사용자 참여율 증가, 이탈률 감소, 콘텐츠 소비 증대 등 실제 비즈니스 지표 개선에 기여했습니다.
"이 통합 시스템은 단순히 기술적인 성과를 넘어, 사용자와 네이버 시리즈 간의 더 깊은 관계를 형성하는 중요한 역할을 수행했습니다." 😊
4. 실제 서비스 적용 사례
이제 네이버 시리즈에서 통합 모델이 어떻게 실제 서비스에 적용되어 성과를 냈는지 구체적인 사례를 통해 살펴보겠습니다.
네이버 시리즈 추천 모델 개선 사례
통합 모델은 기존 추천 시스템의 성능을 한 단계 더 끌어올렸습니다.
- 다양한 행동 기반 추천: 이전에는 주로 콘텐츠 열람 이력에 기반한 추천이 많았다면, 이제는 사용자의 구매 이력, 검색어, 댓글, 찜하기 등 다양한 행동 데이터를 Multi-Behavior Encoder를 통해 종합적으로 분석하여 더욱 정확하고 다채로운 추천을 제공할 수 있게 되었습니다. 예를 들어, 특정 장르의 웹툰을 꾸준히 구매하는 사용자에게는 해당 장르의 신작 소설을 추천하는 등 교차 콘텐츠 추천도 가능해졌죠. 📚
- 실시간 반응형 추천: 사용자가 특정 콘텐츠를 보다가 이탈했을 때, 즉시 관련된 다른 콘텐츠를 추천하거나, 할인 이벤트를 안내하는 등 실시간으로 사용자의 니즈에 반응하는 추천이 가능해졌습니다. 이는 사용자 이탈을 줄이고 콘텐츠 탐색 시간을 늘리는 데 기여했습니다.
- 지표 개선: 이와 같은 개선을 통해 네이버 시리즈 내 콘텐츠 클릭률과 열람 시간이 유의미하게 증가하는 긍정적인 성과를 보였습니다. ✨
네이버 시리즈 CRM 적용 사례
CRM 모델 역시 실시간 통합 시스템의 도입으로 크게 발전했습니다.
-
실시간 이탈 방지 알림: 사용자가 네이버 시리즈 앱에 오랫동안 접속하지 않거나, 특정 콘텐츠를 장바구니에 담아두고 결제하지 않는 등 이탈 징후를 보일 때, 실시간으로 맞춤형 알림을 보낼 수 있게 되었습니다.
"오랫동안 접속이 없으셨네요! 😢 최신 웹툰 업데이트 소식을 확인해보세요!"
"장바구니에 담아두신 '○○○' 웹소설, 지금 구매하시면 할인 혜택을 드려요! 🎁"
이러한 알림은 사용자가 서비스를 다시 찾거나 구매를 완료하는 데 효과적인 영향을 미쳤습니다.
-
개인화된 이벤트 추천: 기존에는 모든 사용자에게 동일한 이벤트 공지를 보냈다면, 이제는 사용자의 과거 행동 패턴과 선호도를 분석하여 가장 관심 있을 만한 이벤트를 선별적으로 추천합니다. 예를 들어, 로맨스 소설을 즐겨보는 사용자에게는 로맨스 장르 웹소설 할인 이벤트를, 무협 웹툰을 좋아하는 사용자에게는 무협 장르의 새로운 웹툰 출시 소식을 알려주는 식입니다.
-
신규 콘텐츠 푸시 알림 최적화: 새로 출시된 콘텐츠나 완결된 인기 콘텐츠의 다음 시즌 알림 등을, 해당 콘텐츠를 좋아할 만한 사용자에게만 선별적으로 보냄으로써 알림 피로도를 줄이고 실제 콘텐츠 소비로 이어지는 전환율을 높였습니다.
이러한 CRM 적용 사례들은 사용자 만족도를 높이는 동시에, 네이버 시리즈의 전반적인 사용자 참여율과 매출 증대에도 크게 기여했습니다. 개인화 UX는 단순한 편의를 넘어, 비즈니스 성장의 핵심 동력이 된 것이죠! 💪
마무리
네이버 시리즈의 실시간 추천-CRM 통합 모델 구축 사례는 대규모 서비스 환경에서 개인화 UX를 고도화하기 위한 혁신적인 접근 방식을 보여주었습니다. 기존의 분리된 시스템이 안고 있던 복잡성과 비일관성 문제를 해결하고, 배치 기반에서 실시간 추론 체계로의 전환을 성공적으로 이끌어냄으로써 사용자들에게 더욱 개인화되고 즉각적인 경험을 제공할 수 있게 되었습니다.
이러한 통합 프레임워크와 API 기반 서빙 아키텍처는 기술적인 도전을 넘어, 사용자와 서비스 간의 상호작용을 더욱 풍부하게 만드는 중요한 전환점이 되었습니다. 앞으로도 이러한 시스템은 지속적인 학습과 개선을 통해 네이버 시리즈의 성장과 사용자 만족도 향상에 핵심적인 역할을 수행할 것으로 기대됩니다.