항목 추천

사용자가 실제로 원하는 아이템과 콘텐츠를 제안할 수 있는 추천 엔진을 만들어 Braze로 추천 게임의 수준을 높이세요. AI로 경험을 커스텀하는 것부터 Liquid 또는 연결된 콘텐츠로 자체 엔진을 구축하는 것까지, 모든 추천을 성공적으로 수행하는 데 필요한 모든 것을 찾을 수 있습니다.

전제 조건

Braze에서 아이템 추천을 생성하거나 사용하려면 먼저 해당 카탈로그에서 사용자에게 추천할 카탈로그 전용아이템을 하나 이상 생성해야합니다.

유형 및 사용 사례

개인화된 AI

AI 아이템 추천 기능의 일부인 AI 개인화 추천은 딥러닝을 활용하여 사용자가 과거에 관심을 보인 항목을 기반으로 다음에 관심을 가질 가능성이 가장 높은 항목을 예측합니다. 이 방법은 사용자 행동에 적응하는 동적 맞춤형 추천 시스템을 제공합니다.

AI 개인화된 추천은 지난 6개월간의 구매 또는 커스텀 이벤트와 같은 아이템 상호작용 데이터를 사용하여 추천 모델을 구축합니다. 개인화된 목록을 위한 사용자 데이터가 충분하지 않은 사용자의 경우, 가장 인기 있는 항목이 대체 항목으로 사용되므로 사용자는 여전히 관련성 높은 추천을 받을 수 있습니다.

AI 항목 추천을 사용하면 다음과 같이 사용 가능한 항목을 추가로 필터링할 수도 있습니다. 선택 항목. 그러나 Liquid를 사용한 선택 항목은 AI 추천에 사용할 수 없으므로 카탈로그 선택 항목을 구축할 때 이 점을 염두에 두세요.

사용 사례

추적되는 상호작용 데이터에 따라 이 모델의 사용 사례는 다음과 같습니다:

• most likely to purchase next

가장 인기 있는 항목

‘가장 인기 있는’ 추천 모델은 사용자가 가장 많이 참여하는 항목에 대한 기능을 제공합니다.

사용 사례

추적 중인 상호 작용 데이터를 기반으로 이 모델의 사용 사례에는 추천이 포함될 수 있습니다:

• most popular
• most liked
• most viewed
• popular in cart

가장 최근 항목

‘가장 최근’ 추천 모델은 사용자가 가장 많이 참여하는 항목에 대한 기능을 제공합니다. 이 모델을 사용하면 이탈 사용자가 관련 콘텐츠에 재참여하도록 유도하여 고객탈퇴를 줄일 수 있습니다.

사용 사례

추적 중인 상호 작용 데이터를 기반으로 이 모델의 사용 사례에는 추천이 포함될 수 있습니다:

• recently clicked
• recently liked
• recently engaged
• recently added

인기 있는 항목

‘인기’ 추천 모델은 최근 사용자 상호작용에서 가장 긍정적인 모멘텀을 보인 아이템을 추천하는 기능을 합니다. 약 10주간의 이벤트 기록에 대한 가중치 분석을 통해 이를 계산하며, 가장 최근 약 2주에 가장 무거운 가중치를 적용합니다. 작은 변동이 추천 품질에 영향을 미치지 않도록 활동 임계값과 통계적 평활화 기법을 적용합니다.

‘가장 인기 있는’ 모델은 지속적으로 상호작용이 많은 항목을 대상으로 하는 ‘인기’ 모델과 달리, 상호작용이 증가한 항목을 대상으로 하는 기능입니다. 이 기능을 사용하면 최근 주목받고 있는 인기 제품을 추천할 수 있습니다.

사용 사례

추적 중인 상호 작용 데이터를 기반으로 이 모델의 사용 사례에는 추천이 포함될 수 있습니다:

• trending purchased
• trending liked

선택 기반

선택 항목은 카탈로그 데이터의 특정 그룹입니다. 선택 항목을 사용하면 기본적으로 카탈로그의 특정 열을 기반으로 커스텀 필터를 설정하게 됩니다. 여기에는 브랜드, 크기, 위치, 추가된 날짜 등에 대한 필터가 포함될 수 있습니다. 사용자에게 표시하기 위해 항목이 충족해야 하는 기준을 정의할 수 있어 추천하는 항목을 제어할 수 있습니다.

