항목 추천

사용자가 실제로 원하는 아이템과 콘텐츠를 제안할 수 있는 추천 엔진을 만들어 Braze의 추천 기능을 한 단계 높여보세요. AI로 경험을 개인화하거나 Liquid 또는 연결된 콘텐츠로 자체 엔진을 구축하는 것까지, 모든 추천이 효과를 발휘하도록 하는 데 필요한 모든 것을 찾을 수 있습니다.

사전 준비 사항

Braze에서 아이템 추천을 만들거나 사용하려면 먼저 카탈로그를 하나 이상 만들어야 합니다—해당 카탈로그에 있는 항목만 사용자에게 추천됩니다.

유형 및 사용 사례

AI 개인화

AI 항목 추천 기능의 일부로, AI 개인화 추천은 딥 러닝을 활용하여 사용자가 과거에 관심을 보인 항목을 기반으로 다음에 가장 관심을 가질 만한 항목을 예측합니다. 이 방법은 사용자 행동에 적응하는 동적이고 맞춤화된 추천 시스템을 제공합니다.

AI 개인화 추천은 구매 또는 커스텀 이벤트와 같은 최근 6개월간의 항목 상호작용 데이터를 사용하여 추천 모델을 구축합니다. 개인화된 목록을 생성하기에 충분한 데이터가 없는 사용자의 경우, 가장 인기 있는 항목이 대체로 제공되므로 사용자는 여전히 관련성 있는 제안을 받을 수 있습니다.

AI 항목 추천을 사용하면 셀렉션으로 사용 가능한 항목을 추가로 필터링할 수도 있습니다. 하지만 Liquid를 사용하는 셀렉션은 AI 추천에서 사용할 수 없으므로, 카탈로그 셀렉션을 구축할 때 이 점을 유의하세요.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음이 포함될 수 있습니다:

• 다음에 구매할 가능성이 높은 항목

가장 인기 있는 항목

“가장 인기 있는” 추천 모델은 사용자가 가장 많이 참여하는 항목을 제공합니다.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음과 같은 추천이 포함될 수 있습니다:

• 가장 인기 있는 항목
• 가장 많이 좋아요한 항목
• 가장 많이 본 항목
• 장바구니 인기 항목

가장 최근 항목

“가장 최근” 추천 모델은 사용자가 가장 많이 참여하는 항목을 제공합니다. 이 모델을 사용하여 휴면 사용자가 관련 콘텐츠에 다시 참여하도록 유도하여 이탈을 줄일 수 있습니다.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음과 같은 추천이 포함될 수 있습니다:

• 최근 클릭한 항목
• 최근 좋아요한 항목
• 최근 참여한 항목
• 최근 추가한 항목

트렌딩 항목

“트렌딩” 추천 모델은 최근 사용자 상호작용에서 가장 긍정적인 모멘텀을 보인 항목을 제공합니다. 약 10주간의 이벤트 기록에 대한 가중 분석을 사용하여 계산하며, 가장 최근 약 2주에 가장 높은 가중치를 적용합니다. 작은 변동이 추천 품질에 영향을 미치는 것을 방지하기 위해 활동 임계값과 통계적 평활화 기법을 적용합니다.

지속적으로 높은 상호작용을 보이는 항목을 제공하는 “가장 인기 있는” 모델과 달리, 이 모델은 상호작용이 급증한 항목을 제공합니다. 이를 사용하여 떠오르고 있으며 현재 관심이 증가하고 있는 제품을 추천할 수 있습니다.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음과 같은 추천이 포함될 수 있습니다:

• 트렌딩 구매 항목
• 트렌딩 좋아요 항목

셀렉션 기반

셀렉션은 카탈로그 데이터의 특정 그룹입니다. 셀렉션을 사용하면 카탈로그의 특정 열을 기반으로 커스텀 필터를 설정하는 것과 같습니다. 여기에는 브랜드, 사이즈, 위치, 추가 날짜 등의 필터가 포함될 수 있습니다. 항목이 사용자에게 표시되기 위해 충족해야 하는 기준을 정의할 수 있어 추천 내용을 제어할 수 있습니다.

이전 세 가지 유형은 모두 Braze에서 추천 모델을 설정하고 교육하는 것을 포함합니다. 해당 모델에서도 셀렉션을 사용할 수 있지만, 카탈로그 셀렉션과 Liquid 개인화만으로도 일부 추천 사용 사례를 구현할 수 있습니다.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음과 같은 추천이 포함될 수 있습니다:

• 신규 항목
• 랜덤 항목

규칙 기반

규칙 기반 추천 엔진은 사용자 데이터와 제품 정보를 사용하여 메시지 내에서 사용자에게 관련 항목을 제안합니다. Liquid와 Braze 카탈로그 또는 연결된 콘텐츠를 사용하여 사용자 행동과 속성을 기반으로 콘텐츠를 동적으로 개인화합니다.

규칙 기반 추천은 수동으로 설정해야 하는 고정된 로직을 기반으로 합니다. 이는 로직을 업데이트하지 않는 한 추천이 사용자의 개별 구매 이력과 취향에 맞게 조정되지 않음을 의미합니다. 따라서 이 방법은 자주 업데이트할 필요가 없는 추천에 가장 적합합니다.

사용 사례

추적 중인 상호작용 데이터에 따라, 이 모델의 사용 사례에는 다음이 포함될 수 있습니다:

• 재입고 리마인더: 월간 비타민이나 주간 식료품과 같이 예측 가능한 사용 주기를 가진 항목에 대해 마지막 구매 날짜를 기반으로 재입고 리마인더를 보냅니다.
• 첫 구매 고객: 첫 구매 고객에게 스타터 키트나 소개 혜택을 추천하여 재구매를 유도합니다.
• 로열티 프로그램: 현재 포인트 잔액을 기반으로 고객의 로열티 포인트나 리워드를 극대화할 수 있는 제품을 강조합니다.
• 교육 콘텐츠: 이전에 소비하거나 구매한 자료의 주제를 기반으로 새로운 강좌나 콘텐츠를 제안합니다.

