개인화 및 추천 기능의 맞춤형 AI 서비스 혁명: Amazon Personalize - 남궁영환 솔루션즈 아키텍트, AWS / 강성문 솔루...Amazon Web Services Korea
개인화 및 추천 기능의 맞춤형 AI 서비스 혁명: Amazon Personalize
남궁영환 솔루션즈 아키텍트, AWS
강성문 솔루션즈 아키텍트, AWS
점점 상품과 개인별 취향이 다양해지는 환경에서 '추천'과 '개인화'는 비즈니스의 핵심 요소가 되었습니다. 이 세션에서는 Amazon.com을 대표하는 '개인화 & 추천' 기술을 바탕으로 만들어진 서비스인 Personalize에 대해 자세히 알아봅니다. 직접 알고리즘을 개발하지 않고도 고품질의 개인화&추천 모델을 리테일, 미디어, 게임 비즈니스를 비롯한 다양한 분야에 적용할 수 있는 방법도 함께 다룹니다.
[AWS Innovate 온라인 컨퍼런스] Amazon Personalize를 통한 개인화 추천 기능 실전 구현하기 - 최원근, AWS 솔...Amazon Web Services Korea
발표자료 다시보기: https://youtu.be/npwFUT6XO18
Amazon Personalize는 Amazon.com에서 20년 이상 추천/개인화를 제공해 온 경험을 바탕으로, 회사가 권장 사항, 검색 결과, 이메일 캠페인및 알림과 같은 개인화 된 경험을 제공하도록 돕는 완전 관리 형 서비스입니다. 본 세션에서는 기계 학습에 대한 지식 없이도 개인화 및 추천 기능을 도입하고 싶을때, 현장에서 충분히 활용 가능한 Amazon Personalize를 상세하게 알아보고 이를 활용한 간단한 데모를 통해 실제 활용 예시를 살펴보겠습니다.
Module1 - Amazon Personalize 중심으로 살펴보는 추천 시스템의 원리와 구축
Module 2 - 추천 시스템을 위한 데이터 분석 시스템 구축 하기
Module 3 - E-Commerce 사이트를 보다 Smart 하게 만들기 (Amazon Comprehend & Fraud Detector)
[NEW LAUNCH!] Introducing Amazon Personalize: Real-time Personalization and R...Amazon Web Services
Amazon Personalize is a fully-managed service that helps companies deliver personalized experiences, such as recommendations, search results, email campaigns and notifications. It brings over 20 years of experience in personalization from Amazon.com and puts it in the hands of developers with little or no machine learning experience. Amazon Personalize uses AutoML to automate the entire process of managing and processing data, choosing the right algorithm based on the data, and using the data to train and deploy custom machine learning models — all with a few simple API calls. Join us and learn how you can use Concierge to build engaging experiences that respond to user preferences and behavior in real-time.
핵심 미래 분석 기술! 시계열 분석을 활용한 수요예측과 재고관리 최적화 사례 – 김형일 AWS 솔루션즈 아키텍트, 이환기 신세계아이앤씨 A...Amazon Web Services Korea
리테일을 포함한 많은 기업들이 디지털 전환의 핵심 기술로 AI와 머신러닝 활용을 고려하고 있습니다. 본 세션에서는 리테일 비즈니스 최적화를 위한 수요 예측과 재고관리에 시계열 분석을 도입하기 위한 분석도구로 Amazon Forecast와 Amazon SageMaker를 활용하는 방안에 대해 알아보고, 국내 대형유통업체가 AWS 서비스를 활용하여 어떻게 재고를 최적화했는지 성공사례를 공유해 드립니다.
Amazon Personalize를 처음 접하시는 분들이나 추천서비스 도입을 고민중 분들을 위해 이론과 동작 원리를 이해하고 실습 워크샵실습을 해보므로서 문제 해결 방식을 심도깊게 살표봅니다. 개인화된 추천 모델 직접 만들고 배포하므로써 실제 어떻게 활용되는지를 체험할 수 있습니다.
개인화 및 추천 기능의 맞춤형 AI 서비스 혁명: Amazon Personalize - 남궁영환 솔루션즈 아키텍트, AWS / 강성문 솔루...Amazon Web Services Korea
개인화 및 추천 기능의 맞춤형 AI 서비스 혁명: Amazon Personalize
남궁영환 솔루션즈 아키텍트, AWS
강성문 솔루션즈 아키텍트, AWS
점점 상품과 개인별 취향이 다양해지는 환경에서 '추천'과 '개인화'는 비즈니스의 핵심 요소가 되었습니다. 이 세션에서는 Amazon.com을 대표하는 '개인화 & 추천' 기술을 바탕으로 만들어진 서비스인 Personalize에 대해 자세히 알아봅니다. 직접 알고리즘을 개발하지 않고도 고품질의 개인화&추천 모델을 리테일, 미디어, 게임 비즈니스를 비롯한 다양한 분야에 적용할 수 있는 방법도 함께 다룹니다.
[AWS Innovate 온라인 컨퍼런스] Amazon Personalize를 통한 개인화 추천 기능 실전 구현하기 - 최원근, AWS 솔...Amazon Web Services Korea
발표자료 다시보기: https://youtu.be/npwFUT6XO18
Amazon Personalize는 Amazon.com에서 20년 이상 추천/개인화를 제공해 온 경험을 바탕으로, 회사가 권장 사항, 검색 결과, 이메일 캠페인및 알림과 같은 개인화 된 경험을 제공하도록 돕는 완전 관리 형 서비스입니다. 본 세션에서는 기계 학습에 대한 지식 없이도 개인화 및 추천 기능을 도입하고 싶을때, 현장에서 충분히 활용 가능한 Amazon Personalize를 상세하게 알아보고 이를 활용한 간단한 데모를 통해 실제 활용 예시를 살펴보겠습니다.
Module1 - Amazon Personalize 중심으로 살펴보는 추천 시스템의 원리와 구축
Module 2 - 추천 시스템을 위한 데이터 분석 시스템 구축 하기
Module 3 - E-Commerce 사이트를 보다 Smart 하게 만들기 (Amazon Comprehend & Fraud Detector)
[NEW LAUNCH!] Introducing Amazon Personalize: Real-time Personalization and R...Amazon Web Services
Amazon Personalize is a fully-managed service that helps companies deliver personalized experiences, such as recommendations, search results, email campaigns and notifications. It brings over 20 years of experience in personalization from Amazon.com and puts it in the hands of developers with little or no machine learning experience. Amazon Personalize uses AutoML to automate the entire process of managing and processing data, choosing the right algorithm based on the data, and using the data to train and deploy custom machine learning models — all with a few simple API calls. Join us and learn how you can use Concierge to build engaging experiences that respond to user preferences and behavior in real-time.
핵심 미래 분석 기술! 시계열 분석을 활용한 수요예측과 재고관리 최적화 사례 – 김형일 AWS 솔루션즈 아키텍트, 이환기 신세계아이앤씨 A...Amazon Web Services Korea
리테일을 포함한 많은 기업들이 디지털 전환의 핵심 기술로 AI와 머신러닝 활용을 고려하고 있습니다. 본 세션에서는 리테일 비즈니스 최적화를 위한 수요 예측과 재고관리에 시계열 분석을 도입하기 위한 분석도구로 Amazon Forecast와 Amazon SageMaker를 활용하는 방안에 대해 알아보고, 국내 대형유통업체가 AWS 서비스를 활용하여 어떻게 재고를 최적화했는지 성공사례를 공유해 드립니다.
