추천 만들기

Amplitude를 사용하면 개인화 캠페인을 위한 개인화 추천을 생성할 수 있습니다. 개인화 추천은 참여도를 높이고 이탈을 줄이며 교차 판매 개선 기회를 창출할 수 있습니다.

새 추천 작성

새 추천을 생성하려면, 코호트 및 대상을 열고 왼쪽 레일에서 개인화 추천을 클릭하십시오. 추천 생성을 클릭하고 다음 단계를 수행하십시오.

1. 생성할 추천 유형을 선택합니다.
   • 최상위 트렌드: 특정 기간 동안 인기 증가율이 가장 높은 항목의 목록을 생성합니다. 이 유형을 사용하여 새로운 동향과 최근 부상하는 동향을 식별할 수 있습니다.
   • 가장 인기있는 항목: 모든 사용자의 사용량을 기반으로 가장 인기 있는 항목의 목록을 생성합니다. 이 유형을 사용하여 인기 있고 수요가 많은 콘텐츠나 제품을 강조합니다.
   • AI 기반: AI 기반 모델을 사용하여 각 사용자에게 개인화된 콘텐츠를 제공합니다. 이 유형은 사용자의 과거 행동과 선호도를 고려하여 맞춤형 항목 목록을 선별합니다. 이 추천 유형은 가장 정교하며 사용자 참여도와 전환율을 크게 향상시킬 수 있습니다.

2. 결과를 정의하십시오. 결과는 여러분이 도달하고자 하는 목표 또는 개선하고자 하는 지표입니다. 시작 코호트 정의 섹션에서 이 추천이 알고리즘을 교육할 코호트를 선택합니다. 기본적으로 Amplitude는 지난 90일 동안 활동한 모든 사용자를 선택합니다. 최상의 결과를 얻으려면 보다 좁게 조정된 코호트를 사용하십시오. 코호트 범위를 좁히려면 수행된 이벤트 및 필터와 같은 조건을 선택합니다. 인기 상위 추세 또는 가장 인기 있는 추천 유형을 정의하는 경우 6단계로 건너뛰십시오.
3. AI 기반 추천 유형의 경우, 결과를 달성하기 위해 추천하고자 하는 항목을 선택하여 항목 카탈로그를 생성하세요. _추천할 항목 정의_에서 **이벤트 선택...**을 클릭하여 노출 이벤트를 선택합니다.
4. **속성 선택...**을 클릭하여 사용자에게 추천할 항목을 지정합니다. 항목 자체를 선택하지 않습니다. 대신 노출 이벤트와 연관된 이벤트 속성을 선택합니다. 추천은 이 이벤트 속성의 값에서 추천 항목을 선택합니다.
5. 현재 추천될 항목 목록 섹션에서 추천할 항목을 선택합니다. 기본적으로 Amplitude는 30일 고유 사용자를 기준으로 이전 단계에서 선택한 이벤트 속성의 가장 빈번한 값 50개 중에서 선택합니다.

또한 속성 값의 정적 목록을 사용하도록 추천을 구성할 수도 있습니다. 정적 목록으로 만들기를 토글하고 옵션 목록에서 후보를 선택합니다. 동적 추천에서 특정 값을 제외하고 변환된 항목을 제외하도록 선택할 수 있습니다. 다음 > 을 클릭하여 저장 섹션으로 이동합니다. 11단계로 건너뛰어 새로운 AI 기반 추천을 완성하세요.

6. 인기 급상승 또는 가장 인기 있는 추천 유형의 경우 추세의 시간 범위 선택 섹션을 사용하십시오. 사용자가 결과 이벤트를 완료할 수 있는 시간 프레임을 지정합니다. 기본 설정은 지난 7일입니다. 인기 급상승 유형에는 기본값이 2일인 오프셋 옵션이 포함되어 있습니다.

7. _결과 정의_에서 지정된 기간 첫 사용 후 이 추천에 대한 결과 이벤트를 선택합니다. 결과를 얻을 때의 기본 시간은 1시간입니다. 다음 > 을 클릭하여 항목 탭으로 이동합니다.
8. 결과를 달성하기 위해 추천하고 싶은 품목을 선택하여 품목 카탈로그를 생성하세요. _추천할 항목 정의_에서 **이벤트 선택...**을 클릭하여 노출 이벤트를 선택합니다.
9. **속성 선택...**을 클릭하여 사용자에게 추천할 항목을 지정합니다. 항목 자체를 선택하지 않습니다. 대신 노출 이벤트와 연관된 이벤트 속성을 선택합니다. 추천은 이 이벤트 속성의 값에서 추천 항목을 선택합니다.

예를 들어 음악 앱은 사용자가 앱 첫 사용 후 콘서트 티켓을 구매하기를 원할 수 있습니다. 앱은 플레이리스트를 팔로우한 사용자에게 그들이 팔로우한 플레이리스트의 장르에 따라 콘서트 팝업을 표시할 수 있습니다. 이 경우 follow_playlist이벤트에 연결된 genre이벤트 속성을 선택합니다. 보다 일반적으로, 이벤트 속성의 이름은 대개 SKU, ID또는 Name과 같습니다.

10. 각 사용자에게 추천할 항목의 수를 지정합니다. 기본적으로 Amplitude는 30일 고유 사용자를 기준으로 이전 단계에서 선택한 이벤트 속성의 가장 빈번한 값 50개 중에서 선택합니다.

