대메뉴로 바로가기 서브메뉴 바로가기 컨텐츠 바로가기

통합검색

추천검색어
SNS, ott, 5G,

home > 지식네트워크 > 생각하며 연구하며
확대 축소 프린트

생각하며 연구하며

  • 트위터 보내기
  • 페이스북 보내기
  • 미투데이 보내기
  • 네이버 보내기
  • 구글 보내기
  • 메일 보내기
오늘은 무엇을 볼까! (부제: 미디어 산업에서의 협업필터링 기반 맞춤형 콘텐츠 제공 서비스)
제목 오늘은 무엇을 볼까! (부제: 미디어 산업에서의 협업필터링 기반 맞춤형 콘텐츠 제공 서비스)
등록일 2016.07.12 조회 6480
홍석영 이미지
홍석영방송미디어연구실
위촉연구원

지난 7일 금융위원회가 누구에 관한 신용정보인지를 알아볼 수 없게 가공하여 익명화한 정보(비식별정보)는 개인신용정보의 범위에서 제외한다는 신용정보법 시행령 개정안을 입법예고했다. 이러한 개정은 개인신용정보의 정의를 명확히 하여 금융 분야의 빅데이터 산업 활성화에 걸림돌이 되는 불확실성을 정리하기 위함이다. 일각에서는 이러한 개정으로 인하여 더욱 정교한 개인신용평가가 가능해지고 맞춤형 금융상품들이 다양하게 개발될 수 있을 것이라는 기대감을 내비치고 있다. 개인정보보호법을 비롯한 정보통신망법, 신용정보법 등의 기존 개인정보 관련법상 규제를 완화하려는 정부의 움직임에 따라 맞춤형 서비스 제공 사업과 같은 빅데이터 응용 분야의 활성화가 예상되는 상황이다. 동시에 방대한 양의 정보를 저장하고 빠르게 처리하여 분석에 사용할 수 있게 됨에 따라 ‘개인화된 맞춤형 정보’를 제공하는 서비스가 가능해진지 오래고, 가용한 데이터로 이미 다양한 산업 분야에서 활발하게 활용되고 있는 것 또한 사실이다.

온라인 맞춤형 광고는 온라인 이용자의 온라인에서의 행태정보를 수집하고 활용하여, 이용자 개인의 관심사나 흥미에 적합한 광고를 선별하여 해당 이용자에게 노출시키는 기법이다. 이용자의 사생활을 침해할 소지가 크고, 이에 대한 이용자들의 거부감이 강하다는 점에서 극복해야할 점들이 많이 남아있지만 여전히 성장가능성이 가장 높게 평가되는 광고 형태이다. 한 카드사는 자사 2,200만 고객의 카드 사용실적 데이터를 기반으로 고객별 소비성향과 선호유형을 분석하여 고객을 18개의 고객군으로 분류, 각각의 고객군에 최적화된 카드를 출시하였다. 이에 신규고객에는 성, 연령, 지역별 이용패턴에 맞는 카드를 추천하고, 기존고객에게는 개인의 소비 패턴에 더 적합한 유형의 카드를 매칭해주는 서비스를 제공하여 시장에서 좋은 반응을 얻은 바 있다.

위에서 예로 보인 추천 서비스들은 모두 협업 필터링 알고리즘(collaborative filtering algorithm) 방식에 분석 기반을 두고 있다는 것이 공통점이다. 협업 필터링 기반 추천 시스템이란 다수의 사람들의 행태 정보를 이용하여 마케팅의 타겟이 되는 사용자와 비슷한 성향의 사용자들이 좋게 평가한 다른 상품들을 골라 추천하는 시스템이다.

미디어 산업에서도 이러한 맞춤형 콘텐츠 제공 서비스의 활용도가 더해지고 있는 상황이다. 더더욱 많은 사람들이 개인 미디어 매체를 보유하게 되고, 콘텐츠의 양은 방대해지는 상황에서 맞춤형 콘텐츠 추천이라는 서비스의 필요성이 날로 커진 결과다. 그중에서도 넷플릭스는 정확도 높은 추천 서비스로 큰 주목을 받은 OTT 플렛폼 사업자이다. 넷플릭스는 콘텐츠 추천 서비스를 핵심기술로 삼고 추천 알고리즘을 향상시키기 위하여 상금을 거는 등의 전략을 펼쳐왔다. 그 결과 단순히 콘텐츠 항목들 간의 이용행태 유사성 뿐 아니라, 그 콘텐츠가 내재하고 있는 내용적 패턴 또한 분석에 사용하는 향상된 협업 필터링 알고리즘으로 추천 서비스의 고객 만족도를 끌어올릴 수 있었다. 또한 PC, 모바일, 태블릿 등 다양한 기기 각각에서 어떤 콘텐츠를 어떻게 소비하는지에 대한 정보도 구분해서 수집함으로써 이용자가 PC로 접근하는지, 모바일로 접근하는지에 따라 상황에 적합한 콘텐츠를 추천한다.

