온라인 지역 정보 서비스에서 추천은 단순한 편의 기능이 아니다. 사용자 경험의 품질, 입점 업체의 노출 빈도, 광고 수익의 흐름까지 바꾸는 핵심 엔진이다. 아이러브밤 같은 플랫폼을 오래 관찰하다 보면 추천이 어떻게 설계되어야 하는지, 또 어떤 지점에서 사용자 기대와 상업적 이해가 부딪히는지 선명해진다. 이 글은 아이러브밤, 알밤, 광주알밤처럼 지역 단위 오피사이트로 분류되는 서비스의 추천 알고리즘을 기술적 관점과 운영 현실을 함께 엮어 설명한다. 서비스 내부 코드를 들여다볼 수는 없지만, 필드 데이터를 해석하고 운영 지표를 관리해 본 경험을 바탕으로, 어떤 신호가 실제로 영향을 주는지, 왜 어떤 추천은 실패하는지, 어떤 지점에서 투명성을 높여야 하는지 이야기한다.
추천의 목표를 먼저 정리하기
추천의 목적은 늘 한 문장으로 요약할 수 없다. 목적이 선명하지 않으면 모델이 복잡해질수록 결과는 엉키기 쉽다. 아이러브밤이나 알밤이 장기적으로 유지해야 할 목표를 세 가지로 정리해 보면 다음과 같다. 첫째, 사용자가 적은 탐색 비용으로 원하는 정보를 찾도록 돕는 것. 둘째, 입점 업소가 정당한 품질 경쟁을 기반으로 노출 기회를 얻도록 만드는 것. 셋째, 광고나 스폰서십 같은 유료 노출과 자연 노출 간의 경계를 분명히 하면서도 비즈니스적으로 지속 가능한 균형을 맞추는 것. 이 세 줄의 목표가 충돌할 때 의사결정의 기준이 된다.
실무에서는 KPI가 목표를 지배한다. 클릭률만 보다가 체류 시간이 나빠지고, 전환률만 보다가 탐색 다양성이 무너지는 식의 부작용이 생긴다. 추천 알고리즘을 이해하려면, 어떤 지표가 얼만큼의 가중치로 묶여 있는지부터 파악해야 한다. 경험상 초기에 과학적으로 보이는 복합 지표를 만들기보다, 두세 개의 핵심 지표를 명확히 계층화하는 편이 효과적이다. 예를 들어 1순위 사용자 만족(단기 행태 + 후기), 2순위 신뢰도(프로필의 진위, 신고 이력), 3순위 수익 기여(스폰서 여부, 패키지 등) 같은 식이다. 이후 모델은 이 계층화된 우선순위를 수치 공간에서 실현하는 도구가 된다.
데이터 파이프라인, 현실적으로 가능한 것부터
추천 품질은 결국 데이터 품질에서 나온다. 오피사이트 범주의 특성상, 정형화된 제공 정보와 비정형 사용자 행동 데이터가 함께 흘러온다. 정형 데이터는 지역, 운영 시간, 가격대, 제공 서비스 범주, 사진 메타 정보 등이다. 비정형은 클릭 로그, 스크롤 깊이, 전화 연결, 채팅 시도, 찜, 재방문, 후기 텍스트다. 광주알밤처럼 지역 특화로 운영되는 경우, 지역 단위의 밀도 차이와 이용 패턴 차이가 뚜렷해 파이프라인 설계에서 지역 세그먼트가 기본 축이 된다.
실무에서 자주 겪는 난점은 이벤트 라벨의 부족이다. 예를 들어 전화 버튼을 눌렀다고 해서 실제 예약으로 이어졌는지 모른다. 이럴 땐 대리 지표를 써야 한다. 전화 클릭 후 특정 시간 안에 재방문이 줄어드는 패턴, 위치 이동이 바로 발생하는지, 찜이 취소되지 않았는지 같은 간접 신호를 조합한다. 완벽하지 않지만, 경험적으로 60~80% 수준의 예측 신뢰를 얻을 수 있다. 이 정도 품질의 라벨로도 랭킹 모델은 충분히 학습을 시작한다.
