웹사이트 내부 검색 적합도(Inner Search Relevance) 개선으로 전환율 향상하는 법

자주 방문하는 온라인 쇼핑몰에서 검색 기능을 이용할 때 어떤 결과를 예상하시나요? 오늘날 대부분의 고객은 검색 엔진이 매우 정확하고 관련성이 높으며 즉각적인 결과를 제공하기를 기대합니다. 고객들은 어떤 웹사이트에서 무엇을 찾든지, 심지어 오타를 입력하거나 잘못된 용어를 사용할 때에도 정확한 결과를 기대합니다. 전환율을 향상하는 내부 검색 적합도, AI 기술을 활용하면 가능해집니다.

정의

검색 적합도는 고객에게 맞춤화된 경험을 제공하는 기능으로써 고객이 웹사이트 내부에서 검색한 단어의 철자가 조금 틀리거나 의미가 모호한 경우에도 고객이 의도한 결과를 정확하게 예측하는 것을 의미합니다.

기업들은 내부 검색 적합도를 향상하기 위해 인공지능(AI)을 검색 엔진에 도입하고 있습니다. 검색 관련성을 최적화하는 것, 즉 검색어와 검색 결과 간의 정확도 수준을 높이는 것은 대규모 웹사이트를 운영하는 많은 기업에게 매우 중요합니다. 평균적으로 40% 이상의 고객이 웹사이트의 내부 검색창을 이용하는데, 이는 사이트에 대한 첫인상이 됩니다. 내부 검색 엔진은 고객이 원하는 제품과 정보로 정확히 안내하고 결과적으로 판매(전환)로 이어지도록 해야 합니다. 높은 검색 관련성을 갖춘 검색 엔진은 고객 만족도와 전환에 긍정적인 영향을 미치는 반면, 나쁜 검색 경험은 고객에게 부정적인 영향을 미칩니다.

등장 과정

검색은 시간이 지남에 따라 진화해 왔습니다. 과거에는 검색 엔진이 일반적으로 웹 페이지에 검색 키워드가 나타난 횟수를 계산하고 그 횟수가 높을수록 특정 항목(웹사이트, 제품 등)이 검색 결과에서 높게 나타났습니다. 검색어를 문서 내 텍스트와 일치시키는 이 기본적인 검색 방법은 여전히 많은 사이트에서 사용되고 있으며, 특히 소규모 기업의 웹사이트에서 많이 볼 수 있습니다.

그러나 1998년에 구글이 등장하면서 모든 것이 달라졌습니다. 구글은 고급 통계 분석 기술을 처음으로 적용하여 검색어를 해석하고 분류했습니다. 오늘날 많은 기업들이 검색 결과를 향상하기 위해 AI에 기반한 통계 분석을 사용하는 것은 이러한 결과의 복잡성이 증가한 결과입니다. 콘텐츠 구조는 텍스트뿐만 아니라 태그, 설명, 카테고리 표시 및 기타 검색 가능한 메타데이터를 포함하도록 발전했습니다. 또한 기업들은 이제 사용자의 비즈니스 우선순위, 지리적 위치, 과거 행동 및 다른 맥락적 요소를 고려하여 각 개별에 대한 특정 콘텐츠 관련성을 결정하고자 합니다. 이러한 복잡성은 정교한 알고리즘이 해석을 유도하고 결과를 도출할 필요성을 만듭니다. 여기서 AI 기반 검색 적합도에 대한 필요성이 나타납니다. AI는 낮은 품질의 콘텐츠와 높은 품질의 콘텐츠를 구별하고 이에 따라 순위를 매길 수 있습니다. 예를 들어 AI는 알고리즘을 부당하게 활용하려는 검색 엔진 최적화 (SEO) 기술을 식별할 수 있으며 (예: 제품 설명이나 웹 페이지에 키워드를 삽입하거나 보이지 않는 텍스트를 삽입하는 것), 이러한 검색 결과를 의도에 맞는 결과에 배치할 수 있습니다.

어려움

맞춤화된 경험과 원하는 것에 더 빠르게 접근할 수 있는 경로에 대한 고객의 기대치는 매우 높아졌습니다. 그러나 이를 만족시키는 것은 쉽지 않습니다. 예를 들어, 누군가는 “하이힐”이라는 검색어를 입력할 수 있고, 또 다른 사람은 “구두”이라고 검색할 수 있지만, 실제로는 둘 다 동일한 제품을 찾고 있을 수 있습니다. 사람들은 동일한 질문을 다양하게 할 수 있으며, 이러한 모든 가능한 반복을 학습하는 것은 어떤 알고리즘에게도 어려운 일입니다. 그러나 반복을 이해하기 전에 알고리즘은 우리의 언어를 기본 수준에서 이해해야 합니다.

자연어 이해는 기계가 인간 언어를 학습하는 분야입니다. 성공적인 검색 적합성을 위해 모델은 예를 들어 “하이힐”이라는 단어가 무엇을 의미하는지 감지하고 적절한 결과를 제공할 수 있어야 합니다. 더 복잡하게 만들기 위해 검색 엔진은 또한 힐”이라고 입력할 때 실제로 “하이힐”을 의미했다고 추측해야 합니다. AI 모델은 빈도에 따라 철자, 오타 및 문법 오류를 고려해야 합니다.

