한 사람을 하나의 벡터로 요약하는 방법
들어가며
기업 입장에서 보면 고객을 얼마나 이해하느냐에 따라 판매하려는 제품이나 서비스의 매출이 크게 좌우된다.
따라서 기업들은 고객의 특성, 즉 페르소나를 알아내기 위한 다양한 방법을 시도해 왔다.
전통적인 방식으로는 demographic 요소를 사용하거나, 명확하게 밝혀진 고객의 행동 통계를 사용하는 방식이다.
예를 들어,
페르소나를 나이, 성별, 거주지 등과 같은 데모그래픽적 기준으로 구별하거나 특정 제품을 일정이상 구매하는 고객 등을 타겟팅하는 방식 등이다.
그러나 이런 방식은 고객에 대한 추상적이면서도 근본적인 특성을 설명해 주는데에는 명확한 한계가 있다.
이번 글에서는 LLM 임베딩을 이용해 고객의 페르소나를 추출하는 방법을 설명한다.
LLM 임베딩의 의미 축(axis) 을 이해했다면, 다음 질문은 자연스럽다.
“그럼 여러 의미 축을 조합해서
이 고객을 대표하는 벡터를 만들 수 있을까?”
답은 그렇다다.
그리고 이때 만들어지는 것이 바로 고객 페르소나 벡터(Persona Vector) 다.
한 문장 요약
고객 페르소나 벡터란,
여러 ‘의미 축’ 위에서의 위치를 조합해
한 고객의 성향을 요약한 벡터다.
1.고객 페르소나 벡터란 무엇인가?
기존 방식 vs 페르소나 벡터
|
방식 |
표현 |
|---|---|
|
규칙 기반 |
“30대 · 남성 · 기혼 · 구매력 상” |
|
클러스터 |
“Cluster #7” |
|
페르소나 벡터 |
의미 축들의 연속적 조합 |
페르소나 벡터는:
- 이산 라벨 X
- 단일 점수 X
- 다차원 성향의 연속 표현 O
2.페르소나 벡터의 기본 재료: 의미 축
대표적인 의미 축 예시:
- 구매 의사 축
- 가격 민감도 축
- 프리미엄 성향 축
- 가족/1인가구 축
- 신제품 수용도 축
- 서비스 민감도 축
이 축들은 앞선 글에서 설명했듯이 보통 다음 방식으로 얻는다.
axis_i = mean(Positive Group) - mean(Negative Group)3.페르소나 벡터를 만드는 가장 단순한 공식
Step 1. 고객 임베딩 준비
- 입력: 고객 행동 시퀀스
- 출력: 고객 임베딩 v_customer
Step 2. 각 의미 축에 투영
각 축에 대해 내적(dot product) 을 계산한다.
score_i = dot(v_customer, axis_i)이 값은 곧:
“이 고객이 해당 성향을 얼마나 갖고 있는가”
Step 3. 점수 벡터로 조합
Persona Vector =
[
구매의사,
가격민감도,
프리미엄성향,
가족성향,
신기술수용도,
서비스민감도
]→ 이것이 고객 페르소나 벡터
4. 직관적 그림으로 이해하기
- 각 축은 하나의 의미 방향
- 고객은 각 축 위에 좌표 값을 가진다
- 여러 축의 조합이 곧 “그 사람”
5.왜 이 방식이 강력한가?
5-1. 라벨 없이도 작동한다
- 약한 라벨
- 휴리스틱 그룹
- 심지어 가설적 그룹
으로도 축을 만들 수 있다.
→ 완전 비지도에 가까운 페르소나 모델링
5-2. 고객은 하나의 클러스터에 갇히지 않는다
- “가족 성향 + 가격 민감 + 신기술 수용”
- “1인가구 + 프리미엄 + 저빈도 구매”
→ 현실적인 혼합 페르소나 표현 가능
5-3. 시간 변화가 자연스럽다
행동이 쌓이면:
- 고객 임베딩이 이동
- 축 투영 값이 서서히 변화
→ 페르소나의 진화 추적 가능
6.실무에서 자주 쓰는 페르소나 구성 예시
예시 1. 가전 구매 페르소나
Persona_A =
[구매의사↑, 가격민감↓, 프리미엄↑, 가족성향↑]→ “가족 중심 프리미엄 구매자”
예시 2. 서비스 리스크 페르소나
Persona_B =
[고장경험↑, 서비스민감↑, 브랜드충성↓]→ “이탈 위험 고객”
7.페르소나 벡터를 어떻게 활용할까?
추천 시스템
- 상품 페르소나 벡터와 코사인 유사도
마케팅 타겟팅
- 특정 축 조합 조건 필터링
시뮬레이션
- “가격 민감도 축이 +1 증가하면?”
설명 가능성
- “왜 이 고객에게 이 상품을 추천했는가?”
8.실무에서 꼭 지켜야 할 주의점
! 축은 독립적일 필요가 없다
- 의미가 겹쳐도 괜찮다
- 현실 세계는 원래 상관되어 있다
! 절대값에 집착하지 말 것
- 상대 비교가 핵심
- 시점/집단 내 랭킹이 중요
! 축은 계속 업데이트된다
- 데이터가 바뀌면
- 의미도 진화한다
한 줄로 정리하면
고객 페르소나 벡터란
“이 고객은 어떤 성향들의 조합인가?”에 대한
가장 압축된 답이다.
마치며
페르소나 벡터를 만들면
고객은 더 이상 “라벨”이 아니다.
- 움직이는 점
- 변화하는 방향
- 맥락 속의 존재
임베딩과 의미 축은
고객을 이해하는 새로운 좌표계를 제공한다.