고객 스코어링 방식의 결정적 차이 : 의미 축(axis) vs 앵커 벡터(anchor)

“방향으로 잴 것인가, 기준점과의 거리로 잴 것인가”

들어가며

고객 임베딩을 스코어링할 때 흔히 사용하는 방법은

의미 축(axis)에 투영하는 방식이다.

하지만 다른 방법도 있다.

“특정 기준 고객(또는 기준 문장)을 하나 정해두고

그 벡터와의 유사도로 스코어링하면 안 될까?”

이게 바로 앵커 벡터 기반 스코어링이다.

둘은 비슷해 보이지만,

철학과 수학적 성격이 완전히 다르다.

한 문장 요약

의미 축은 ‘방향’을 기준으로 스코어링하고,

앵커 벡터는 ‘특정 기준점과의 유사도’를 기준으로 스코어링한다.

1. 정의부터 명확히 하자

(1) 의미 축(axis) 기반 스코어링

축은 보통 이렇게 만든다.

axis = mean(High Group) - mean(Low Group)
score = dot(v_customer, axis)

-> 양극 대비(contrast) 로 정의된 방향

(2) 앵커 벡터(anchor) 기반 스코어링

앵커는 이렇게 만든다.

anchor = embedding("프리미엄 제품을 선호하는 고객")
score = cosine(v_customer, anchor)

-> 하나의 기준 상태(reference state)

시각적으로는 아래와 같이 표현된다.

2. 수학적으로 무엇이 다른가?

의미 축은 “선형 분리 방향”

• 중심은 0
• 양/음 방향 존재
• 대비 구조

앵커는 “거리 기반”

• 기준점과의 유사도
• 음/양 개념 없음
• 방향성보다 proximity

3. 개념적 차이

4. 언제 의미 축이 더 좋은가?

이런 상황

• “구매 vs 비구매”처럼 명확한 대비
• 연속적 스코어 필요
• 임계값 기반 운영
• 선형 분리 성능 중요

-> 비즈니스 의사결정에 적합

5. 언제 앵커가 더 좋은가?

이런 상황

• 라벨이 없음
• 특정 고객 유형과의 유사도만 알고 싶음
• zero-shot 분석
• 빠른 프로토타이핑

예:

anchor = embedding("대형 가전을 선호하는 4인 가족 고객")

-> 페르소나 유사도 분석에 적합

6. 해석 관점에서의 결정적 차이

의미 축

“이 고객은 구매의사 방향으로

얼마나 이동했는가?”

→ 상태 변화 해석 가능

앵커

“이 고객은

특정 기준 고객과 얼마나 비슷한가?”

→ 군집 유사도 해석

7. 안정성 차이

의미 축은 보통:

• 두 집단 평균 기반
• 데이터 변화에 비교적 강함

앵커는:

• 특정 벡터에 강하게 의존
• 앵커 선택이 바뀌면 결과 급변

-> 앵커는 설계 민감도가 높다.

8. 혼합 전략이 가장 강력하다

실무에서는 이렇게 쓰는 경우가 많다.

의미 축 → 1차 필터링
앵커 유사도 → 세부 페르소나 매칭

또는

여러 앵커 벡터를 묶어
축처럼 구성

9. 중요한 통찰

의미 축은:

“이 문제를 어떻게 자를 것인가?”

앵커는:

“이 고객은 누구와 닮았는가?”

질문이 다르다.

10. 흔한 오해

(X) 앵커 유사도가 높으면 그 성향이 강하다

→ 반드시 그렇지 않다 (단일 기준 문제)

(X) 의미 축이 항상 더 과학적이다

→ 라벨 품질에 따라 달라진다

(X) 둘 중 하나만 써야 한다

→ 대부분 혼합이 최적

11. 앵커 벡터 여러개를 조합하는 방법

앵커를 사용할 때의 한계는 앞서 설명했듯 분명하다.

• 기준점 하나에 과도하게 의존
• 양/음 방향이 없음
• 대비 구조가 약함

그래서 등장하는 아이디어가 이것이다.

“앵커 여러 개를 조합해서

의미 축(axis)처럼 쓸 수는 없을까?”

가능하다.

그렇게 만든 축을 여기서는 pseudo-axis라고 부르자.

방법 1. Positive 앵커 평균

여러 개의 긍정 앵커를 평균낸다.

A_pos = mean([
  embedding("프리미엄 제품 선호"),
  embedding("고가 제품 구매 이력"),
  embedding("브랜드 충성 고객")
])

그리고:

score = dot(v_customer, A_pos)

-> 단일 앵커보다 안정적 하지만 아직 방향은 아니다

이 방식은 여전히 “유사도”다. 반대 방향이 없다.

아래와 같이 대비구조를 추가한다.

방법 2. Positive − Negative 앵커

이게 가장 강력한 방식이다.

A_pos = mean(긍정 앵커들)
A_neg = mean(반대 앵커들)

pseudo_axis = normalize(A_pos - A_neg)

이제 스코어는:

score = dot(v_customer, pseudo_axis)

-> 양/음 해석 가능

-> 축 구조 완성

예시: 구매의사 pseudo-axis

A_pos:
- "곧 구매하려는 고객"
- "장바구니에 상품을 담고 결제 직전인 상태"
- "구매 의도가 매우 높은 사용자"

A_neg:
- "단순 탐색 고객"
- "정보만 확인하는 사용자"
- "구매 의사가 낮은 상태"

하지만, 모든 앵커가 동일하게 중요하지 않다.

pseudo_axis =
   w1 * anchor1
 + w2 * anchor2
 - w3 * anchor3
 - w4 * anchor4

가중치는:

• 전문가 판단
• 데이터 기반 최적화
• 작은 선형 모델 학습

-> semi-supervised 방식 가능

앵커를 생성하는 방법

방법 1. 클러스터 중심 사용

1. 고객 클러스터링
2. 특정 클러스터 중심을 앵커로 지정

방법 2. 대표 샘플 평균

• 상위 5% 구매 직전 고객 평균
• 하위 5% 탐색 고객 평균

그러나 여전히 아래와 같은 위험이 있다.

(X) 앵커 설계에 매우 민감

(X) 데이터 분포 반영이 제한적

(X) 과도한 주관성 위험

(X) 고차원 왜곡 가능

-> 정규화 및 검증 필수

검증 방법

• 극단값 샘플 점검
  Top / Bottom 고객 직접 확인
• 단순 분류 성능 확인
  pseudo-axis score 하나로 구매 예측 가능 여부 확인
• 앵커 제거 민감도 테스트
  앵커 하나 제거했을 때 결과 급변하면 불안정

한 문장으로 정리하면

의미 축은 ‘대비 기반 방향 스코어’이고,

앵커는 ‘기준점 유사도 스코어’다.

무엇을 묻느냐에 따라 선택이 달라진다.

마치며

고객을 스코어링하는 방식은

결국 이 질문으로 귀결된다.

• 우리는 상태 변화를 측정하려는가?
• 아니면 특정 유형과의 유사도를 보고 싶은가?

전자는 의미 축,

후자는 앵커 벡터가 적합하다.

그리고 가장 정교한 시스템은

둘을 함께 사용한다.