Amazon Personalize를 처음 접하시는 분들이나 추천서비스 도입을 고민중 분들을 위해 이론과 동작 원리를 이해하고 실습 워크샵실습을 해보므로서 문제 해결 방식을 심도깊게 살표봅니다. 개인화된 추천 모델 직접 만들고 배포하므로써 실제 어떻게 활용되는지를 체험할 수 있습니다.
* 행사 정보 :2016년 10월 14일 MARU180 에서 진행된 '데이터야 놀자' 1day 컨퍼런스 발표 자료
* 발표자 : Dylan Ko (고영혁) Data Scientist / Data Architect at Treasure Data
* 발표 내용
- 데이터사이언티스트 고영혁 소개
- Treasure Data (트레저데이터) 소개
- 데이터로 돈 버는 글로벌 사례 #1
>> MUJI : 전통적 리테일에서 데이터 기반 O2O
- 데이터로 돈 버는 글로벌 사례 #2
>> WISH : 개인화&자동화를 통한 쇼핑 최적화
- 데이터로 돈 버는 글로벌 사례 #3
>> Oisix : 머신러닝으로 이탈고객 예측&방지
- 데이터로 돈 버는 글로벌 사례 #4
>> 워너브로스 : 프로세스 자동화로 시간과 돈 절약
- 데이터로 돈 버는 글로벌 사례 #5
>> Dentsu 등의 애드테크(Adtech) 회사들
- 데이터로 돈을 벌고자 할 때 반드시 체크해야 하는 것
개인화 추천 및 시계열 예측을 위한 신규 AI 서비스 살펴보기 - 남궁영환 AI/ML 스페셜리스트 솔루션즈 아키텍트 :: AWS Inno...Amazon Web Services Korea
개인화 추천 및 시계열 예측을 위한 신규 AI 서비스 살펴보기 - 남궁영환 AI/ML 스페셜리스트 솔루션즈 아키텍트 :: AWS Innovate 2019
높은 수준의 개인화 추천, 시계열 예측 시스템을 보다 쉽게 만들고 활용할 수 있는 AWS의 인공지능, 머신러닝 서비스인 Amazon Personalize, Amazon Forecast가 re:invent 2018에서 새롭게 발표되었습니다. 이 세션을 통해 Personalize와 Forecast에 대해 유용한 정보를 얻으시기 바랍니다.
Amazon SageMaker 모델 빌딩 파이프라인 소개::이유동, AI/ML 스페셜리스트 솔루션즈 아키텍트, AWS::AWS AIML 스...Amazon Web Services Korea
Amazon SageMaker 에서 제공하는 기계 학습을 위한 CI/CD 서비스, Aamzon SageMaker Pipelines 를 사용하기 위해 기계 학습의 라이프 사이클과 MLOps 의 개념과 AWS 에서의 MLOps 에 대한 오버뷰를 소개합니다. 또한, Amazon SageMaker Pipelines 의 세부적인 사용법을 스크린샷과 함께 소개합니다.
Amazon.com 의 개인화 추천 / 예측 기능을 우리도 써 봅시다. :: 심호진 - AWS Community Day 2019AWSKRUG - AWS한국사용자모임
Amazon Personalize
개인화 및 추천에 대하여
Amazon Personalize 소개
Amazon Personalize 사용 방법
데모 - 캡쳐 화면
결론
Amazon Forecast
예측 기술에 대하여
Amazon Forecast 소개
Amazon Forecast 사용 방법
데모 - 캡쳐 화면
결론
Data Lake는 오늘날 데이터 기반에 의사 결정을 하기 위한 가장 일반적인 데이터 분석 아키텍처로 떠오르고 있습니다. 잘 설계된 Data Lake는 기업이 데이터 자산으로부터 가장 많은 비지니스 가치를 창출하도록 보장합니다. 본 세션을 통해 AWS 기반의 Data Lake 아키텍처를 소개하고, 다양한 사례를 통해 AWS 고객들은 데이터 분석 플랫폼을 어떤 방식으로 설계해서 활용하고 있는지 살펴봅니다.
다시보기 링크: https://youtu.be/mE8V9oNXdrs
다시보기 영상 링크: https://youtu.be/QGgQOcA3W6w
클라우드로의 마이그레이션이 증가하면서, 퍼블릭 클라우드를 목표로 한 공격도 폭증하고 있습니다. 특히, 클라우드 관리자의 자격증명을 탈취하려는 시도나 탈취된 자격증명을 이용하여 중요정보를 유출하고 대규모로 비트코인 채굴을 시도하는 행위들이 늘어가고 있습니다. AWS로의 이관을 고려하고 있거나 사용중인 고객들이라면, 이와 같이 클라우드의 특성을 활용하여 발생하고 있는 정교한 보안 위협들에 대응하기 위한 방법을 고민하셔야 합니다. 본 세션에서는 이러한 클라우드 네이티브 위협들에 효과적으로 대응하는 기능을 제공하는 GuardDuty, Inspector, Config, SecurityHub와 같은 AWS 보안 서비스들에 대한 설명을 진행합니다.
데이터 분석가를 위한 신규 분석 서비스 - 김기영, AWS 분석 솔루션즈 아키텍트 / 변규현, 당근마켓 소프트웨어 엔지니어 :: AWS r...Amazon Web Services Korea
AWS re:Invent에서는 다양한 고객들의 요구에 맞추어 새로운 분석 및 서버리스 서비스가 대거 출시되었습니다. 본 강연에서는 새롭게 출시된 핵심 분석 기능들과 함께, 누구나 손쉽게 사용할 수 있는 AWS의 분석 서버리스와 On-demand 기능들에 대한 심층적인 정보를 확인하실 수 있습니다.
발표자: 홍용덕 어카운트 매니저, AWS / 윤성의 어카운트 매니저, AWS / 강성문 솔루션즈 아키텍트, AWS
Part 1 : Cloud 기반으로 만들어가는 기업 가치 극대화
Amazon의 성장배경에 있는 클라우드에 대한 소개와 클라우드를 활용한 기업 가치 극대화 방안에 대해 소개드리겠습니다. 더불어, Amazon의 혁신 Mechanism 기반으로 비즈니스 사례를 고안하는 Digital Innovation Program도 안내드립니다.
Part 2 : 데이터 기반 마케팅 전략
기존 방식의 분석에서 확장하여 데이터에서 최대한 가치를 얻고 그에 기반한 마케팅 전략을 구축하고 있는 사례에 대해 이야기드립니다.
Part 3 : 마케터를 위한 데이터기반 Emerging Technology 사례
데이터 기반 마케팅 섹터에서 활용 가능한 다양한 Emerging Technology에 대해 소개드립니다. 손쉬운 예제 기반으로 어떻게 마케팅에 기술을 접목하는지 알아봅니다.
