MLOps 도입 가이드

176

3부MLOps실제사례

●

지난달의지출또는조회상의상승폭

●

과거에보인느낌과고객의반응

고객 데이터에 더해 추천 수행 시점의 맥락을 반영할 수 있다. 예를 들어, 야외 수영장과 같은

계절 상품이 팔릴 여름까지 남은 날이나 월급날까지 남은 날의 경우, 어떤 고객들은 현금 흐름

을 감안하여 구매를 미뤄야 하므로 이런 상황이 구매 시 고려 사항일 수 있다.

일단 고객 데이터와 맥락 데이터를 정리하고 나면, 가능한 추천 사항들의 집합을 정의하고, 많

은 선택을 해야 한다. 예를 들어, 동일한 제품을 서로 다른 제안 내에 포함시킬 수도 있고, 다른

방법을 통해 고객에게 전달할 수도 있다.

‘아무것도 추천하지 말라’는 선택 사항도 잊어서는 안 된다. 실제로 대부분의 사람들은 모든 추

천이 긍정적인 인상을 주지는 않는다는 개인적인 경험을 가지고 있다. 가끔은 아무것도 보여주

지 않는 편이 나을 수 있다. 또한 일부 고객은, 예를 들어 지리적 출신에 따라 특정 추천을 볼

권한이 없을 수 있다.

10.3

실험 설계 및 관리

추천 엔진의 지속적인 개선 잠재력을 활용하려면, 훌륭한 프레임워크 내에서 다양한 전략을 실

험해야 한다. 예를 들어 추천 엔진의 예측 모델을 설계할 때, 데이터 과학자는 고객이 특정 추

천을 클릭할 확률을 예측하는 것과 같은 간단한 전략에 초점을 맞출 수 있다.

이는 어떤 고객이 그 제품을 구매하였는지, 이 구매가 특정 추천에 영향을 받았는지 같은 더 정

확한 접근 방법보다 오히려 합리적인 타협이 될 수 있다. 하지만 ...