Skip to main content

멘탈 모델 3가지로 5분 만에 브레이즈 커머스 추천 시스템 완성하기

· By Simpson Sim · 10 min read

TLDR

  • 고졸 출신이 독학으로 추천 알고리즘을 만들어 OpenAI 리서처가 된 Gabriel Petersson 스토리에서 영감
  • Do not reinvent the wheel + Theory of Constraints + AI Augmentation 세 가지 멘탈 모델의 조합
  • Google Vertex AI조차 쓸 필요 없었음 → 이미 패션 커머스 알고리즘 전문가가 만들어놓은 것이 있었음
  • 알고리즘은 product_id만 반환 → Braze 카탈로그로 image_url, 가격 등 attribute 조회하면 끝
  • "모든 실무를 훤하게 꿰뚫는 사람" × "엔지니어링 코스트 급감" = 폭발적 결과

1. 왜 중요한가

YouTube에서 Gabriel Petersson 인터뷰를 보다가 멈췄다. 스웨덴 촌동네 고졸이 독학으로 커머스 추천 알고리즘을 만들어서 결국 OpenAI 리서처까지 됐다는 이야기였다.

"이건 나도 할 수 있겠다."

이 생각이 들었던 이유는 단순하다. 나는 이미 Google Cloud 인프라를 잘 알고 있고, BigQuery에 로데이터도 있으며, 무엇보다 직접 만들 필요가 없다는 걸 깨달았기 때문이다.

그런데 더 놀라운 건, Google의 Vertex AI Search for Commerce조차 쓸 필요가 없었다는 것이다.

왜냐하면, 이미 패션 커머스 알고리즘을 수년간 연구해온 전문가가 만들어놓은 알고리즘이 BigQuery에 존재했기 때문이다.

2. 기존 방법의 한계

전통적인 추천 시스템 구축 방식

대부분의 스타트업이 추천 시스템을 도입하려고 할 때 겪는 과정:

  1. 데이터 사이언티스트 채용 → 연봉 1억+, 채용 3-6개월
  2. 모델 개발 → Collaborative Filtering, Content-based Filtering 등 직접 구현
  3. 인프라 구축 → 모델 서빙, 실시간 추론 파이프라인 설계
  4. A/B 테스트 및 최적화 → 지속적인 모델 튜닝
  5. 운영 및 유지보수 → 모델 드리프트 모니터링, 재학습

결과: 6-12개월, 수억 원의 비용.

숨겨진 비용: 기회비용

추천 시스템을 직접 만드는 동안 팀이 집중하지 못한 것들:

  • 핵심 제품 개선
  • 신규 채널 확장
  • 고객 경험 최적화

Eliyahu Goldratt의 Theory of Constraints에 따르면, 조직의 성과는 가장 큰 병목에 의해 제한된다. 추천 시스템 자체 개발은 대부분의 스타트업에게 병목이 아니라 리소스 낭비다.

3. 멘탈 모델 3가지의 조합

Mental Model #1: Do Not Reinvent the Wheel

바퀴를 다시 발명하지 마라.

생각해보니 이미 패션 커머스 추천 알고리즘을 수년간 연구한 전문가가 만들어놓은 알고리즘들이 BigQuery에 있었다:

  • 마지막 구매 브랜드 기반 다른 브랜드 추천
  • 마지막 구매 제품 기반 유사 제품 추천
  • 함께 구매되는 제품 패턴 분석
  • 사용자 세그먼트별 최적 상품 매칭

Google의 Vertex AI Search for Commerce를 새로 붙일 필요조차 없었다. 이미 검증된 알고리즘이 내 손 안에 있었다.

Mental Model #2: Theory of Constraints (TOC)

Goldratt의 TOC는 간단하다. 모든 시스템에는 하나의 병목이 있고, 그 병목을 해결해야만 전체 성과가 향상된다.

내 상황의 병목은 무엇이었나?

  • ❌ 추천 알고리즘 → 이미 전문가가 만들어놓음
  • ❌ 로데이터 → 이미 BigQuery에 있음
  • ❌ 인프라 → Google Cloud 이미 사용 중
  • ✅ 알고리즘 결과 ↔ 메시지 개인화 연결

병목은 "추천 알고리즘이 반환하는 product_id를 어떻게 실제 마케팅 메시지에 연결할 것인가"였다.

