Archive.Munch

네이버클라우드 Data Stream, 서버 관리 없이 실시간으로 데이터 처리하기

먼치 — Wed, 18 Mar 2026 15:05:38 +0900

“ 본 포스팅은 네이버클라우드에서 소정의 수수료를 제공받아 작성된 글입니다. “

모바일환경, SNS의 발전으로 계속해서 생성되는 데이터를 처리하기 위해
최근 기업에서는 실시간 데이터 처리의 중요성이 커지고 있다.
특히, 어느 서비스에나 필수적으로 요구되는 로그수집, 이벤트 처리, 사용자 행동 분석 등은 실시간 스트리밍 데이터 처리가 필요하며, 네이버 클라우드는 "Data Stream" 서비스를 통해 부담 없이 빠르고 유연한 스트리밍 환경을 제공하고 있다.

1️⃣ Data Streaming 기술의 등장

기존 데이터는 배치처리 방식으로 처리되었다.

배치 처리(Batch Processing)

*batch : 일괄

- DB에 데이터를 쌓아두고 주기적으로 한 번에 처리/분석하는 방식

빅데이터 시대에 접어들면서 데이터 양이 방대해지고, IoT, AI 등 실시간으로 데이터를 주고받아야 하는 방식이 중요해지면서

기존의 배치 처리 방식으로는 데이터를 처리할 수 없게 되고, Data Streaming 기술이 등장했다.

데이터 스트리밍(Data Streaming)

*stream : 개울, 흐름

- 데이터를 실시간으로 처리하는 방식

데이터 스트리밍은 실시간으로 들어오는 데이터를 바로 처리하는 방식으로, 사용자의 행동을 분석하거나, 센서 데이터를 통해 교통 흐름을 최적화하거나, 금융거래 이상을 즉시 차단하는 등의 활용을 가능케 했다.

1990년대 후반

데이터 스트리밍 서비스는 금융권, 통신사 일부에서 사용되기 시작했다. 하지만 실시간 이벤트 처리 시스템 수준에 불과했다.

2000년대 중반

인터넷 서비스가 폭발적으로 증가하고, 로그 데이터가 대량으로 쌓이면서 글로벌 기업들이 사용자 행동 데이터를 수집하기 시작했다.

2011년

LinkedIn 내부 프로젝트로 시작된 Apache Kafka가 개발되면서 실시간 데이터 파이프라인 개념이 확립되고, streaming(흐른다)라는 개념이 정착되기 시작했다.

오픈소스화 되면서 기업들이 본격적으로 도입하며 대중화가 시작되었고, 현재는 거의 모든 서비스가 스트리밍 기반 기능을 포함하고 있으며, 사용자들은 실시간 UX를 기본으로 받아들이고 있다.

2️⃣ Apache Kafka

Apache Kafka는 대용량 데이터를 실시간으로 수집, 전달, 처리할 수 있는 분산 스트리밍 플랫폼으로, 오픈소스화되었다. 네이버 클라우드의 Data Stream도 Apache Kafka 기반 플랫폼이다.

핵심 아키텍처에 대해서 간단히 알아보자.

AI 생성 이미지

기본적인 아키텍처는 데이터를 생성하는 Producer, 저장하고 관리하는 Kafka Topic, 데이터를 소비하는 Consumer로 구성된다.

Producer

- 데이터를 Kafka로 보내는 주체로, 앱, 서버, 로그 시스템 등이 이에 해당한다

Kafka

- Producer가 넣어준 데이터를 Broker에 저장하고, Topic 단위로 구분하여 관리한다

Consumer

- Topic에 저장된 데이터를 가져가서 알림, 분석, 추천 등에 활용한다

3️⃣ 네이버클라우드의 Data Stream이란?

Data Stream은 네이버 클라우드가 제공하는 완전관리형 서버리스 데이터 스트리밍 서비스이다.

⭐ 완전관리형 서버리스

서버리스 환경에서 제공하여, 별도의 인프라 관리, 서버 패치, 클러스터 운영 등 복잡한 유지보수 작업 없이 데이터 스트리밍 환경을 구축할 수 있다.

Apache 기반 서비스로, 핵심 기능과 높은 호환성을 제공하여 기존 Kafka 환경을 사용하는 사용자는 편리하게 전환하거나 연동할 수 있고, 혹은 직접 Kafka 클러스터를 구축하지 않아도 되는 특징을 가지고 있다.

4️⃣ Data Stream 주요 기능 및 장점

네이버클라우드의 Data Stream은 유연한 실시간 스트리밍 환경을 위해 다양한 기능을 제공한다.

Data Stream ⓒ 네이버클라우드

빠르고 편한 토픽 관리

- 콘솔에서 토픽을 손쉽게 생성, 관리할 수 있고, 필요에 따라 파티션 수와 메시지 보관 기관을 설정할 수 있다

Data Stream ⓒ 네이버클라우드

시각화된 성능, 운영지표 제공

- 전체 토픽과 컨슈머 그룹의 실시간 처리 상태를 한눈에 확인할 수 있는 대시보드를 제공하여, 운영 상황을 빠르게 파악할 수 있다

Data Stream ⓒ 네이버클라우드

외부 애플리케이션 연동

- Object Storage 연동 커넥터를 지원하여, 스트리밍 데이터를 저장하거나 다른 시스템과 쉽게 연결할 수 있다

Data Stream ⓒ 네이버클라우드

합리적인 비용 구조

- 사용한 만큼 과금되는 비용 구조와, 토픽별 설정을 통해 불필요한 저장 비용을 절감하여 비용 운영 효율성을 높일 수 있다

- 아래 ncloud 요금계산 기능을 활용하여 비용을 예측해 볼 수 있다

NAVER CLOUD PLATFORM

cloud computing services for corporations, IaaS, PaaS, SaaS, with Global region and Security Technology Certification

www.ncloud.com

5️⃣ 마치며

네이버클라우드의 Data Stream 서비스는 서버관리, 확장성 고려, 모니터링 이슈 등의 기술적 부담을 덜어주는 서버리스 시스템이다. 서버 관리 및 확장 등에서 부담을 느꼈던 기업이라면 실시간 데이터 스트리밍을 더욱 빠르고 유연하게 구현할 수 있는 Data Stream 도입으로 운영 효율성을 높일 수 있을 것으로 기대된다.

[당근 서비스 개선] 교환 글 판매일까, 나눔일까? - 교환을 하나의 거래 방식으로 구조화하기

먼치 — Mon, 9 Mar 2026 16:58:16 +0900

최근 중고거래 물품이 많아지며 당근 어플 사용량이 증가했다.
교환 글을 올리다 "판매로 올려야 할까, 나눔으로 올려야 할까?"라는 이상한 고민을 하게 되었고,
개선 아이디어에 대해 아카이빙 해보고자 한다.

문제발견

올리브영에서 구매한 망그러진 곰 콜라보 상품에 들어있는 랜덤 굿즈 교환을 위해 '내 물건 팔기'를 선택하고 글을 작성했다.
등록 전, 카테고리를 선택해야 하는데 '나눔 하기'와 '판매하기' 두 옵션 중 하나를 무조건 선택해야 해 상당히 고민을 하기 시작했다.

1️⃣ 다른 사람들은 어떻게 올렸을까?

당근 앱에서 '교환' 키워드를 검색해보았다.

당근 앱 검색 캡쳐

나눔으로 등록된 글, 판매로 등록된 글이 비슷한 비율로 검색되었다.

다음 고민이 시작되었다.

"판매로 올리려면 금액은 어떻게 설정해야 할까?"

판매로 올린 사람들은 1원, 1234원, 55원 등 무의미한 금액을 입력했으며, 9억 999만 999원을 입력한 사람도 볼 수 있었다.

내가 가진 망곰이 키캡은 비매품이어서 가격 책정이 어려웠다.

또한, 당근에는 적정 시세 추천 기능이 있는데, 무의미한 가격을 입력하면 적정 시세 측정에 영향이 가지 않을까?라는 생각도 하게 되었다.

그럼 나눔으로 올리자.라는 결론에 도달했다.

2️⃣ 교환 글인데 확인하셨나요?

나눔으로 올리고 나니 문제가 발생했다. 진짜로 나눔인 줄 알고 채팅을 보내온 것이다.

나눔인 줄 알고 보내온 채팅들

제목에도 상세 글에도 교환임을 명시해 두었지만, 이틀 사이에 한 명도 아니고 두 명씩이나 나눔으로 착각한 것이다.

먼저, 교환을 할 수 있다는 기대감이 사라져서 속상했다.

그 뒤엔 교환 글임을 해명하느라 힘들었다.

채팅을 보내온 상대방도 나눔 글이 아니어서 당황했을 것이다.

판매로 올렸어도 분명 구매한다고 채팅을 보내오는 사람이 있었을 것이다.

서로가 불편한 이 문제, 해결해 보자.

