TLDR
추천 시스템의 핵심은 "모델을 새로 만드는 것"이 아니라 "이미 있는 추천 결과를 매출 메시지로 연결하는 것"입니다. McKinsey 2024 보고서에 따르면 기업의 AI 도입률은 72%, 생성형 AI 정기 활용률은 65%까지 올라가며 실행 속도가 경쟁력의 중심으로 이동했습니다(McKinsey, 2024). Deloitte 2024 조사에서도 생성형 AI를 도입한 조직의 67%가 6개월 이내에 생산성 개선을 보고했습니다(Deloitte, 2024). BCG 2024 연구에서는 AI 기반 개인화 전략을 운영한 리테일/커머스 기업이 캠페인 응답률에서 유의미한 개선을 보인다고 밝혔습니다(BCG, 2024). 즉, 지금 필요한 것은 "더 복잡한 알고리즘"보다 "기존 데이터 + Braze 카탈로그 + 실행 자동화"를 결합하는 아키텍처입니다.
- 핵심 전략: 검증된 자산 재활용 + 병목 집중 + AI 보조 실행
- 실행 우선순위: 모델 재개발이 아니라
product_id를 메시지로 변환하는 연결 레이어 구축 - 성과 관점: 개발 기간을 주 단위에서 일 단위로 단축하고, 개인화 실험 회전율을 높여 매출 기여 속도 개선
1. 왜 중요한가
추천 시스템 프로젝트가 중요한 이유는 "추천 품질" 자체보다 "추천을 실제 매출 행동으로 연결하는 속도"가 성장률을 결정하기 때문입니다. McKinsey 2024는 AI 고성과 조직이 공통적으로 빠른 실험-학습 루프를 운영한다고 설명하며, 도입률 72% 시대에는 늦게 움직이는 팀이 구조적으로 불리해진다고 지적합니다(McKinsey, 2024). Gartner 2024는 디지털 커머스 팀에서 개인화 운영 역량이 높은 조직일수록 고객 생애가치(LTV) 개선 가능성이 높다고 분석했습니다(Gartner, 2024). Forrester 2024 역시 고객경험(CX) 성과 상위권 기업이 데이터-실행 연결 속도에서 차이를 만든다고 보고했습니다(Forrester, 2024).
YouTube에서 Gabriel Petersson 인터뷰를 보며 얻은 결론도 동일했습니다. 직접 모델을 다시 만들기보다, 이미 존재하는 추천 로직과 마케팅 실행 툴을 연결하면 훨씬 빠르게 결과를 낼 수 있습니다. 이 접근은 엔지니어링 비용을 줄이는 동시에 실험 횟수를 늘려, 결국 비즈니스 의사결정의 질을 끌어올립니다.
2. 기존 방법의 한계
전통적인 추천 시스템 구축 방식
전통적인 방식은 데이터 사이언티스트 채용, 모델링, 서빙 인프라, A/B 테스트, 재학습 체계를 순차적으로 쌓는 접근입니다. LinkedIn Jobs on the Rise 2024에서는 AI/ML 인력 수요가 계속 상승해 채용 리드타임과 보상 경쟁이 심화되고 있음을 보여줍니다(LinkedIn, 2024). Stack Overflow Developer Survey 2024에서도 AI/데이터 직무 스택 복잡도가 높아져 팀 간 협업 비용이 커진다고 나타났습니다(Stack Overflow, 2024). Deloitte 2024는 생성형 AI 파일럿의 가장 큰 실패 요인 중 하나로 운영 통합 부족을 지목했습니다(Deloitte, 2024).
- 데이터 사이언티스트 채용 → 시장 경쟁 심화로 채용 비용 상승
- 모델 개발 → 정확도 개선보다 운영 연결에서 병목 발생
- 인프라 구축 → 서빙과 모니터링에서 운영 복잡도 증가
- A/B 테스트 및 최적화 → 실험 회전율이 낮으면 학습 속도 저하
- 운영 및 유지보수 → 드리프트 대응이 늦어지면 성과 급락
결론: 대부분의 성장 조직에는 "새 모델 개발"보다 "기존 추천 결과를 채널 실행으로 연결"하는 것이 더 큰 ROI를 만듭니다.
숨겨진 비용: 기회비용
기회비용은 숫자로 더 크게 드러납니다. McKinsey 2024는 생성형 AI를 운영 단계까지 확장한 기업이 비용 절감과 매출 기여를 동시에 보고했다고 밝혔고(McKinsey, 2024), BCG 2024는 가치 창출 속도가 빠른 기업일수록 "기존 자산 재활용" 비중이 높다고 분석했습니다(BCG, 2024). 즉, 모델을 처음부터 다시 만드는 동안 핵심 제품 개선, CRM 개인화, 채널 확장 등 고임팩트 과제가 지연됩니다.
