{
  "id": "79fe26cc-6efd-4547-846d-d833bd2ecf28",
  "slug": "case/blog-digital-library-content-personalization",
  "doc_type": "case",
  "title": "대기업 계열 디지털 도서관, 콘텐츠 개인화 추천으로 사용자 참여도 개선",
  "title_en": null,
  "one_liner": "방대한 지식 콘텐츠를 보유한 디지털 도서관이 행동 데이터 기반 추천 알고리즘을 구축해 콘텐츠 탐색 피로도를 낮추고 체류시간·구독률을 높인 사례.",
  "summary_bullets": [
    "보유 콘텐츠가 방대할수록 탐색 피로가 이탈의 핵심 원인이 되므로, 추천은 편의 기능이 아니라 리텐션 전략의 핵심이다",
    "콘텐츠 기반 추천과 유저 기반 추천을 병행하면 개인화의 정확도와 신규 관심사 발견 가능성을 동시에 확보할 수 있다",
    "완독률·스크롤·체류시간 같은 세부 행동 지표를 결합해야 단순 조회수보다 정교한 선호도 모델을 만들 수 있다",
    "추천 알고리즘은 데이터가 쌓일수록 스스로 고도화되도록 설계해, 초기 세팅 이후에도 지속적으로 성능이 개선되는 구조를 갖춰야 한다"
  ],
  "body_md": "## 무엇이 문제였나\n과학기술 지식 콘텐츠를 대량으로 보유한 한 대기업 계열 디지털 도서관은 도서, 신문기사, 영화 시나리오, 강연 등 다양한 형태의 콘텐츠를 제공하고 있었지만, 보유 정보량이 워낙 많아 방문자가 관심 분야를 찾아가는 과정에서 어려움을 겪었다. 특히 오디오 콘텐츠는 속독이 불가능해 여러 콘텐츠를 하나하나 들어봐야 했고, 이 과정에서 피로감을 느낀 사용자의 이탈이 발생했다.\n\n## 과제\n- 실시간 인기 콘텐츠를 집계해 방문자에게 새로운 관심 영역을 제시할 채널 필요\n- 방문 고객별 맞춤 콘텐츠 추천으로 체류시간·만족도 향상\n- 특정 취향에 고립되지 않으면서도 개인화된 추천 제공\n\n## 접근\n- 콘텐츠별 활성 트래픽을 실시간 수집해 인기 콘텐츠 랭킹을 도출하고, 기간별(월간/연간) 인기 콘텐츠와 구분해 노출\n- 유저별 조회 이력, 스크롤/정독률, 체류시간 등 행동 데이터를 수집해 콘텐츠 내 행동 지표별 선호도를 연산하고, 시간 흐름에 따른 관심사 변화도 반영\n- 콘텐츠 기반(유사 콘텐츠 추천)과 유저 기반(유사 관심사 그룹 추천) 두 가지 알고리즘을 병행 설계\n\n## 구축 내용\n- 실시간 인기 콘텐츠 Top 10 수집·분석 및 전용 노출 화면 개발\n- 유저별 콘텐츠 열람 히스토리 기반 선호도 연산 로직\n- 콘텐츠 자연어 처리를 통한 카테고리 분류 및 유저 기반 협업 필터링 추천 알고리즘 설계(데이터 누적에 따라 자동 고도화되는 구조)\n\n## 이 사례에서 배울 수 있는 것\n- 보유 콘텐츠가 방대할수록 탐색 피로가 이탈의 핵심 원인이 되므로, 추천은 편의 기능이 아니라 리텐션 전략의 핵심이다\n- 콘텐츠 기반 추천과 유저 기반 추천을 병행하면 개인화의 정확도와 신규 관심사 발견 가능성을 동시에 확보할 수 있다\n- 완독률·스크롤·체류시간 같은 세부 행동 지표를 결합해야 단순 조회수보다 정교한 선호도 모델을 만들 수 있다\n- 추천 알고리즘은 데이터가 쌓일수록 스스로 고도화되도록 설계해, 초기 세팅 이후에도 지속적으로 성능이 개선되는 구조를 갖춰야 한다",
  "related_slugs": [],
  "faq": [
    {
      "a": "방대한 지식 콘텐츠를 보유한 디지털 도서관이 행동 데이터 기반 추천 알고리즘을 구축해 콘텐츠 탐색 피로도를 낮추고 체류시간·구독률을 높인 사례.",
      "q": "대기업 계열 디지털 도서관, 콘텐츠 개인화 추천으로 사용자 참여도 개선"
    }
  ],
  "jsonld": null,
  "keywords": [
    "미디어/콘텐츠",
    "blog-case"
  ],
  "source_id": "https://blog.bizspring.co.kr/%ed%99%9c%ec%9a%a9-%eb%b0%a9%eb%b2%95-%ec%82%ac%eb%a1%80/success-cases/media-contents/%eb%a7%9e%ec%b6%a4-%ec%bd%98%ed%85%90%ec%b8%a0-%ec%b6%94%ec%b2%9c%ec%9d%84-%ed%86%b5%ed%95%9c-%ec%82%ac%ec%9a%a9%ec%9e%90-%ec%b0%b8%ec%97%ac%eb%8f%84-%ea%b0%9c%ec%84%a0/",
  "video_url": null,
  "duration_sec": null,
  "thumbnail_url": null,