3️⃣ '교환'글 등록 시 발생하는 문제상황 정리

위 상황들을 정리해 보면 다음과 같은 문제상황으로 정리할 수 있다.

1. 현재 당근 앱에는 판매하기와 나눔 하기 선택지밖에 없다. 교환 등록을 하기 위한 유저는 나처럼 고민을 할 것이다. 해당 구간에서 이탈이 일어날 수도 있다.

2. 위에서 보았듯 나눔글인 줄 알고, 판매 글인줄 알고 보내는 채팅이 발생한다. 불필요한 소통을 하게 됨과 동시에 거래가 불발되었다는 실망감이 생긴다.

3. 판매로 올리는 글의 가격 데이터가 천차만별이다. 너무 낮거나 높은 이상치 데이터는 기술적으로 별도 클렌징이 가능하지만, 5만 원 등의 금액도 클렌징이 가능할까?

사회적 배경

최근 사회적 배경은 어떨까?

트랜드에 맞춘 개선 제안을 위해 리서치를 해 보았다.

1️⃣ 한정판 굿즈, 키덜트 카테고리 니즈 증가

번개장터에서 발표한 2025년 세컨핸드 트랜드 리포트를 살펴봤다.

2024년 대비 가장 많이 성장한 카테고리 1위는 '키덜트'였다. 거래건수는 513%, 거래액은 466% 성장하며 2위와의 큰 차이도 볼 수 있었다.

또한, 가장 많은 거래가 이루어진 카테고리는 보이그룹 굿즈였다. 2위는 피규어로 "굿즈" 시장의 성장세를 체감할 수 있었다.

중고거래에서 중요한 지표 중 하나인 즐겨찾기 검색 누적 부문에서도 라부부 등의 키덜트 카테고리가 상위권을 차지했다.

실제로 해당 리포트는 중고거래 신규 유저의 거래 목적 중 보이그룹 굿즈가 가장 많다고 밝혔다.

해당 자료에서 발견한 인사이트는 다음과 같다.

한정판 굿즈를 찾기 위해 중고거래 신규 유입이 증가하는 등 굿즈 시장 및 특정 캐릭터에 대한 니즈가 증가하고 있다.

2️⃣ '랜덤성'이 강한 굿즈 시장

몇 년 전 포켓몬 띠부띠부씰이 전국 편의점 오픈런을 만들었다. 방송에 나온 연예인들은 본인이 모으는 띠부씰을 나눠주거나, 교환하는 모습도 많이 보여주었다.

최근 팝마트 대란을 일으킨 라부부 캐릭터도 블라인드 박스로 구성되었으며, 나올 확률이 적은 시크릿 에디션은 웃돈을 주고 거래되기도 하였다.

인형 뽑기, 랜덤 가챠도 인기를 끌면서 랜덤성 굿즈 시장이 최신 트랜드로 자리 잡았다.

스포츠, 아이돌, 키덜트, 의류 등 산업군 관계없이 랜덤 박스, 랜덤 구성 굿즈를 내기 시작했으며

자신이 원하는 옵션 혹은 모든 옵션을 모으기 위한 교환 니즈가 증가했다.

3️⃣ 랜덤 굿즈, 교환 문화의 정착

교환 니즈가 증가하면서 오프라인 교환존이 생겨나기 시작했다.

홍대 굿즈샵인 오모차랜드는 공식적으로 가게 내부에 교환존을 만들면서 교환 문화를 만들어가고 있다.

신촌 U-PLEX 지하에는 앨범 매장이 있는데, 최근 휴식 공간이었던 테이블을 포토카드 교환존으로 변경했다.

애니메이트 강남점은 굿즈 구매자들 사이에서 교환 성지로 불려 왔지만, 최근 공식적으로 교환 행위를 막으며 큰 논란이 되었다.

온라인에서도 교환 문화는 퍼지고 있다. 아이돌 굿즈의 경우 X(트위터)에서 교환하는 경우를 볼 수 있었다. 사기 거래의 리스크를 줄이기 위해 팬들 사이에서 거래 시 확인해야 할 항목들도 공유되고 있다.

현재 온라인 굿즈 교환 전문 플랫폼이 없으며,

당근, 번개장터, 중고나라 등 중고거래 사이트로 유입되고 있는 상황이다.

4️⃣ Z세대 소비 트랜드

Z세대의 덕질을 향한 관심은 소비 트랜드에서도 나타났다.

대학내일 소비지출 정기조사에 따르면 Z세대가 소비 시 가장 중요하게 생각하는 가치는 다음과 같았다.

1. 저렴한 가격

2. 취향, 취미, 덕질

다이소, 인형 뽑기, 가챠 등 천 원 단위로 즐길 수 있는 저렴한 소비에 집중되지만, 본인의 취향과 만족을 위한 소비에는 적극적인 모습을 보인다.

BDA(데이터분석학회) 학회원 대상 서베이에서는 한정판 소장 욕구가 강할수록 중고거래 이용률이 높아지는 양상을 볼 수 있었다.

즉, Z세대는 취향 소비와 가성비를 동시에 추구하며, 저렴한 가격을 선호하고, 한정판 소장욕구가 강할수록 중고거래 이용경험이 높아진다.

주요 인사이트

문제 발견과 사회적 배경을 통해 발견한 인사이트는 아래와 같다.

이 문제를 해결하고자 제안하는 나의 아이디어와 As-is To-be 모델이다.

비공식적으로 이루어지던 교환을 정식 거래 방식으로 구조화하여
C2C 교환 플랫폼으로의 정체성 확립

⭐PRD : 사용자 시나리오 기반 기능 상세

내 아이디어를 토대로 개선한 UI에 대한 소개이다.

사용자 시나리오를 정의했으며, 시나리오 기반의 기능 설명을 하려 한다.

1️⃣ 입력

교환 전용 입력 폼 : 교환하기를 누르고 내용과 내 물건, 바꿀 물건을 입력하는 구조이다. 내 물건은 한 개, 바꿀 물건은 여러 개 입력이 가능하다.
상태정보 : 중고거래 시 가장 중요한 상태정보도 선택하도록 옵션을 만들었다.
추가금 옵션 : 옵션 별 희귀도, 수요 등에 따른 가격 차이를 반영하기 위해 추가금을 설정할 수 있다.

2️⃣ 탐색

교환 특화 UI : 교환 글을 빠르게 인식할 수 있도록 교환 뱃지를 새롭게 만들었고, 리스트 탐색 과정에서 각 게시물의 교환 옵션을 확인할 수 있다. "있어요", "원해요"처럼 직관적인 언어를 사용해 교환 특화 UI를 구성했다.
필터 기능 : 교환 글 필터링 기능, 추가금 없음 옵션 필터링 기능을 만들어 원하는 교환 게시물만 확인할 수 있다.

A가 올린 게시물은 리스트 최상단에 올라가 있다.

3️⃣ 매칭

데이터 기반 매칭 시스템을 지원한다. 사용자가 입력한 내용, 있어요, 원해요를 자동 추출하여 매칭시킨 뒤, 매칭된 사용자에게 푸시 알림을 보낸다.

좌측 이미지의 경우, A가 찾던 스위트 드림 가챠 포차코 옵션이다. 이 경우 좋아요를 눌러 교환을 위한 채팅창으로 바로 넘어갈 수 있다.

우측 이미지는 포차코 옵션이긴 하지만 A가 찾던 스위트 드림 가챠가 아니다. 이 경우 '찾던 게 아니에요' 버튼을 눌러 팝업을 닫을 수 있고, 이 데이터는 추후 매칭 고도화 과정에 사용될 수 있다.

✅기대효과 및 고도화 방향

1️⃣ 교환 거래 도입을 통한 당근 플랫폼 가치 확장

사용자 관점에서,

교환 전용 폼 도입으로 교환 글을 고민 없이 쉽고 빠르게 올릴 수 있게 된다.

교환 글 필터링 기능을 통해 탐색 시간이 줄어들고, 자동 매칭 기능으로 거래 성사 경험을 강화할 수 있다. 이는 서비스 사용 경험을 긍정적으로 이끌어 줄 것이다.

데이터 관점에서,

교환, 판매 데이터를 분리하여 가격 데이터의 신뢰도를 향상할 수 있다.

교환 거래 도입 이후 "교환 행동 데이터"라는 새로운 영역의 데이터를 확보해 취향 기반 추천 고도화에 이용할 수 있다.

나아가 교환 수요 데이터를 통해 시장 인사이트를 확보하여 새로운 가치를 창출할 수 있다.

서비스 관점에서,

교환 목적의 신규 사용자가 유입되고, 탐색을 하며 체류 시간을 증가시킬 수 있다.

최초의 교환 거래 플랫폼으로 자리 잡아 차별화된 경험을 제공하고, C2C 교환 비즈니스 모델을 구축하여 서비스 시장을 선도할 수 있다.