맞춤형 콘텐츠 추천 서비스의 국내 사례로는 왓챠(Watcha)의 서비스를 꼽을 수 있다. 넷플릭스가 추천 알고리즘 개선에 집중했다면 우리나라의 영화VOD 제공 서비스 왓챠는 이용자들의 별점 수집에 더 공을 들였다. 협업 필터링 알고리즘 기반의 분석은 모형이 정교화 될수록, 이용자들의 콘텐츠 취향 데이터가 쌓일수록 추천의 정확도가 높아진다. 왓챠는 이용자들에게 보다 더 만족스러운 추천을 받기 위해서는 스스로가 더 많은 평점을 매겨야함을 강조 한다. 이로써 이용자들의 자발적인 영화 평가정보 제공을 유도하는데 성공했다. 그 결과 2016년 7월 현재, 왓챠의 누적 영화 평점 수는 2억 6천만여 건을 넘어섰다. 이는 영화 평가에 있어 골리앗쯤으로 여겨지는 네이버 영화 평점 수(830만 건)의 4배를 상회하는 수준이다.1) 추천의 만족도 면에서도 넷플릭스와 견주어 손색이 없다는 국내 이용자의 의견이 다수이다.

법 개정을 계획하는 정부의 움직임을 보나, 업계 동향을 보나 이 같은 맞춤형 서비스가 앞으로 우리의 미디어 이용에 더 큰 영향을 미칠 것은 확실해 보인다. 정보들이 소화해내지 못할 정도로 쏟아져 나오는 요즘 이 같은 서비스가 사용자들에게 큰 편익을 안겨다주는 것은 사실이지만, 우려할 점도 분명히 존재한다. 엘리 프레이저의 저서 <필터버블(Filter Bubble)>의 필터버블 개념이 그 예이다. 필터버블이란 검색엔진, 뉴스기사, 영상정보 등 개인이 접하는 모든 정보에 맞춤형 서비스가 적용되어 이용자 취향에 맞는 콘텐츠만 걸러져 제공된다면, 이용자 자신이 그 파편적인 세계에 갇히게 된다는 우려를 표현한 개념이다. 모든 개인이 나름의 선호를 가지고 있는 것도 사실이지만, 쉽게 질린다는 것 또한 사실이다. 이에 미디어 서비스 제공 사업자들도 이용자 개인에게 ‘새로울’ 콘텐츠 또한 균형 있게, 전략적으로 제공하는 것을 간과하면 안 될 것이다. 또한 이용자 자신들도 맞춤 서비스가 주는 편리에 만족하고 있기만 할 것이 아니라 무엇을 접하고 무엇을 소비할 것인지에 대해서 비판적으로 생각해보는 시간을 때때로 가지는 것이 중요할 것이다.

1) 각각 왓챠(266,642,922), 네이버(8,341,408) 홈페이지 공개 수치

※ 참고자료
서봉원, “콘텐츠 추천 알고리즘의 진화”, 방송 트렌드 & 인사이트, 2016년 4,5월 호, pp 19-24
최용준, “당신이 무슨 영화를 좋아할지 추천해드려요”, topclass, 2013년 8월호
이홍근 기자, “통계·학술 목적 '비식별정보'에 개인신용정보 활용 가능해진다”, 중앙일보, 2016년 7월 7일자 인터넷 기사

목록으로
메일로 보내기



(27872)충청북도 진천군 덕산읍 정통로 18 정보통신정책연구원 전화안내 043)531-4114

copyright &copy; Korea Information Society Development Institute ALL RIGHTS RESERVED.

KISDI QR코드 : 모바일 웹사이트 바로가기

<p><a href="http://www.kisdi.re.kr/kisdi/err/error.jsp" >프린트 프레임이 없습니다.</a></p>