Path Finder에서 AI가 어떤 도움을 주면 좋을지는 이 서비스의 특징을 뭐라고 봐야 할까 하는 부분에서 고민을 시작했습니다. 이 서비스는 키워드의 관계를 연결해서 검색 경로를 보여주는 것이 목적입니다. 검색경로를 보여주는데, 왜 AI가 필요하고 고민을 많이 해야 했을까요? 특정 키워드에서 다음 키워드로 연결되는 키워드를 확인할 방법을 구글에서는 다양하게 제공해 주고 있습니다. 대표적인 것이 관련 검색어, 자동완성, 함께 검색한 키워드, 관련 질문 등입니다. 한 키워드에서 이렇게 많은 대안을 제공해 주고 있기 때문에 중요한 키워드만 필터링해도 한 키워드에서 8개에서 15개의 키워드를 발견할 수 있습니다. 만약 5개의 연속된 키워드를 검색경로라고 보고 이 경로의 확률을 보면 8*8*8*8=4,096개 중에서 하나를 찾는 과정입니다.
물론 다른 파인더에서와 마찬가지로 대화창을 통해서 필요한 경로를 찾아 달라고 하면 Agent는 훌륭하게 이를 찾아낼 수 있습니다. 하지만 전제 조건이 있습니다. 적절한 경로를 찾기 위한 질문을 잘해야 합니다. Path Finder의 Agent는 이런 문제를 해결해 주는 것이 좋을 것으로 판단했습니다.
검색 경로에서 찾을 수 있는 정보
- 주요한 경로
- 일반적으로 Path Finder는 100개에서 500개에 이르는 키워드의 연결선입니다. 위에서도 이야기했지만, 사실은 이 결과도 이미 많은 알고리즘으로 정제한 내용입니다. 그런데도 이 내용을 파악하고 정리하는 업무를 사람이 한다면 많은 시간과 노력이 필요합니다. 수많은 경로에서 의미 있는 경로를 찾고 그에 대해서 해석해 주는 역할은 AI가 도와줄 수 있는 중요한 부분이라고 생각합니다. 최소 3개에서 5개의 키워드 연결은 검색 사용자가 찾고자 하는 정보의 목적과 그 목적에 도달하는 과정을 알 수 있도록 해 줍니다. 물론 AI가 추천해 주는 경로가 내가 원하는 경로가 아닐 수는 있지만 추천해 주는 내용을 시작점으로 대화를 통해서 자신이 원하는 분석으로 이동해 가는 데는 부족하지 않다고 생각합니다.
- 검색 의도의 분기점
- 키워드 간의 연결로 검색 경로를 만들어 놓고 보면 통합된 경로에서 중요한 역할을 하는 키워드들이 있음을 알 수 있습니다. 의도가 변하는 변곡점 같은 역할을 하는 키워드입니다. 이런 키워드들은 Hub 역할을 하게 되고 다양한 Branch로 이동하는 매개 역할을 하게 됩니다. 우리가 경로를 구현할 때 이 점을 고려해서 만드는 것은 아니지만 여러 경로를 연결한 결과로 보면 이런 키워드들을 찾을 수 있습니다. 대부분 검색량이 많은 키워드가 이런 역할을 하지만 어떤 때는 검색량이 작은 경우에도 이런 역할을 하는 키워드들이 존재합니다. 사람 눈으로 식별은 어렵지만 AI의 도움으로 이런 키워드를 찾는 것은 어렵지 않습니다.
예시
Path Finder의 예시는 “새우깡”으로 진행해 보도록 하겠습니다. “새우깡”을 선택한 이유는 우리가 너무 잘 알고 있고 검색하는 이유를 굳이 파악할 필요가 없다고 생각할 수 있지만 (물론 너무나 당연한 부분도 있지만) Data를 통해서 파악해 보면 예상하지 못하는 부분들이 있을 수 있는 예라고 생각했기 때문입니다.
“새우깡” 조회 화면 with Agent
조회된 결과는 163개의 키워드가 연결된 형태로 제공되고 있습니다. 여기서 중요한 경로 Hub을 찾기 위해서는 많은 노력이 필요합니다.
Agent가 분석한 Top 3의 주요 경로와 이에 대한 해석은 아래와 같습니다.