2️⃣ AI 매칭 서비스로 만드는 차세대 굿즈 교환 플랫폼

비정형 텍스트 데이터만으로 매칭 상대를 찾는 건 쉽지 않은 일이다. 포차코와 포챠코가 유사한지, 이미지 속 가챠 시리즈가 동일한 시리즈인지 비교가 불가하기 때문이다.

비전 AI와 LLM을 결합하여, 이미지를 자동으로 인식하고 같은 상품을 매칭하는 멀티모달 매칭 엔진을 구축한다면 매칭 성공률을 높일 수 있다.

교환 문화가 이미 활성화된 팬덤, 키덜트 시장을 초기 타깃으로 설정하여 교환 서비스를 제공하고, 물물교환 탭을 신설하며 굿즈 교환 플랫폼으로의 입지를 선점할 수 있다.

건담 등의 키덜트, 한정판 굿즈 등의 고 가치 상품은 AI 검수 시스템을 도입하여 상태가 일치하는지, 제품이 정확한지 등을 비교해 주며 거래 불확실성을 제거할 수 있다.

이렇게 교환매칭률은 올리고, 불확실성은 낮추는 당근 굿즈 교환소로 도약할 수 있다.

마치며

다양한 서비스를 사용하며 불편한 점들에 대해 "왜 이럴까?"만 생각하다가 처음으로 문제인식부터 개선 방향까지 도출해 본 사례였다. 제안서 하나를 처음부터 끝까지 만들어나가며 내 논리가 타당한지, 구조적인지, 정말 필요한 인사이트인지 생각해 보는 시간이 꽤 유익했다.

해당 제안서의 전문이 궁금하시다면, 2_sehee@naver.com으로 컨택해 주세요!

직접 써본 네이버 쇼핑 AI 에이전트, '에이전틱 커머스'의 시대는 정말 왔을까?

먼치 — Mon, 2 Mar 2026 17:55:07 +0900

약 1년 전, 유저 테일러링이라는 알고리즘에 관해 포스팅했었다. 유저 테일러링은 유저의 과거 구매 데이터 혹은 클릭했던 상품 등을 기반으로 관심을 가질만한 상품을 추천해 주는 알고리즘이다.
이후 AI 리뷰 요약 등 쇼핑, 리뷰 관련 AI 도입을 확인할 수 있었고, 에이전트가 발전하면서 국내 쇼핑업계의 첫 에이전트 도입 사례가 등장했다.

✅ 네이버 쇼핑 AI 에이전트 소개

네이버 쇼핑 AI 에이전트는 2026년 2월 출시되었으며, 현재는 베타 서비스로 일부 상품에만 적용되어 있다.

'네이버 플러스 스토어' 앱 설치 시에만 사용할 수 있으며, 네이버 앱의 쇼핑 탭에서는 사용이 불가하다.

네이버+ 스토어 앱 페이지에 소개되어있는 쇼핑 AI 에이전트 기능을 살펴보며 실제 사용 후기와 좋았던 점, 아쉬웠던 점을 살펴보려고 한다.

나의 페르소나를 정의해보자면,

온라인 쇼핑에 관심이 많은(쇼핑의 80%가 온라인 쇼핑인) 20대 여자이고, 네이버 플러스 멤버십을 1년 넘게 사용하고 있을 정도로 네이버 플러스 스토어를 애용하는 사람이다. 이 관점에서 쇼핑 AI 에이전트를 살펴보았으며, 현재 출시된 베타 버전 기준으로 한 사용 후기이다.

1️⃣ 검색어 기반 사용자 맞춤형 추천

캠핑용품 쇼핑을 위해 "캠핑용품"이라는 검색어를 검색하면, 동시에 에이전트가 등장해 다른 유저들의 구매 패턴, 캠핑용품 구매 시 참고할 사항들과 함께 추가적인 질문을 던진다.

네이버쇼핑의 가이드(우측 이미지)엔 캠핑 초보인지 여부를 묻는 질문을 해 사용자 데이터를 수집해 맞춤형 제품을 추천하려는 양상을 볼 수 있다.

내가 동일하게 검색해 봤을 땐, 어떤 카테고리의 용품을 찾고 있는지에 대한 질문을 했다. 제공되는 기본 선택지 중 "설치가 쉬운 텐트"를 선택하니 "캠핑용품"이라고 적혀있던 검색어를 "캠핑텐트"로 변경해 재검색이 자동으로 이루어졌고, 캠핑에 무지했던 내가 어떤 제품을 사야 할지 가이드가 되어 주며 빠른 쇼핑을 도와주었다.

한 가지 궁금한 포인트는, 사용자에 따라 나타나는 추가질문이 다른지이다. 예시 이미지엔 초보자인지 물었고, 나에겐 어떤 제품을 구매할 것인지 물었는데, 이 질문은 사용자에 따라 다를지, 사용자의 평소 쇼핑 패턴이 반영된 질문일지 궁금하다. 추후 다른 사용자와 비교해 보기로 했다.

2️⃣ 이미지 검색 기능 고도화

기존 네이버와 네이버 쇼핑에는 렌즈 기능이 있어 유사한 상품을 검색할 수 있었다. 이번에 출시된 에이전트 설명엔 "찾고 있는 스타일의 제품을 발견해 보세요"라는 소개 멘트가 있었다. 이 멘트를 보고 내가 기대한 건 '동일한 스타일의 더 저렴하고 가성비 좋은 제품을 찾아줄 수 있을까?'였다.

사용해 본 결과, 내 기대에 대한 답변은 "NO"였다. 아래에서 사용 후기를 직접 보여주며 설명해 보겠다.

아래 사진 속 제품은 얼마 전 오프라인 쇼핑을 하며 발견한 귀여운 무스탕이다. Merci Anne S의 제품이며, 사진 속에 로고가 선명히 나와 있다. 쇼핑렌즈를 통해 해당 제품을 검색해 보았다.

가운데 검색 사진이 쇼핑렌즈, 우측 사진이 구글의 써클 투 서치 기능으로 검색한 결과이다.

먼저, 쇼핑렌즈는 사진 속에 로고가 나와있음에도 불구하고 동일한 제품을 찾아내진 못했으며, 최대한 유사한 이미지의 제품을 찾아주었다. 사실 동일한 옷을 여러 브랜드에서 판매하고 있을 수 있기 때문에 이 부분은 크게 상관없었다.

구글의 써클 투 서치 기능은 정확한 브랜드는 맞췄지만, 정확한 품번이나 상품명은 알 수 없었다. 또한, 아래 제공되는 쇼핑 상품 중 메르시앤에스의 제품이 아닌 숲, 미쏘 등 다른 브랜드의 제품들이 다수 있었다.

이렇게 보면 두 가지의 기능이 비슷해 보인다.

다만 아쉬웠던 점은 이후 구매까지의 여정이다. 내가 가장 애용하고 있는 써클 투 서치의 경우, 이미지 검색 결과에 추가 검색조건을 설정할 수 있다. 아래 왼쪽 이미지처럼 '메르시앤에스'라는 검색어를 추가하면 바로 해당 브랜드의 이미지와 동일한 상품을 검색해 준다.

그렇다면 쇼핑렌즈는 어떨까?

쇼핑렌즈의 장점은 이미지를 검색하고 바로 LLM모델에게 질문을 던질 수 있다는 점이다. 이 장점을 활용해 처음 내가 기대했던 "동일 스타일의 저렴한 제품을 찾아줘"라는 질문을 던져보았다. 우측 사진 하단의 검색 결과를 보면 알 수 있듯이, 리버서블과 퍼 제품이라는 공통점을 가진 5만 원대의 제품을 찾아주긴 했으나, 무스탕이라고 보기엔 어려운 제품이었다.

내가 원했던 제품의 특징은 떡볶이 코트 느낌의 무스탕이었는데, 이미지에서 드러나는 그 특성을 전혀 반영하지 못해 아쉬운 결과였다. 압도적인 국내 쇼핑 DB를 가진 것에 비해, 이미지를 텍스트로 치환하는 멀티모달 처리과정에서 아직 디테일한 스타일 키워드를 잘 파악하지 못하는 것 같다.

3️⃣ 상품 정보 요약

쇼핑 에이전트의 핵심 기능이라고 할 수 있는 상품정보 요약이다.

원하는 제품을 클릭하고 우측 하단의 에이전트 버튼을 누르면 1분 이내에 상품 정보를 요약해 준다.

실제로 이 기능은 유용했던 것 같다. 간단한 요약과 추천 대상, 가격, 편의성, 촉감 등의 주요 특징과 설명, 실제 리뷰 요약까지 제공한다.

나는 쇼핑할 때 누구보다 리뷰를 많이 찾아보는 성격이다. 하지만 리뷰의 수가 많아지고, 광고성 리뷰까지 등장하며 리뷰의 신뢰도가 하락했고, 읽다가 지쳐 구매를 포기하는 경우도 많았다. 실제로 이런 불편함에서 시작된 개인 프로젝트인 '피부고민 한 줄로 맞춤형 화장품 추천해 주기', '음식점 리뷰를 2음절 키워드로 요약하기' 등이 있었다.