데이터 위생도 중요하다. 사진 EXIF를 읽으면 촬영 기기와 시간대가 나온다. 동일 사진을 다양한 업소가 재사용하는 경우가 드물지 않아, 이미지 해시와 퍼셉추얼 해시를 돌려 중복을 잡아내야 한다. 후기 텍스트는 과도한 상업성, 반복 문구, 동일 IP 패턴을 걸러내는 간단한 규칙 기반 필터만으로도 품질이 올라간다. 과한 정교함보다 현장에서 바로 적용 가능한 체커를 먼저 구축하는 편이 ROI가 높다.
랭킹의 뼈대, 점수 설계
대부분의 추천은 스코어링과 정렬로 귀결된다. 아이러브밤 같은 서비스라면 다음과 같은 점수 구조를 많이 쓴다. 품질 점수, 관련성 점수, 신뢰 점수, 신선도 점수, 수익 기여 점수. 업소 하나에 대해 이 다섯 점수를 만들고, 맥락에 따라 가중합을 계산한 뒤 리스트를 출력한다. 여기서 품질 점수는 후기 평점, 사진 품질, 프로필 완성도, 응답 속도 같은 변수를 엮는다. 관련성은 사용자의 현재 위치, 시간대, 선호 카테고리, 과거 행동 유사도에 기반한다. 신뢰는 신고 이력, 리뷰의 진성 판단, 운영 기간, 인증 여부를 반영한다. 신선도는 최근 업데이트 여부와 트래픽의 변화율로 잡는다. 마지막으로 수익 기여는 스폰서십 패키지, 광고 예산 소진률, 약속된 노출 범위를 반영한다.
이 점수는 단일한 모델로 굳히기보다, 슬롯 기반으로 적층하는 방식이 실무에서 안전하다. 예를 들어 첫 화면 20개 중 3개 슬롯은 스폰서, 2개는 신규 업소, 나머지는 품질 우선 랭킹에 맡긴다. 슬롯 내부에서는 각각의 전용 점수로 정렬한다. 이 구조는 규제 대응과 사용자 신뢰에 유리하다. 사용자는 광고가 어디인지 명확히 인지하고, 신규 업소는 탐색 가능성을 얻는다. 남은 슬롯에서는 순수 품질 경쟁이 벌어진다.
사용자 맥락의 세분화, 과도함을 경계하기
사용자 맥락을 과하게 세분화하면 당장 클릭률은 오를 수 있다. 하지만 지나친 개인화는 탐색의 즐거움을 갉아먹고, 지역 커버리지를 좁힌다. 알밤 계열 서비스에서 자주 보이는 패턴이 있다. 밤 10시 이후에는 특정 카테고리 선호가 급격히 올라가고, 평일 점심에는 상담 문의가 늘어난다. 이런 시간대 편향을 정교하게 반영하면 효율은 오른다. 다만 지역 탐색의 다양성이 급격히 줄어들면서, 신규 업소나 소수 카테고리가 처음부터 기회를 잃는 현상이 발생한다.
경험적으로는 세 가지 맥락만 강하게 쓰고, 나머지는 미세 조정에 두는 편이 균형이 좋다. 위치, 시간대, 재방문 여부. 위치는 반경 거리만 쓰지 말고 이동 의향을 추정해야 한다. 수도권과 광주의 이동 허용 반경은 체감상 1.5배 이상 차이 난다. 시간대는 3시간 단위로 구간을 나누고, 재방문 여부는 개인화 강도를 결정하는 레버로 사용한다. 세부 선호 카테고리는 과하게 고정화하지 말고, 신선도 점수와 함께 일정 비율로 새로운 업소를 섞어 준다.