■ 일시 및 장소
2023년 6월 22일 목요일 19:00 ~
■ 아젠다
트위터의 추천 시스템 파헤치기
2023년 4월 5일 오픈소스로 공개된 트위터의 추천 시스템에 대해서 살펴봅니다.
트위터의 개인화/랭킹 후보군을 만들어내는 추천 알고리즘부터, 이를 지탱하는 파이프라인까지 모두 소개합니다.
■ 발표자
카카오스타일 데이터사이언티스트 이명휘
* 행사 정보 :2016년 10월 14일 MARU180 에서 진행된 '데이터야 놀자' 1day 컨퍼런스 발표 자료
* 발표자 : Dylan Ko (고영혁) Data Scientist / Data Architect at Treasure Data
* 발표 내용
- 데이터사이언티스트 고영혁 소개
- Treasure Data (트레저데이터) 소개
- 데이터로 돈 버는 글로벌 사례 #1
>> MUJI : 전통적 리테일에서 데이터 기반 O2O
- 데이터로 돈 버는 글로벌 사례 #2
>> WISH : 개인화&자동화를 통한 쇼핑 최적화
- 데이터로 돈 버는 글로벌 사례 #3
>> Oisix : 머신러닝으로 이탈고객 예측&방지
- 데이터로 돈 버는 글로벌 사례 #4
>> 워너브로스 : 프로세스 자동화로 시간과 돈 절약
- 데이터로 돈 버는 글로벌 사례 #5
>> Dentsu 등의 애드테크(Adtech) 회사들
- 데이터로 돈을 벌고자 할 때 반드시 체크해야 하는 것
개인화 추천 및 시계열 예측을 위한 신규 AI 서비스 살펴보기 - 남궁영환 AI/ML 스페셜리스트 솔루션즈 아키텍트 :: AWS Inno...Amazon Web Services Korea
개인화 추천 및 시계열 예측을 위한 신규 AI 서비스 살펴보기 - 남궁영환 AI/ML 스페셜리스트 솔루션즈 아키텍트 :: AWS Innovate 2019
높은 수준의 개인화 추천, 시계열 예측 시스템을 보다 쉽게 만들고 활용할 수 있는 AWS의 인공지능, 머신러닝 서비스인 Amazon Personalize, Amazon Forecast가 re:invent 2018에서 새롭게 발표되었습니다. 이 세션을 통해 Personalize와 Forecast에 대해 유용한 정보를 얻으시기 바랍니다.
Amazon SageMaker 모델 빌딩 파이프라인 소개::이유동, AI/ML 스페셜리스트 솔루션즈 아키텍트, AWS::AWS AIML 스...Amazon Web Services Korea
Amazon SageMaker 에서 제공하는 기계 학습을 위한 CI/CD 서비스, Aamzon SageMaker Pipelines 를 사용하기 위해 기계 학습의 라이프 사이클과 MLOps 의 개념과 AWS 에서의 MLOps 에 대한 오버뷰를 소개합니다. 또한, Amazon SageMaker Pipelines 의 세부적인 사용법을 스크린샷과 함께 소개합니다.
Amazon.com 의 개인화 추천 / 예측 기능을 우리도 써 봅시다. :: 심호진 - AWS Community Day 2019AWSKRUG - AWS한국사용자모임
Amazon Personalize
개인화 및 추천에 대하여
Amazon Personalize 소개
Amazon Personalize 사용 방법
데모 - 캡쳐 화면
결론
Amazon Forecast
예측 기술에 대하여
Amazon Forecast 소개
Amazon Forecast 사용 방법
데모 - 캡쳐 화면
결론
Data Lake는 오늘날 데이터 기반에 의사 결정을 하기 위한 가장 일반적인 데이터 분석 아키텍처로 떠오르고 있습니다. 잘 설계된 Data Lake는 기업이 데이터 자산으로부터 가장 많은 비지니스 가치를 창출하도록 보장합니다. 본 세션을 통해 AWS 기반의 Data Lake 아키텍처를 소개하고, 다양한 사례를 통해 AWS 고객들은 데이터 분석 플랫폼을 어떤 방식으로 설계해서 활용하고 있는지 살펴봅니다.
다시보기 링크: https://youtu.be/mE8V9oNXdrs
다시보기 영상 링크: https://youtu.be/QGgQOcA3W6w
클라우드로의 마이그레이션이 증가하면서, 퍼블릭 클라우드를 목표로 한 공격도 폭증하고 있습니다. 특히, 클라우드 관리자의 자격증명을 탈취하려는 시도나 탈취된 자격증명을 이용하여 중요정보를 유출하고 대규모로 비트코인 채굴을 시도하는 행위들이 늘어가고 있습니다. AWS로의 이관을 고려하고 있거나 사용중인 고객들이라면, 이와 같이 클라우드의 특성을 활용하여 발생하고 있는 정교한 보안 위협들에 대응하기 위한 방법을 고민하셔야 합니다. 본 세션에서는 이러한 클라우드 네이티브 위협들에 효과적으로 대응하는 기능을 제공하는 GuardDuty, Inspector, Config, SecurityHub와 같은 AWS 보안 서비스들에 대한 설명을 진행합니다.
데이터 분석가를 위한 신규 분석 서비스 - 김기영, AWS 분석 솔루션즈 아키텍트 / 변규현, 당근마켓 소프트웨어 엔지니어 :: AWS r...Amazon Web Services Korea
AWS re:Invent에서는 다양한 고객들의 요구에 맞추어 새로운 분석 및 서버리스 서비스가 대거 출시되었습니다. 본 강연에서는 새롭게 출시된 핵심 분석 기능들과 함께, 누구나 손쉽게 사용할 수 있는 AWS의 분석 서버리스와 On-demand 기능들에 대한 심층적인 정보를 확인하실 수 있습니다.
발표자: 홍용덕 어카운트 매니저, AWS / 윤성의 어카운트 매니저, AWS / 강성문 솔루션즈 아키텍트, AWS
Part 1 : Cloud 기반으로 만들어가는 기업 가치 극대화
Amazon의 성장배경에 있는 클라우드에 대한 소개와 클라우드를 활용한 기업 가치 극대화 방안에 대해 소개드리겠습니다. 더불어, Amazon의 혁신 Mechanism 기반으로 비즈니스 사례를 고안하는 Digital Innovation Program도 안내드립니다.
Part 2 : 데이터 기반 마케팅 전략
기존 방식의 분석에서 확장하여 데이터에서 최대한 가치를 얻고 그에 기반한 마케팅 전략을 구축하고 있는 사례에 대해 이야기드립니다.
Part 3 : 마케터를 위한 데이터기반 Emerging Technology 사례
데이터 기반 마케팅 섹터에서 활용 가능한 다양한 Emerging Technology에 대해 소개드립니다. 손쉬운 예제 기반으로 어떻게 마케팅에 기술을 접목하는지 알아봅니다.
■ 일시 및 장소
2023년 6월 22일 목요일 19:00 ~
■ 아젠다
트위터의 추천 시스템 파헤치기
2023년 4월 5일 오픈소스로 공개된 트위터의 추천 시스템에 대해서 살펴봅니다.
