쿠폰 등록

쿠폰번호

Posting

국내외 날카로운 기사와 깊이있는 글을 준비했으니, 꼭 읽어보세요!

Digital Marketing 넷플릭스가 AI로 당신의 선택을 예측하는 방법
  • 페이스북으로 공유
  • 트위터로  공유

페이지 정보

본문

넷플릭스 자체 조사 결과, 사용자들은 평균 60~90초 사이에 보고싶은 콘텐츠를 찾지 못하면 다른 페이지로 넘어간다고 한다. 몇 번의 방문에도 관심이 가는 콘텐츠를 찾지 못한다면 고객들은 이탈해버리고 말 것이다.

 

OTT 서비스 중에서도 고객 이탈률이 가장 낮다는 넷플릭스는 어떻게 이들을 묶어놓을 수 있었을까? 90초의 짧은 시간 안에 사용자의 시선을 끌고, 플랫폼 안에 남아 다음 연관 콘텐츠들을 클릭하며 시간을 보낼 수 있게 할 수 있을까? 여기서부터 AI의 역할이 중요해진다. 



* 아래 글은 Re:Work에 게시된 Luke Kenworthy의 글을 번역했습니다(링크).



d7f372cdf7e80cd2fb66cb29e1f9f784_1634197573_0423.jpg
 

출처: pixabay



넷플릭스는 머신러닝협업 필터링(Collaborative Filtering), 자연어 처리(NLP) 등의 5가지 과정을 통해 사용자 경험을 향상시키고, 인게이지먼트, 리텐션을 극대화시키는 개인화 전략을 펴고 있다.

 

- 넷플릭스의 5가지 핵심 개발단계: 랭킹 & 레이아웃 - 유사성 및 홍보 - 증거 및 검색 - 모델 개선 - Exploit 학습

- 주요 과제: 사용자 의도 이해, 특정시간에 개인 기본 설정, 다른 계정 사용자와의 관계

- 주요 응용프로그램 또는 기술: 머신러닝, 협업 필터링, 자연어 처리

 

지난 10년간 AI를 도입한 넷플릭스의 학습 알고리즘과 모델은 다층적, 계층적이며 비선형적으로 발전했다. 넷플릭스는 이제 머신러닝과 심층 변형을 사용해 각 콘텐츠간의 연관성을 정립하여 개인화된 콘텐츠 전략을 만듦으로써 방대한 콘텐츠들의 순위를 매기는 단계까지 발전했다. 그 결과 콘텐츠 커스터마이징 뿐만 아니라 유저가 시청할 가능성이 가장 높은 작품부터 낮은 것까지 순위를 매길 수 있게 되었다.

 

오프라인에서 스토리텔러가 듣는 사람의 웃음, 찡그리기 등 리액션을 볼 수 있는 것과 달리 디지털 스토리텔링에는 듣는 사람이 어떻게 듣고 있는지, 얼마나 관여하고 있는지 알 수 없다. 스토리텔러인 넷플릭스의 사용자 인게이지먼트는 '인터랙션' 데이터를 관찰하며 파악할 수 잇다. 빨리 감기, 타이틀 종료하기, 인터페이스 탐색(v스크롤) 등의 많은 변수들을 연구해야만 한다. 이 모든 데이터를 머신러닝 모델에 추가하여 사용자 개인에게 더 분명한 이미지를 전달할 수 있게 되는 것이다.

 


-------------



넷플릭스의 5가지 머신러닝 단계

 

1. 순위 및 레이아웃

넷플릭스의 영화/프로그램 리스트는 개인 설정에 맞게 각 사용자 화면마다 순위가 매겨지며 정렬된다. 장기간의 사용을 통해 넷플릭스는 고객의 활동에 기초해 고객이 가장 좋아하는 프로그램이 무엇인지 알아낼 수 있다. 만약 A라는 고객이 몇 편의 코미디 프로그램을 봤다면, 코미디 영화나 쇼에 관심이 있다고 추정할 수 있으므로 스릴러 영화보다는 코미디 영화가 더 높은 순위에 오를 수 있는 것이다.

 

기본적으로 추천 시스템은 이전 사용 기록을 기준으로 사용자가 관심을 가질만한 시리즈나 영화가 무엇인지 그 유형을 학습하고, 가장 연관성이 높은 콘텐츠를 제안한다.

 


2. 유사성 및 프로모션

고객이 좋아하는 것을 찾아냈다면, 그 데이터는 넷플릭스 플랫폼 전체 추천 콘텐츠을 위한 유사성 도출에 활용된다. 줄거리나 배우, 연령제한 등에서의 유사성도 전부 고려 대상이다.

 


3. 증거 및 검색

테스트를 통해 사람들의 관심사, 시청 기록 등 간의 상관관계를 이끌어낼 수 있다. 이런 테스트 결과는 어떤 것이 효과가 있고 효과가 없는지 알 수 있는 증거가 된다. 머신러닝 기술 중에 하나인 '협업 필터링'을 활용하여 유사한 사용자들을 그룹핑한 후, 소비 패턴으로부터 추론한 비슷한 취향의 회원들에게 고도의 개인화된 영화, TV 프로그램들을 추천하는 것이다.

 

*협업 필터링(collaborative filtering): 많은 유저들로부터 모은 취향 정보들을 기반으로 하여 스스로 예측하는 기술

 


4. 모델 개선

모델 개선의 첫번째 단계는 데이터 수집 기간으로, 양질의 데이터를 대량으로 얻기 위해 수개월이 소요된다. 그 후 A/B 테스트를 통해 이 새로운 모델이 현재 버전보다 나은지 확인한다. 이 때 사용자 절반은 새 모델을, 나머지 절반은 이전 모델을 사용하게 되며 분석된 결과를 바탕으로 출시할 모델을 결정한다.

, 이런 일괄 학습에는 많은 문제가 있다. 고객이 새로운 UX를 이해하는데 많은 시간이 걸리고, 수개월간의 테스트를 하면서 좋지 않은 경험을 할 수도 있기 때문이다.

 


5. Explore/ Exploit 학습

Explore/ Exploit 학습을 위해 넷플릭스는 방대한 가설을 샘플링하고 잘 수행되지 않는 가설은 제거한다.  

 

1) 균등 모집단 가설

2) 임의의 가설 h 선택

3) h에 따라 행동하고 결과를 관찰

4) 가설 보강

5) 2)로 이동

 

그런 다음 넷플릭스는 Explore/ Exploit 학습을 사용해 영화를 가장 잘 묘사하는 이미지를 찾는다. 그리고 고객 개개인에 맞춰 영화의 대표 이미지를 수정한다. 넷플릭스는 각각의 영화에 더 좋은 이미지가 있는지, 고객의 선호 장르와 같은 다른 요소들이 선택에 어떻게 영향을 미치는지 알아보기 위해 테스트를 진행한다.

 

d7f372cdf7e80cd2fb66cb29e1f9f784_1634197225_2993.png


다양한 버전으로 개인화된 <기묘한 이야기> 썸네일 
(출처: Netflix TechBlog)




개인화된 추천 시스템을 위한 이런 넷플릭스의 연구와 투자는 사용자들에게 어떤 의미가 있을까?

 

넷플릭스의 머신러닝 리서치 과학자인 Anoop Deoras"추천 시스템은 결국 목적을 위한 수단일 뿐"이라고 말한다. "넷플릭스 회원이 프로그램을 고르는데 걸리는 시간을 최소화하여 영상을 즐길 때의 즐거움을 극대화시키기 위한 것"이라고 말이다



추천0