안녕하세요. 검색·추천·AI Agent 도메인을 담당하는 Intelligence Squad의 Product Owner 이수형입니다.
제품을 빠르게 성장 시키려면, 좋은 제품을 잘 만드는 것만큼 그 제품을 유저에게 알리느냐도 중요합니다. 광고는 그 첫 접점이죠.
그런데 광고를 통해 들어온 유저들의 행동 데이터를 살펴보다가 이상한 점을 발견했습니다. 광고로 유입은 잘 되는데 구매 전환율이 예상보다 낮았던 것이죠. 처음엔 단순히 광고 효율 문제라고 생각했습니다. 하지만 데이터를 깊게 파보니, 진짜 이슈는 ‘광고 이후의 구매 전환 과정’에 숨어 있었습니다.
구매 전환의 열쇠는 ‘추천’
결국 구매를 효율적으로 끌어올릴 수 있는 핵심은 ‘추천’이었습니다.
추천은 유저가 원하는 상품을 빠르게 발견하고, 관심이 실제 구매로 이어지게 만드는 경험의 브릿지 역할을 합니다.
퀸잇의 추천 시스템은 유저의 행동 데이터를 기반으로 취향을 학습합니다.
클릭, 찜, 구매 같은 시그널을 통해 단기적인 관심사와 장기적인 선호(취향)를 정의하고, 두 데이터를 조합해 가장 맞춤형 상품을 보여주죠.
(구체적인 추천 로직은 내용이 좀 방대해서, 별도 아티클에서 다룰 예정입니다.)
하지만 광고로 처음 유입된 신규 유저의 경우 이야기가 달랐습니다.
이들에게는 아직 취향을 파악할 행동 데이터가 없기 때문에 시스템 입장에서 ‘무엇을 좋아할 지 모르는 유저’로 분류될 수밖에 없었습니다.
결국, 개인화 추천 없이 퀸잇을 경험하게 되었고, 자연스럽게 낮은 구매 전환율로 이어졌습니다.
광고에서 취향을 가져오는 방법
이 문제를 해결하기 위해 두 가지 접근을 시도했습니다.
광고에서 들어온 상품을 유저의 단기 취향으로 반영하기
광고 성격에 맞는 상품을 유입 세션 동안 집중적으로 노출하기
광고 상품을 단기 취향으로 반영하기
광고에는 상품의 이미지, 문구, 메인 오브젝트 등 유저의 관심을 암시하는 데이터가 이미 담겨있습니다. 이를 추천에 활용하기 위해, 광고에 포함된 상품 정보를 query parameter로 전달하도록 구조를 설계했습니다.
<https://web.queenit.kr/?ad_product_id1={id1}&ad_product_id2={id2}&ad_product_id3={id3}&ad_tag=homeshopping>ad_product_id: 광고 소재에 포함된 상품 ID (예: 배너에 노출된 각 상품)ad_tag: 광고의 성격을 나타내는 태그
이 링크를 통해 유입되면, 클라이언트에서 해당 파라미터를 파싱해 개인화 추천 API 요청 시 함께 전달합니다. 추천 모델은 이 정보를 단기 취향(최근 관심) 으로 반영하고, 기존의 장기 취향 신호와 별도로 통합하여 추천합니다.
즉, 앱에 처음 들어온 신규 유저라도 광고에서 본 상품 맥락이 이어지는 개인화 추천을 바로 경험할 수 있게 만든 거죠.
광고의 성격에 맞는 상품 노출하기
단기 취향 반영만으로는 충분하지 않았습니다. 유저가 광고를 클릭해 들어오는 첫 세션에서는 광고의 성격에 맞는 상품을 집중적으로 보여주는 것도 중요했습니다.
광고를 클릭한 유저는 이미 특정 상품이나 문구, 혹은 그 광고가 가진 성격 — 예를 들어 홈쇼핑형, 트렌드형, 가성비형—에 관심을 가진 상태로 유입됩니다.
즉, “이런 느낌의 상품을 더 보고 싶다”는 명확한 의도를 가지고 앱에 들어오기 때문에, 첫 세션에서 그 기대에 부합하는 상품을 보여주는 것이 전환의 핵심이라고 판단했습니다.
이를 위해 광고 성격(ad_tag)을 랜딩 시점에 sessionStorage에 저장하고, 이후 개인화 추천 API 요청 시마다 함께 전달하도록 설계했습니다.
이렇게 하면 유저가 앱을 탐색하는 동안에는 해당 세션에서는 광고 성격에 맞는 상품 중심으로 추천이 이루어집니다.
