정보 공간
쇼핑몰 추천·검색 고도화, 실제로 넣는 순서
쇼핑몰에서 “AI 추천”은 매력적인 문구입니다.
다만 실무 순서를 건너뛰면, 품절 상품이 추천되고, 성인·금칙 카테고리가 섞이며, 검색은 여전히 오탈자에 실패합니다. 업계에서도 상품 발견·개인화는 꾸준한 주제입니다. 중요한 것은 모델 이름이 아니라 데이터 → 규칙 → 통계 → 학습/생성 순서입니다.
이 글은 중소·중견 몰이 실제로 넣는 순서를 제시합니다. 허구 전환율 수치는 사용하지 않습니다.
왜 이런 일이 생기나요?
추천·검색의 품질은 모델보다 먼저 상품 마스터에 달려 있습니다.
- 상품명·카테고리·속성이 비어 있거나 제각각
- 품절·진열 숨김·판매 중지 상태가 검색에 반영되지 않음
- 금칙·연령 제한 카테고리 필터 없음
- 이미지·가격·옵션이 채널마다 다름
이 상태에서 “AI 추천 엔진”을 붙이면, 잘못된 결과를 더 그럴듯하게 보여 줄 뿐입니다.
고객이 느끼는 불만도 단순합니다. “찾는 말이 안 된다”, “관련 없는 상품이 뜬다”, “품절만 추천한다”, “한번 본 상품만 계속 나온다”입니다. 원인은 대개 1단계 데이터·규칙 누락입니다.
이렇게 보면 쉬워요
권장 순서입니다.
| 단계 | 하는 일 | 효과 |
|---|---|---|
| 1. 데이터 정리 | 상품명·카테고리·속성·상태 표준화 | 이후 모든 단계의 기초 |
| 2. 규칙 검색 | 동의어, 오탈자, 카테고리 필터, 품절 제외 | 체감 검색 품질 급상승 |
| 3. 인기·연관 규칙 | 함께 구매, 같은 카테고리, 신상품 | 추천 슬롯 채우기 |
| 4. 행동 기반 | 최근 본 상품, 장바구니 보완 | 개인화 시작 |
| 5. 학습·생성 | 고도 모델, 문장형 검색 등 | 데이터·트래픽이 있을 때 |
1~3단계만으로도 “검색이 안 된다” 불만의 상당 부분을 줄일 수 있습니다. 5단계부터 시작하면 비용은 크고 사고 면도 넓습니다.
동의·개인정보도 같이 봅니다. 행동 기반 개인화는 목적 고지·보관 기간·거부 수단이 필요합니다. “몰래 따라다니는 추천”은 신뢰 비용이 큽니다.
이렇게 준비하면 좋아요
- 검색 실패 로그
모읍니다. 고객이 쳤는데 0건인 키워드가 보물입니다. - 동의어 사전
운영합니다. (예: 패딩=다운점퍼) - 품절·숨김·금칙
규칙을 검색·추천 공통으로 적용합니다. - 추천 슬롯마다 목적을 적습니다. (홈 인기 / 상세 연관 / 장바구니 보완)
- 각 슬롯에 폴백을 둡니다. 개인화 결과가 없으면 카테고리 인기 상품.
- 관리자가 특정 상품을 추천 제외·고정 노출할 수 있게 합니다.
측정은 거창한 ROI보다 먼저 이 정도면 충분합니다.
- 검색 0건 비율
- 검색 후 상세 진입
- 추천 클릭 후 장바구니
- 품절 추천 노출 건수(사고 지표)
- □ 상품 마스터 필수 필드·상태가 정의돼 있다
- □ 검색에 품절·숨김·금칙 필터가 있다
- □ 검색 실패 키워드를 주기적으로 본다
- □ 추천 슬롯별 목적·폴백이 있다
- □ 관리자 제외·고정 노출이 가능하다
- □ 개인화 시 동의·보관 정책이 있다
- □ “AI” 전에 1~3단계 완료 여부를 점검했다
자주 하는 실수
- 데이터 정리 없이 추천 솔루션부터 계약
- 품절 상품이 추천 상단에 고정
- 성인·주류 등이 일반 추천에 섞임
- 오탈자·동의어 없이 “AI 검색”만 기대
- 모든 페이지에 같은 추천 로직 복붙
- 성과 수치를 과장한 내부 보고로 범위 비대화
LB Contents는 쇼핑몰 검색·추천을 데이터와 규칙부터 쌓아 올리는 순서로 설계합니다. AI 문구보다 먼저, 지금 몰의 상품·검색 실패 지점부터 같이 볼 수 있습니다.