트위터의 개인화/랭킹 후보군을 만들어내는 추천 알고리즘부터, 이를 지탱하는 파이프라인까지 모두 소개합니다.
■ 발표자
카카오스타일 데이터사이언티스트 이명휘
제 19회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [무드등] : 무신사를 활용한 고객 상황에 따른 의류 추천 스타일링 대시보드BOAZ Bigdata
데이터 시각화 프로젝트를 진행한 무드등 팀에서는 아래와 같은 프로젝트를 진행했습니다.
무신사를 활용한 고객 상황에 따른 의류 추천 스타일링 대시보드
20기 이호림 숙명여자대학교 경영학부
20기 노승혜 숙명여자대학교 소비자경제학과
20기 정다인 성신여자대학교 통계학과
20기 홍나연 숭실대학교 정보통계보험수리학과
본 슬라이드는 네이버 파트너스퀘어 온라인 아카데미에서 교육중인 강의 자료입니다.
네이버 파트너스퀘어 온라인 아카데미는 사업자 여러분을 위한 다양한 교육을 온라인에서 무료로 지원하고 있습니다.
ROI 향상을 위해 고려해야 하는 지표에는 크게
클릭률(CTR)과 전환율(CVR)이 있습니다.
광고 효과와 매출, 수익과 직결되는 이 두 가지 지표를 고려하여
ROI를 향상시키는 5가지의 전략 중 첫 번째, 키워드 확장 전략에 대해 알아보도록 하겠습니다.
[ ROI를 향상 전략 ]
1. 키워드 확장 전략 - CTR과 CVR이 모두 높은 광고
2. 랜딩페이지 최적화 전략 - CTR은 높고, CVR은 낮은 광고
3. 키워드 On/Off 전략 - CTR과 CVR이 모두 낮은 광고
4. 광고문안 전략 - CTR은 낮고, CVR은 높은 광고
5. 효율적인 입찰 전략 - CTR은 낮고, CVR은 높은 광고
SKPlanet 추천 플랫폼 콜로세오 - SK ICT Tech Summit 2017 SKPlanet 추천 플랫폼 콜로세오 - SK IC...Jaehoon Jung
SK ICT Tech Summit 2017 빅데이터 세션에서 발표한
SK Planet 추천 플랫폼 콜로세오 내용을 공유합니다.
추천 로직과 관련된 내용이 아닌
추천서비스 측면에서 추천 플랫폼의 역할에 대해서 기본적인 내용들을 설명 했습니다.
Recopick 부터 콜로세오까지 5년 가까이 추천 서비스를 개발/운영하면서 생각해본 기본 적인 내용들로 구성되어 있습니다.
마지막 장 3줄 요약 있습니다. :)
[21 크리에이티브 디렉터 세미나] 발표자료입니다.
PM과 함께 일하는 디자이너, PM 역할을 겸해야 하는 디자이너분들을 대상으로 PM 직군이 조직과 제품의 성장을 위해 어떤 고민과 노력을 하고 있는지 공유합니다.
우아한형제들에서 B마트와 배민스토어를 만드는 B마트서비스팀의 사례가 함께 담겨있습니다.
박동혁 : 마케터에게 필요한 Data Literacy
발표영상 https://youtu.be/YWbJxCg7y2k
---
PAP가 준비한 팝콘 시즌1에서 프로덕트와 함께 성장하는 데이터 실무자들의 이야기를 담았습니다.
---
PAP(Product Analytics Playground)는 프로덕트 데이터 분석에 대해 편안하게 이야기할 수 있는 커뮤니티입니다.
우리는 데이터 드리븐 프로덕트 문화를 더 많은 분들이 각자의 자리에서 이끌어갈 수 있도록 하는 것을 목표로 합니다.
다양한 직군의 사람들이 모여 프로덕트를 만들듯 PAP 역시 다양한 멤버로 구성되어 있으며, 여러분들의 참여로 만들어집니다.
---
공식 페이지 : https://playinpap.oopy.io
페이스북 그룹 : https://www.facebook.com/groups/talkinpap
팀블로그 : https://playinpap.github.io
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
랜딩 상품 소개
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
랜딩 상품 소개
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
랜딩 상품 소개
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
랜딩 상품 소개
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
키워드 랜딩은 검색광고를 통해 유입된 개인의 관심 키워드에 따라 자동으로 연관된 상품이 추천되는 랜딩 페이지입니다.
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
키워드 랜딩은 검색광고를 통해 유입된 개인의 관심 키워드에 따라 자동으로 연관된 상품이 추천되는 랜딩 페이지입니다.
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
레코픽은 고객의 구매여정(Buyer Journey)의 모든 과정에서 개개인 고객의 선호, 관심사에 따라 가장 최적화된 상품을 찾아 제공함으로써 고객 이탈을 줄이고 구매 전환을 극대화합니다.
레코픽 소개
1. 레코픽 소개
2. 왜 레코픽인가
3. 레코픽 차별화 포인트
추천상품소개
1. 레코픽 추천 상품 소개 (15종)
2. 추천 대시보드 소개
3. 추천 성과 사례
4. 영역별 적용 사례 및 고객사 현황
5. 추천 이용 프로세스 및 과금 안내
랜딩 상품 소개
1. 레코픽 키워드 랜딩 소개
2. 키워드 랜딩 유형
3. 추천 키워드 기능
4. 키워드 랜딩 성과 사례
5. 랜딩 대시보드 소개
6. 랜딩 이용 프로세스 및 과금 안내
레코픽은 고객의 구매 의도를 파악, 수많은 상품 속에서 고객의 취향에 맞는 상품을 찾아 노출하여 고객의 탐색 과정을 줄여주고 상품을 신속하게 구매할 수 있도록 돕습니다.
- 레코픽 소개
- 레코픽 주요 서비스
- 레코픽 추천의 종류와 성과 사례
- 고객사 현황 및 적용 사례
- 이용 프로세스 및 요금 안내
- 레코픽 랜딩 소개
- 레코픽 랜딩의 성과사례
- 레코픽 Insight 소개 및 고객 분석 사례
레코픽 랜딩은 실시간 변화하는 고객의 니즈에 부합하는 상품을 추천하는 개인 맞춤형 랜딩 페이지 상품입니다. 광고/마케팅을 통해 유입된 고객에게 고객이 봤던 상품과 함께 고객 행동 데이터 기반으로 구매 전환을 높일 수 있는 개인화된 상품으로 구성하여 노출되며 자동 추천 시스템 방식으로 랜딩페이지 설계에 들이는 고민과 시간을 단축하여 효율적인 마케팅 운영을 가능하게 합니다.
-레코픽 랜딩 출시 배경
- 레코픽 랜딩 소개 및 종류
- 개인화 랜딩 소개 및 강점
- 키워드 랜딩 소개 및 유형
- 레코픽 랜딩의 성과사례
- 랜딩 이용 프로세스
- Appendix (레코픽소개)
레코픽 개인화 추천 서비스는 고객의 행동 데이터를 분석하여 고객들의 보이지 않는 패턴을 찾아내고 개개인 고객에게 구매(액션) 가능성이 높은 상품(컨텐츠)을 자동으로 진열합니다.
