데이터 분석과 머신 러닝으로 지속적인 스탬프 추천 로직 개선
- DAY1 16:40-17:00 KST
- Youtebe link
배경
- 라인 스티커 숍에는 스티커 추천 기능이 있음.
- 이전에는 스티커를 구매하기 위해선 스티커 숍을 방문해야했음. 현재는 UI 변경으로 숍 접근 없이 스티커 정보 접근 가능해짐
- 유저 행동상으로도 89% 유저가 추천 외 스티커를 구매 -> 대부분의 유저가 추천 스티커 이외의 경로로 스티커를 접하고 구매함
- 스티커 숍을 방문하는 유저는 매우 능동적인 유저라고 판단, 스티커 숍 방문 없이 스티커를 접할 수 있는 경험을 늘려야한다고 판단.
추천 모델
-
기존 추천 모델에는 나이브 베이즈 모델을 사용하였음. -> 심플한 모델링
-
새 모델로는 뉴럴 네트워크 모델을 적용하여 유저 취향을 더 깊게 파악하도록 함.
-
지표 후보로는 스티커 추천을 통해 구매했는지 여부와 메이저 패키지, 마이너 패키지로 구분하여 지표로 삼음.
-
마이너 스티커의 매출이 상승한 것으로 나타남
- -> 추천 다양화 확인됨.
-
마이너 패키지의 판매량은 상승하긴 했지만 총 노출수 증가량에는 많이 미치지 못하는 것으로 나타남.
-
확인 결과, '오사카 사투리' 스티커를 추천, 구매하면 다른 지역의 사투리 스티커를 추천하고 있었음
- -> 실제 사용자 경향을 봤을 땐 다른 사투리 스티커를 구매할 가능성은 낮음
모델 변경 검토
- 더 추상화된 모델을 검토. convolution layer를 도입함.
- 레이어 내에서의 피처 변화가 간소화되고 심플한 네트워크 구조가 나타남.
- 모델 변경 후 마이너 패키지 노출도 대비 판매량이 비슷한 수준까지 올라오게 개선되고, 전체 매출 증가율도 약 두배로 증가함.