이런 나에겐 도움이 되는 기능이었다. 아래와 같이 사용예시를 보자면, "옆으로 자면 편한 베개인지 궁금해" 혹은 "부정적인 리뷰에 대해서만 정리해 줘"라는 질문에 해당 제품의 리뷰에만 기반하여 대답해 준다.

다수의 리뷰가 말한 대로 요약하지 않고, "한 사용자는 옆 자세에서 좀 낮은 느낌이라는 후기를 남겼다"와 같이 소수의 리뷰도 언급해 준 점이 인상적이었다.

4️⃣ 에이전트에게 물어보기

에이전트에게 물어보기는, 상품 상세 페이지에서 바로 LLM과 대화하며 상품에 대해 질문할 수 있는 기능이다.

해당 상품의 세부 내용들을 질문할 수 있고, 두 상품을 비교하고, 적절한 대안까지 제공할 수 있다고 공식 페이지에 안내되어 있었다.

쇼핑은 항상 비교의 연속이라 상세페이지를 캡처까지 해가며 비교해 오던 나였기에 이 기능이 기대가 되었다. 실제로 잘 비교해지 테스트 해보았다.

마침 오늘 쇼핑라이브 특가로 나온 정장 자켓이 있어 해당 제품에 대해 질문해 보기로 했다.

평소 사이즈에 비교해 어떤 사이즈를 선택해야 하는지, 고민 중인 오버핏 테일러드 자켓과 정핏 테일러드 자켓은 어떤 점이 다른지를 한눈에 알 수 있었다.

선택 포인트까지 정리해 주었고, 오버핏 자켓이 '넉넉한 정핏'이라 체형 커버에 좋다는 결론을 확인할 수 있었다.

하지만, 이상적인 답변을 받지 못할 때도 있었다.

두 상품의 실측 사이즈가 얼마나 차이 나는지 궁금했고, 표로 정리해 주길 원했다.

쇼핑 에이전트는 두 제품의 실측을 비교해주지 못했고, 상세 치수가 명시돼있지 않다는 답변이 돌아왔다. 여기서 조금 실망했다. 기존 LLM과의 차별성을 느끼지 못했기 때문이다. 네이버 플러스 앱 자체에 심겨진 모델인 만큼, 상세정보에 접근이 쉬울 것이고, 그만큼 사실에 기반한 제품 비교(치수 비교 등)가 가능할 것이라고 믿었기 때문에 '이게 안 된다고?'라는 생각이 들었다. 결국 상세 사이즈를 캡처해 직접 눈으로 비교를 했다.

내 명령어가 잘못되었나 싶어 이후 아래 추천 질문을 클릭해 실측을 알려달라, 후기 사진을 보여달라는 요청을 보냈으나, 이에 대해서도 실측 지수가 없다, 혹은 선택 가이드로 상세 페이지에서 확인이 가능하다는 시원하지 않은 답변을 주었다.

✅ 베타버전 사용 후기와 유저 피드백

에이전트일까?

처음 공개될 때 "쇼핑 AI 에이전트"라는 말에 기대했었다. 기존 LLM, 쇼핑 어시스턴트와는 차별성이 있을 것이라 생각했고, 더 나아가 구매를 도와주는 시스템이라는 이미지가 그려졌다.

베타버전을 사용하며 쇼핑 AI 에이전트만의 차별성을 찾지 못했던 것 같다. '부정적 리뷰만 요약해 줘'라는 구체적인 요청이 가능하고, 다수의 의견으로 결론짓지 않고 소수의 의견까지 포함해 알려준다는 방식은 인상적이었으나, '어시스턴트와는 뭐가 다를까?'라는 의문이 아직 해소되지 않았다.

에이전트의 핵심은 사용자의 의도를 추론하고 그에 맞게 행동한다는(ReAct) 것에 있는데 현재의 네이버 쇼핑 에이전트는 사용자의 의도를 추론(Reasoning)하는 데는 능숙하지만, 장바구니 담기나 실시간 재고 확인 같은 실제 행동(Acting)으로 이어지는 루프가 끊겨 있어 '반쪽짜리 에이전트'처럼 느껴지는 것 같다.

잘못된 정책 안내의 위험성

위 내용 4️⃣ 에이전트에게 물어보기 중, 미쏘 자켓 사이즈를 물어보는 내용(이미지)에 반품, 교환 정책을 활용하여 무료 반품이 가능하다는 꿀팁을 알려준 내용이 있었다.

사실 이 제품은 N 배송 제품이 아니라 반품 비용은 5000원이 들기 때문에 해당 내용은 거짓이다. 정책 관련 꿀팁을 알려주는 기능은 좋은 것 같지만, 정책, 규정과 같은 내용의 정확성은 높일 필요가 있어 보인다.

베타버전이기도 하고, AI는 잘못된 대답을 할 수 있다는 안내 문구가 같이 제공되지만, 사람들의 AI에 대한 신뢰도는 생각보다 높다. 또한, 상세 페이지 하단에 작게 쓰여 있는 '무료배송 반품 시 5000원 부과'와 쇼핑 에이전트의 '무료반품 옵션을 사용해 봐라'라는 정보 2 가지가 들어왔을 때 후자를 믿는 것이 더 매력적인 선택지로 느껴지기도 한다.

내가 느낀 핵심 피드백은 아래와 같다.

에이전트 정체성 확보

쇼핑 AI에서 쇼핑 AI 에이전트로 자리 잡기 위한 확실한 정체성이 필요해 보인다.

실제로 상품 비교 후 더 나은 선택지를 장바구니에 담아달라고 요청했을 때, 그런 기능은 할 수 없다는 답변을 받았다.

'구매까진 대신해주지 못하더라도 장바구니에 넣는 정도는 해줄 수 있지 않을까?'라는 생각이 있었기에 꽤나 충격적인 답변이었다.

나는 컬리 N마켓을 애용하는데, 요리 하나를 하기 위해 재료와 레시피를 찾아보고 일일이 가격을 비교해 담는 일이 여간 귀찮은 일이 아니다.

쇼핑 AI 에이전트가 장바구니에 담기 기능을 추가한다면, 에이전트에게 "알배추 오리찜을 해 먹기 위한 재료를 알려줘"부터 시작해, "재료 가격을 비교해서 장바구니에 담아줘"라고 말한다면, 재료를 찾는 과정부터 가격을 비교하는 과정이 단 두 문장으로 단축되지 않을까?라는 기대를 해본다.

네이버 쇼핑 지식자산을 활용한 추천 고도화

'생각하지 못한 대안 추천'이라는 슬로건을 내걸기엔 조금 부족해 보였다.

네이버 쇼핑이라는 자유로운 환경(즉, 다른 상품에 접근이 쉬운)이기 때문에 이를 더 활용하여 추천을 고도화하면 어떨까?

베개를 쇼핑하는 과정에서 '해당 제품과 동일한 기능을 하는 더 큰 사이즈의 베개를 추천해 줘'라는 요청에 '네이버 플러스 스토어에는 그런 상품을 별도로 판매하고 있을 가능성이 있다'라며 직접 검색어로 검색해 보기를 유도하는 답변을 받았다.

에이전트라면 이걸 직접 해줘야 하는 것 아닐까?

내 명령어가 애매한가 싶어 추천 명령어인 '집앤콕 경추베개 50*70 사이즈 상품 찾아줘'를 클릭해 봐도 유사 상품을 찾아오긴커녕 물어보지도 않은 50*70을 쓰면 좋은 점에 대해서만 나열해 주었다.

이외에도 정장 자켓을 추천해달라는 요청에 레더 자켓을 추천해 주는 등 추천 측면에서 아직 만족도가 낮다.

쇼핑 AI 에이전트라면 네이버 플러스 스토어의 방대한 쇼핑 DB, 실시간 검색 등 자료들을 자유롭게 탐색할 수 있을 텐데 이를 잘 활용하지 못하는 아쉬움이 있다. 사용자가 제공한 키워드, 브랜드, 상품명, 조건 등을 맵핑하거나 이를 조합해 검색을 한 후 그 결과를 제공하는 방식으로 추천 시스템을 고도화하면 상품 비교와 생각하지 못한 대안 추천에 더 부합하는 서비스가 될 것 같다.

이미지 업로드 기능

렌즈 기능이 있긴 하지만, 에이전트와 소통할 땐 이미지 업로드가 불가하다.

패션 아이템이나 가구 등을 쇼핑하다 보면 나와 잘 어울리는지, 다른 옷과 잘 어울리는지, 혹은 가구가 우리 집의 분위기에 어울리는지 궁금할 때가 많다. 보통은 캡처를 통해 친구에게 물어보는데 매번 물어보는 것도 꽤나 귀찮은 일이다. 실제로 나는 외출 전 옷과 잘 어울리는 가방을 찍어 제미나이에게 물어보기도 한다.

