“임베딩 공간상에 구매의사가 높아지는 방향이 있다”

들어가며

고객 행동 임베딩을 다루다 보면 이런 질문이 생긴다.

“이 임베딩 공간에서
구매의사가 커지는 방향을 하나의 벡터로 만들 수 있을까?”

정답은 그렇다다.

그리고 이 방향 벡터는 다음을 가능하게 한다.

  • 구매의사 연속 스코어링
  • 구매 직전 고객 조기 포착
  • 설명 가능한 추천 근거 생성

한 문장 요약

구매의사 방향 벡터란,
행동 임베딩 공간에서 ‘구매로 갈수록 증가하는 방향’을 나타내는 벡터다.

1.왜 ‘구매의사’를 방향으로 봐야 할까?

구매는 이진이 아니다.

관심 없음
 → 탐색
 → 비교
 → 망설임
 → 구매 직전
 → 구매
  • 현실: 연속적인 과정
  • 라벨: 이진(구매/미구매)

→ 임베딩 공간에서는 이 연속성을 ‘방향(direction)’으로 표현하는 게 가장 자연스럽다.

2.구매의사 방향 벡터의 핵심 정의

구매의사 방향 벡터 =
구매 성향이 강한 고객 집단의 평균 임베딩 − 구매 성향이 약한 고객 집단의 평균 임베딩

수식으로는:

axis_purchase = mean(High-Intent Group) - mean(Low-Intent Group)

3.Step-by-Step: 실무에서 만드는 방법

Step 1. 고객 행동 임베딩 준비

  • 입력: 고객 행동 시퀀스 (텍스트화 권장)
  • 모델: LLM 임베딩 / BFM 임베딩
  • 출력: v_customer ∈ R^d

! 임베딩 품질은
행동 텍스트 설계 단계에서 이미 70% 결정된다.

Step 2. ‘구매의사 그룹’ 정의하기 (가장 중요)

라벨이 완벽할 필요는 없다.

약한 기준(weak signal) 이면 충분하다.

예시 기준

  • 최근 N일 내 구매
  • 장바구니 + 결제 페이지 진입
  • 구매 직전 이벤트 반복
  • 가격/리뷰 반복 확인
High-Intent Group: 구매 직전/구매 고객
Low-Intent Group: 탐색만 한 고객

→ 완벽한 정답보다, 명확한 대비가 중요

Step 3. 평균 임베딩 계산

v_pos = mean(embeddings of High-Intent Group)
v_neg = mean(embeddings of Low-Intent Group)
  • outlier 제거 권장
  • 샘플 수 불균형 시 가중 평균 고려

Step 4. 구매의사 방향 벡터 계산

axis_purchase = v_pos - v_neg
axis_purchase = normalize(axis_purchase)

정규화(normalize)는 비교 안정성을 높여준다.

4.구매의사 스코어 계산법

각 고객 임베딩 v에 대해:

purchase_score = dot(v, axis_purchase)

해석:

  • 값 ↑ → 구매의사 ↑
  • 0 근처 → 중립/모호
  • 음수 → 구매 의사 낮음

→ 절대값보다 상대 순위가 중요하다.

5.이 벡터가 ‘잘 만들어졌는지’ 확인하는 법

검증 1.극단값 샘플 점검 (Human-in-the-loop)

  • Top 5% / Bottom 5% 고객
  • 실제 행동 로그를 직접 확인

→ “사람이 봐도 구매 직전인가?”

검증 2. 간단한 분류 성능

  • 입력: purchase_score 하나
  • 모델: Logistic Regression

→ 단일 스칼라로도 구매 예측이 된다면 축이 잘 잡힌 것

검증 3. 시간 흐름 안정성

  • 동일 고객
  • 시간에 따라 score 변화 추적

→ 구매 직전으로 갈수록 점진적으로 증가하는가?

6.자주 쓰는 확장 전략

확장 1. 단계별 구매 축

  • 탐색 → 비교 축
  • 비교 → 구매 직전 축
  • 구매 → 재구매 축

→ 여러 개의 구매 관련 방향 벡터 가능

확장 2. 상품 카테고리별 구매 축

  • TV 구매 축
  • 세탁기 구매 축
  • 서비스 상품 구매 축

→ 구매의사는 도메인 의존적

확장 3. BFM + LLM 혼합

  • BFM: 구매 시점 예측
  • LLM 임베딩: 구매 의미 축

→ 예측 + 설명 동시 만족

7.흔한 실패 패턴

(X) 구매/미구매 라벨을 임베딩에 직접 강요

(X) 소수 샘플로 축 생성

(X) 축 검증 없이 바로 KPI 연결

(X) 스코어 절대값에 집착

→ 구매의사는 방향이지, 스위치가 아니다

한 문장으로 정리하면

구매의사 방향 벡터는
“이 고객이 지금 어디쯤 와 있는가?”를
임베딩 공간에서 가장 정직하게 보여준다.

마치며

구매의사 방향 벡터를 만들면

고객 임베딩은 더 이상 추상적인 점이 아니다.

  • 한 방향으로 움직이고
  • 임계점에 가까워지며
  • 행동으로 전환된다

이 방향 벡터 하나로

  • 예측은 단순해지고
  • 설명은 가능해지며
  • 추천은 설득력을 갖는다

[Embedding] 17. 고객 행동 임베딩에서 구매의사 방향 벡터 만들기