이 방식으로 유입 경험의 톤을 광고와 자연스럽게 맞추면서, 전환율을 실제로 끌어올릴 수 있었습니다.
홈쇼핑 성격 광고를 통한 검증
이 구조를 처음 적용한 건 홈쇼핑 성격(ad_tag=homeshopping) 광고였습니다.
‘광고 유입 첫 세션에서 어떤 추천이 실제 전환을 만든 걸까?’를 확인하기 위해 두 번의 실험을 진행했어요.
1️⃣ 첫 번째 시도 — 광고 맥락 그대로 이어가기
광고로 들어온 유저의 첫 세션에서 추천 상품을 전부 홈쇼핑 브랜드 상품으로만 구성했습니다. 즉, 광고의 맥락을 최대한 그대로 이어가도록 설계한 실험이었죠. 결과는 꽤 인상적이었습니다.
👉 구매 전환을 일으킨 유저 비율 +14.96% 증가
광고에서 본 브랜드 상품을 다시 추천해주는 것만으로도, 유저의 관심이 자연스럽게 구매 행동으로 이어졌습니다.
2️⃣ 두 번째 시도 — 홈쇼핑 ‘성향’을 확장하기
하지만 홈쇼핑 브랜드 상품만으로는 추천 폭이 너무 좁았어요.
‘더 나은 상품을 보여주지 못하는 건 아닐까?’라는 가설이 생겼죠.
이를 검증하기 위해 홈쇼핑 브랜드 상품 외에도, 유저가 실제 탐색한 상품들의 속성을 분석했습니다.
그 결과, 홈쇼핑 광고 유입 유저는 세트 상품(1+1) 이나 높은 할인율 상품을 주로 탐색하는 경향이 있었습니다. 이 속성을 추천 풀에 추가해 다시 실험을 진행한 결과 —
👉 구매 전환 유저 비율 추가 +16.44% 상승
🚀 결과
두 번의 실험을 통해 첫 구매 유저 전환율이 총 +33.86% 개선됐습니다.
결국, ‘광고 경험과 유입 이후 추천 경험의 맥락을 맞추는 것’이 전환을 만드는 핵심 포인트라는 걸 명확히 증명한 사례였습니다.
빠르게 실험하고, 더 똑똑하게 학습하는 팀
모든 실험이 성공으로 이어지면 좋겠지만, 현실은 그렇지 않습니다.
이번 두 번의 성공적인 실험 뒤에는 다섯 번의 시도와 실패가 있었어요.
Intelligence Squad는 새로운 로직이나 모델 가설을 검증할 때 짧은 주기로 실험을 반복하며 학습합니다. 보통 일주일에 2~3개의 실험이 동시에 진행되고, 그 안에서 빠르게 실패하고, 또 그만큼 빠르게 개선합니다.이 과정을 통해 점점 더 정교하고 효율적인 추천 구조를 만들어갑니다.
‘Super Fast’는 라포랩스의 핵심 가치 중 하나입니다.
Intelligence Squad는 검색·추천 로직을 개선하기 위해 가장 많은 실험과 이터레이션으로 그 문화를 실제로 증명하는 팀입니다.
광고 기반 추천은 이제 시작
지금은 사람이 직접 광고의 성격(ad_tag)과 추천 상품 풀을 정의하는 룰 기반 구조로 운영되고 있습니다.
예를 들어, homeshopping 광고로 유입된 유저에게는 그 성격에 맞는 상품 위주로 추천을 구성하는 방식이죠.
하지만 이건 어디까지나 첫 단계입니다.
앞으로는 광고의 다양한 메타데이터 — 광고 소재 상품, 광고 채널, 배너 이미지와 문구, 노출 시점, 광고 성격 등 — 을 활용해 AI가 광고의 의도를 스스로 이해하고, 그 맥락에 맞는 추천을 자동으로 생성하는 구조로 고도화할 계획입니다.
Intelligence Squad에서 일한다는 것
Intelligence Squad는 유저의 상품 탐색 경험을 끊임없이 개선하는 팀입니다.
우리는 사용자의 행동을 예측하고, 그 예측을 제품 경험에 녹여 유저가 자연스럽게 탐색하고 발견하는 여정을 만듭니다.
이를 위해 데이터에 기반해 문제를 끝까지 파고들고, 빠르게 가설을 검증하며 검색·추천 로직을 고도화합니다.
이 과정을 함께 경험하면서 유저에게 더 나은 탐색 경험을 설계하고 싶다면,
지금 Intelligence squad에 합류하세요!