쇼핑 에이전트에게 물어보기 탭에 이미지 업로드 기능을 추가하여 다른 상품과 잘 어울리는지, 더 좋은 다른 대안이 있는지 물어볼 수 있다면, 온라인 쇼핑할 때마다 친구처럼 데리고 다니는 진짜 에이전트로 활용될 수 있을 것 같다.

해당 글은 베타버전의 서비스를 사용해 본 뒤 느낀 개인적인 견해를 작성한 것이며,

기능 소개 이미지는 아래 공식 자료를 통해 캡처, 실제 사용 이미지는 실제 사용해 보며 캡처하였다.

나의 첫 번째 쇼핑지능

네이버 쇼핑에이전트

mkt.naver.com

[커머스, AI 솔루션] "이런 상품은 어떠세요?"

먼치 — Thu, 27 Feb 2025 15:26:00 +0900

온라인 쇼핑이 활성화되면서, 상품을 검색하는 과정에서 "이런 상품은 어떠세요?"라는 문구를 자주 접하게 된다. 이러한 추천은 종종 예상치 못한 발견으로 이어지기도 하며, 실제로 구매로 연결되는 경우도 많다.

특히, 개인의 취향과 쇼핑 이력을 기반으로 한 맞춤형 추천은 소비자의 관심을 끌고, 새로운 상품을 시도해 보는 계기가 되기도 한다. 이렇게 추천된 상품들이 마음에 쏙 들어 구매하게 되는 순간, 온라인 쇼핑의 매력을 다시 한번 느끼게 된다. 이러한 시스템은 소비자에게 더 많은 선택의 기회를 제공하고, 쇼핑의 즐거움을 한층 더해준다.

1️⃣ 사용자 소비 패턴 분석 및 상품 추천

유저 테일러링 (User Tailoring)

사용자 맞춤형 경험을 제공하기 위해 개인의 취향, 행동, 선호도 등을 분석하여 콘텐츠나 서비스를 개인화하는 과정

데이터 수집
- 사용자의 행동 데이터를 수집 (검색 기록, 구매 이력, 클릭 패턴, 선호하는 카테고리 등)
개인화 알고리즘
- 수집된 데이터를 기반으로 머신러닝 알고리즘을 적용하여 사용자의 선호를 분석
- 사용자에게 가장 적합한 상품이나 콘텐츠 추천 가능
실시간 반영
- 사용자의 행동 변화에 따라 추천 시스템이 자동으로 조정
- Ex) 사용자가 특정 유형의 상품에 관심을 보이면, 그에 맞춰 추천 목록이 업데이트 진행
UI/UX 맞춤화
- 사용자 인터페이스(UI)와 사용자 경험(UX)을 개인의 취향에 맞게 조정
피드백 시스템
- 사용자로부터 직접 피드백을 받아 추천의 정확성 증대
- 사용자가 어떤 추천을 선호하는지에 대한 정보를 활용하여 시스템 개선

유저 테일러링 기대효과

사용자의 과거 쇼핑이력을 분석하여 개인 맞춤형 상품 추천
사용자가 자주 구매한 상품에 따라 추가로 추천하여 더 많은 선택의 기회 제공

활용 예시

온라인 쇼핑
- 소비자의 구매 이력과 검색 패턴을 분석하여 맞춤형 상품을 추천
스트리밍 서비스
- 사용자가 자주 시청하는 콘텐츠를 바탕으로 개인화된 추천 목록을 제공
뉴스 앱
- 사용자가 선호하는 주제에 따라 뉴스 기사를 맞춤형으로 제공

✅ 지그재그 인공지능 개인화 추천

지그재그는 AI 추천으로 취향이 맞는 스토어와 고객을 효과적으로 연결하는 "인공지능 개인화 추천" 시스템을 도입했고, 이를 바탕으로 스토어 단골고객 비중을 크게 늘렸다고 한다.
최근 3개월(2024년 10월~2025년 1월) 동안 지그재구 구매 데이터에 따르면, 한 스토어에서 2번 이상 상품을 구매한 고객 비율이 약 50%에 가까운 것으로 나타났다.

지그재그 개인 추천 아이템

✅ 네이버 쇼핑 "나만을 위한 쇼핑 큐레이션"

✅ G마켓 "쇼핑, 지금 나에게 맞추다"

출처 - G마켓 뉴스룸

blog detail

G마켓이 모바일 애플리케이션 홈 전면에 인공지능(AI)을 기반으로 한 개인화 서비스를 탑재한다. 현재는 베타 버전으로, 약 10% 고객에게만 시범 적용했고 연내 전체 고객을 대상으로 확대할 예정

news.gmarket.com

2️⃣ 리뷰 클렌징

가짜 리뷰 탐지
- 머신러닝 알고리즘을 활용하여 비정상적인 패턴을 가진 리뷰를 식별
- Ex) 동일한 IP 주소에서 다수의 리뷰가 작성되거나, 비슷한 문구가 반복되는 경우 가짜 리뷰로 간주
리뷰 신뢰도 평가
- 리뷰 작성자의 과거 활동을 분석하여 신뢰도를 평가
- 실제 구매자가 남긴 리뷰인지, 또는 스팸성 리뷰인지를 판별하는 방법
비방글 탐지
- 특정 상품이나 브랜드에 대한 악의적인 비방글을 탐지하여 삭제
- 이는 기업의 이미지 보호와 소비자에게 정확한 정보를 제공하는 데 기여
자연어 처리(NLP)
- 리뷰의 내용 분석을 통해 긍정적 또는 부정적인 감정을 평가
- 이를 통해 소비자들에게 유용한 정보를 제공하고, 불만족스러운 리뷰를 식별
커뮤니티 피드백
- 소비자들이 서로의 리뷰를 평가할 수 있는 기능을 도입하여, 신뢰할 수 있는 리뷰와 그렇지 않은 리뷰를 구분

✅ 네이버 리뷰 클렌징 시스템

✅ 배달의 민족 리뷰 검토 시스템

배달의 민족에서 리뷰 작성 시 "검토 후 공개됩니다"라고 안내가 나온다. 자체적으로 리뷰를 검토하여 비방글, 허위 리뷰 등을 필터링한다.
배달의 민족은 리뷰 정책 수립에 국제 표준을 반영하고 있다.

우아한형제들

문 앞으로 일상의 행복을 배달합니다.

www.woowahan.com

핀테크 AI 솔루션 구경하러 가기

[핀테크, AI 솔루션] "혹시 중복 결제는 아닌가요?"

최근, 현대카드 이용 중 "혹시 중복결제는 아닌가요?"라는 알림을 받았다. 사진관 예약금을 걸기 위해 네이버페이에서 동시간에 같은 금액을 3번 결제했더니 위와 같은 알림을 보낸 것이다. 예상

seheehee.tistory.com

[EDA] Heatmap, 데이터 패턴과 관계 파악하기

먼치 — Wed, 26 Feb 2025 15:43:34 +0900

✅ Heatmap

히트맵(Heatmap)은 행과 열로 이루어진 2차원 데이터에서 값의 크기를 색상으로 표현한 시각화 기법이다. 주로 값의 분포, 상관관계, 패턴 및 이상치를 직관적으로 확인할 수 있다.

1️⃣ 특징 및 장점

색상 변화로 데이터의 크기나 빈도 표현 : 예를 들어, 진한 색은 높은 값을, 연한 색은 낮은 값을 나타냄
상관관계 확인 : 변수들 간의 상관계수를 시각화하여 관계가 강한 변수를 쉽게 찾을 수 있음
이상치 및 패턴 탐색 : 비정상적인 색상 패턴을 통해 이상치 감지 및 데이터 패턴 확인 가능

2️⃣ 주요 사용 사례

상관계수 히트맵 (Correlation Heatmap)
- 데이터의 상관관계를 나타내는 매트릭스를 시각화
- 변수들 간의 상관관계 파악에 유용
- Ex) 신용 점수와 연간 소득의 관계 확인
데이터 분포 히트맵
- 이산형 데이터의 빈도수 또는 분포를 표현
- Ex) 연도별 월별 판매량 변화 패턴
피처 중요도 히트맵
- 모델 학습 후 피처 중요도를 색상으로 표현하여 중요 변수 식별에 사용
- Ex) 랜덤포레스트 피처 중요도 시각화

3️⃣ Python에서 히트맵 그리기

seaborn 라이브러리를 활용한 상관관계 히트맵 예시

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 예시 데이터 생성
data = {
    'Yearly Income': [50000, 60000, 70000, 80000, 90000],
    'Score': [400, 650, 700, 750, 800],
    'Left': [10000, 12000, 20000, 25000, 40000],
    'Working Hours': [40, 45, 30, 55, 60],
    'default': [0, 0, 1, 0, 1]
}

df = pd.DataFrame(data)

# 상관계수 계산
corr_matrix = df.corr()

# 히트맵 그리기
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='Spectral', vmin=-1, vmax=1)
plt.title('Correlation Heatmap')
plt.show()

파라미터 설명

annot=True : 각 셀에 상관계수 값을 표시
cmap='Spectral' : 색상 팔레트 설정
vmin, vmax : 색상 스케일 범위 설정 (-1 ~ 1)

위 코드 실행 결과 그려진 히트맵

결과 해석

주요 상관관계 해석

(1) Yearly Income (연간 소득)

Score와 +0.88: 강한 양의 상관관계. 연간 소득이 높을수록 신용 점수도 높아지는 경향이 있음.
Left와 +0.89: 강한 양의 상관관계. 연간 소득이 높을수록 대출 잔액도 높음.
Working Hours와 +0.83: 강한 양의 상관관계. 연간 소득이 높을수록 근무 시간도 길어지는 경향.
default와 +0.50: 양의 상관관계가 있지만 중간 정도의 강도. 소득이 높다고 해서 불이행이 반드시 증가하지는 않음.

