> ## 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] 17. 고객 행동 임베딩에서 구매의사 방향 벡터 만들기 - URL: https://www.mekeywhydoesmatter.com/embedding-1-gogaeg-haengdong-imbedingeseo-gumaeyisa-banghyang-begteo-mandeulgi/ - Published: 2026-03-02T09:35:00.000Z - Updated: 2026-08-30T15:14:33.000Z - Author: mekey - Tags: Embedding ### **“임베딩 공간상에 구매의사가 높아지는 방향이 있다”** --- ## **들어가며** 고객 행동 임베딩을 다루다 보면 이런 질문이 생긴다. > “이 임베딩 공간에서 > **구매의사가 커지는 방향**을 하나의 벡터로 만들 수 있을까?” 정답은 **그렇다**다. 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 표현**하는 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 / LBM 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 안정성**을 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 순위**가 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\.** LBM **\+ LLM 혼합** - LBM: 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 ###