또한 속성 값의 정적 목록을 사용하도록 추천을 구성할 수도 있습니다. 정적 목록으로 만들기를 토글하고 옵션 목록에서 후보를 선택합니다. 동적 추천에서 특정 값을 제외할 수도 있습니다. 그런 다음 다음 > 를 클릭하여 다음 단계로 이동합니다.

11. 저장 탭에서 새 추천에 이름과 설명을 지정합니다.
12. 컨트롤 슬라이더를 사용하여 컨트롤로 포함할 사용자의 비율을 구성할 수 있습니다. Amplitude는 이러한 사용자를 무작위로 선택하여 추천으로 무작위 항목 세트를 받게 합니다. 이 통제 그룹을 사용하여 이 추천이 생성하는 상승도를 측정하십시오. 여러 개인화 추천에서 동일한 통제 그룹을 제외하려면 기존 추천에 연결을 누르고 기존 추천을 선택합니다.
13. 작업이 완료되면 [빌드]를 클릭합니다. Amplitude는 귀하의 추천을 생성하는 데 약 1시간이 걸리며, 준비가 되면 귀하에게 이메일을 보냅니다.

귀하의 추천 이해

Amplitude가 추천 작성을 완료한 후에는 추천을 클릭하여 해당 사항에 대한 기본 정보를 확인합니다. 추천이 요약 탭에 열립니다.

신뢰도 점수는 이 추천이 무작위 항목 목록에 비해 통계적으로 유의미한 상승을 가져온다는 Amplitude의 신뢰도를 나타냅니다.

신뢰도 점수 아래에는 Amplitude가 추천 항목에 나타나는 빈도별로 순위를 매긴 항목이 나열됩니다. 목록 맨 위에 있는 항목은 이 추천이 가장 자주 제안하는 항목이며 전환을 초래할 가능성이 가장 높은 항목입니다.

성능 탭은 맨 위에 네 가지 통계를 표시합니다.

• 정확성: Amplitude 실험은 최근 사용자 데이터를 사용하여 정기적으로 훈련을 실시한 다음 해당 데이터와 최근 사용자 활동을 기반으로 모델을 구축합니다. 각 교육 실행은 일정 비율의 사용자의 데이터를 제외합니다. Amplitude는 모델을 완료한 후 이 홀드아웃 그룹에 대해 모델을 실행하여 정확도를 추정합니다.
• 기준선에 비해 상승: Amplitude가 모델을 배포할 때 일부 사용자에게는 개인화 추천을 표시하고 다른 사용자에게는 무작위 항목을 표시합니다. 이 통계는 개인화 추천을 받은 그룹과 그렇지 않은 그룹의 전환율을 나타냅니다.
• 추천 CR과 대조군 CR: 추천을 본 사용자 집단과 무작위 항목을 본 사용자 집단의 전환율을 각각 나타냅니다.
• 유의성: 이 숫자가 클수록 결과에 대한 Amplitude의 신뢰도가 높아집니다. 예측과 개인화 추천에는 Amplitude 실험의 고유한 미니 버전이 내장되어 있습니다. 테스트 그룹, 대조군, 전환율의 차이, 노출 횟수 및 전환 횟수는 모두 표준 유의성 계산에 포함됩니다.

추천 사항 생성 시 흔히 발생하는 실수

• 잘못된 코호트를 사용하고 있습니다. 모든 사용자를 추천하는 것만으로도 충분할 수 있지만, 때로는 좀 더 구체적인 코호트가 필요할 수도 있습니다. 자신의 목표와 그 목표를 달성하기 위한 최적의 후보자가 누구인지 생각해보십시오. 예를 들어 두 번째 구매를 위해 최적화하는 것이 목표라면 이미 한 번 구매한 사용자를 시작 코호트로 선택하십시오.
• 잘못된 결과를 지정합니다. 결과 이벤트는 선택한 항목의 순위를 결정합니다. “product purchased WHERE amount > $100”에 대해 최적화하는 경우 추천은 비싼 항목에 우선 순위를 부여합니다. 추천을 실행하기 전에 이 동작을 원하는지 확인하십시오.
• 잘못된 노출 이벤트 타이밍입니다. 결과 이벤트 이후에 발생하는 노출 이벤트를 선택하면 추천이 제대로 학습되지 않습니다.
• 잘못된 노출 이벤트 컨텍스트입니다. 이벤트 속성의 컨텍스트는 해당 노출 이벤트에 따라 다릅니다. 이벤트 속성의 이름은 ‘제품 클릭’과 ‘버튼 클릭’에 따라 쉽게 다른 의미를 가질 수 있습니다.
• 잘못된 이벤트 속성입니다. 예를 들어 제품 이름과 제품 ID는 동일한 기본 정보를 전달하지만 형식은 매우 다릅니다. 선택한 항목이 CMS의 데이터 저장 방식과 일치하는지 확인하십시오.
• 결과 이벤트에 충분한 고유 동작이 없습니다. 결과 이벤트에 매일 최소 50개(이상적으로는 100개)의 고유 사용자 동작이 있는지 확인하십시오. 전환 수가 이 임계값 아래로 떨어지면 모델은 신호를 감지하지 못하고 모든 사용자에게 동일한 콘텐츠를 추천합니다.