- 레코픽 소개
- 레코픽 추천의 종류와 성과 사례
- 레코픽 추천 대시보드 소개
- 고객사 현황 및 적용 사례
- 이용 프로세스 및 요금안내
- Appendix 영역별 레코픽 추천 적용
레코픽 Insight는 레코픽 고객사 데이터와 SKP DMP 데이터를 교차분석하여 타겟 마케팅 전략 수립에 활용 가능한 고객 분석 리포트를 제공하고 타겟 모수 추출을 통해 신규 유저 유입 등의 광고 목적으로 활용할 수 있도록 제공하는 서비스입니다.
자사 데이터만으로는 고객을 입체적으로 분석하는데 한계가 있으며 레코픽 Insight는 자사 고객 이용 행태 분석외에 경쟁사/ 잠재 고객에 대한Insight를 제공하여 고객 Insight에 기반한 높은 마케팅 효과를 달성하도록 지원합니다.
레코픽 개인화 추천은 쇼핑몰 고객의 로고 데이터를 분석하여
고객들의 보이지 않는 구매 패턴을 찾아내고,
개개인 고객에게 구매 가능성이 높은 상품을 자동으로 진열합니다.
- 실시간 개인화 추천 : 고객의 실시간 행동 이력을 바탕으로 현재 관심 상품으로 자동진열합니다.
- 함께 본 상품 추천 : 고객이 현재 보는 상품과 비슷한 취향의 상품으로 자동 진열합니다.
- 함께 구매한 상품 추천 : 고객의 장바구니, 구매이력을 바탕으로 함께 구매하면 좋은 상품으로 자동 진열합니다.
2. Intro : 행사 소개 및 이벤트 안내 (5분)
Session 1 (50분)
Coffee Break (10분)
Session 2 (50분)
Q & A (20분)
Outro : 경품 추첨 및 클로징 (5분)
진행 순서
3. ‘추천’을 둘러싼 오해/궁금증?
추천이라는게 그냥 잘팔리는 상품 보여주면 되는 거
아닌가요?
추천 솔루션은 다 비슷해 보이는데, 거기서 거기
아닌가요?
우리 사이트에 이미 들어온 고객보다는 유입이나
재방문을 높이기 위한 광고나 마케팅에도 추천을
활용할 수 있나요?
1
2
3
4. 금일 발표 내용
Session 1
Session 2
1. 레코픽 개인화 랜딩페이지 소개
2. 레코픽 MTP(Micro-targeting platform) 소개
3. DMC미디어 F-1 소개
1. 온라인 쇼핑몰에서 추천의 역할 / 추천 알고리즘 소개
2. 실시간 개인화 추천의 중요성
3. 레코픽 추천 소개 : 장점 / 차별화 포인트
5. 디지털 세상, 추천은 이미 우리 곁에…
추천은 정보 과잉의 디지털 세상에서 사용자의 의사결정을 도와주는 똑똑한 정보 필터링
엔진(filtering engine)으로 쇼핑, 미디어, SNS 등 거의 모든 영역에서 필수 요소
RECOPICK
7. 쇼핑몰에서 추천의 역할
RECOPICK
= 방문자수 X 전환율 X 객단가
= 외부마케팅(광고) X 내부마케팅(추천)
쇼핑몰 매출
마케팅 투자
‘고객 유입’ ‘구매 전환’
8. 내부 마케팅으로서의 상품 추천
RECOPICK
사용자가 지금 무엇에 관심이
있는지를 알아내서..
사용자가 찾고자 하는 것을
제시할 수 있어야…
데이터에 기반하여
구매확률이 높은
상품 추천!
마케팅 기회
9. 추천 알고리즘의 분류
1
협업필터링 방식
Collaborative Filtering(CF)
사례 : Amazon
2 3
컨텐츠 기반 추천
Content-based
Recommendations(CBR)
하이브리드 방식
Hybrid
사례 : Pandora Radio 사례 : Netflix
컨텐츠(음악,영화, 뉴스 등)의
속성에 대한 유저의 선호를
매칭하여 해당 유저가 좋아할
만한 컨텐츠 추천
과거 데이터로부터의 유사도
패턴을 기반으로 미래의
선호를 예측
협업필터링(CF)과 컨텐츠
기반 추천(CBR)의 결합
RECOPICK
10. 협업필터링 Collaborative Filtering
과거 데이터로부터의 ‘유사도(Similarity)’ 패턴을 기반으로 미래의 선호를 예측
Explicit data
명시적으로 평가(rating)를
요구하여 데이터 수집
Implicit data
유저의 행동을 관찰하여
데이터 수집
영화별점 매기기
구매행동로그 수집
User-based Item-based
1 유사도의 기준에 따라
2 유사도 계산에 필요한 Data 확보
Jaccard Similarity Coefficient
클러스터링…
RECOPICK
3 유사도 계산에 필요한 다양한 통계 기법
11. User 1
User 2
User 3
User-based filtering Item-based filtering
similar
similar
Item 1
Item 2
Item 3
Item 4
User 1
User 2
User 3
Item 1
Item 2
Item 3
Item 4
◎
◎
RECOPICK
협업필터링 Collaborative Filtering
13. 레코픽이 사용하는 Input Data
사용자 행동로그 : visit, view, basket, order 등
Timestamp : 각 로그의 발생시점
Referral page : 사용자 의도 파악을 위해 직전 방문 페이지 분석
view < basket < order
1
행동유형별
최신성(Recency)
우연한 발견(Serendipity)
사용자 구매의도(Referral)
한달전 < 어제
인기상품의 가중치 낮춤
메인페이지 < 검색 or 카테고리 페이지
RECOPICK
2
3
1번~3번에 대해 각각 가중치 부여
14. 추천 성과에 영향을 주는 요소들
최근 3개월 vs 최근 1년
배치(batch) vs. 실시간(real-time)
Input data, 추천 성과 검증
추천 응답속도, Auto-scaling
추천 노출 위치
추천 상품수
추천 문구
페이지 상단 vs 페이지 하단
상품수 고정 vs
상품 더보기(swipe)
영혼없는 문구 vs
고객명, 추천 근거 등 표시
RECOPICK
추천 서비스 제공사
추천 시스템의 성능
데이터 규모
추천 계산 주기
알고리즘 성능
추천시스템 안정성
쇼핑몰 고객사
추천 노출 / UI측면
15. D-14 D-13 D-12 D-11 D-10 D-9 D-8 D-7 D-6 D-5 D-4 D-3 D-2 D-1 D-0
H-12 H-11 H-10 H-9 H-8 H-7 H-6 H-5 H-4 H-3 H-2 H-1 H-0
구매 2주전 ~ 구매 당일
구매 12시간 전 ~ 구매 시점
구매 상품과 동일한 소카테고리 상품 사전 조회수 추이
1. 구매 하루 전부터 조회수 증가 시작
고객이 구매할 상품을 사전에 다각도로
탐색하는 단계로 추정
2. 구매 당일 동일 카테고리 조회수 급증
고객이 실제로 상품을 구매하기 위해
유사 상품을 비교하는 단계
3. 실제로는 구매 1시간 전에 조회수 급증
고객이 구매할 상품을 집중적으로 조회
하고 비교하는 시간은 1시간 내외로 추정
4. 구매 시점에는 조회수 소폭 감소
고객이 상품을 장바구니에 넣거나,
최종적으로 구매를 진행하는 중으로 추정
RECOPICK
실시간 추천의 중요성(1)
16. 실시간 추천의 중요성(2)
100
추천 상품 클릭후
24시간 이내 구매
추천 상품 클릭 추천 상품 클릭후
1시간 이내 구매
5
모든 업종에서 추천 상품 클릭후 1시간 이내 구매액이
24시간 이내 구매액의 76% 수준! (레코픽 성과 데이터 기준)
76
Quiz
RECOPICK
17. 실시간 추천의 중요성(3) : 시간대별 추천경유매출
레코픽 추천에 반응하는 고객 중, 평균 76%의 고객들이 상품을 1시간 이내에 구매함.
