특허 출원
ML 기반 개인화를 적용한
다이네믹 콘텐츠 상세 페이지
Problem
서비스를 이용하는 사용자들을 살펴보면 정말 다양한 유형과 사용자 여정이 존재한다는 것을 느낄 수 있었는데요. 그만큼 하나의 동일한 콘텐츠 상세 페이지로 모든 사용자의 니즈를 만족시키는 일은 쉽지 않았습니다.
그래서 콘텐츠 상세 페이지(CDP)에서는 사용자에게 가장 매력적으로 다가갈 수 있는 요소들을, 가장 효과적인 순서로 보여주는 것이 중요하다고 생각했습니다. 다양한 사용자의 목적과 상황에 맞게 콘텐츠의 핵심 정보를 잘 전달하고 자연스럽게 다음 행동으로 이어질 수 있도록 페이지를 설계하고자 했습니다.
사용자마다 중요하게 생각하는 정보는 조금씩 다릅니다.
어떤 사용자에게는 리뷰나 평점이 가장 중요한 정보일 수 있고, 또 어떤 사용자에게는 줄거리나 장르 같은 콘텐츠 자체의 정보가 더 중요할 수도 있습니다.
그래서 콘텐츠 상세 페이지에서는 사용자마다 다른 관심 포인트를 고려해, 다양한 정보 요소들이 자연스럽게 탐색될 수 있도록 구성하는 것이 중요하다고 생각했습니다.
콘텐츠 상세 페이지(CDP)에 들어오기 전 사용자가 거치는 여정은 매우 다양합니다. 그리고 어떤 경로로 들어왔는지에 따라 CDP에서 찾고자 하는 정보도 달라질 수 있습니다.
예를 들어 검색을 통해 유입된 사용자라면, 이미 해당 콘텐츠에 대한 어느 정도의 맥락이나 관심을 가지고 있을 가능성이 높습니다.
반면 ‘이어보기(Continue Watching)’에서 들어온 사용자라면, 추가적인 정보를 확인하기보다는 바로 에피소드를 이어서 시청하길 원할 가능성이 큽니다.
사용자가 콘텐츠를 어느 시점에서 보고 있는지에 따라서도 중요하게 여기는 정보는 달라질 수 있습니다.
예를 들어 시청 전, 시청 중, 시청 후처럼 사용자의 시청 경험 단계에 따라 필요한 정보가 다르게 나타납니다.
만약 사용자가 해당 콘텐츠의 CDP를 처음 방문한 경우라면, 페이지는 사용자에게 가장 매력적으로 느껴질 수 있는 핵심 정보들을 먼저 보여주는 것이 중요합니다.
반대로 사용자가 이미 콘텐츠 시청을 완료한 상태라면, CDP는 다음에 볼 콘텐츠를 추천하거나, 이후에도 다시 시청할 수 있도록 자연스럽게 유도하는 역할을 할 수 있습니다.
Design
그래서 저희는 다양한 컴포넌트를 상황에 맞게 다른 순서로 구성할 수 있는 모듈형 시스템을 제안했습니다.
같은 기능에서 출발하더라도 사용자의 상황이나 시나리오에 맞게 여러 형태의 컴포넌트를 설계했고, 이를 통해 페이지가 보다 유연하게 구성될 수 있도록 했습니다.
또한 머신러닝을 활용해 사용자 상황과 조건에 따라 어떤 컴포넌트를 어떤 순서로 보여주는 것이 가장 효과적인지 판단하도록 설계했습니다. 이를 통해 콘텐츠 상세 페이지가 사용자에게 더 개인화된 경험을 제공할 수 있도록 하는 것을 목표로 했습니다.
고정 컴포넌트
비고정 컴포넌트
페이지 구조를 설계하면서 항상 상단에 고정되어야 하는 핵심 컴포넌트들을 먼저 정의했습니다.
그와 동시에 상황에 따라 다양한 조합과 순서로 배치될 수 있는 동적 컴포넌트 세트도 함께 설계했는데요. 이를 통해 페이지의 기본 구조는 유지하면서도, 사용자의 맥락이나 행동 패턴에 따라 콘텐츠가 보다 유연하게 구성될 수 있도록 했습니다.