Mental Model #3: AI Augmentation

여기서 중요한 깨달음이 왔다.

알고리즘이 반환하는 건 product_id, brand_id 같은 ID 값뿐이다. 실제 마케팅 메시지에는 제품 이미지, 가격, 상품명 같은 attribute가 필요하다.

그런데 Braze의 카탈로그 기능을 이미 잘 알고 있었다.

product_id만 있으면, 카탈로그에서 해당 제품의 모든 attribute를 Liquid로 불러올 수 있다.

Gemini에게 전체 아키텍처를 물어봤고, 5분 만에 완성된 그림이 나왔다.

4. 완성된 아키텍처

[BigQuery: 알고리즘 전문가가 만든 추천 테이블]
      ↓
[Cloud Run API Endpoint]
      ↓ (user_id → recommended product_ids 반환)
[Braze Connected Content]
      ↓ (product_id로 API 호출)
[Braze 카탈로그]
      ↓ (product_id → image_url, price, name 등 조회)
[개인화된 이메일/푸시/인앱 메시지]

핵심: Braze 카탈로그의 역할

알고리즘이 반환하는 건 ID뿐이다:

{
  "user_id": "user_123",
  "recommended_products": ["prod_456", "prod_789", "prod_012"],
  "recommended_brands": ["brand_A", "brand_B"]
}

하지만 Braze 카탈로그와 Liquid를 조합하면:

{% connected_content https://your-api/recommend?user_id={{${user_id}}} :save recs %}

{% for product_id in recs.recommended_products %}
  {% catalog_items products {{product_id}} %}
  <div>
    <img src="{{items[0].image_url}}" />
    <p>{{items[0].name}}</p>
    <p>{{items[0].price}}원</p>
    <a href="{{items[0].url}}">지금 구매하기</a>
  </div>
{% endfor %}

product_id만 알면, 카탈로그에서 모든 정보를 실시간으로 가져온다.

5. 이 그림을 완성할 수 있었던 이유

이 아키텍처가 5분 만에 그려진 이유는 단순하다.

조각들을 모두 알고 있었다

  1. BigQuery에 이미 알고리즘이 있다는 것
  2. Cloud Run으로 간단한 API를 만들 수 있다는 것
  3. Braze Connected Content로 외부 API를 호출할 수 있다는 것
  4. Braze 카탈로그로 product_id 기반 attribute를 조회할 수 있다는 것

이 네 가지 조각을 모르면, 아무리 AI에게 물어봐도 **"뭘 물어봐야 하는지"**조차 모른다.

실무 전문성 × 엔지니어링 코스트 급감 = 폭발적 결과

과거에는 이 아키텍처를 구현하려면:

  • Cloud Run 함수 작성 → 개발자 필요 (1-2주)
  • API 설계 및 문서화 → 개발자 필요 (3-5일)
  • Braze 연동 및 Liquid 작성 → 개발자 + CRM 팀 협업 (1주)
  • 테스트 및 디버깅 → (1주)

총 4-6주, 개발 리소스 필요.

지금은?

  • Cloud Run 함수: AI가 5분 만에 작성
  • API 설계: AI와 대화하며 즉시 완성
  • Liquid 템플릿: AI가 카탈로그 연동 코드 생성
  • 디버깅: AI가 에러 메시지 보고 즉시 수정

총 1-2일, 개발자 없이 혼자 가능.