부정행위와 장기 최적화의 줄다리기
추천이 눈에 띄는 순간부터 게임이 시작된다. 가짜 후기, 인위 트래픽, 클릭팜은 빠르게 등장한다. 광주알밤처럼 지역 집중도가 높은 경우, 소규모 사업자들이 단기간에 점수를 올리려고 강한 인센티브를 가질 수 있다. 부정행위를 억제하는 가장 현실적인 방법은, 장기 지표에 높은 가중치를 주는 것이다. 재방문 전환률, 30일 유지율, 후기의 다양성, 중복 이미지 비율, 위치 일관성 같은 장기 신호는 조작 비용이 매우 크다.
단기 클릭률은 늘 주시하되, 랭킹 점수에서의 가중치는 보수적으로 둔다. 예를 들어 초반 7일은 신선도와 관련성에 보너스를 주고, 8일차부터는 장기 지표가 우세하게 작동하도록 설계한다. 신고 기능은 단순 노출 감소로 바로 연결하지 말고, 운영자가 확인한 케이스와 사용자 신고를 분리해 가중치를 부여한다. 적발 시스템은 기계적 규칙과 샘플링 리뷰를 함께 돌리는 것이 효과적이다. 규칙은 반복 문구, 후기 간 유사도, IP/디바이스 클러스터링, 비정상 시간대 이벤트 스파이크 같은 단서에 반응한다.
모델 선택, 복잡도보다 관리 가능성
랭킹 모델을 무엇으로 짤지 묻는다면, 실무에서 가장 중요한 한 줄은 이것이다. 해석이 가능하고 빠르게 롤백할 수 있을 것. 트리 아이러브밤 기반 앙상블은 초기 구축에 유리하다. 카테고리 인코딩과 누락값 처리가 단순하고, 피처 중요도를 현장에서 설명하기 쉽다. 대규모로 성장하면 딥러닝도 고려할 수 있다. 하지만 딥 모델은 데이터 스키마 변화에 민감하고, 설명 가능성이 낮다. 오피사이트 맥락에서는 이용자 수가 대형 커머스만큼 크지 않아 굳이 초복잡 모델을 고집할 이유가 적다.
랭킹 구조를 듀얼 스테이지로 나누면 안정성이 오르곤 한다. 1차 후보군 생성은 규칙과 간단한 스코어로 빠르게 200~500개를 뽑는다. 2차 정교 랭킹에서 학습 모델이 작동한다. 이 방식은 서비스 중단 없이 실험이 가능하고, 예외 처리도 수월하다. 후보군 단계에서 지역 필터, 운영 시간 유효성, 기본 품질 컷오프 등을 통과시키면 최종 랭킹은 더 깔끔해진다.
텍스트와 이미지, 비정형 신호의 현실적 활용
후기 텍스트는 강력한 신호다. 하지만 감정 분석만으로는 충분하지 않다. 구체성, 다양성, 시간적 분포를 함께 봐야 한다. 예를 들어 세 줄짜리 짧은 후기라도 구체적 표현이 포함되면 신뢰 가중치를 올릴 수 있다. 반대로 길이가 과하게 길고 형용사가 잔뜩 붙은 후기 묶음은 스팸 의심 점수가 오른다. 트랜스포머 기반 문장 임베딩을 써서 유사도 클러스터를 만들면, 동일 작성자가 표현만 바꿔 다수 후기를 올리는 패턴을 잡아낸다. 다만 자원 제약이 있다면, n-그램과 키프레이즈 추출 같은 전통적 방법으로도 70% 이상은 커버된다.
이미지는 퍼셉추얼 해시로 중복 탐지부터 시작하는 것이 현실적이다. 이후 밝기, 선명도, 얼굴/객체 검출 같은 기본 품질 점수를 계산해 랭킹에 반영한다. 촬영 시각과 업로드 시각의 괴리가 큰 사진 묶음은 신선도 점수에서 불이익을 준다. 이미지 기반 딥러닝을 억지로 도입하기보다, 사진 메타데이터와 간단한 품질 척도로 시작하는 편이 운영 비용 대비 성과가 좋다.
