> ## Content Index > Fetch the complete content index at: https://www.mekeywhydoesmatter.com/llms.txt > Use this file to discover other available public pages before exploring further. # [Embedding] 8. 고객의 행동을 임베딩으로 표현하기 - URL: https://www.mekeywhydoesmatter.com/10-gogaegyi-haengdongeul-imbedingeuro-pyohyeonhagi-geurigo-bfm/ - Published: 2026-02-14T14:11:00.000Z - Updated: 2026-08-30T14:50:24.000Z - Author: mekey - Tags: Embedding ### **“고객의 행동을 임베딩으로 어떻게 표현할 수 있을까?”** --- ## **들어가며** LLM 임베딩이 워낙 강력하다 보니 이 원리를 기업들이 관심있어하는 고객의 행동에 적용할 수 있을까? 즉, 다음과 같은 질문이 따라온다. > “일반 자연어 텍스트 말고, > **고객 행동도 LLM 임베딩으로 표현할 수 있을까?**” 기업입장에서는 중요한 질문이다. 정답은 간단하다. > **가능하다.** > **하지만 ‘행동을 무엇으로 보느냐’에 따라 완전히 다른 결과가 나온다.** 이번 글에서는 고객의 행동을 임베딩화하는 방법에 대해 소개한다. --- ## **한 문장 요약** > **LLM은 행동을 ‘의미 있는 서사(narrative)’로 바꿀 수는 있지만,** > **행동의 전이 확률을 가장 잘 학습하는 모델은 아니다.** 즉, LLM 임베딩만으로 현재 고객의 상황을 훌륭하게 설명할 수 있지만 다음 행동을 예측하기에는 조금 부족하다. --- ## **1.핵심 전제: LLM은 ‘텍스트 모델’이다** LLM은 본질적으로 이런 모델이다. ``` P(token_t | token_1 ... token_{t-1}) ``` 즉, - 언어 구조 - 문맥 - 의미 관계 를 학습한다. 그렇다면 행동은 어떻게 들어가야 할까? → **텍스트로 변환되어야 한다.** --- ## **2.행동을 LLM 임베딩으로 표현하는 기본 전략** ### **Step 1\. 행동을 의미 단위로 변환** 예: ``` 세탁기 검색 → 드럼세탁기 상세 비교 → 가격 확인 → 리뷰 반복 확인 → 구매 ``` 또는 문장형: ``` 최근 세탁기 구매를 고려하며 여러 모델을 비교하고 가격과 리뷰를 반복 확인한 뒤 구매함 ``` **행동 → 서술** --- ### **Step 2\. LLM 임베딩 추출** LLM의 트랜스포머 레이어에서 여러 방식으로 임베딩을 추출할 수 있다. 가장 대표적인 방법은, - CLS 토큰 - Mean pooling - Sentence embedding 모델 결과: ``` v_customer ∈ R^d ``` 이 벡터는 이제: - 고객의 현재 관심사 - 구매 맥락 - 의도 수준 을 반영한다. --- ## **3.LLM 임베딩이 잘 표현하는 것** ### **행동의 “의미”** - 단순 탐색 vs 구매 직전 탐색 - 정보 수집 vs 문제 해결 - 충동 구매 vs 비교형 구매 ### **행동의 “맥락”** - 반복 탐색 - 기간 내 집중도 - 상품군 일관성 ### **페르소나 추론** - 프리미엄 성향 - 가격 민감도 - 가족 중심 사용 → **행동을 ‘사람처럼 이해’하는 데 강하다** --- ## **4.하지만 LLM임베딩은 이런 건 약하다** ### (X) **정밀 전이 예측** - 다음 클릭 정확도 - 초 단위 시점 예측 - 이벤트 ID 단위 확률 계산 그렇다면 이건 어떤 모델을 사용해야 할까? 정답은 바로 행동 순서를 학습하는 모델을 새로 만드는 것이다. 우리는 이런 모델을 Large Behavior Model(LBM)이라고 부른다. > LLM은 의미 구조를 학습한 것이라면 > LBM은 행동 확률 구조를 학습하도록 만든다 --- ## **5.LLM vs. LBM. 개념적으로 보면 이렇게 다르다** | **관점** | **LLM** | **LBM** | | -------- | ------- | ------- | | 행동의 의미 | 서사 | 전이 | | 임베딩의 의미 | 상태 설명 | 상태 확률 | | 설명 가능성 | 높음 | 낮음 | | 다음예측 정확도 | 중간 | 높음 | --- ## **6.LLM 임베딩으로만 고객 행동을 표현하면?** ### **가능 영역** - 고객 유사도 계산 - 클러스터링 - 구매의사 방향 벡터 생성 - 설명 가능한 추천 - 페르소나 벡터 구성 --- ### **위험 영역** - 실시간 next-click 예측 - 마이크로 타이밍 최적화 - 광고 입찰 확률 모델링 → **LLM 임베딩은 “의미 중심”이다** --- ## **7\. 가장 좋은 전략은 무엇인가?** ### **구조 분리** ``` 행동 시퀀스 ↓ LBM → 전이 예측 LLM → 의미 임베딩 ``` 또는 ``` LLM → 페르소나/설명 LBM → 타이밍/정밀 예측 ``` → 즉, 목적기반으로 **이해와 예측을 분리한다** --- ## **8.중요한 질문 하나** 행동을 LLM 임베딩으로 표현하려는 이유는 무엇인가? - 고객 이해? - 설명 가능성? - 범용 임베딩 재사용? - 빠른 프로토타이핑? → 이 질문에 “예”라면 LLM 임베딩은 매우 강력하다. --- ## **9.한 단계 더 깊이: 행동을 ‘텍스트화’하는 게 핵심이다** LLM이든 LBM이든 Garbage in, Garbage out이다. 즉, 입력이 제일 중요하다. LLM 임베딩의 성패는 모델이 아니라 **행동 텍스트 설계**에 달려 있다. - 단순 나열 (X) - 의미 단위 추상화 (O) - 의도 표현 (O) - 시간 흐름 자연어화 (O) → 임베딩 품질의 70%는 여기서 결정된다. --- ## **한 문장으로 정리하면** > **고객 행동은 LLM 임베딩으로 표현할 수 있다.** > **다만 그것은 ‘다음 행동’이 아니라** > **‘지금 어떤 이야기 속에 있는가’를 표현한다.** **다음 행동을 알고 싶다면 LBM을 설계하라** --- ## **마치며** 행동은 두 얼굴을 가진다. - 확률의 연쇄 (전이) - 의미의 흐름 (서사) LLM은 후자를 잘 이해한다. LBM은 전자를 잘 맞춘다. 그리고 성숙한 시스템은 둘 중 하나를 고르는 대신, **둘을 역할에 맞게 배치한다.**