플랜별 AI 기능

다음 표는 AI Personalized, Most Popular, Most Recent, Trending 추천 유형의 무료 버전과 프로 버전 간의 차이점을 설명합니다.

영역	무료 버전	프로 버전
사용자 업데이트 빈도1	주별	일별
모델 재훈련 빈도	월별	주별
최대 추천 모델 수	유형당 1개 모델2	유형당 100개 모델2

<sup>1. 사용자별 항목 추천이 업데이트되는 빈도입니다(AI Personalized 및 Most Recent만 해당). Most Popular와 Trending은 모델이 재훈련될 때 업데이트되는 글로벌 추천입니다. 예를 들어, 사용자가 AI 항목 추천을 기반으로 추천된 항목을 구매하면, 추천 항목은 이 빈도에 따라 업데이트됩니다.
2. 사용 가능한 추천 유형은 AI Personalized, Most Recent, Most Popular, Trending입니다.</sup>

자주 묻는 질문

“가장 인기 있는” 항목이 다른 모델의 추천에 섞이는 이유는 무엇인가요?

추천 엔진이 목록을 큐레이트할 때, 먼저 선택한 특정 모델(예: “가장 최근” 또는 “AI 개인화”)에 따라 개인화된 선택을 추가합니다. 이 모델이 30개 미만의 항목을 채우는 경우, Braze는 가장 인기 있는 항목을 추가합니다. 개인화된 항목이 목록에서 먼저 나타나고, 그 뒤에 가장 인기 있는 대체 항목이 뒤따릅니다.

이는 다음과 같은 특정 조건에서 발생합니다:

• 모델이 기준에 맞는 항목을 30개 미만으로 찾는 경우.
• 관련 항목이 더 이상 사용 가능하지 않거나 재고가 없는 경우.
• 재고 변경이나 사용자 선호도 변경 등으로 인해 항목이 현재 선택 기준을 충족하지 않는 경우.

추천은 독립적으로 작동하며 다른 모델이 추천하는 내용을 알지 못합니다. 따라서 동일한 이메일의 다른 AI 추천 섹션에 이미 표시된 항목이 각 섹션에 중복으로 나타날 수 있습니다.

여러 추천 섹션에서 중복 항목을 방지하려면 어떻게 해야 하나요?

각 추천은 독립적으로 작동하므로 동일한 항목이 같은 메시지의 여러 섹션에 나타날 수 있습니다. 중복을 제거하려면 Liquid를 사용하여 이미 표시한 항목 ID를 추적하고 이후 섹션에서 건너뛰세요.

Item Recommendations Pro로 업그레이드한 후 기존 추천이 매주 학습되나요?

예, 하지만 다음 예정된 업데이트 이후에만 적용됩니다. 기존 추천은 Item Recommendations Pro로 업그레이드하는 즉시 주간 학습 및 일일 예측으로 전환되지 않습니다. 그러나 다음 재학습 주기에서 새로운 스케줄이 자동으로 적용됩니다. 예를 들어, 추천이 2월 1일에 마지막으로 학습되었고 30일마다 재학습되도록 설정된 경우, 3월 2일 다음 업데이트 후 새로운 주간 스케줄이 적용됩니다.

여러 날에 걸친 모든 추천을 한 번에 만료시키려면 어떻게 해야 하나요?

특정 날짜에 여러 날에 걸친 모든 활성 추천을 만료시키고 싶다면(모든 활성 추천이 한 번에 새로운 예측을 받도록), Braze 고객지원팀이나 고객 성공 매니저에게 도움을 요청하세요. Braze AI 전문가가 최대 모델 성능을 보장하기 위해 수동으로 이 작업을 수행합니다.

활성 AI 아이템 추천의 속성정보 이름을 업데이트하면 어떻게 되나요?

속성정보 이름(항목 ID 경로)을 업데이트하고 Save & Build를 선택하면, Braze는 새로운 매핑을 사용하여 최근 6개월간의 상호작용 데이터를 스캔하는 백그라운드 재학습 작업을 시작합니다.

모델이 재학습되는 동안 사용자는 이전 버전의 추천을 계속 볼 수 있습니다. 새 모델이 학습을 성공적으로 완료할 때까지 추천은 변경되지 않습니다. 이는 다음을 의미합니다:

• 사용자는 이전 모델의 개인화된 항목(또는 특정 추천이 없는 경우 글로벌 대체 항목)을 볼 수 있습니다.
• 재학습 과정 중 추천에 중단 시간이나 공백이 없습니다.
• 학습이 성공적으로 완료되면 이전 모델에서 새 모델로의 전환이 원활하게 이루어집니다.

이전 항목 ID 경로를 사용하는 이벤트는 새 모델에서 사실상 무시됩니다. 새로운 속성정보 이름 매핑을 사용하는 이벤트만 재학습에 포함됩니다.

속성정보 이름 변경 후 재학습 작업이 실패하면 어떻게 되나요?

이 위험을 줄이려면 다음 접근 방식을 고려하세요:

1. 원하는 속성정보 이름 구성으로 새 아이템 추천을 생성합니다.
2. 학습이 성공적으로 완료되는지 확인합니다.
3. 활성 추천을 직접 수정하는 대신 새 추천을 참조하도록 메시징을 업데이트합니다.

이 접근 방식을 사용하면 기존 추천을 참조하는 메시지에 대한 중단 위험 없이 새 구성을 테스트할 수 있습니다.