> ## 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] 19. 의미축이 아닌 앵커 벡터를 사용해 고객을 스코어링할 때의 차이는? - URL: https://www.mekeywhydoesmatter.com/embedding-19-yimicugi-anin-aengkeo-begteoreul-sayonghae-gogaegeul-seukoeoringhal-ddaeyi-caineun/ - Published: 2026-03-02T09:56:22.000Z - Updated: 2026-03-02T10:24:43.000Z - Author: mekey - Tags: Embedding ## **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 방식**이다. 하지만 다른 방법도 있다. > “특정 기준 고객(또는 기준 문장)을 하나 정해두고 > 그 벡터와의 유사도로 스코어링하면 안 될까?” 이게 바로 **앵커 벡터 기반 스코어링**이다. 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. ![](https://storage.ghost.io/c/17/be/17be79cb-cb85-4821-86d0-f1611eeee9a3/content/images/2026/03/-------------------------------2026-03-02--------------7.28.47-1.png) # **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** | **항목** | **의미 축** | **앵커 벡터** | | ------ | -------- | --------- | | 기준 | 두 집단 대비 | 하나의 기준점 | | 방향성 | 있음 | 없음 | | 양/음 해석 | 가능 | 어려움 | | 선형 분리 | 강함 | 제한적 | | 해석 안정성 | 비교적 높음 | 앵커 정의에 의존 | --- # **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-axis**라고 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 벡터**가 적합하다. 그리고 가장 정교한 시스템은 둘을 함께 사용한다.