Eliyahu Goldratt의 Theory of Constraints 관점에서 보면, 대부분 팀의 실제 병목은 모델링이 아니라 실행 연결입니다. 병목을 잘못 잡으면 프로젝트는 길어지고 성과는 늦어집니다.
3. 멘탈 모델 3가지의 조합
멘탈 모델 1: 이미 있는 바퀴를 다시 만들지 말기
이미 있는 바퀴를 다시 만들지 말자는 원칙은, 이미 검증된 자산을 먼저 연결하라는 전략입니다. Gartner 2024는 커머스 개인화 로드맵에서 신규 구축보다 기존 데이터/콘텐츠 자산의 통합 우선순위를 강조합니다(Gartner, 2024). Forrester 2024도 고객경험 성숙도가 높은 조직이 새 도구 도입보다 운영 연결 자동화에 먼저 투자한다고 설명합니다(Forrester, 2024). 따라서 BigQuery에 이미 존재하는 추천 테이블이 있다면, 새 모델보다 활용 설계가 먼저입니다.
- 마지막 구매 브랜드 기반 교차 추천
- 마지막 구매 제품 기반 유사 상품 추천
- 동시 구매 패턴 기반 번들 추천
- 세그먼트별 우선 상품 매칭
핵심은 "새로운 알고리즘 발명"이 아니라 "검증된 추천 결과의 재배포"입니다.
멘탈 모델 2: 제약 이론(TOC)
Goldratt의 TOC를 적용하면 병목은 명확합니다. 추천 모델이 아니라 추천 결과를 캠페인 크리에이티브로 변환하는 연결 레이어입니다. McKinsey 2024는 AI 가치 실현의 핵심으로 워크플로우 통합을 제시했고(McKinsey, 2024), Deloitte 2024 역시 파일럿 정체 구간의 원인을 통합 실패로 지목했습니다(Deloitte, 2024). LinkedIn 2024 고성과 팀 인터뷰에서도 기능 조직 간 핸드오프가 느릴수록 실험 속도가 떨어진다고 확인됩니다(LinkedIn, 2024).
- ❌ 추천 알고리즘 자체: 이미 존재
- ❌ 로데이터 적재: 이미 BigQuery에서 운영
- ❌ 클라우드 인프라: 이미 보유
- ✅ 추천 ID를 개인화 메시지 자산으로 바꾸는 연결 단계
멘탈 모델 3: AI 보조 실행
AI 보조 실행은 사람의 실무 판단을 대체하는 개념이 아니라, 연결 구현 속도를 높이는 개념입니다. Microsoft Work Trend Index 2024는 업무 현장에서 AI 보조를 받는 인력 비중이 빠르게 증가하며 반복 작업 자동화 기대가 커졌다고 보고했습니다(Microsoft, 2024). GitHub 2024 개발자 연구에서는 AI 코딩 보조를 사용하는 팀이 구현 리드타임 단축 효과를 경험한다고 밝혔습니다(GitHub, 2024). Stack Overflow 2024도 개발/비개발 협업에서 AI 도구가 프로토타이핑 속도를 크게 높인다고 제시합니다(Stack Overflow, 2024).
추천 API가 product_id와 brand_id만 반환해도 문제 없습니다. Braze 카탈로그가 속성 조회를 담당하고, AI는 API/템플릿 구현 속도를 높여 실험 전개를 앞당깁니다.
4. 완성된 아키텍처
이 아키텍처의 목적은 추천 모델 정확도를 경쟁시키는 것이 아니라, 추천 결과가 채널 전환으로 이어지는 운영 경로를 짧게 만드는 것입니다. Google Cloud 2024 아키텍처 가이드는 데이터 웨어하우스 + 서버리스 API + 마케팅 실행 툴 연결이 확장성과 운영 안정성을 동시에 만족시키는 패턴이라고 설명합니다(Google Cloud, 2024). Braze 2024 문서에서도 Connected Content와 Catalog를 결합하면 외부 추천 결과를 실시간 개인화에 주입할 수 있다고 명시합니다(Braze, 2024). AWS 2024 서버리스 운영 지침은 이벤트 기반 API 레이어가 캠페인 트래픽 변동에 대응하기 쉽다고 제시합니다(AWS, 2024).