0%
20%
40%
60%
80%
100%
0 1시간 3시간 6시간 12시간 24시간 48시간
시간대별 경유매출비율
기타전문몰
리빙/인테리어
면세점 및 명품
뷰티
종합몰
패션:남성의류
패션:스포츠
패션:여성의류
패션:유아동의류
패션:종합몰
패션잡화
푸드
RECOPICK
18. 글로벌 트렌드 : 컨텍스트 쇼핑
컨텍스트 쇼핑
(Context Shopping)
소비자의 구매욕구가 발생했을 때
자동화된 기술을 이용해 소비자의
욕구를 구매로 즉각 전환하는 판매기법
알고리즘 기반의 실시간 추천(가장 중요!)
Zero-effort 구현 : 구매 프로세스 자동화
다양한 기기 활용 : 예) 아마존 대시 버튼 / 에코
RECOPICK
1
2
3
2017 유통산업백서
20. 레코픽 ‘실시간’ 개인화 추천
사용자의 과거 이용 패턴만 분석하는 기존 개인화 추천 대비 레코픽 ‘실시간’ 개인화 추천은
사용자의 1)과거 이용 패턴과 2)최근 관심사를 동시에 실시간 분석하여 추천 계산
실시간
개인화 추천
사용자의 3개월간 전체 로그 분석
사용자의 최근 로그 분석
LOG LOG LOG LOG LOG LOG
LOG LOG LOG LOG LOG LOG
RECOPICK
21. 실시간 개인화 추천의 성과
클릭률
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
12.0%
14.0% 인기 상품 추천 클릭률 개인화 추천 클릭률 실시간 개인화추천 클릭률
1.2%
5.1%
7.9%
RECOPICK
22. 레코픽 소개
온라인 쇼핑몰을 위한 클라우드(Cloud) 기반의 추천 서비스로, 국내 최초의 실시간 개인화 추천
서비스 출시 (www.recopick.com)
현재 85개 고객사(180개 사이트)에 적용
스크립트 삽입
추천서비스
(12종)제공
페이지 방문 로그전송
RECOPICK
추천서비스
(12종)제공
23. 레코픽 추천의 종류
레코픽은 다양하고, 정교한 추천 서비스를 제공하고 있습니다.
상품 기반의 추천을 통해
트래픽 증가를 유도하고
연계 구매로 이어질
확률이 높은 상품을 추천
1.상품 기준 추천
개별 사용자의 특성 및
최근의 니즈를 반영하여
사용자에게 가장 적합한
맞춤형 상품을 추천
다양한 통계 Data를
기반으로 인기 상품과
구매로 전환될 확률이
높은 상품을 추천
2.사용자 기준 추천
3.통계형 추천
성, 연령 등 고객의
demographic 특성을
반영하여 특정 고객
Segment에 가장 적합한
상품을 추천
4. 고객 Seg기반 추천
고객 Seg
기반 추천
RECOPICK
24. 상품 기반의 추천을 통해 트래픽 증가를 유도하고, 연계 구매로 이어질
확률이 높은 상품을 추천합니다.
함께 본 상품 (ViewTogether)
사용자의 전체 행동 로그를 통해 상품과 상품의 관계를 분석하고, 이를
바탕으로 사용자가 본 상품과 관련된 추천 리스트(대체재)를 제공
함께 구매한 상품 (BuyTogether)
사용자의 구매로그를 통해 상품과 상품의 관계를 분석하고, 이를 바탕으로
사용자가 구매한 상품과 관련된 추천 리스트(보완재)를 제공
1
2
RECOPICK
상품 기준 추천 서비스
25. 개별 사용자의 특성 및 최근의 니즈를 반영하여 사용자에게 가장 적합한
맞춤형 상품을 추천합니다.
실시간 개인화 추천 (최근 관심사 기반)
사용자의 개인별 최근 성향을 실시간으로 분석하여 사용자의 현재 니즈와
특성이 반영된 맞춤형 추천 리스트를 제공
1
RECOPICK
사용자 기준 추천 서비스
26. 다양한 통계 Data를 기반으로 인기 상품과 구매로 전환될 확률이 높은
상품을 추천합니다.
1 View Top100
하루 동안 사용자들이 가장 많이 본
상품 노출
Buy Top100
하루 동안 사용자들이 가장 많이
구매한 상품 노출
추천클릭 Top100
추천 리스트 노출 대비 클릭이 많이
발생한 상품 노출
카테고리 Top100
카테고리내 가장 인기가 있었던 상품 제공
실시간 인기 상품 TOP 100
최근 1시간내 사용자들이 가장 많이
본 상품 노출
구매전환 Top100
사용자의 View 대비 구매가 많이
일어난 상품 노출
추천유입 Top100
상품의 유입 경로 중 추천 유입률이
높은 상품 노출
3
5
7
2
4
RECOPICK
통계형 추천 서비스
6
27. 검색어 기반 추천 서비스(베타)
고객이 쇼핑몰에서 실제 검색한 키워드와 고객의 이용 패턴을 함께 분석, 연관된 상품 추천을 제공합니다.
체크 검색결과
체크
“ 이 검색어를 입력한
사람들은 어떤
상품을
좋아했을까? ”
“체크” 를(을) 검색한 고객들에게 인기있는 상품
RECOPICK
28. 레코픽 추천의 장점
추천 성과와 비용 측면에서 국내 경쟁 추천 솔루션 대비 10배의 가성비(ROI)
RECOPICK
쉽고 빠른 적용
2X 전환율
5X 가격 경쟁력
Faster
Better
Cheaper
1
2
3
최대 10X 가성비!
29. Faster : 쉽고 빠른 적용!
• 레코픽 대시보드내에서 위젯을 통한 추천서비스 설정 및 변경 가능.