지역성, 광주알밤 사례로 본 밀도와 편향
광주알밤 같은 지역 특화 서비스는 데이터 밀도와 수요 패턴이 수도권과 다르다. 특정 구역에 리뷰가 몰리고 외곽은 텅 비기 쉽다. 이런 편향을 그대로 두면 추천은 더욱 집토끼만 키운다. 이를 완화하려면 지역 격자 단위로 노출 쿼터를 설정할 필요가 있다. 사용자 위치에서 가까운 반경 1km 내 업소를 우선하되, 일정 비율은 2~4km 범위에서 안정적인 품질 점수를 가진 후보를 섞는 식이다. 이때 섞기 비율을 무작정 높이면 사용자는 거리 불만을 드러낸다. 경험적으로 10~20% 선에서 시작해 재방문 지표를 보며 조정하면 무리가 없다.
지역 이벤트나 요일 패턴도 반영 가치가 있다. 금요일 밤, 토요일 오후는 탐색량이 급증하고 의사결정 속도가 빨라진다. 이때 신선도 점수의 영향력을 낮추고, 검증된 품질 신호를 강하게 반영하면 이탈을 줄인다. 반대로 한산한 시간에는 신규 업소 탐색을 늘려도 사용자 반감이 낮다. 시간을 이용해 탐색 다양성을 조절하는 전략은 광고와도 상충이 적어 운영 측면에서 채택률이 높다.
스폰서 슬롯과 공정성, 사용자 신뢰의 경계
오피사이트에서 스폰서십은 수익원으로 중요하다. 문제는 광고가 자연 노출을 압도할 때 사용자 불신이 쌓인다는 점이다. 해결책은 단순하다. 광고는 명확하게 표시하고, 슬롯을 분리하며, 광고 품질에도 하한선을 적용한다. 낮은 후기 점수, 부정 패턴이 잡힌 업체는 스폰서 슬롯에서도 제한을 건다. 단기 매출은 줄 수 있지만 장기 유지율을 보호한다. 사용자 입장에서는 광고가 보이더라도, 나에게 유의미한 후보라고 느낄 때 불만이 줄어든다.
스폰서 운영에서 효과가 좋았던 방법은 페이싱이다. 광고 예산을 시간대별로 고르게 분배하고, 과도한 중복 노출을 제한한다. 1명 사용자에게 동일 업체 광고가 3회 이상 반복되면 효율이 떨어진다. 페이싱은 광고주에게도 이익이다. 예산이 피크 시간에 몰려 소진되어 비핵심 시간대에 노출이 끊기면 전반적 전환 효율이 나빠진다.
실험 문화와 안전장치
추천은 한번 배포하고 끝나는 기능이 아니다. 짧으면 하루, 길면 2주 주기로 실험이 돌아간다. 실험 설계에서 가장 많이 실수하는 지점은 지표의 과밀도다. 20개 지표를 동시에 보면 결과가 흐려진다. 핵심 지표 3개를 정해두고, 나머지는 안전장치로 쓴다. 예를 들어 핵심 지표를 세션당 전화 클릭률, 첫 방문 사용자의 재방문율, 신고율로 두고, 오래 머문 페이지 비율이나 평균 스크롤 깊이는 경보 신호로만 본다. 실험이 이상 징후를 보이면 롤백이 즉시 가능해야 한다. 피처 플래그와 버전 라우팅은 초기부터 갖춰놓는 편이 안전하다.
실험 기간은 최소 5일 이상을 권한다. 오피사이트 특성상 요일 효과가 크다. 주말을 포함하지 않고 모델을 평가하면 월요일에 추천이 망가지는 경험을 하게 된다. 충분한 트래픽이 없다면 지역을 묶어 샘플을 확보하되, 광주 등 특정 지역 편향이 전체 모델을 덮지 않도록 가중치를 조절한다.
