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.
핵심 요약
- 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
무엇이 문제였나
과학기술 지식 콘텐츠를 대량으로 보유한 한 디지털 도서관은 도서·기사·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.
과제
- 실시간 인기 콘텐츠를 집계해 방문자에게 새로운 관심 영역을 제시할 채널 필요
- 방문 고객별 맞춤 콘텐츠 추천으로 체류시간·만족도 향상
- 특정 취향에 고립되지 않으면서도 개인화된 추천 제공
접근
- 콘텐츠별 활성 트래픽을 실시간 수집해 인기 콘텐츠 랭킹을 도출하고, 기간별(월간/연간) 인기 콘텐츠와 구분해 노출
- 유저별 조회 이력, 스크롤/정독률, 체류시간 등 행동 데이터를 수집해 콘텐츠 내 행동 지표별 선호도를 연산하고, 시간 흐름에 따른 관심사 변화도 반영
- 콘텐츠 기반(유사 콘텐츠 추천)과 유저 기반(유사 관심사 그룹 추천) 두 가지 알고리즘을 병행 설계
구축 내용
- 실시간 인기 콘텐츠 Top 10 수집·분석 및 전용 노출 화면 개발
- 유저별 콘텐츠 열람 히스토리 기반 선호도 연산 로직
- 콘텐츠 자연어 처리를 통한 카테고리 분류 및 유저 기반 협업 필터링 추천 알고리즘 설계(데이터 누적에 따라 자동 고도화되는 구조)
이 사례에서 배울 수 있는 것
- 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
자주 묻는 질문
이 디지털 도서관은 어떤 문제를 겪고 있었나요?
보유한 도서·기사·강연 등 콘텐츠 양이 방대해 방문자가 관심 분야를 찾기 어려워했습니다. 특히 오디오 콘텐츠는 속독이 불가능해 하나하나 들어봐야 하는 피로감이 컸고, 이로 인한 이탈이 발생했습니다.
어떤 방식으로 추천 시스템을 구축했나요?
콘텐츠별 실시간 트래픽을 수집해 인기 콘텐츠 랭킹을 도출하고, 유저별 조회 이력과 행동 데이터를 분석해 선호도를 연산했습니다. 콘텐츠 기반 추천과 유저 기반 추천 알고리즘을 병행 설계했습니다.
인기 콘텐츠는 어떻게 노출되나요?
실시간 인기 콘텐츠 Top 10을 수집·분석해 전용 노출 화면을 개발했고, 월간·연간 등 기간별 인기 콘텐츠와 구분해 보여줍니다.
특정 취향에만 편중되지 않도록 어떻게 설계했나요?
콘텐츠 기반(유사 콘텐츠 추천)과 유저 기반(유사 관심사 그룹 추천) 두 가지 알고리즘을 병행해 개인화와 신규 관심사 발견 가능성을 함께 확보했습니다.
추천 알고리즘은 시간이 지나도 계속 개선되나요?
네, 콘텐츠 자연어 처리를 통한 카테고리 분류와 협업 필터링 추천 알고리즘을 설계해 데이터가 누적될수록 자동으로 고도화되는 구조로 만들었습니다.