• 관리자가 직접 추천 알고리즘의 선택 및 디자인 변경을 수행할 수 있음
대시보드 > 추천 위젯 설정
RECOPICK
30. Better : 2~3배의 추천 성능
추천 성능 비교 테스트 사례
– 대상 사이트 : 국내 최대 패션기업의 온라인몰
– 테스트 기간 : 2016년 상반기 8주간, 2회 테스트 실시
– 참여 추천 솔루션 업체(3개사) : 레코픽, ‘R’사, ‘N’사
– 테스트 추천 알고리즘 : 개인화 추천 @ 모바일 메인페이지
테스트 결과
1차 테스트 2차 테스트
비교 레코픽 vs. ‘N’사 레코픽 vs. ‘R’사
추천클릭률 2.88배 1.05배
전환율 3.0배 2.86배
RECOPICK
31. Cheaper : 2~5배의 가격 경쟁력
추천 솔루션/서비스 도입시 비용 항목
비용 항목
H/W 및
인프라 투자
전담 개발
인력 투입
솔루션
라이센스 비용
월운영비
솔루션 방식 YES YES YES YES
클라우드
방식
타사 NO NO NO YES
레코픽
(업계 최저)
NO NO NO
YES
(최소과금월
50만원)
RECOPICK
32. 기타 장점 : 검증된 서비스
11번가, AK몰, 아모레퍼시픽, 신세계면세점, 삼성물산 패션부문(SSFShop) 등 대형 쇼핑몰에서
안정성과 효과를 검증하였고, 지속적으로 업그레이드되고 있습니다.
현재 85개사 180개 사이트에 적용중
누적 430억건 로그 수집
과거 추천 성과 데이터를 바탕으로 시간이
지날수록 고객사에 더 나은 품질의 추천을
제공
빅데이터 전문 개발자들이 최신 기계
학습(Machine Learning), 검증된 feature
추가하여, 지속적인 추천 알고리즘 고도화
RECOPICK
33. 기타 장점 : 셀프 서비스
어드민 대시보드를 통해 다양한 추천 성과 지표를 보여드리며, 개발자가 아니어도
쉽게 추천 설정을 하실 수 있습니다.
추천 성과를 한 눈에 볼 수 있는 대시보드 위젯 등 추천관리를 간편하게
RECOPICK
34. 메인 페이지
인기 상품
메인 페이지 개인화 상품 상세 상품 상세 하단 장바구니 구매완료 사이드바
대시보드에서 10개의 추천 성과지표를 제공하고, 주요 지표 (클릭률/기여매출)에 대해서는
추천 영역별, 추천 알고리즘별 성과 분석 지원
34
기타 장점 : 정밀한 성과분석
RECOPICK
추천 영역별 / 알고리즘별 추천 기여매출 트랙킹
35. 성과 사례 1
대형사이트 자체개발 추천 대비 클릭률 44% 증가하였습니다.
추천 클릭률 비교 (국내 최대 디자인 쇼핑몰)
자체개발 추천 적용 레코픽 추천 적용
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
추천클릭수
RECOPICK
36. 성과 사례 2
대형 사이트 자체 개발 추천 대비 매출 15% 증가하였습니다.
전체 거래액 증가 (국내 대형 패션 쇼핑몰)
4.8억원
6 억원
1.2 억원
PC웹에서 한달간 A/B 테스트
자체개발 추천(50%) vs. 레코픽 추천(50%)
레코픽 100% 추천 적용시
연간 전체 거래액 15% 증가 예상
자체개발 추천 적용레코픽 추천 적용
RECOPICK
37. 성과 사례 3
중소 쇼핑몰도 비용 대비 높은 효과를 보이고 있습니다.
비용 대비 매출 증가 (국내 중형 여성의류 쇼핑몰)
전체매출
일평균
Page view
월매출
레코픽
월과금액
3.2만
1 ~ 2억
50만원 / 월*
1,400만원
레코픽 추천을
통한 경유매출
RECOPICK
40. 레코픽 적용 프로세스
회원가입
스크립트 설치
4주(무료 테스트)
회원가입
방문자 행동분석을 위한
로그수집 스크립트 삽입
상품정보(이미지, 가격 등)
수집을 위한 메타태그 삽입
추천 적용
(위젯 삽입)
사이트 내 원하는 위치에
추천 위젯 적용 스크립트 삽입
추천 성과 확인
사용자 그룹을 추천노출/비노출
로 나눈 A/B 테스트를 통해
추천을 통한 트래픽, 매출 증가
효과 확인
유료화 / 계약
무료사용 기간 종료 시점
유료화 전환
필요시 연간계약 등 진행
1주
Step 4Step 3Step 2
고객님을 위한 추천
Step 1
1
2
3
4
RECOPICK
41. 페이지별 레코픽 적용
RECOPICK
메인 페이지 상품상세 페이지 장바구니 페이지 구매 페이지
레코픽은 페이지별로 고객에게 최적화된 맞춤형 상품 추천을 제공.
페이지 이탈
방문 탐색 구체적인 상품에
관심
특정 상품에
구매목적
구매완료
실시간 개인화 추천 함께 본 상품 추천 함께 구매한 상품 추천 실시간 개인화 추천
함께 구매한 상품 추천 or
실시간 개인화 추천
페이지 이탈 페이지 이탈
고객 관심 유도로
이탈률을 줄이고
카테고리 메인 또는
상품상세 페이지로
이동
고객이 쇼핑을
중단하지 않고
지속적으로
탐색,구매로 연결
추가 구매 유도
(1개만 살 고객이
2개, 3개 사도록
유도)
아직 구매하지
않은 관심 상품
상기
42. Intro : 행사 소개 및 이벤트 안내 (5분)
Session 1 (50분)
Coffee Break (10분)
Session 2 (50분)
Q & A (20분)
Outro : 경품 추첨 및 클로징 (5분)
진행 순서
43. 레코픽 추천 : 내부 마케팅
쿠키 기반
추천 상품
사이트 내 상품추천
RECOPICK
44. 레코픽 확장을 통한 외부 마케팅/광고 지원
1) 타켓 모수 추출
2) 개인화 마케팅/광고
ADID 기반
RECOPICK
45. 레코픽 개인화 랜딩페이지
(광고) 오늘 하루
당신만을 위한 추천! Click
평소 원피스, 블라우스에
관심있었던 고객
이전에 자켓, 니트를 살지말지
고민했던 고객
모든 고객에게 동일한 페이지가 아닌 개인별로 다른 상품을 제공하는 랜딩페이지
당신만을 위한 추천! 당신만을 위한 추천!
고객의 개별 Needs를 충족하는 개인 맞춤 서비스
RECOPICK
46. 마케팅 채널
광고
Push
알림톡
문자
유입 높은 전환율
구매하기
왜 개인화 랜딩페이지인가?
• 고객 개개인별 관심도가 높은 상품을 노출할수록 구매 동기 유발 이탈을 줄이고 마케팅 성과 극대화
• 자동화된 개인화 추천으로 랜딩페이지 설계에 들이는 고민과 시간 단축 마케팅 운영의 효율화
레코픽 개인화 랜딩페이지
당신만을 위한
추천!
당신만을 위한
추천!
