Snoonu의 AI 기반 개인화 추천 시스템 구축과 성과

Snoonu의 초개인화 추천 시스템 구축 사례: AI와 AWS를 활용한 이커머스 혁신

소개
이커머스 플랫폼에서는 점점 더 많은 상품과 카테고리를 고객에게 어떻게 효율적으로 연결할지가 큰 과제로 떠오르고 있습니다. 특히 모든 고객에게 동일한 상품을 추천하는 전통적인 방식은 사용자 경험을 저해하고, 전환율을 낮추는 결과를 불러옵니다. 이에 중동의 대표적인 e커머스 및 배달 슈퍼앱 Snoonu는 AWS 기반의 AI 서비스를 활용해 개인화 추천 시스템을 구축함으로써 고객 경험을 획기적으로 향상시키고 매출 성과를 끌어올렸습니다. 이번 글에서는 Snoonu가 어떻게 Amazon Personalize, AWS Lambda, ElastiCache 등을 활용해 상품 검색 여정을 혁신했는지 살펴보며, 해당 아키텍처의 구성과 실제 성과를 기반으로 추천 시스템의 효과적인 활용 방법과 배포 가이드를 소개합니다.

본론

1. 문제 인식과 기존 접근 방식의 한계
   초기 Snoonu의 상품 추천 방식은 인기순 기반 정적 순위였으나, 이는 개인의 선호도나 맥락을 반영하지 못해 추천 품목과의 일치율이 낮았습니다. 이로 인해 고객 참여율은 물론 ‘장바구니 추가’ 및 결제 전환율도 저조했습니다. 무엇보다 niche 상품의 노출 빈도가 낮아, 고객이 원하는 제품을 쉽게 발견하지 못하는 구조적인 문제를 안고 있었습니다.

2. Amazon Personalize 기반의 리얼타임 추천 시스템 구축
   Snoonu는 2024년부터 Amazon Personalize를 도입하여 전사적으로 추천 모델을 적용하기 시작했습니다. 처음에는 단일 글로벌 모델을 사용했으나, 고객 행동이 식품, 장보기, 마켓플레이스 등 세부 비즈니스에 따라 다르다는 점을 반영해, 각 vertical에 맞춘 모델로 세분화하는 방향으로 전환했습니다. 이를 통해 각 도메인에 특화된 사용자 행동을 보다 정밀하게 학습할 수 있게 되었으며, 실시간 추천 정확도가 크게 향상되었습니다.

3. 다양한 Personalize 레시피 활용과 매일 업데이트되는 학습 전략
   기존 3주 단위 학습 주기를 매일 업데이트되는 구조로 전환하면서 신속한 사용자 행동 반영이 가능해졌습니다. 예를 들어, ‘홈페이지 상품 추천’에는 aws-user-personalization을, ‘이 상품을 구매한 고객이 함께 구매한 품목’에는 aws-similar-items 레시피를 적용했습니다. 각 서비스 영역별로 최적화된 학습 방식과 레시피를 선정함으로써 효율성과 정확성을 동시에 개선했습니다.

4. 최신 활용 사례: 필터 표현식과 실시간 캐싱 전략
   Amazon Personalize의 필터 표현식 기능을 이용해, 이미 장바구니에 담긴 상품은 추천에서 제외하거나, 특정 카테고리 내에서만 추천하도록 설정함으로써 맥락에 맞는 추천이 가능해졌습니다. 또한 Amazon ElastiCache 기반 Redis 캐싱을 도입해 API 호출 빈도와 지연 시간을 줄이고, 클릭 이벤트 발생 시 실시간 캐시 무효화 전략을 통해 매 순간 반응성 높은 추천이 가능해졌습니다.

5. 전체 솔루션 아키텍처
   Amazon Personalize, Kinesis, Lambda, ElastiCache, MQ 등 다양한 AWS 서비스를 조합하여 구성한 Snoonu의 실시간 추천 아키텍처는 아래와 같습니다.

6. 데이터 파이프라인 구축: Amplitude + BigQuery + Databricks + Amazon S3
   사용자 행동 데이터는 Amplitude를 통해 수집되고, BigQuery로 이동한 후 Databricks에서 사전 처리 및 피처 엔지니어링 과정을 거쳐 Amazon S3로 전송됩니다. 이후 Amazon Personalize가 이를 바탕으로 매일 모델을 재학습하여 실시간 추천의 신선도와 정합성을 유지합니다.

7. Lambda 기반의 실시간 이벤트 반영
   Amazon Kinesis에서 스트리밍되는 사용자 이벤트는 AWS Lambda를 통해 스키마 검증, 이벤트 정제, Personalize 이벤트 업데이트, 내부 API 트리거 역할을 수행합니다. 이를 통해 사용자의 행동이 발생한 즉시 추천 모델이 갱신됩니다.

8. 실제 결과: 1600% 증가한 장바구니 전환 및 47배 GMV 회수
   Snoonu의 맞춤형 추천 시스템 도입 이후 장보기 영역의 주요 추천 품목에서 장바구니 추가 수치가 1600% 증가했습니다. 전체적으로 추천 기반 주문은 평균 30% 더 높은 장바구니 금액을 기록했으며, 6개월간의 모델 총 투자 비용 대비 47배에 달하는 실질 매출(GMV) 성장을 달성했습니다. 이는 자동화되고 개인화된 추천 기능이 단순 UX 개선을 넘어 실질적인 비즈니스 성과로 귀결될 수 있음을 보여줍니다.

결론
Snoonu의 사례는 AI 기반의 개인화 추천 시스템이 어떻게 고객 만족도를 높이고, 전환율을 증가시키며, 궁극적으로 매출을 크게 증대시킬 수 있는지를 명확하게 보여줍니다. Amazon Personalize를 중심으로 다양한 AWS 서비스를 유기적으로 연결함으로써, 실시간 반응성과 유연한 확장성을 동시에 확보할 수 있었습니다. 향후 Snoonu는 Amazon Bedrock을 활용한 생성형 AI 적용까지 확장할 계획으로, 추천 시스템은 보다 진화된 고객 맞춤형 콘텐츠 제공 도구로 기능할 전망입니다. 개인화 추천을 도입하거나 고도화하고자 하는 기업이라면 Snoonu의 사례에서 실질적인 인사이트를 얻고 시스템 활용과 구축 자동화를 적극 고려해볼 필요가 있습니다.

[1] https://aws.amazon.com/blogs/machine-learning/the-power-of-ai-in-driving-personalized-product-discovery-at-snoonu/