(2) Score (신용 점수)

Yearly Income와 +0.88: 위에서 설명한 바와 같이, 연간 소득과 신용 점수가 함께 증가.
Left와 +0.85: 강한 양의 상관관계. 신용 점수가 높을수록 대출 잔액도 높음.
Working Hours와 +0.94: 아주 강한 양의 상관관계. 신용 점수가 높을수록 근무 시간이 긴 경향.
default와 -0.63: 음의 상관관계. 신용 점수가 높을수록 채무 불이행 가능성이 낮음.

(3) Left (대출 잔액)

Yearly Income와 +0.89: 소득이 높을수록 대출 잔액도 많음.
Score와 +0.85: 신용 점수가 높을수록 대출 잔액도 높음.
Working Hours와 +0.93: 근무 시간이 길수록 대출 잔액도 많음.
default와 +0.22: 약한 양의 상관관계. 대출 잔액이 많다고 해서 불이행 가능성이 크게 증가하지는 않음.

(4) Working Hours (근무 시간)

Score와 +0.94: 신용 점수와 근무 시간이 매우 밀접한 관계.
Left와 +0.93: 근무 시간이 길수록 대출 잔액도 많음.
default와 -0.32: 약한 음의 상관관계. 근무 시간이 길수록 채무 불이행 가능성이 조금 낮음.

(5) default (채무 불이행 여부)

Score와 -0.63: 음의 상관관계. 신용 점수가 낮을수록 채무 불이행 가능성이 높음.
Working Hours와 -0.32: 근무 시간이 길수록 채무 불이행 가능성이 약간 낮음.
Yearly Income과 +0.50: 약한 양의 상관관계. 소득이 높다고 해서 채무 불이행 가능성이 반드시 높지는 않음.
Left와 +0.22: 대출 잔액과 불이행은 큰 상관관계가 없음.

인사이트 및 해석 요약

신용 점수(Score)와 채무 불이행(default) 간에는 음의 상관관계(-0.63)가 있습니다. → 신용 점수가 높을수록 채무 불이행 가능성은 낮아집니다.
연간 소득(Yearly Income), 대출 잔액(Left), 근무 시간(Working Hours) 간에 강한 양의 상관관계가 나타납니다. → 소득이 높고 근무 시간이 길수록 대출 잔액도 많아지는 경향이 있습니다.
default와의 상관관계는 다른 변수에 비해 상대적으로 낮으며, 특히 Left와는 매우 약한 관계가 있습니다. → 대출 잔액이 채무 불이행에 직접적인 영향을 주지 않을 수 있습니다.
Working Hours와 Score가 매우 강한 양의 상관관계(+0.94)를 가지므로, 신용 점수 산정에 근무 시간이 중요한 영향을 미칠 가능성이 있습니다.

4️⃣추가 활용 방안

상관계수가 강한 변수들을 이용해 파생 변수를 생성하면 모델 성능 향상 가능
sns.clustermap()을 사용하면 상관관계가 유사한 변수끼리 군집화된 히트맵을 그릴 수 있음

[핀테크, AI 솔루션] "혹시 중복 결제는 아닌가요?"

먼치 — Tue, 25 Feb 2025 18:27:39 +0900

최근, 현대카드 이용 중 "혹시 중복결제는 아닌가요?"라는 알림을 받았다. 사진관 예약금을 걸기 위해 네이버페이에서 동시간에 같은 금액을 3번 결제했더니 위와 같은 알림을 보낸 것이다.

예상치 못한 알림에 순간적으로 놀라움과 안도감을 느꼈다. 다행히 내가 모두 결제한 것이었지만, 중복결제 알림 덕분에 결제 후 영수증을 받지 않게 된 요즘, 금액과 결제 여부에 대한 확인이 소홀해지기 쉬운 상황에서 큰 도움이 되었다. 이러한 모니터링 서비스를 통해 기업에 대한 신뢰성을 높이고, 소비 경험은 더욱 향상되었다.

금융권에서 AI 활용은 꾸준히 증가하는 추세이다. 개인의 소비데이터를 이용한 카드 추천, 소비 성향 파악 및 투자 전략 제시 등 다양한 방면에서 AI를 활용한 마케팅 전략이 사용되고 있다.

1️⃣ 거래 분석 및 사기 탐지

✅ 실시간 거래 모니터링(Real-time Transaction Monitoring)

금융 기관이 고객의 거래를 실시간으로 분석하고 감시하는 시스템으로, 주로 사기 탐지, 규제 준수 및 고객 보호를 위하 활용된다.

현대카드 중복결제 알림

✅ 주요 특징

실시간 데이터 분석
- 패턴 인식 : AI와 머신러닝을 통해 정상 및 비정상 거래 패턴을 식별
사기 탐지
- 즉각적인 알림 : 의심스러운 거래를 탐지하면 즉시 고객이나 관련 부서에 경고
규제 준수
- AML 및 KYC : 자금세탁 방지와 고객 신원 확인을 위한 규제를 준수
고객 보호
- 사기 예방 : 사전 경고를 통해 고객을 사기 피해로부터 보호

2️⃣ 마이데이터 (맞춤형 투자)

✅ 로보 어드바이저(Robo-Advisor)

인공지능(AI)과 알고리즘을 기반으로 하는 자동화된 투자 관리 서비스이다. 주로 개인 투자자에게 맞춤형 포트폴리오를 제공하고 자산 관리 지원 역할을 한다.

KB 스타뱅킹의 AI 포트폴리오

✅ 주요 특징

자동화된 투자 관리
- 투자 알고리즘 : 고객의 투자 성향과 목표에 따라 알고리즘이 자동으로 포트폴리오를 구성하고 관리
- 리밸런싱 : 시장 변화에 따라 투자 비율을 자동으로 조정하여 최적의 성과를 유지
개인 맞춤형 서비스
- 고객 분석 : 고객의 재무 상황, 위험 선호도, 투자 목표 등을 분석하여 개인화된 투자 전략을 제시
- 다양한 자산 클래스 : 주식, 채권, 대체 투자 등 다양한 자산에 분산 투자할 수 있는 포트폴리오를 제공
비용 효율성
- 낮은 수수료 : 전통적인 자산 관리 서비스에 비해 수수료가 낮아 소액 투자자에게도 적합
- 저렴한 최소 투자 금액 : 상대적으로 낮은 최소 투자 금액으로 시작 가능
편리한 접근성
- 모바일 및 웹 플랫폼 : 사용자는 언제 어디서나 쉽게 접근할 수 있는 플랫폼을 통해 서비스를 이용 가능
- 사용자 친화적인 인터페이스 : 직관적으로 설계된 UI/UX로 고객이 손쉽게 이용 가능
데이터 기반 의사결정
- 마이데이터 활용 : 고객의 금융 데이터를 분석하여 보다 나은 투자 결정을 도움
- AI 분석 : 시장 트렌드와 고객의 투자 성향을 기반으로 데이터 분석을 수행

3️⃣ 개인 맞춤형 혜택

✅ 개인 맞춤형 혜택 시스템

고객의 거래 데이터를 분석하여 소비 성향을 파악하고, 이를 바탕으로 다양한 혜택을 제공한다. 고객은 자신의 라이프스타일에 맞는 할인 및 적립 혜택을 선택할 수 있으며, 소비 변화에 즉시 반응하여 혜택을 조정하기도 한다. 이는 고객의 만족도를 높이며 금융 기관의 경쟁력을 강화하는 중요한 요소로 자리 잡고 있다.

현대카드의 3층 혜택 시스템

✅ 주요 특징

소비 패턴 분석
- 데이터 기반 : 고객의 거래 데이터를 분석하여 개인의 소비 성향과 선호를 파악
맞춤형 혜택 제공
- 선택 가능한 혜택 : 고객이 자신의 소비 스타일에 맞춰 선택할 수 있는 다양한 혜택을 제공 (예: 특정 카테고리 할인).
실시간 업데이트
- 즉각적인 반영 : 고객의 소비 변화에 따라 혜택을 실시간으로 조정하여 최적의 경험을 제공
고객 참여 유도
- 피드백 요청 : 고객의 피드백을 반영하여 혜택을 지속적으로 개선하고, 고객의 참여를 유도

이처럼, AI를 활용한 서비스, 마케팅은 각 기업의 경쟁력을 확보하는 데 중요하게 사용되고 있다.