[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
추천 시스템이 ID만 반환해도 실무 개인화는 충분히 가능합니다. Braze 2024에 따르면 Catalog는 상품 속성의 중앙 저장소 역할을 하며, 템플릿 레이어에서 가격/이미지/링크를 즉시 참조할 수 있습니다(Braze, 2024). Salesforce 2024는 고객 메시지 개인화에서 데이터 표준화가 성과 분산을 줄이는 핵심 요인이라고 보고합니다(Salesforce, 2024). Forrester 2024도 채널 간 동일 상품 정의 체계가 전환 최적화에 유리하다고 분석합니다(Forrester, 2024).
알고리즘이 반환하는 예시는 다음과 같습니다:
{
"user_id": "user_123",
"recommended_products": ["prod_456", "prod_789", "prod_012"],
"recommended_brands": ["brand_A", "brand_B"]
}
그리고 Braze 카탈로그와 Liquid를 결합하면 아래처럼 즉시 개인화 콘텐츠를 생성할 수 있습니다.
{% 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 확실하면 실행은 자동화됩니다.
5. 이 그림을 완성할 수 있었던 이유
이 구조가 빠르게 완성된 이유는 새 기술을 많이 도입해서가 아니라, 기존 조각의 연결 조건을 명확히 알고 있었기 때문입니다. McKinsey 2024는 생성형 AI 성과를 내는 조직의 특징으로 "도메인 전문성 + 실행 거버넌스"를 꼽습니다(McKinsey, 2024). Deloitte 2024는 고성과 사례에서 기술 정확도보다 워크플로우 설계가 ROI에 더 큰 영향을 준다고 설명합니다(Deloitte, 2024). BCG 2024 또한 사람의 문제정의 능력이 AI 투자 성과를 결정한다고 정리합니다(BCG, 2024).
조각들을 모두 알고 있었다
- BigQuery에 이미 추천 로직이 존재한다는 사실
- Cloud Run으로 경량 API를 즉시 노출할 수 있다는 사실
- Braze Connected Content가 외부 추천을 호출할 수 있다는 사실
- Braze 카탈로그가 ID 기반 속성 조회를 보장한다는 사실
이 네 가지를 동시에 이해하면 AI 도구는 구현 가속기 역할을 수행합니다. 반대로 연결 구조를 모르면 AI를 써도 질문 품질이 낮아져 결과가 느려집니다.
실무 전문성 × 엔지니어링 코스트 급감 = 폭발적 결과
GitHub 2024는 AI 코딩 보조가 반복 구현 시간을 줄이고 실험 빈도를 높인다고 분석했습니다(GitHub, 2024). Stack Overflow 2024도 비개발 직군이 AI를 통해 기술 장벽을 낮추는 사례가 증가한다고 보고했습니다(Stack Overflow, 2024). Microsoft 2024는 업무 전반에서 AI 보조 사용이 확산되며 빠른 프로토타이핑이 조직 표준이 되고 있다고 설명합니다(Microsoft, 2024).
- 과거: 4-6주 + 다수 협업 조정
- 현재: 1-2일 + 도메인 전문가 중심 실행
- 핵심 변화: 개발 병목 감소로 CRM 실험 사이클 가속
6. 가능한 활용 시나리오
실행 가능한 시나리오는 "한 번에 완벽한 추천"이 아니라 "지속적으로 성능을 올리는 추천 운영"입니다. Salesforce 2024는 마케팅 팀의 핵심 과제가 더 높은 개인화 수준과 더 빠른 응답 속도라고 제시합니다(Salesforce, 2024). McKinsey 2024는 가치가 큰 AI 사례일수록 특정 업무 흐름에 깊게 통합된다고 말합니다(McKinsey, 2024). Gartner 2024도 커머스에서 추천 성공률을 좌우하는 변수로 상품 데이터 품질과 운영 일관성을 지목합니다(Gartner, 2024).
시나리오 1: 마지막 구매 브랜드 기반 크로스셀
- 브랜드 선호 신호 + 동시구매 패턴을 결합해 연관 브랜드 상품을 제안
- 카탈로그에서 재고/가격/이미지를 동기화해 메시지 신뢰도 확보
시나리오 2: 유사 제품 추천 (대안 제안)
- 장바구니 이탈 시 유사 카테고리와 가격대 대안을 자동 제시
- 상품 속성을 즉시 반영해 오래된 정보 노출 리스크 감소
시나리오 3: 재구매 주기 기반 리마인더
- 소모성 제품 구매 후 경과일을 기준으로 재구매 확률 높은 후보 제공
- 최신 가격/프로모션과 결합해 반응률 개선
시나리오 4: 세그먼트별 큐레이션
- VIP/신규/휴면 세그먼트마다 다른 추천 규칙을 적용
- 하나의 추천 API를 채널별 템플릿에서 재사용해 운영 복잡도 축소
7. 핵심 인사이트
"나도 할 수 있겠다"의 진짜 조건
이제 경쟁력은 "고급 모델링 지식 보유" 하나로 결정되지 않습니다. McKinsey 2024는 성과 차이가 기술 자체보다 도입 운영 방식에서 벌어진다고 밝혔고(McKinsey, 2024), BCG 2024는 도메인 맥락을 정확히 가진 팀이 AI 투자 대비 가치를 더 빠르게 회수한다고 분석했습니다(BCG, 2024). Forrester 2024는 고객경험 성과 상위 기업이 데이터-콘텐츠-채널 연결을 표준화했다고 보고합니다(Forrester, 2024).