Machine Learning
어느 정도의 콜드 스타트 문제는 피하기 어렵습니다. 하지만 초기 학습 과정에서의 부담을 줄이기 위해, 저희는 가설을 기반으로 특정 상황에 맞는 콘텐츠 구성을 먼저 수동으로 큐레이션하는 방식으로 시작할 수 있다고 보았습니다.
이렇게 초기 데이터를 쌓아가면서 시스템이 점차 학습하도록 하면, 사용자에게 더 적합한 구성과 순서를 점진적으로 찾아갈 수 있을 것이라 기대했습니다.
예시 케이스 1
사용자가 아직 해당 콘텐츠를 시청하기 전이라면, 줄거리, 출연진, 리뷰, 소셜 반응과 같은 보다 일반적인 정보를 우선적으로 보여주는 것이 중요하다고 보았습니다.
이 시점의 사용자에게는 콘텐츠에 대한 전반적인 맥락을 빠르게 파악할 수 있는 정보가 더 도움이 되기 때문입니다.
예시 케이스 2
사용자가 이어보기를 통해 들어온 경우에는, 자연스럽게 시청을 이어갈 수 있도록 에피소드 리스트와 같은 ‘이어보기’ 중심의 컴포넌트를 우선적으로 노출하는 것이 중요하다고 보았습니다.
또한 사용자가 이어서 시청하지 않기로 결정할 수도 있기 때문에, 그럴 경우에는 비슷한 콘텐츠를 추천해 다음에 볼 콘텐츠를 발견할 수 있도록 ‘유사 콘텐츠 추천’ 컴포넌트도 함께 제공하도록 설계했습니다.
예시 케이스 3
사용자가 콘텐츠 시청을 완료한 경우에는, 다음에 볼 콘텐츠를 자연스럽게 발견할 수 있도록 추천 중심의 컴포넌트를 우선적으로 노출하는 것이 중요하다고 보았습니다.
예를 들어 유사 콘텐츠 추천이나 다른 사용자들이 함께 본 콘텐츠와 같은 컴포넌트를 통해, 사용자가 다음 시청 콘텐츠로 쉽게 이어질 수 있도록 설계했습니다.
사용자 데이터를 살펴보면서 재생 전환율이 어떻게 발생하는지, 그리고 어떤 컴포넌트가 가장 많은 재생을 유도하는지를 계속해서 분석할 수 있는데요.
이렇게 쌓인 데이터를 바탕으로 ML 엔진은 다양한 컴포넌트를 서로 다른 순서로 조합해가며 여러 가지 경우를 실험할 수 있습니다. 예를 들어 사용자의 특성이나 시청 상태, 콘텐츠 장르 같은 조건에 따라 어떤 구성이 더 효과적인지 판단하고, 그에 맞는 조합을 자동으로 만들어낼 수 있도록 설계했습니다.
결과적으로 콘텐츠 상세 페이지가 각 사용자에게 더 잘 맞는 방식으로 구성될 수 있도록 하는 것을 목표로 했습니다.
이러한 과정이 반복되면서 ML 엔진은 점점 더 다양한 조합을 만들어낼 수 있게 됩니다.
결국에는 사용자 프로필 수준까지 고려해 컴포넌트 구성을 맞출 수 있게 되고, 사용자가 콘텐츠 상세 페이지에 들어왔을 때 자신에게 가장 관련성 높은 정보와 컴포넌트를 자연스럽게 만나게 되는 경험을 만드는 것을 목표로 했습니다.
Conclusion
디자인 팀도 여기에 맞춰 지속적으로 새로운 컴포넌트를 설계하고 실험할 수 있습니다.
어떤 요소가 실제로 사용자 행동을 더 잘 유도하는지 계속 테스트하면서, 전환율과 같은 핵심 지표를 점진적으로 개선해 나가는 것이 목표였습니다.
이 과정을 통해 가장 높은 전환율을 만들어내는 최적의 콘텐츠 상세 페이지를 설계할 수 있고, 동시에 사용자에게는 각자에게 가장 관련성 높은 정보를 자연스럽게 제공할 수 있습니다.
결과적으로 사용자 경험과 비즈니스 성과를 함께 높일 수 있는 구조, 즉 사용자와 서비스 모두에게 이득이 되는 방향을 만들어가고 있습니다.
관련 프로젝트