RECOPICK
47. 개인화 랜딩페이지 성과 사례 : 네이버 키워드 광고
테스트 사례
– 대상 : 여성의류 쇼핑몰
– 테스트 : 네이버 키워드 광고 집행
• 성과 비교 : 메인 페이지 랜딩 vs. 개인화 랜딩
테스트 결과
성과 비교
네이버 키워드 광고 성과 랜딩 페이지 성과
기간 노출수 클릭수 전환수 전환율(%) 전환매출 ROAS
메인페이지
랜딩
11/7~11/12 35,809 4,910 90 1.8% 7,141,500 227%
개인화 랜딩 11/14~11/19 35,813 4,966 113 2.3% 9,317,780 298%
증가율 26% 24% 30% 31%
RECOPICK
48. 레코픽 MTP 소개
레코픽만의 축적된 데이터 분석 능력과 국내 최고의 개인화 기술을 기반으로 광고 성과 극대화를 위한
레코픽 MTP(Micro Targeting Platform)를 출시하여 광고주의 목표 달성을 지원합니다.
기존 광고 방식 레코픽 MTP 연동 광고 방식
광고주
페이스북
광고
광고
매체
광고대행사
FMP
(페이스북
마케팅 파트너사)
페이스북
광고
광고
매체
광고주
MTP
(Micro Targeting
Platform)
광고대행사
FMP
(페이스북
마케팅 파트너사)
RECOPICK
49. 광고주 사이트 분석을 통하여 정교한 오디언스 타켓팅을 설계하고 고도의 개인화 기술을 기반으로 핵심
오디언스와 매칭되는 광고소재 (상품 리스트)까지 제공하는 가장 효과적인 광고 타케팅 전략입니다.
레코픽 추천 엔진을 통한
구매 가능성이 높은
상품리스트 추출
광고 대행사
FMP
핵심 오디언스와
매칭되는 광고 소재 제공
핵심오디언스
최적화
고객행동
로그분석
광고집행, 광고성과 제공
레코픽 MTP 프로세스
광고에 대한 반응이
높을 것으로 예상되는
고객 모수 추출
사이트 방문 고객 중
구매 가능성이 있는
고객 행동 데이터 분석방문고객
체류고객
구매 가능성이
높은 고객
구매 가능성이
높은 상품
MTP (Micro Targeting Platform)
레코픽 MTP 소개
레코픽
Side
RECOPICK
50. KPI
기존 타겟팅 광고 구성
레코픽 MTP 차별화
시간의 흐름에 따라 바뀌는 고객의 관심사, 이용행태를 반영하지 못하는 기존 방식과 달리 실시간 바뀌는
고객의 행동 변화에 따라 적합한 광고소재를 제공하고 지속적인 Seg 튜닝으로 정교한 타겟팅을 가능하게 합니다.
레코픽 MTP 광고 구성
타겟
모수
DMP
광고플랫폼
광고소재
타겟
모수
MTP
광고플랫폼
광고
소재
고객 행동
로그 수집
광고주 매체 매체광고주
• 관심사, 데모그래픽 기반의 정적 타겟팅
• 광고결과(고객 행동 변화) 반영안됨
• 이미 만들어 놓은 분류체계를 이용한 정형화된 Seg
• 광고주가 뽑은 광고소재
• 고객 행동 데이터 기반의 동적 타겟팅
• 광고결과(고객 행동 변화) 반영
• 지속적인 고객 Seg 튜닝을 통한 타겟팅 최적화
• 데이터 분석을 통해 구매 가능성이 높은 광고소재 제공
RECOPICK
51. 레코픽 MTP 장점 : 타겟모수 최적화
시간의 흐름에 따라 달라진 고객의 행동 변화 분석
새로이 구매 가능성이 있는 고객을 찾아 타겟팅 최적화
캠페인 초기 설정한 타겟팅 조건으로 광고 완료시점까지 유지
광고시작
기존의 방식은 광고 시작 후 새로이 구매 욕구가 생긴 고객을 놓치고 있는 반면, 레코픽 MTP는 광고 완료 전까지
지속적으로 구매 가능성이 있는 고객을 찾아 타겟팅을 최적화해 구매전환을 극대화합니다.
광고완료
기존 타겟팅
레코픽 MTP 타겟팅
D1 D10
RECOPICK
52. 레코픽 MTP 장점 : 광고소재 최적화
시간의 흐름에 따른 상품의 인기 변동 반영
레코픽 추천 엔진을 통해 상품간의 ‘유사도(Similarity)’ 계산
구매 가능성이 높은 상품으로 조합
광고주가 직접 뽑은 상품소재
상품의 인기 변동에 상관없이 광고 완료시점까지 유지
광고시작 광고완료
기존 타겟팅
레코픽 MTP 타겟팅
D1 D10
Best Seller
MD
추천 상품OR OR
광고주가
원하는 상품
레코픽 추천 엔진을 통해 상품의 인기 변동을 반영하고 상품간의 ‘유사도(Similarity)’를 계산하여 광고 소재로서
가치가 있는 상품리스트를 추출하고 구매 가능성이 높은 상품으로 조합합니다.
RECOPICK
53. 레코픽 MTP 진행 프로세스
ADID 수집기능 개발 및
검증
고객사 App 배포
사용자 업데이트
ADID수집
고객사이트
행동 로그 분석
구글의 GAID / iOS의 IDFA
광고주
레코픽 MTP
광고상품 제안
ADID전송
1~2개월
2주
광고진행
소재 제작 및 등록
광고 모수 및
소재 추출
1~2주
광고대행사
RECOPICK
54. 레코픽 MTP 활용 페이스북 광고 사례
NEXT RECOPICK
광고 테스트 기간
2017년 11월 6일~ 14일
(7일간 집행, 주말 제외)
평가 지표 ROAS(광고 click 기준 당일 구매 금액)
평가 방법
(AB 테스트)
레코픽 모수 vs. 페이스북 모수
결과(ROAS 비교)
345%(레코픽) vs.
235%(페이스북)
55. • 6개 대카테고리
선정: 명품화장품 등
• 로열티 고객 추가
• 8만 고객 모수 추출
• Lift 분석을 통한
카테고리간 연관도
분석
• A사 대표 카테고리
와 유사 카테고리
선정
타겟 모수 및 광고 소재 최적화
NEXT RECOPICK
고객 분석
타겟 모수
최적화
• 명품화장품 Best
Seller 상품외에
• 레코픽 추천 엔진을
활용한 추천광고
상품 추가
광고 소재
최적화
• FMP를 통한 광고
집행
• AB Test
• ROAS 비교
광고 집행
No Seg 모수
1 명품 화장품 36,725
2 화장품_향수 14,789
3 유아동 19,060
4 여성의류 19,543
5 스포츠_레져 8,564
6 헤어바디_미용기기 6,511
No item code 비고
1 77557788 Best
2 75228278 VT
3 77570965 VT
4 75282966 VT
5 77561823 BT
6 62832546 BT
56. 페이스북 광고 집행결과 : A사 사례
NEXT RECOPICK
기간 캠페인 노출 클릭 CTR 전환수 전환율(%) 전환 매출 ROAS(%)
11/6
~
11/14
A 40,151 789 2.0% 22 2.8% 2,530,923 345%
B 97,638 1,853 1.9% 25 1.3% 1,776,465 235%
• AB 테스트
• 집행 결과
그룹 타겟 모수(Seg) 광고 소재
A 레코픽 타겟 모수 레코픽 추천소재
B 페이스북 타겟 모수 MD 추천소재
타겟 모수와 광고소재 최적화를 통한 광고 효율 개선 가능성 검증!