  "image_url": null,
  "caption": null,
  "solution_slug": null,
  "captured_at": null,
  "width": null,
  "height": null,
  "created_at": "2026-08-23T15:08:48.7497+00:00",
  "updated_at": "2026-08-23T15:08:48.7497+00:00",
  "visibility": "public",
  "source_stage": "1",
  "anonymized": true,
  "source_key": "web-cases",
  "origin": "ingest",
  "locked": false,
  "locked_by": null,
  "locked_at": null,
  "gate_state": {
    "g1": {
      "hits": [],
      "pass": true
    },
    "g2": {
      "pass": true,
      "total": 47,
      "issues": [
        "숫자·규격 같은 검증 가능한 구체가 부족합니다",
        "과장·공허한 표현 1회: 다양한",
        "Q&A 쌍이 3개 미만입니다"
      ],
      "applies": true
    },
    "g3": {
      "pass": true,
      "required": false
    },
    "stage": "1",
    "decided_at": "2026-08-23T13:13:07.689Z"
  },
  "raw_id": null,
  "search_text": "대기업 계열 디지털 도서관, 콘텐츠 개인화 추천으로 사용자 참여도 개선  방대한 지식 콘텐츠를 보유한 디지털 도서관이 행동 데이터 기반 추천 알고리즘을 구축해 콘텐츠 탐색 피로도를 낮추고 체류시간·구독률을 높인 사례. 미디어/콘텐츠 blog-case ## 무엇이 문제였나\n과학기술 지식 콘텐츠를 대량으로 보유한 한 대기업 계열 디지털 도서관은 도서, 신문기사, 영화 시나리오, 강연 등 다양한 형태의 콘텐츠를 제공하고 있었지만, 보유 정보량이 워낙 많아 방문자가 관심 분야를 찾아가는 과정에서 어려움을 겪었다. 특히 오디오 콘텐츠는 속독이 불가능해 여러 콘텐츠를 하나하나 들어봐야 했고, 이 과정에서 피로감을 느낀 사용자의 이탈이 발생했다.\n\n## 과제\n- 실시간 인기 콘텐츠를 집계해 방문자에게 새로운 관심 영역을 제시할 채널 필요\n- 방문 고객별 맞춤 콘텐츠 추천으로 체류시간·만족도 향상\n- 특정 취향에 고립되지 않으면서도 개인화된 추천 제공\n\n## 접근\n- 콘텐츠별 활성 트래픽을 실시간 수집해 인기 콘텐츠 랭킹을 도출하고, 기간별(월간/연간) 인기 콘텐츠와 구분해 노출\n- 유저별 조회 이력, 스크롤/정독률, 체류시간 등 행동 데이터를 수집해 콘텐츠 내 행동 지표별 선호도를 연산하고, 시간 흐름에 따른 관심사 변화도 반영\n- 콘텐츠 기반(유사 콘텐츠 추천)과 유저 기반(유사 관심사 그룹 추천) 두 가지 알고리즘을 병행 설계\n\n## 구축 내용\n- 실시간 인기 콘텐츠 Top 10 수집·분석 및 전용 노출 화면 개발\n- 유저별 콘텐츠 열람 히스토리 기반 선호도 연산 로직\n- 콘텐츠 자연어 처리를 통한 카테고리 분류 및 유저 기반 협업 필터링 추천 알고리즘 설계(데이터 누적에 따라 자동 고도화되는 구조)\n\n## 이 사례에서 배울 수 있는 것\n- 보유 콘텐츠가 방대할수록 탐색 피로가 이탈의 핵심 원인이 되므로, 추천은 편의 기능이 아니라 리텐션 전략의 핵심이다\n- 콘텐츠 기반 추천과 유저 기반 추천을 병행하면 개인화의 정확도와 신규 관심사 발견 가능성을 동시에 확보할 수 있다\n- 완독률·스크롤·체류시간 같은 세부 행동 지표를 결합해야 단순 조회수보다 정교한 선호도 모델을 만들 수 있다\n- 추천 알고리즘은 데이터가 쌓일수록 스스로 고도화되도록 설계해, 초기 세팅 이후에도 지속적으로 성능이 개선되는 구조를 갖춰야 한다",
  "embedding": null,
  "embedded_at": null,
  "embedding_hash": null,
  "backlinks": [],
  "html_url": "https://bizspring.ai/kb/case/blog-digital-library-content-personalization",
  "markdown_url": "https://bizspring.ai/kb/case/blog-digital-library-content-personalization.md"
}