> ## 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] 7. LLM 임베딩 투영값으로 고객 스코어링하기 - URL: https://www.mekeywhydoesmatter.com/9-llm-imbeding-tuyeonggabseuro-gogaeg-seukoeoringhagi/ - Published: 2026-02-14T13:55:49.000Z - Updated: 2026-03-02T08:07:24.000Z - Author: mekey - Tags: Embedding ### **벡터로 “지금 이 고객은 어디쯤인가”를 말하는 법** --- ## **들어가며** LLM 임베딩과 의미 축을 만들었다면, 다음 질문은 아주 현실적이다. > “그래서 이 고객을 > **숫자 하나로 스코어링할 수 있나요?**” 답은 **그렇다**다. 그리고 그 가장 안정적이고 설명 가능한 방법이 **임베딩 투영값(projection score)** 이다. --- ## **한 문장 요약** > **임베딩 투영값이란,** > **고객 벡터를 ‘의미 축’ 위에 떨어뜨린 값이며** > **가장 정직한 고객 스코어다.** --- ## **1.왜 ‘투영값’이 고객 스코어로 좋은가?** 기존 고객 스코어의 문제는 이것이다. - 규칙이 많다 - 해석이 어렵다 - 새 데이터에 취약하다 임베딩 투영값은 다르다. - 의미 축 하나 = 하나의 질문 - 투영값 = 그 질문에 대한 **연속적 답** - 모델 복잡도 ↓, 설명력 ↑ → **스코어가 ‘어디서 나왔는지’ 명확하다** --- ## **2.기본 개념 정리 (아주 간단히)** 지난 글에서 정리했던 것을 다시 상기하자. ### **우리가 가진 것** - 고객 임베딩: v\_customer - 의미 축(방향 벡터): axis ### **고객 스코어 계산** ``` score = dot(v_customer, axis) ``` - 값이 클수록 → 해당 성향이 강함 - 0 근처 → 중립 - 음수 → 반대 성향 ! 절대값보다 **상대적 위치**가 중요 --- ## **3.어떤 의미 축을 스코어로 쓸 수 있을까?** 실무에서 바로 쓰이는 축 예시: - 구매의사 축 - 가격 민감도 축 - 프리미엄 성향 축 - 가족/1인가구 축 - 이탈 위험 축 - 서비스 민감도 축 → **“이걸로 무엇을 결정할 건가?”** 에 답이 되는 축만 스코어로 만든다. --- ## **4.스코어링 파이프라인 전체 그림** ``` 고객의 행동 텍스트 ↓ 임베딩 모델 ↓ 고객 임베딩 v ↓ 의미 축(axis)에 투영 ↓ 스코어(score) ↓ 랭킹 / 임계값 / 액션 ``` --- ## **5.Step-by-Step: 실무 구현 흐름** --- ### **Step 1\. 의미 축 준비** 예: 구매의사 축 ``` axis_purchase = mean(구매 직전 고객) - mean(탐색만 한 고객) ``` - 반드시 normalize 권장 - 축은 **고정 자산**처럼 관리 --- ### **Step 2\. 고객 스코어 계산** ``` purchase_score = dot(v_customer, axis_purchase) ``` 이 값 하나로도 다음이 가능하다. - 고객 랭킹 - 구매 직전 후보 추출 - 시간에 따른 변화 추적 --- ### **Step 3\. 분포 기반 정규화 (권장)** 원점 기준 값은 직관이 떨어질 수 있다. 실무에서는 자주 이렇게 바꾼다. - Z-score - Percentile (상위 5%, 10%) - Min–Max scaling → **“상위 몇 %인가?”가 가장 이해하기 쉽다** --- ## **6.단일 스코어 vs 다중 스코어** ### **단일 스코어** - 구매의사 스코어 - 이탈 위험 스코어 → 운영·트리거에 최적 --- ### **다중 스코어 (페르소나 스코어링)** ``` Customer Persona Score = [ 구매의사: 0.83, 가격민감도: -0.62, 프리미엄성향: 0.91, 가족성향: 0.74 ] ``` → 고객을 **숫자 묶음이 아닌 성향 좌표**로 이해. 이것이 곧 페르소나 벡터다. --- ## **7.이 스코어가 ‘좋은지’ 검증하는 법** ### **검증 1\. 극단값 샘플 점검** - 상위 5% - 하위 5% → 실제 행동이 설명과 맞는가? --- ### **검증 2\. 간단한 downstream 테스트** - 입력: 스코어 하나 - 모델: Logistic Regression → 성능이 잘 나온다면 **의미축 + 투영이 잘 작동함을 의미** --- ### **검증 3\. 시간 연속성** - 고객 행동 변화 - 스코어가 **부드럽게 이동**하는가? → 튀는 스코어는 위험 신호 --- ## **8.운영에서 가장 많이 쓰는 패턴** ### **패턴 1\. 임계값 트리거** - 구매의사 스코어 > T - → 푸시 / 혜택 / 상담 연결 --- ### **패턴 2.Top-K 타겟팅** - 상위 3% - 상위 10% → 캠페인 규모 조절에 유리 --- ### **패턴 3\. 스코어 변화량 감지** - Δscore ↑ 급증 - → “관심이 막 올라온 고객” --- ## **9.흔한 실패 패턴** (X) 스코어를 블랙박스로 취급 (X) 의미 축 검증 없이 바로 KPI 연결 (X) 절대값 해석에 집착 (X) 너무 많은 축을 동시에 운영 → **스코어는 단순할수록 강하다** --- ## **한 문장으로 정리하면** > **임베딩 투영값 스코어링이란** > **“이 고객은 지금 이 질문에 대해** > **어느 방향에 얼마나 와 있는가?”를** > **숫자 하나로 답하는 방법이다.** --- ## **마치며** 임베딩은 점이고, 의미 축은 방향이며, 투영값은 **현재 위치**다. 이 세 가지가 연결되는 순간, - 고객 스코어는 - 규칙이 아니라 **좌표**가 되고 - 예측은 점수가 아니라 **흐름**이 된다. 임베딩 투영값은 **가장 단순하면서도 가장 설명 가능한 고객 스코어**다.