두 층을 왜 분리해야 하나

실시간 세그먼트는 "최근 3일 내 앱 방문이 3회 이상이고 장바구니에 일정 금액 이상 담은 고객"처럼 조건으로 대상을 고르는 장치입니다. 추천 로직은 그렇게 고른 고객에게 어떤 상품을 보여줄지 고르는 별개의 장치입니다. 이 둘을 하나로 섞어 "추천 점수가 높은 상품을 본 고객"을 세그먼트 조건으로 쓰면, 성과가 나빴을 때 대상 선정이 문제인지 추천이 문제인지 구분할 수 없습니다.

권장 구조는 계층입니다. 위층에서 세그먼트가 대상을 확정하고, 아래층에서 추천이 콘텐츠를 채웁니다. 이렇게 두면 세그먼트를 고정한 채 추천 방식만 바꿔 비교하거나, 추천을 고정한 채 세그먼트만 바꿔 비교하는 실험이 가능해집니다. 한 번에 한 항목만 바꾸는 원칙이 여기서도 그대로 적용됩니다.

추천 결과가 비었을 때 무엇을 보여주나

추천 엔진은 신규 고객이나 행동 데이터가 적은 고객에게 결과를 내놓지 못하는 경우가 있습니다. 이때 대체값을 정해 두지 않으면 메시지의 상품 영역이 빈칸으로 나가거나 문장이 깨집니다. 값이 없을 때 발송 자체를 취소할지, 인기 상품 목록으로 대체할지, 카테고리 배너로 대체할지를 시나리오마다 지정해야 합니다.

대체 규칙은 채널 제약과도 얽힙니다. 카카오 알림톡처럼 사전 승인된 템플릿 안에서만 변수를 채울 수 있는 채널에서는 치환 위치와 개수를 심사 전에 확정해야 하므로, 추천 결과의 개수가 가변적인 설계 자체가 통과되지 않을 수 있습니다. 채널별 제약은 220 과목의 템플릿 편에서 확인하고, 이 편에서는 대체값을 반드시 정의한다는 원칙만 지키면 됩니다.

추천에서 무조건 빼야 할 항목은 어떻게 관리하나

추천 점수와 무관하게 절대 나가면 안 되는 항목이 있습니다. 품절 상품, 판매 중지 상품, 연령 제한 상품, 방금 구매한 상품, 반품 진행 중인 상품이 대표적입니다. 이런 항목은 모델의 판단에 맡기지 말고 규칙으로 걸러야 합니다.

이 필터는 억제 조건과 같은 위치에 둡니다. 세그먼트 조건보다 먼저 평가되어야 하는 억제 조건이 수신거부와 결제 완료를 거르듯, 추천 결과에도 발송 직전 필터가 한 번 더 적용돼야 합니다. 재고 정보처럼 자주 바뀌는 값은 배치 동기화에 의존하면 시차가 생기므로, 발송 직전에 다시 조회하는 구조가 안전합니다.

추천의 기여를 어떻게 분리해 측정하나

추천을 켠 뒤 전환율이 올랐다는 사실만으로는 추천의 기여를 알 수 없습니다. 같은 기간 다른 요인이 함께 움직였을 수 있고, 애초에 추천을 받은 고객은 활동이 많은 고객이라 전환율이 높은 집단이기 때문입니다.

분리 방법은 여기서도 홀드아웃입니다. 같은 세그먼트 안에서 일부에게는 추천 기반 콘텐츠를, 일부에게는 고정 콘텐츠를 보내 두 군의 전환율 차이를 봅니다. 이때 두 군의 배정은 무작위여야 하고, 배정 결과는 프로필에 남겨 나중에 재현할 수 있어야 합니다. 리텐션 비교처럼 두 집단의 성과 차이가 우연인지 확인할 때는 잔존과 이탈 인원수를 표로 만들어 검정하는 방식이 쓰이지만, 표본이 작으면 유의한 차이를 잡아내기 어렵다는 한계가 있습니다.

개인정보 관점에서 추가로 확인할 것은 무엇인가

추천 로직은 행태정보를 대량으로 씁니다. 쿠키, 픽셀, 광고 식별자로 수집되는 행태정보는 단독으로는 개인정보가 아니지만, 여러 행태정보를 결합하거나 다른 정보와 결합해 특정 개인을 식별할 수 있으면 개인정보에 해당합니다. CDP 안에서 행태정보는 이미 회원 프로필에 붙어 있으므로 사실상 개인정보로 다루는 편이 안전합니다.

여기에 두 가지를 더 확인합니다. 하나는 수집·이용 동의의 범위 안에 개인화 추천이 들어 있는지이고, 다른 하나는 추천 엔진을 외부 서비스로 쓸 경우 그 관계가 처리위탁인지 제3자 제공인지, 서버가 해외에 있다면 국외 이전에 해당하는지입니다. 개인정보 보호법 제28조의8은 국외 이전을 원칙적으로 제한하고 법이 정한 예외가 있을 때만 허용합니다.