단순 예금과 적금만으로 자산을 운용하기 어려워진 제로 금리시대에 사람들은 주식이나 투자 상품에 뜨거운 관심을 보이고 있으며, 로보 어드바이저 등의 데이터 기반 AI 기술로 투자의 진입장벽도 낮아지는 긍정적인 효과를 나타내고 있다.

[UX] 동그라미를 그려 검색하다(Gemini 서클 투 서치)

먼치 — Wed, 19 Feb 2025 18:00:41 +0900

작년 1월 사전판매 121만 대의 흥행을 기록한 갤럭시 S24에서는 단순히 동그라미를 그려 검색할 수 있다.
Google의 Circle to Search 기능을 탑재했기 때문이다. 사진이나 영상을 시청하다가 궁금한 것이 생겼다면, 화면에 동그라미를 그려보자. 원하는 검색 결과를 얻을 수 있을 것이다.

1️⃣ 서클 투 서치 알아보기

서클 투 서치는 Gemini의 차별점인 구글과 연동되어 방대한 양의 검색엔진을 사용할 수 있다는 점을 활용했다. 이미지나 텍스트를 선택하여 바로 구글 검색창에 넣어 검색을 도와준다.

얼마 전 쇼핑몰에서 옷을 구경하던 중, 모델이 코디한 가방이 눈에 들어왔다. 최근에는 같이 코디한 제품을 기재해두기도 하지만, 자사 제품이 아니라면 그렇지 않은 경우도 많다. 기존에는 이 가방을 찾기 위해 다음과 같은 과정을 거쳐야 했다.
1. 화면 캡쳐

2. 가방 부분 이미지 잘라내기

3. 구글 실행

4. 이미지 검색

하지만, 서클 투 서치가 도입되고 나서, 이 과정은 절반으로 줄었다. 원하는 것을 찾을 수 있는 확률은 2배 향상했다.

1. 홈 버튼 눌러 Gemini Circle to search 실행

2. 가방 부분에 동그라미 그리기

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

명확한 사물이나 제품 등의 경우, 바로 구매 링크나 정보를 제공하지만, 불분명한 이미지의 경우 "AI 개요"가 제공된다.

AI 개요 기능은 현재 실험 단계에 있으며, Search Labs에서 기능 사용 설정이 가능하다.

2️⃣ 특징

서클 투 서치는 사용자가 원하는 정보를 "직관적"으로 찾을 수 있는 검색 인터페이스이며, 다음과 같은 특징을 가진다.

비주얼 검색
- 사용자가 원하는 주제를 원형으로 선택하면, 관련 정보가 시각적으로 표시된다.
연관성 기반 탐색
- 선택한 주제와 관련된 다양한 정보가 함께 제공되어 깊이 있는 탐색이 가능하다. 예를 들어, 음식이 담긴 접시를 동그라미 쳤을 때, 음식에 관한 정보와 접시에 관한 정보가 모두 제공된다.
사용자 탐색 경험 향상
- 기존의 텍스트 기반 검색 방식에 비해 더 직관적이고 쉽게 검색하여 검색 효율성을 높인다.
통합 정보 제공
- 구글이라는 거대 검색 엔진에서 검색하는 만큼 여러 출처의 풍부한 정보를 제공한다.

3️⃣ 기술

✅ 멀티 서치(Multi-Search)

여러 검색 엔진이나 데이터 소스를 동시에 활용하여 정보를 찾는 기능으로, 사용자가 보다 빠르고 효율적으로 원하는 정보를 얻을 수 있다. 예를 들어, 특정 제품을 찾고자 할 때, 여러 쇼핑 사이트, 리뷰 플랫폼, 소셜 미디어 등에서 동시에 검색하여 포괄적인 결과를 얻을 수 있다.

서클 투 서치는 "멀티서치" 기능을 활용하여 사용자가 선택한 이미지나 텍스트를 기반으로 여러 출처에서 동시에 정보를 검색할 수 있도록 지원한다. 이를 통해 사용자는 특정 제품이나 정보를 찾기 위해 복잡한 검색 과정을 거치지 않고, 직관적으로 원하는 데이터를 즉시 얻을 수 있다.

마치며,

서클 투 서치는 사용자가 진행 중인 작업을 중단시키지 않고 원하는 정보를 제공하는 혁신적인 탐색 경험을 제공한다.

최근, 해당 기능을 잘 활용하고 있으며, 가장 큰 이유는 네 가지가 있다.

1. 사진을 저장하는 번거로움 해소

2. 저장한 사진(스크린샷)을 지우는 번거로움 & 차지하는 용량 감소

3. 검색의 정확성

4. 이미지와 텍스트 등 형태의 제약 없이 사용 가능

현재까지 나온 LLM 기술 중 가장 실용성 있고 활용도가 높은 기술이라고 생각한다.

서클 투 서치로 화면 검색하기 - Google 검색 고객센터

도움이 되었나요? 어떻게 하면 개선할 수 있을까요? 예아니요

support.google.com

LLM 기술에 대해 궁금하다면, 다음 글을 참고해보자.

[LLM] 최신 LLM 비교 (Chat GPT, Gemini, Claude, Mistral)

2020년 Chat GPT-3의 등장 이후 LLM 분야는 급격히 발전해 왔다.OpenAI의 ChatGPT, Google의 Gemini, Anthropic의 Claude, Mistrald의 Mistral는 각기 다른 특성을 가지고 있어 목적에 따라 선택하여 사용하기에 좋다.

seheehee.tistory.com

[LLM] 최신 LLM 비교 (Chat GPT, Gemini, Claude, Mistral)

먼치 — Tue, 18 Feb 2025 19:33:31 +0900

2020년 Chat GPT-3의 등장 이후 LLM 분야는 급격히 발전해 왔다.

OpenAI의 ChatGPT, Google의 Gemini, Anthropic의 Claude, Mistrald의 Mistral는 각기 다른 특성을 가지고 있어
목적에 따라 선택하여 사용하기에 좋다.

이번 글에서는 네 가지 모델의 특징과 장점을 살펴보자.

개념

대규모 언어 모델(LLM, Large Language Model)

방대한 양의 데이터로 사전 학습된 초대형 딥러닝 모델로, 자연어 처리(NLP) 작업을 수행하는 데 최적화되어 있다. 이 모델은 텍스트 생성, 질문 응답, 번역 등 다양한 언어 기반 작업에서 뛰어난 성능을 발휘한다.

이미지 생성 모델

이미지 생성 모델은 텍스트 설명을 기반으로 이미지를 생성하는 인공지능 모델이다. 예를 들어, DALL-E나 Midjourney와 같은 모델이 이 범주에 속하며, 사용자가 제공한 텍스트 프롬프트를 시각적으로 표현하는 데 강점을 가진다.

전이 학습(Transfer Learning)

전이 학습은 한 작업에서 학습한 내용을 다른 작업에 적용하는 기법이다. LLM은 대량의 텍스트 데이터를 통해 일반적인 언어 패턴을 학습한 후, 특정 작업에 맞춰 추가 학습을 진행하여 성능을 향상시키는 방식으로 동작한다.

파라미터(Parameter)

파라미터는 모델이 학습하는 과정에서 조정되는 값으로, 모델의 성능에 직접적인 영향을 미친다. LLM의 경우, 파라미터의 수가 많을수록 더 복잡한 언어 패턴을 학습할 수 있다.

1️⃣ Chat GPT-4 (Open AI)

Chat GPT-4는 OpenAI에서 개발한 최신 대규모 언어 모델이다. 이전 버전인 GPT-3보다 더 많은 파라미터와 향상된 자연어 이해 능력을 가지고 있다. 대화형 AI에 최적화되어 있으며, 다양한 주제에 대해 깊이 있는 대화를 나눌 수 있다.

유료 구독 모델로 제공되며, 무료 체험이 가능하다.

장점
- 높은 언어 이해도
- 자연스러운 대화 능력
- 다양한 주제 포용
- 사용자 맞춤형 응답 생성
단점
- 생성형 모델이기 때문에 사실과 다른 정보(만들어낸 정보)를 제공할 수 있다
- 긴 문맥을 처리하는 데 한계가 있다
차별점 ⭐
- DALL-E와의 통합을 통해 텍스트 기반 이미지 생성 기능을 제공한다

2️⃣ Gemini (Google)

Gemini는 Google에서 개발한 최신 LLM이다. 검색 엔진과 통합되어 다양한 정보를 제공하는 데 중점을 두고 있다. 이 모델은 사용자 질문에 대한 정확한 답변과 추론 능력을 강조한다.