새우깡 Top 3 경로
| 감각적 자극의 확장: 일반 스낵에서 극한의 매운맛 지표로 | 제품군 비교와 성분 탐색: 쌀 베이스에서 프리미엄 라인으로의 전이 | 브랜드 히스토리와 신뢰도 검증: 가격에서 원조의 가치 확인까지 |
| 탐색 경로: 새우깡 → 새우깡 블랙 → 매운 새우깡 → 매운 새우깡 스코빌 → 불닭 스코빌 | 탐색 경로: 새우깡 → 쌀새우깡 → 새우깡 종류 → 새우깡 캐릭터 → 새우깡 새우 | 탐색 경로: 새우깡 → 새우깡 가격 → 새우깡 역사 → 새우깡 원조 → 매운 새우깡 |
| 사용자는 대중적인 브랜드 진입 후 프리미엄 라인인 블랙을 거쳐 매운맛의 본질에 접근합니다. 이는 스낵 소비자가 자극적인 맛에 대해 높은 관여도를 가지고 있음을 시사합니다.단순한 ‘맵다’는 인식을 넘어 스코빌 지수라는 객관적 수치를 통해 타 카테고리(매운 라면)와 자극의 강도를 비교하며 탐색을 마무리합니다. | 브랜드의 확장 라인인 쌀 제품을 확인한 사용자는 전체 라인업의 다양성에 관심을 갖게 됩니다.제품의 종류를 파악한 뒤 원재료의 품질을 확인하여 구매의 정당성을 부여하는 심리 변화가 관찰됩니다.시각적 요소(캐릭터)와 본질적인 성분(새우 함량)을 순차적으로 확인하며 브랜드의 진정성을 검증하는 과정을 거칩니다. | 구매의 직접적인 지표인 가격을 먼저 확인한 후, 브랜드가 가진 역사적 가치와 원조로서의 위상을 탐색합니다.오랜 기간 사랑받은 이유를 역사를 통해 확인한 사용자는 다시 스테디셀러인 매운맛 제품으로 관심을 돌립니다.브랜드의 장수 비결을 확인하며 형성된 신뢰가 제품의 재발견으로 이어지는 선순환 구조를 보여줍니다. |
주요 경로는 위처럼 보여주고 있습니다. 관련해서 전체 그래프의 형태를 결정하는 Hub 키워드는 아래와 같습니다.
새우깡 Top 3 Branch
| 브랜드 진입의 절대적 허브 (검색량: 27,150건 / 연결 키워드 수: 7개) | 감각적 취향 분화의 전환점 (검색량: 3,376건 / 연결 키워드 수: 12개) | 건강 지향적 대안 탐색의 기점 (검색량: 2,583건 / 연결 키워드 수: 6개) |
| 모든 탐색의 시작점으로서, 쌀, 매운맛, 블랙 등 모든 하위 제품군으로 사용자를 분산시키는 역할을 합니다.광고 경쟁도는 중간 수준(43)이며, 연령대별로는 50세 이상의 높은 관심과 함께 전 세대를 아우르는 유입력을 가집니다.이 지점에서 사용자는 단순 제품 인지를 넘어 가격, 칼로리 등 구체적인 정보 탐색 단계로 진입합니다. | 일반적인 맛에서 자극적인 맛으로 선호가 이동하는 핵심 분기점입니다.이 지점 이후 사용자의 경로는 스코빌 지수 확인이나 대용량 구매, 혹은 다른 매운 스낵과의 비교로 급격히 구체화됩니다.정보 탐색형에서 상업적 고려 단계로 넘어가는 심리적 기제가 가장 활발하게 작동하는 구간입니다. | 브랜드 중심 탐색에서 기능적 가치(저칼로리) 중심 탐색으로 전환되는 지점입니다.즐거움을 포기하지 않으면서도 건강을 챙기려는 사용자들이 편의점 내 저칼로리 제품이나 순위 정보를 찾는 경로로 분화됩니다. 특정 브랜드에 국한되지 않고 카테고리 전체에서 최적의 대안을 찾으려는 비교 분석 행태가 강하게 나타납니다. |
저의 관심을 끌었던 분석은 새우깡을 다이어트에 좋은 칼로리 낮은 과자로 생각하고 있다는 점입니다. 사실은 새우깡은 밀가루를 튀긴 과자이기 때문에 칼로리가 상대적으로 높은 편인데 사람들의 인식은 좀 다른 것 같습니다.
사용시 고려해야 할 사항
- 현재까지의 LLM은 반드시 사람이 검토해야 합니다. 생성형은 모델의 특성상 결과를 통제하기 어렵습니다. 그리고 재현이 거의 불가능합니다. 어센트에서 제공하는 Agent는 수집한 Data로 Context를 제공하고 있지만 완벽하게 사실만을 제공하지는 않고 있습니다. 제공된 분석과 인사이트를 활용해서 더 좋은 결과를 만들려는 사용자의 노력은 필요합니다. 특히 경로 관련해서 실제 Data와 무관하게 답변을 하는 경우가 많이 있습니다. 확인하고 수정을 요청하면 정확한 답변을 제공합니다. 이 점은 참고할 필요가 있는 것 같습니다.
- 제공하고 있는 Agent를 분석 전문가라고 정의했지만, 다양한 질문을 하면 거기에 맞게 응답은 가능합니다. 하지만 Context Data에 키워드, 검색량 등의 검색 정보(검색량, 검색광고 단가 등), 키워드 관계 정보 (그래프 정보), 검색 인텐트 등을 제공하고 있기 때문에 이에 근거한 답변을 제공할 가능성이 높다는 부분은 인지하고 있어야 합니다.
- 현재는 각각의 파인더에서 한 가지 전문가만 대응하도록 하고 있지만 향후 다양한 전문가 Agent를 제공할 계획입니다. 사용하시면서 의견을 주시면 적극적으로 검토하고 반영하도록 하겠습니다.