멘탈 모델 3가지로 5분 만에 브레이즈 커머스 추천 시스템 완성하기

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 하는지조차 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 연결하느냐다.

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

• 📧 Contact Form
• 📅 30분 예약

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