6. 가능한 활용 시나리오

시나리오 1: 마지막 구매 브랜드 기반 크로스셀

  • 사용자가 "Nike" 신발 구매 → 알고리즘이 Nike 선호 사용자에게 인기 있는 다른 브랜드 추천 → 카탈로그에서 해당 브랜드의 베스트셀러 제품 정보 조회 → 개인화 이메일 발송

시나리오 2: 유사 제품 추천 (대안 제안)

  • 장바구니 이탈 사용자 → 알고리즘이 해당 제품과 유사한 product_id 반환 → 카탈로그에서 이미지, 가격 조회 → "이 제품도 살펴보세요" 푸시 발송

시나리오 3: 재구매 주기 기반 리마인더

  • 30일 전 샴푸 구매 고객 → 알고리즘이 재구매 가능성 높은 제품 + 관련 제품 ID 반환 → 카탈로그에서 최신 가격 조회 → 재구매 유도 이메일

시나리오 4: 세그먼트별 큐레이션

  • VIP 고객 세그먼트 → 알고리즘이 해당 세그먼트에 최적화된 프리미엄 상품 ID 반환 → 카탈로그에서 상품 정보 조회 → 프리미엄 큐레이션 뉴스레터

7. 핵심 인사이트

"나도 할 수 있겠다"의 진짜 조건

Gabriel Petersson처럼 추천 알고리즘을 직접 만들 수도 있다. 하지만 2024년의 진짜 경쟁력은 다르다:

"모든 실무를 훤하게 꿰뚫고 있는 사람"이 "엔지니어링 코스트 급감" 시대를 만나면 폭발적인 결과가 나온다.

이 말의 의미:

  1. 실무를 모르면 AI가 무용지물

    • "Braze 카탈로그로 product_id 기반 조회가 된다"는 걸 모르면, 연결고리가 끊긴다
    • 조각들을 알아야 AI에게 올바른 질문을 할 수 있다

  2. AI 덕분에 실행 속도 10배 향상

    • 과거: 아이디어 → 개발자 요청 → 대기 → 구현 → 수정 요청 → 대기...
    • 현재: 아이디어 → AI와 대화 → 즉시 구현 → 즉시 수정 → 배포

  3. 도메인 전문가의 가치 급상승

    • 코딩은 AI가 하지만, "뭘 만들어야 하는지"는 사람만 안다
    • 비즈니스 맥락, 고객 이해, 툴 생태계 지식 = 대체 불가

멘탈 모델의 힘

  • Do not reinvent the wheel: 이미 존재하는 알고리즘 + 도구 활용
  • Theory of Constraints: 진짜 병목(연결)에 집중
  • AI Augmentation: AI로 실행 속도 극대화

이 세 가지를 조합하면, "수개월 프로젝트"가 "5분 설계 + 1-2일 구현"으로 바뀐다.

8. 다음 단계

직접 해보고 싶다면

  1. 이미 만들어진 것 확인: 회사 내 데이터팀/분석팀에 이미 추천 로직이 있는지 확인
  2. Braze 카탈로그 설정: 제품 정보(ID, 이름, 이미지, 가격, URL) 업로드
  3. 간단한 API 엔드포인트: Cloud Run/Lambda로 user_id → product_ids 반환
  4. Connected Content + 카탈로그 조합: Liquid 템플릿 작성

우리가 도와드릴 수 있는 것

Retention에서는 이런 "연결" 문제를 전문으로 해결합니다:

  • 기존 알고리즘 ↔ Braze 연동 아키텍처 설계
  • 카탈로그 최적화 및 Connected Content 구현
  • 추천 성과 측정 체계 구축
  • AI Augmentation 워크플로우 컨설팅

마치며

Gabriel Petersson의 이야기가 인상 깊었던 건 "대단한 기술력" 때문이 아니었다. 그가 보여준 건 문제를 단순화하고 직접 부딪히는 태도였다.

우리도 똑같이 할 수 있다. 다만 핵심은 **"이미 있는 것을 어떻게 연결하느냐"**다.

추천 알고리즘? 이미 있다.
제품 데이터? 카탈로그에 있다.
연결? Connected Content로 5분이면 된다.

복잡해 보이는 문제도, 실무를 꿰뚫는 눈과 올바른 멘탈 모델이 만나면 의외로 간단하다.

📞 AX 도입 상담

이 글은 실제 프로젝트 경험을 바탕으로 작성되었습니다. 구체적인 구현 방법이나 우리 비즈니스에 적용 가능한지 궁금하시다면 편하게 연락 주세요.

About the author

Simpson Sim
View profile
Updated on 2025년 12월 5일
⏺
무엇이든 물어보세요! 👋
reCAPTCHA: Privacy & Terms