[기고] 남들과 다른 나, 개인화

개인화란?

여러분은 자신이 남들과 많이 다르다 라고 느낀 순간이 있으신가요? 제가 최근에 읽은 "평균의 종말"이라는 책의 사례를 가지고 개인화에 대한 개념을 이야기 해보려고 합니다.

1940년대 말 미국의 전투기가 원인도 모르게 추락하는 일이 빈번해졌고 그 원인이 조종사 개인 과실이 아니라 1920년대에 맞춰진 조정석이 문제라는 것을 알게 됩니다. 미국 공군은 대부분에 사람에게 맞는 조정석을 디자인하기 위해 4000명의 조종사들의 키, 가슴둘레, 다리길이 등등 총 10가지의 신체 지수를 가지고 매우 단순한 질문을 던집니다. 4000명 중 몇 명이나 이 10가지의 평균에 들어오게 될까? 공군에서는 이미 조종사를 선별할 때 조정석 크기를 감안하여 일정한 체격을 가진 사람만 뽑았습니다. 그래서 대부분 평균에 속할 거라 생각했죠. 하지만 10가지 기준 모두 평균치에 들어오는 조종사는 단 한 명도 없었습니다. 미공군은 사태의 심각성을 감지하고 중요 신체 지수의 5%에서 95%로 개인에 맞게 변형가능하도록 제작하게 합니다. 이 사례를 통해 제가 이야기 하려는 것은 개인은 사회화되면서 서로 비슷하게 살아 가지만 개개인을 자세히 뜯어 보면 제각기 다르다는 점입니다.

개인화란 이렇게 각기 다른 개인들의 소비 성향, 관심사, 과거 구매 이력 등을 기반으로 특정 고객에 가장 적합한 마케팅을 하는 것을 말합니다.

먼저 개인을 식별하자.

개인화를 하기 위해 먼저 어떤 단위로 개인을 식별할 것인가를 결정해야 합니다. 보통 계약은 개인이 하지만 데이터 발생, 사용 주체는 개인 식별이 되지 않는 경우도 존재합니다. 예를 들어, 스마트폰의 경우 개인이 사용하기 때문에 스마트폰 하나를 개인으로 식별해도 문제가 되지 않지만 TV 같은 경우 대체로 가족이 같이 시청하므로 TV의 시청이력은 해당 계약 당사자만의 데이터로 볼 수는 없습니다. 

이미 개인 단위로 식별되는 스마트폰과 같은 경우는 해당 기기에서 발생하는 데이터를 개인 데이터 관리 규칙에 맞게 관리하면 됩니다. 그러나 일반적으로 개인 식별이 되지 않은 데이터를 개인 단위로 식별하는 것은 단순한 문제가 아닙니다. 이런 경우 식별하는 정책에 따라 두가지로 나누어 진행할 수 있습니다. 

첫째는 계정 관리를 통한 방식으로 App 또는 Web에서 사용자가 스스로 계정(ex, 넷플릭스의 프로필 같은 개념으로 성인과 키즈를 분리하여 다수의 프로필 생성 가능)을 생성하여 개인 단위로 데이터가 발생하게 하는 방식입니다. 이 방식은 사용자가 직접 설정에 의해 개인 데이터가 정의되기 때문에 정확도가 높습니다. 하지만 계정을 생성하지 않는 사용자들에 대해서는 개인화가 어렵습니다. 

두번째는 사용자가 명시적으로 데이터를 분리하여 주지는 않지만 내부에 쌓인 데이터를 활용하여 개인을 추론하여 식별하는 방식입니다. 이 방식은 추론 로직에 의한 방식이기 때문에 정확도는 상대적으로 낮지만 모든 사용자에 대해 추론 가능하다는 점에서 장점이 있습니다. 가능하다면 계정 관리 방식과 개인 추론 방식 두가지 모두를 사용하여 각각에서 발생한 개인 데이터를 상호보완적으로 조합하여 활용하는 것이 좋겠습니다.

어떻게 개인화 데이터를 관리할까?

개인 식별 방식에 따라 개인 단위 활동 정보는 순차적으로 누적됩니다. 이렇게 쌓인 개인 데이터를 패턴화 하여 그 안에서 반복되는 특성을 추출함으로써 개인화 데이터를 다음 3가지 요소로 관리할 수 있습니다.

1) 개인 활동 패턴

개인 단위로 발생한 데이터로 사용자의 활동을 해석하기 용의하게 대표/추상화 하여 관리하는 것으로 일반적으로 시간패턴, 장소패턴, 순차패턴, 행동패턴 등으로 패턴화하여 관리합니다.

2) 개인 활동 속성

개인의 서비스 이용으로 발생한 개인의 수치화된 주요 활동 정보로 의미 있는 대상을 선정하는 것이 중요하며 개인 성향을 추론하는 기반 데이터로 사용합니다.

예) 사용량, 시청시간, 구매금액 등

3) 개인 성향 속성

개인의 활동 정보의 특징적 의미를 파악할 수 있게 지수화 된 성향 정보로 개인의 활동 정보를 기반으로 특정 분석기간 동안 해당 활동 속성이 전체 분석 집합에서 어떤 의미가 있는지에 대한 지수(%) 정보입니다.

예) 소비성향지수, 취미활동지수 등

결과적으로 개인화 추론 로직에 의해 개인활동패턴, 개인활동속성, 개인성향속성으로 분류하여 데이터가 생성되고 체계적으로 관리할 수 있습니다.

개인화 데이터 활용 방법은? (개인화 추천)

개인화된 데이터가 구축됐다면 “남들과 다른 나”를 위해 차별화된 개인화 추천 및 마케팅을 제공 할 수 있습니다. 구체적으로 개인성향 별 선호지수를 활용하여 매우 선호하는 계층을 타겟으로 개인이 평소에 자주 활동하는 장소에 선호하는 시간대를 찾아 좋아하는 컨텐츠를 절묘한 타이밍에 추천 하는 방식입니다. 또 다른 방식으로 개인의 활동 및 성향 데이터 기반 유사도가 높은 사용자끼리 Look-alike User Group을 생성하여 해당 Group에서 선호는 컨텐츠 중 개인에게 이미 제시되지 않은 컨텐츠를 순차적으로 추천하는 방식으로 활용할 수도 있습니다. 

마치면서

과거와 달리 현재 개인화는 개인비서, 개인화 추천 서비스 등으로 우리 생활 속에 깊숙하게 스며들어 있습니다. 우리가 생활하는 온/오프라인 공간에서 발생하는 모든 데이터는 개인화되어 자신도 모르는 사이에 어딘가에 보관되고 있을지도 모릅니다.

이렇게 가깝게 다가온 개인화지만 국내 환경에서 해결해야하는 숙제도 많습니다. 멀티 디바이스 사용자들의 여러 디바이스를 개인 단위로 통합하여 단일 사용자로 인지하는 부분이 제한적으로 적용되고 있습니다. 구글과 애플, 아마존 등과 같은 해외 기업은 이미 자연스럽게 되는 일이고 이 분야를 선도하고 있습니다. 또한 개인화를 부정적으로 생각하는 쪽에서는 나의 개인적인 성향을 다른 누군가가 알고있다는 것에 대한 거부감도 존재합니다. 

하지만 앞으로 모든 사람들은 자신에 맞는 서비스 환경을 갖게 될 것이라는 유익성을 생각한다면 무엇보다 매력적인 주제가 아닌가 생각됩니다.