투명성과 사용자 통제
사용자가 추천을 왜 받는지 이해하지 못하면 불신이 따른다. 모든 내부 로직을 공개할 수는 없다. 대신 소소하지만 실질적인 개선으로 신뢰를 만든다. 추천 이유 태그를 가볍게 붙이는 식이다. 내 위치에서 가까움, 후기 평점이 높음, 최근 업데이트됨 같은 간단한 사유만으로도 체감은 달라진다. 필터와 차단 기능도 중요하다. 특정 카테고리를 숨기거나, 본인이 선호하지 않는 옵션을 제외할 수 있다면 사용자는 추천을 자신의 의사결정에 맞게 조정할 수 있다.
알림은 최소화해야 한다. 추천을 알림으로 밀어버리면 단기 클릭은 오르겠지만 장기 이탈과 신고율이 뒤따른다. 알림은 명확한 트리거가 있을 때만, 예를 들어 사용자가 찜한 업소의 업데이트가 있을 때처럼 목적성이 분명할 때만 쓰는 편이 좋다.
사례에서 얻은 작은 디테일들
운영 현장에서 유용했던 디테일 몇 가지를 적어 둔다. 첫째, 후기의 신뢰도는 길이보다 시간 분포가 예측력이 높았다. 짧은 후기라도 분기별로 꾸준히 쌓이는 업소가 장기 유지율이 좋았다. 둘째, 사진의 최신성은 평균 45일을 기준으로 체감 저하가 있었다. 45일을 넘기면 신선도 보너스를 줄여 최신 업데이트를 유도했다. 셋째, 프로필의 운영 시간 정확도는 불만 신고와 강한 상관이 있었다. 실제 영업과 불일치가 2회 이상 신고되면 랭킹에서 페널티를 크게 부여했고, 이 조치만으로도 전체 신고율이 눈에 띄게 감소했다. 넷째, 신규 업소의 온보딩 14일 동안은 가벼운 가중치 보너스를 주되, 후기 텍스트가 최소 3개 쌓일 때까지는 상위 슬롯 진입을 제한했다. 과도한 신인상 보정은 기존 업소의 반발을 불렀고, 사용자 만족도에도 좋지 않았다.
개인정보와 규정 준수, 리스크 관리
추천 모델이 똑똑해질수록 개인정보에 더 많이 의존하려는 유혹이 생긴다. 그러나 최소 수집 원칙과 목적 제한을 지키지 않으면 서비스 전체가 위험해진다. 위치 데이터는 세션 단위로 익명화하고, 장기 보관은 격자화된 통계로 대체한다. 전화 통화 연결 같은 민감 신호는 성공 여부를 직접 보관하기보다, 익명 이벤트 카운트로만 사용한다. 로그 접근권한은 기능 개발자와 운영자 사이에서 명확히 분리하고, 샘플 데이터로 모델을 튜닝한다. 무엇보다 중요한 건, 데이터가 모델에 어떤 영향력을 미치는지 문서화하는 일이다. 내부 감사가 가능해야 문제가 생겼을 때 빠르게 원인을 추적한다.
품질 모니터링, 지표의 균형
추천 품질은 재방문율과 신고율만으로 판단하지 않는다. 사용자 여정의 초반, 중간, 후반 지점을 나눠 각 단계의 지표를 가진다. 초반은 첫 스크롤에서의 클릭률, 스크롤 깊이, 필터 사용률. 중간은 전화 버튼 클릭, 채팅 시도, 찜 추가. 후반은 재방문, 후기 작성, 차단/신고. 이 중 한 단계가 좋아져도 다른 단계가 악화되면 전체 경험은 나빠진다. 그래서 주간 리뷰에서는 단계별 지표를 한 화면에 놓고 함께 본다. 팀이 숫자에 익숙해지면 작은 노이즈에 흔들리지 않게 된다.
이상치 탐지는 룰 기반으로 충분히 시작 가능하다. 갑자기 특정 업소로 클릭이 몰리거나, 후기 패턴이 단일 IP로 쏠리면 알림을 띄우고 임시 페널티를 걸어 둔다. 이후 수동 확인으로 풀거나 유지한다. 자동화 비율을 너무 높이면 억울한 제재가 늘고, 너무 낮으면 플랫폼이 쉽게 오염된다. 적정선은 알림은 자동, 제재는 반자동이라고 보면 크게 벗어나지 않는다.