장점
- 구글의 방대한 데이터와 통합되어 신뢰성 높은 정보 제공 가능
- 실시간 데이터 업데이트 가능
단점
- 특정 주제에 대한 깊이 있는 대화 제한적
- 사용자가 원하는 포맷의 정보 제공에 제약
차별점 ⭐
- 구글 드라이브와 연동되어 개인 데이터 기반 응답이 가능하다

3️⃣ Claude (Anthropic)

Claude는 Anthropic에서 개발한 LLM이다. 안전성과 윤리를 고려하여 설계된 대화형 AI이다. 이 모델은 사용자와의 상호작용에서 친절하고 배려 있는 응답을 제공하는 데 중점을 두고 있다.

장점
- 윤리적 고려가 반영된 응답 생성
- 사용자 친화적 대화 스타일
단점
- 특정 고급 주제에 대한 깊이 있는 정보 제공 제한적
- 보수적인(조심스러운) 응답이 자칫 답답할 수 있음
차별점 ⭐
- 안전성과 윤리를 중시하 사용자를 배려한다

4️⃣ Mistral (Mistral)

Mistral은 Mistral AI에서 개발한 오픈 소스 대규모 언어 모델이다. 다양한 자연어 처리 작업을 수행할 수 있도록 설계되었다. 이 모델은 효율성과 성능을 강조하고 있다.

장점
- 오픈소스 제공으로 커스터마이징 가능
- 다양한 작업에 활용 가능
단점
- 상대적으로 문서화가 부족할 수 있어 사용자 친화적이지 않다
- 상업적 지원이 제한적일 수 있다
차별점 ⭐
- 오픈소스로 커스터마이징에 유연하다

Gemini 기능 구경하러 가기

[UX] 동그라미를 그려 검색하다(Gemini 서클 투 서치)

작년 1월 사전판매 121만 대의 흥행을 기록한 갤럭시 S24에서는 단순히 동그라미를 그려 검색할 수 있다. Google의 Circle to Search 기능을 탑재했기 때문이다. 사진이나 영상을 시청하다가 궁금한 것

seheehee.tistory.com

[Lv.2] 입양 시각 구하기(1) [EXTRACT, BETWEEN]

먼치 — Thu, 12 Sep 2024 15:52:35 +0900

문제 해결을 위한 개념 정리

✅ BETWEEN

https://seheehee.tistory.com/29

가격대 별 상품 개수 구하기 [case when, between]

문제 파악출력할 컬럼 : 만원 단위의 가격대 별 상품 개수 ⇒ SELECT데이터를 가져올 테이블 : product ⇒ FROM조회 순서 : 가격대 기준 오름차순⇒ ORDER BY적용할 조건 : 만원 단위의 가격대 별로 숫

seheehee.tistory.com

✅ EXTRACT

https://seheehee.tistory.com/58

진료과별 총 예약 횟수 출력하기[EXTRACT]

진료과별 총 예약 횟수 출력하문제 해결을 위한 개념 정리 ✅ EXTRACT: 날짜에서 년, 월, 일, 시간 등을 추출 → EXTRACT (unit FROM date) date : "2022-04-14 09:30:12.345678"unit출력 예시출력 단위MICROSECOND 345678 M

seheehee.tistory.com

문제 해결 코드

SELECT EXTRACT(HOUR FROM DATETIME) AS `HOUR`, COUNT(ANIMAL_ID) AS `COUNT`
FROM ANIMAL_OUTS
WHERE EXTRACT(HOUR FROM DATETIME) BETWEEN 9 AND 19
GROUP BY `HOUR`
ORDER BY `HOUR` ASC;

[Boostcourse] EP.9 계층과 총계

먼치 — Thu, 12 Sep 2024 14:47:31 +0900

https://www.boostcourse.org/ds121/lecture/865821?isDesc=false

데이터 시각화를 위한 태블로

부스트코스 무료 강의

www.boostcourse.org

✅ 계층(Hierarchy)

화면에서 드릴다운해서 세부적인 값을 찾는 데 유용
ex) 지역 데이터에서 동일한 시군구명을 계층화하여 오류를 방지
Map에서 유용하게 활용

◼️ 계층 만들기

계층을 만들고자하는 상/하위 카테고리 모두 선택 후, 마우스 우클릭을 통해 계층 만들기

테이블에서 계층 확인 가능, 행에서 +/-를 클릭하며 하위 계층 확인 가능

각 계층의 컬럼명 옆 를 클릭해 내림차순 정렬 가능

◼️ 제조사명 추출 후 계층 만들기

1. 제조사명 추출 → 제품명의 첫 번째 단어

2. 제조사명을 제품분류 계층에 추가 (드래그 & 드롭)

+) 제품명 계층까지 생성 가능

태블로 내장 기본 계층 → 날짜 데이터의 경우 자동으로 계층 생성

✅ 총계(Total)

각각의 요소들의 total을 보여줌

◼️ 아래와 같이 테이블에서, 드래그하지 않고 총계를 확인하고 싶을 때,

1. `분석` 패널에서 총계를 드래그, 열 총합계로 선택

◼️ 계층을 생성한 후 소계를 계산하고 싶을 때,

+) 행 총합계도 가능

계층이나 데이터가 많아질 경우, 총계가 잘 보이지 않을 수 있음!

열 총계를 맨 위로 설정 가능 (동일하게 행 총계도 왼쪽으로 설정 가능)

계층과 총계 예제 대시보드 확인하기

https://public.tableau.com/views/BoostcourseEp_9/1?:language=ko-KR&publish=yes&:sid=&:redirect=auth&:display_count=n&:origin=viz_share_link

[Boostcourse] Ep.9 계층과 총계 예제

public.tableau.com

Archive.Munch

네이버클라우드 Data Stream, 서버 관리 없이 실시간으로 데이터 처리하기

1️⃣ Data Streaming 기술의 등장

2️⃣ Apache Kafka

3️⃣ 네이버클라우드의 Data Stream이란?

4️⃣ Data Stream 주요 기능 및 장점

5️⃣ 마치며

[당근 서비스 개선] 교환 글 판매일까, 나눔일까? - 교환을 하나의 거래 방식으로 구조화하기

목차

문제발견

1️⃣ 다른 사람들은 어떻게 올렸을까?

2️⃣ 교환 글인데 확인하셨나요?

3️⃣ '교환'글 등록 시 발생하는 문제상황 정리

사회적 배경

1️⃣ 한정판 굿즈, 키덜트 카테고리 니즈 증가

2️⃣ '랜덤성'이 강한 굿즈 시장

3️⃣ 랜덤 굿즈, 교환 문화의 정착

4️⃣ Z세대 소비 트랜드

주요 인사이트

⭐PRD : 사용자 시나리오 기반 기능 상세

1️⃣ 입력

2️⃣ 탐색

3️⃣ 매칭

✅기대효과 및 고도화 방향

1️⃣ 교환 거래 도입을 통한 당근 플랫폼 가치 확장

2️⃣ AI 매칭 서비스로 만드는 차세대 굿즈 교환 플랫폼

마치며

직접 써본 네이버 쇼핑 AI 에이전트, '에이전틱 커머스'의 시대는 정말 왔을까?

✅ 네이버 쇼핑 AI 에이전트 소개

1️⃣ 검색어 기반 사용자 맞춤형 추천

2️⃣ 이미지 검색 기능 고도화

3️⃣ 상품 정보 요약

4️⃣ 에이전트에게 물어보기

✅ 베타버전 사용 후기와 유저 피드백

[커머스, AI 솔루션] "이런 상품은 어떠세요?"

1️⃣ 사용자 소비 패턴 분석 및 상품 추천

2️⃣ 리뷰 클렌징

[EDA] Heatmap, 데이터 패턴과 관계 파악하기

✅ Heatmap

1️⃣ 특징 및 장점

2️⃣ 주요 사용 사례

3️⃣ Python에서 히트맵 그리기

4️⃣추가 활용 방안

[핀테크, AI 솔루션] "혹시 중복 결제는 아닌가요?"

1️⃣ 거래 분석 및 사기 탐지

2️⃣ 마이데이터 (맞춤형 투자)

3️⃣ 개인 맞춤형 혜택

[UX] 동그라미를 그려 검색하다(Gemini 서클 투 서치)

1️⃣ 서클 투 서치 알아보기

2️⃣ 특징

3️⃣ 기술

마치며,

[LLM] 최신 LLM 비교 (Chat GPT, Gemini, Claude, Mistral)

1️⃣ Chat GPT-4 (Open AI)

2️⃣ Gemini (Google)

3️⃣ Claude (Anthropic)

4️⃣ Mistral (Mistral)

[Lv.2] 입양 시각 구하기(1) [EXTRACT, BETWEEN]

[Boostcourse] EP.9 계층과 총계

✅ 계층(Hierarchy)

✅ 총계(Total)