- 실무를 모르면 AI가 제안해도 실행이 안 된다
- 연결 구조를 알면 AI가 실행 속도를 10배 가까이 끌어올린다
- 도메인 전문가는 "무엇을 만들지"를 정의하는 핵심 역할로 더 중요해진다
멘탈 모델의 힘
- Do not reinvent the wheel: 이미 존재하는 추천 자산을 우선 활용
- 제약 이론(TOC): 모델이 아닌 연결 병목에 집중
- AI 보조 실행: 연결 구현과 검증 속도를 극대화
Deloitte 2024는 생성형 AI 성공 사례의 공통 분모를 "업무 맥락 적합성"으로 정리했고(Deloitte, 2024), Microsoft 2024는 AI 보조 업무의 생산성 이득이 역할 정의가 분명할수록 커진다고 보고했습니다(Microsoft, 2024). 결론은 단순합니다. 도구보다 운영 설계가 성과를 만듭니다.
8. 다음 단계
직접 해보고 싶다면
다음 단계는 "복잡한 모델 구축"이 아니라 "추천 실행 체계"를 빠르게 고정하는 것입니다. Google Cloud 2024는 서버리스 기반 API 패턴이 초기 운영 부담을 줄인다고 설명하고(Google Cloud, 2024), Braze 2024는 Connected Content + Catalog 조합을 개인화 운영 표준으로 제시합니다(Braze, 2024). AWS 2024도 이벤트성 트래픽 대응에서 경량 API 게이트웨이 구조가 유리하다고 안내합니다(AWS, 2024).
- 이미 만들어진 것 확인: 내부 데이터팀/분석팀의 추천 로직과 테이블 파악
- Braze 카탈로그 정비: ID, 이름, 이미지, 가격, URL, 재고 상태 표준화
- 간단한 API 엔드포인트 노출:
user_id → product_ids응답 고정 - Connected Content + 카탈로그 결합: 채널별 Liquid 템플릿 템플릿화
우리가 도와드릴 수 있는 것
Retention은 추천 모델 재개발보다 "추천 실행 연결"을 빠르게 완성하는 데 집중합니다. McKinsey 2024와 BCG 2024가 공통으로 강조하듯, 가치 실현 속도는 연결 설계에서 결정됩니다(McKinsey, 2024; BCG, 2024). 그래서 설계-구현-측정 루프를 짧게 만들고, 운영 인수인계 가능한 구조를 함께 만듭니다.
- 기존 추천 로직 ↔ Braze 연동 아키텍처 설계
- 카탈로그 스키마 정비 및 Connected Content 구현
- 추천 성과 측정 체계(클릭/전환/재구매 지표) 구축
- AI 보조 실행 기반 운영 자동화 컨설팅
마치며
추천 시스템의 승부처는 모델 이름이 아니라 실행 연결입니다. McKinsey 2024의 72% AI 도입률과 65% 생성형 AI 활용률은 이미 경쟁 환경이 바뀌었음을 보여줍니다(McKinsey, 2024). Deloitte 2024의 67% 생산성 개선 보고는 "잘 연결된 워크플로우"가 빠르게 성과를 만든다는 근거입니다(Deloitte, 2024). Forrester 2024와 Gartner 2024가 강조하듯, 개인화 성과는 데이터 품질과 실행 일관성에서 갈립니다(Forrester, 2024; Gartner, 2024).
추천 알고리즘이 이미 있다면, 다음 행동은 명확합니다. 추천 ID를 고객이 바로 반응할 메시지로 전환하는 파이프라인을 구축하세요. 이 전환 레이어를 갖춘 팀이 더 빠르게 배우고, 더 빨리 매출로 연결합니다.
📞 AX 도입 상담
이 글은 recommendation system 실무 구현 경험과 최근 공개 리서치(2024)를 바탕으로 작성되었습니다. 우리 조직 상황에 맞춘 연결 아키텍처가 필요하면 편하게 문의 주세요.