> ## 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] 18. 구매의사 방향 벡터로 “구매 직전 임계값” 찾기 - URL: https://www.mekeywhydoesmatter.com/embedding-18-gumaeyisa-banghyang-begteoro-gumae-jigjeon-imgyegabs-cajgi/ - Published: 2026-03-02T09:36:00.000Z - Updated: 2026-03-02T09:31:34.000Z - Author: mekey - Tags: Embedding ### **점 하나로 ‘지금이다’를 말할 수 있을까?** --- ## **들어가며** 구매의사 방향 벡터를 만들었다면, 다음 질문은 아주 현실적이다. > “그래서 **어디까지 오면 ‘구매 직전’이라고 볼 수 있지?**” 이 질문에 답하는 것이 바로 **임계값(threshold)** 설계다. 임계값은 추천·푸시·혜택·상담 연결의 **트리거**가 된다. --- ## **한 문장 요약** > **구매 직전 임계값이란,** > **구매의사 스코어가 ‘행동으로 전환될 확률이 급격히 높아지는 지점’이다.** --- ## **1\. 먼저 정리: 우리가 가진 것** - 고객 임베딩 v - 구매의사 방향 벡터 axis\_purchase - 구매의사 스코어 ``` score = dot(v, axis_purchase) ``` 이제 할 일은 **이 score의 어디가 ‘직전’인지**를 찾는 것. --- ## **2\. 임계값은 ‘고정 숫자’가 아니다** (X) 0.5 넘으면 구매 직전 (X) 상위 10%면 구매 직전 이런 규칙은 **초기 가설**로는 쓸 수 있어도, **운영 임계값**으로는 위험하다. → 임계값은 **분포와 결과를 함께 보며 정해진다**. --- ## **3\. 방법 1: 구매 발생 확률 곡선으로 찾기 (가장 정석)** ### **Step 1\. 스코어 구간화** - 구매의사 스코어를 구간(bin)으로 나눈다. ``` [-2.0~-1.5], [-1.5~-1.0], ..., [1.5~2.0] ``` ### **Step 2\. 구간별 구매율 계산** - 각 구간에서 **실제 구매 발생 비율**을 계산 ### **Step 3\. ‘급격한 기울기 변화점’ 찾기** - 구매율이 **완만 → 급증**으로 바뀌는 지점 - 이 지점이 **구매 직전 임계값 후보** → **확률이 ‘튀는’ 지점이 핵심** --- ## **4.방법 2: Precision–Recall 기반 임계값 (운영 친화적)** 구매 직전 타겟팅은 보통 이 고민을 한다. - 너무 낮으면 → 오탐(낭비) - 너무 높으면 → 미탐(기회 손실) ### **절차** 1. 임계값 후보들을 순회 2. 각 임계값에서: - Precision (정확도) - Recall (포착률) 3. **비즈니스 비용 함수**로 최적점 선택 예: ``` Cost = (오탐 비용 × FP) + (미탐 비용 × FN) ``` → **모델이 아니라 비즈니스가 정하는 임계값** --- ## **5\. 방법 3: 시간 기반 검증 (가장 중요한 안정성 체크)** 진짜 “구매 직전”이라면 이 특징이 있어야 한다. > **임계값을 넘긴 후** > **짧은 시간 내 구매가 발생한다** ### **체크 방법** - 고객이 임계값을 **처음 넘긴 시점** - 이후 T일 내 구매 발생 여부 → **임계값 이후 구매까지의 시간이 짧을수록 임계값이 ‘직전’에 가깝다** --- ## **6.방법 4: 다중 임계값 (실무에서 가장 많이 씀)** 현실은 이진이 아니다. 그래서 임계값도 **단계형**이 좋다. ### **예시** | **스코어 구간** | **상태** | **액션** | | ---------- | ------ | -------- | | < T1 | 탐색 | 관찰 | | T1 \~ T2 | 관심 | 콘텐츠 추천 | | T2 \~ T3 | 구매 직전 | 혜택/푸시 | | ≥ T3 | 매우 높음 | 즉시 전환 유도 | → **한 줄의 숫자보다, 상태 머신이 강력하다** --- ## **7\. 임계값이 잘 잡혔는지 확인하는 체크리스트** - 임계값 상단 고객의 실제 행동이 ‘직전’인가? - 시간 흐름에서 스코어가 **자연스럽게 상승**하는가? - 임계값을 자주 넘었다 내려갔다 하지 않는가? - 캠페인 투입 시 **전환율이 유의미하게 증가**하는가? --- ## **8.흔한 실패 패턴** (X) 학습 데이터 분포만 보고 임계값 고정 (X) 카테고리/상품 특성 무시 (X) 시즌성·프로모션 효과 미반영 (X) 단일 숫자에 과도한 의미 부여 → **임계값은 ‘살아 있는 규칙’이다** --- ## **9\. 운영 팁: 임계값을 더 똑똑하게 쓰는 법** - **상품군별 임계값**(고가 vs 저가) - **채널별 임계값**(앱 vs 웹) - **고객군별 임계값**(신규 vs 기존) → 구매의사는 **상대적**이다. --- ## **한 문장으로 정리하면** > **구매 직전 임계값이란** > **숫자 하나가 아니라** > **‘전환 확률이 급변하는 지점’이다.** --- ## **마치며** 구매의사 방향 벡터는 “어느 방향으로 가고 있는가”를 알려준다. 임계값은 그 위에서 묻는 질문이다. - 지금인가? - 조금 더 기다릴까? - 개입할 타이밍인가? 이 둘이 만나는 순간, 추천과 마케팅은 **운이 아니라 설계**가 된다.