엔지니어링과 운영의 협업 구조
좋은 추천은 모델 성능만으로 나오지 않는다. 데이터 수집, 클라이언트 표시, CS 피드백, 영업 정책이 일관되게 맞물릴 때 성과가 올라간다. 예를 들어 영업팀이 촬영 가이드라인을 명확히 안내하고, 업데이트 주기를 관리하면 이미지 품질이 자연스레 개선된다. CS팀이 후기 신고 처리 기준을 일원화하면 신뢰 점수의 변동성이 줄어든다. 클라이언트 팀이 추천 이유 태그와 필터 UI를 개선하면 같은 모델이어도 만족도가 높아진다. 모델팀은 이 피드백 루프를 숫자로 다시 반영한다.
협업의 초석은 공용 대시보드와 주간 메모다. 각 팀이 보는 지표가 분절되면 목표가 어긋난다. 주간 메모에는 알밤, 아이러브밤, 광주알밤 각 지역군의 핵심 지표, 실험 상태, 이슈 로그, 다가오는 변경 사항을 요약해 공유한다. 너무 장황하지 않게, 그러나 결정에 필요한 맥락을 담아야 한다.
사용자와 업소, 양면 시장의 균형 잡기
아이러브밤 유형의 서비스는 양면 시장이다. 한쪽은 탐색하고 선택하는 사용자, 다른 한쪽은 선택받으려는 업소다. 추천 알고리즘은 이 둘의 균형을 조정하는 손이다. 사용자는 빠르고 정확한 탐색을 원한다. 업소는 공정한 기회와 예측 가능한 노출을 원한다. 추천이 사용자만을 향하면 신규 업소와 신생 지역이 숨 막히고, 업소만을 향하면 사용자가 이탈한다. 균형을 맞추는 방법은 모델이 아니라 정책에서 나온다. 예컨대 신규 업소 보호 기간과 보너스 가중치, 스폰서 슬롯 상한, 지역 쿼터, 후기 검증 기준은 모델 바깥에서 합의되어야 한다. 모델은 이 합의를 실행하는 도구다.
맺음말 대신, 운영자에게 남기는 체크포인트
추천은 기술과 의사결정의 합작품이다. 오랜 기간 서비스를 다뤄 보니, 구조는 크게 다르지 않았다. 데이터 위생을 우선한다. 목적 지표를 단순화한다. 슬롯을 분리해 공정성을 지킨다. 장기 신호에 가중치를 둔다. 실험은 빠르게, 롤백은 즉시. 사용자는 이유를 원하고, 업소는 예측 가능성을 원한다. 이 단순한 원칙을 지키면 아이러브밤, 알밤, 광주알밤 같은 지역 오피사이트의 추천 알고리즘은 안정적으로 진화한다.
마지막으로 현장에서 바로 활용할 수 있는 짧은 점검표를 붙인다.
- 데이터: 후기 중복, 이미지 해시, 운영 시간 정확도, 위치 일관성, 신고 로그의 상태를 주간 점검한다. 지표: 세션당 전화 클릭률, 첫 방문 재방문율, 신고율, 지역별 커버리지 비율을 핵심으로 놓고 본다. 정책: 스폰서 슬롯 비율, 신규 업소 보호 기간, 지역 쿼터, 후기 검증 기준을 분기마다 재확인한다. 모델: 후보군 생성과 최종 랭킹을 분리하고, 롤백 스위치와 피처 플래그를 상시 준비한다. UI: 추천 이유 태그, 필터/차단 기능, 신선도 표시, 광고 표기를 명확히 유지한다.
이 다섯 줄만 충실히 지켜도, 추천의 품질은 흔들리지 않는다. 기술은 매년 변하지만, 좋은 추천이 사용자와 업소 모두에게 신뢰를 얻는 방식은 크게 변하지 않는다.