앞의 세 가지 유형은 모두 Braze에서 추천 모델을 설정하고 훈련하는 것과 관련이 있습니다. 이러한 모델에서도 선택 기능을 사용할 수 있지만, 카탈로그 선택 및 Liquid 개인화만으로 일부 추천 사용 사례를 달성할 수도 있습니다.

사용 사례

추적 중인 상호 작용 데이터를 기반으로 이 모델의 사용 사례에는 추천이 포함될 수 있습니다:

• new items
• random items

규칙 기반

규칙 기반 추천 엔진은 사용자 데이터와 제품 정보를 사용하여 메시지 내에서 사용자에게 관련 항목을 제안합니다. Liquid와 Braze 카탈로그 또는 연결된 콘텐츠를 사용하여 사용자 행동과 속성을 기반으로 콘텐츠를 동적으로 개인화합니다.

규칙 기반 권장 사항은 수동으로 설정해야 하는 고정 로직을 기반으로 합니다. 즉, 로직을 업데이트하지 않으면 사용자의 개별 구매 내역과 취향에 맞게 추천이 조정되지 않으므로 이 방법은 자주 업데이트할 필요가 없는 추천에 가장 적합합니다.

사용 사례

추적되는 상호작용 데이터에 따라 이 모델의 사용 사례는 다음과 같습니다:

• 재입고 알림: 월간 비타민이나 주간 식료품과 같이 사용 주기가 예측 가능한 품목에 대해 마지막 구매 날짜를 기준으로 재입고 알림을 보내세요.
• 첫 구매자: 첫 구매자에게 스타터 키트 또는 소개 혜택을 추천하여 두 번째 구매를 유도하세요. 로열티 프로그램: 고객의 현재 포인트 잔액에 따라 고객의 로열티 포인트 또는 리워드를 극대화할 수 있는 제품을 강조 표시하세요.
• 교육용 콘텐츠: 이전에 소비되었거나 구매한 자료의 주제를 기반으로 새로운 코스 또는 콘텐츠를 제안합니다.

요금제별 AI 기능

다음 표는 AI 개인화된, 인기 있는, 트렌딩 추천 유형의 무료 및 프로 버전 간의 차이점을 설명합니다.

지역	무료 버전	프로 버전
사용자 업데이트 빈도1	주별	일별
모델 재훈련 빈도	월별	주별
최대 추천 모델	유형당 1개 모델2	유형별 100개 모델2

^{1. 사용자별 항목 추천이 업데이트되는 빈도입니다(모델이 재훈련될 때 업데이트되는 가장 인기 있는 항목 제외). 예를 들어, 사용자가 AI 항목 추천을 기반으로 추천된 항목을 구매하면, 추천된 항목은 이 빈도}에 따라 업데이트됩니다.
^{2. 사용 가능한 추천 유형은 AI 개인화된, 가장 최근, 가장 인기 있는, 그리고 트렌딩입니다.}

자주 묻는 질문

‘가장 인기 있는’ 항목이 다른 모델의 추천 항목에 섞여 있는 이유는 무엇인가요?

추천 엔진이 목록을 큐레이션할 때는 먼저 ‘최신’ 또는 ‘AI 개인화’와 같이 사용자가 선택한 특정 모델을 기반으로 개인화된 선택의 우선순위를 지정합니다. 어떤 이유로든 30개의 추천 목록 전체를 채울 수 없는 경우, 모든 사용자에게 가장 인기 있는 항목이 추가되어 각 사용자에게 항상 전체 추천 목록이 제공되도록 합니다.

이는 몇 가지 특정 조건에서 발생합니다:

• 모델은 기준과 일치하는 항목이 30개 미만인 항목을 찾습니다.
• 관련 상품이 더 이상 제공되지 않거나 재고가 없습니다.
• 재고 또는 사용자 선호도 변경으로 인해 현재 선택 기준에 맞지 않는 항목이 있습니다.

아이템 추천 프로로 업그레이드한 후 기존 추천이 매주 트레이닝되나요?

예, 하지만 다음 예정된 업데이트 이후에만 가능합니다. 기존 권장 사항은 항목 권장 사항 프로로 업그레이드하는 즉시 주간 교육 및 일일 예측으로 전환되지 않습니다. 그러나 다음 재교육 주기에는 새 일정이 자동으로 적용됩니다. 예를 들어 2월 1일에 마지막으로 훈련된 추천이 30일마다 재훈련되도록 설정된 경우, 3월 2일 다음 업데이트 이후 새로운 주간 일정을 적용합니다.