“이 고객에게 왜 이 상품인가?”를 벡터로 설명하는 법

들어가며

고객 페르소나 벡터를 만들었다면, 다음 질문은 피할 수 없다.

“그럼 이 페르소나에

어떤 상품을, 왜 추천해야 할까?”

여기서 핵심은 단순한 유사도가 아니다.

중요한 것은 페르소나 벡터와 상품 벡터가 같은 의미 좌표계에 있는가,

즉 정합성(alignment) 이다.

한 문장 요약

정합성이란,

고객과 상품이 ‘같은 의미 축 위에서’

서로를 이해할 수 있는 상태다.

1.왜 단순 코사인 유사도만으로는 부족한가?

많은 시스템이 이렇게 시작한다.

score = cosine(user_embedding, product_embedding)

문제는 이 질문이다.

“이 두 벡터는 무엇을 기준으로 가까운가?”

• 고객 벡터: 행동·의도·라이프스타일
• 상품 벡터: 스펙·가격·카테고리

→ 의미 기준이 다르면, 유사도는 우연이 된다

2.정합성의 핵심: “공유된 의미 축”

정합성이란 다음 조건을 만족하는 상태다.

• 고객 페르소나 벡터 = 의미 축의 조합
• 상품 벡터 역시 같은 의미 축에 투영 가능

즉,

“이 상품은 어떤 페르소나에게 맞는가?”

를 같은 좌표계에서 답할 수 있어야 한다.

3. 상품 벡터는 어떻게 만들어야 할까?

3-1. 나쁜 예: 스펙 나열 벡터

[용량, 무게, 소비전력, 가격, 색상]

→ 고객 페르소나 축과 직접 연결되지 않음

3-2. 좋은 예: 의미 축 기반 상품 벡터

상품도 의미 축에 투영한다.

예시 축:

• 프리미엄 성향
• 가격 민감도 대응
• 가족 적합도
• 설치 복잡도
• 유지관리 부담

Product Vector =
[
  프리미엄↑,
  가격민감도↓,
  가족적합↑,
  설치난이도↓,
  유지관리↓
]

→ 고객 페르소나 벡터와 동일한 축 구조

4.정합성 설계의 기본 구조

고객 행동 → 고객 임베딩 → 페르소나 벡터
                                  ↓
                          정합성 스코어
                                  ↑
상품 정보 → 상품 임베딩 → 상품 페르소나 벡터

→ 핵심은 중간의 ‘의미 축 공간’

5. 정합성 스코어 설계 방법 3가지

방법 1. 축별 매칭 점수 합산

가장 직관적인 방식.

score = Σ_i ( persona_i × product_i × weight_i )

• persona_i: 고객의 성향
• product_i: 상품의 성향
• weight_i: 비즈니스 중요도

→ “어디서 잘 맞고, 어디서 안 맞는지” 설명 가능

방법 2. 코사인 유사도 (축 공간에서)

• 페르소나 벡터 ↔ 상품 벡터
• 이미 의미 축으로 정렬된 공간

→ 이때의 코사인은 ‘의미적으로 맞는다’는 뜻

방법 3. 제약 조건 기반 정합성

추천 전에 탈락 조건부터 적용.

• 설치 난이도 > 고객 허용치 (X)
• 가격 민감도 × 가격 > 임계값 (X)

→ 정합성 = “좋음” 이전에 “가능함”

6.예시로 보는 정합성 해석

고객 페르소나

[구매의사↑, 가격민감↓, 프리미엄↑, 가족성향↑]

상품 A

[프리미엄↑, 고가, 대용량, 설치복잡]

→ 가족 중심 프리미엄 고객에게 정합성 높음

상품 B

[가성비↑, 소형, 기본 기능]

→ 가격 민감 고객에게는 적합

→ 위 고객에게는 정합성 낮음

“왜 추천/비추천인가?”를 축 단위로 설명 가능

7.정합성 설계가 주는 실무적 이점

설명 가능 추천 (Explainable Recommendation)

• “이 고객은 프리미엄 성향이 높아서…”

전략적 제어 가능

• 특정 축 가중치 조절
• 캠페인 목적에 맞는 추천

데이터가 바뀌어도 견고함

• 축 기반 구조는 유지
• 값만 업데이트

8.흔한 실패 패턴

(X) 고객 벡터만 고도화

(X) 상품 벡터는 카테고리 원-핫

(X) 의미 축 정의 없이 코사인만 사용

→ 결과:

• 이유 없는 추천
• 튜닝 불가
• 비즈니스 설명 불가능

한 문장으로 정리하면

좋은 추천이란

“가까워서”가 아니라

“같은 기준으로 맞아서” 나온다.

마치며

페르소나 벡터와 상품 벡터의 정합성 설계는

추천 시스템을 모델 문제 → 해석 가능한 구조 문제로 바꾼다.

• 고객은 어떤 사람인가?
• 상품은 어떤 성향을 만족시키는가?
• 이 둘은 어디에서 만나는가?

이 질문에 벡터로 답할 수 있다면,

그 추천 시스템은 이미 한 단계 위에 있다.