검색 엔진에게 우리의 자연어를 이해하도록 가르치려면 대규모의 학습 데이터가 필요합니다. 이는 많은 기업들에게 많은 비용과 시간 및 노력의 투자가 요구되는 어려운 난관일 수 있습니다.

중요성

온라인에서 무언가를 검색하거나 마케팅 및 사용자가 찾을 콘텐츠를 생성할 때 백엔드에서 이를 본 적이 있으시다면 키워드가 얼마나 중요한지 알고 계실 것입니다. 검색 적합성을 최적화하는 것은 대규모 콘텐츠나 데이터가 있는 온라인 쇼핑몰 및 B2C 기업에게 중요합니다.

웹사이트를 사용하는 고객은 원하는 정보를 빠르게 찾고 싶어 합니다. 만약 검색 창이 고객이 원하는 결과를 노출하지 못하면 고객은 웹사이트를 벗어나 다른 경쟁사로 이동할 가능성이 높습니다. 현재 많은 기업이 검색 관련성을 향상하기 위해 키워드에 의존하고 있습니다. 그러나 이 방법은 고객의 기대치가 높아지면서 그 효용성이 점점 낮아지고 있습니다. 그렇다고 내부 검색 적합도를 개선할 수 있는 더 나은 방법은 없을까요?

AI 기반 검색 적합도

내부 검색 적합도를 향상할 수 있는 새로운 방법은 바로 AI 기반 검색 관련성입니다. AI 및 머신러닝 기술은 더 정확한 모델을 구축하여 검색 관련성을 향상하고 더 스마트하게 만듭니다. AI 기반 검색 적합도는 통계 분석을 사용하여 검색 결과를 개선합니다. AI 기반 검색은 다음과 같은 요소를 포함합니다:

• 텍스트
• 태그
• 설명
• 카테고리 표시
• 검색 가능한 메타데이터
• 비즈니스 우선 순위
• 사용자의 지리적 위치
• 사용자의 과거 행동
• 낮은 품질과 높은 품질 콘텐츠를 구별하는 능력

AI 기반 검색 관련성 알고리즘은 결과를 반환할 때 사용자를 고려합니다. 이러한 검색 창은 단순히 검색어뿐만 아니라 사용자에게 결과를 개인화합니다. AI 기반 검색 관련성은 스마트한 매개변수를 사용하는 알고리즘에 기초하여 검색 중인 사용자에게 가장 관련성 있는 결과를 반환합니다. 이때, 컴퓨터가 자체적으로 매개변수를 자동으로 조정하여 높은 품질의 검색 결과를 반환하게 되는 것을 ‘학습 순위(Learn to Rank)’ 또는 LTR이라고 합니다. 그러나 AI 기반 검색 관련성 알고리즘은 근본적으로 학습 데이터의 품질에 의해 좌우됩니다.

중요성

검색 엔진이 검색어를 이해하고 해석하는 방법을 가르치는 것, 특히 자연어 및 철자 오류 또는 오타의 변형을 포함하는 경우에는 방대한 양의 학습 데이터가 필요합니다. 보유한 학습 데이터가 많고 우수할수록 알고리즘과 검색 적합도가 향상됩니다. 고품질의 학습 데이터를 확보하는 것은 중소기업에게는 큰 장벽이 될 수 있습니다. 이 경우, 저희 에펜과 같은 AI 데이터 전문 기업과 협업하는 것을 추천드립니다.

학습 데이터 업데이트

AI 기반 알고리즘이 만들어지고 학습되면 모든 과정이 끝나는 걸까요? 그렇지 않습니다. 학습 데이터는 계속해서 업데이트되고 고객에게 가장 관련도 높은 결과를 반영하고 있는지 확인되어야 합니다. AI 기반 검색 엔진은 자연어 처리를 사용하여 검색 쿼리를 이해하고 분석합니다. 이를 위해 모호한 것부터 명확한 것까지 수백만 개의 데이터 포인트와 사용 사례 및 특수한 경우에 대한 훈련이 필요합니다. 좋은 알고리즘은 검색어가 명확하지 않을 때에도 정확한 검색 결과를 반환할 수 있어야 합니다. NLP와 AI 기반 검색 관련성의 모든 힘을 활용하기 위해서는 학습 데이터를 지속적으로 업데이트하고 최적화해야 합니다.

최적화 방법

AI 기반 검색 엔진은 질문을 읽고 스스로 해석 및 분석하기 위해 자연어 처리(NLP) 기능을 사용합니다. 향상된 검색 적합도를 목표로 하는 이러한 모델은 자연어 데이터에 대한 학습이 필요합니다. 이 데이터는 모호한 것부터 명확한 것까지 수백만 개의 사용 사례와 특수한 경우를 다루어야 합니다. 좋은 알고리즘은 검색어가 명확하지 않을 때에도 최적의 검색 결과를 제공해야 합니다.

자연어 처리 분야에는 의미 어노테이션, 텍스트 분석, 명명된 엔터티 인식을 포함한 다양한 기술이 있습니다. 중요한 것은 이러한 기술들이 텍스트를 구문 분석하고 그 의미를 파악하는 데 필요한 도구를 제공한다는 것입니다. 검색 엔진은 유도된 의미를 사용하여 검색어에 대한 최적의 결과를 감지하고 이를 최상위에 노출할 수 있습니다.

검색 관련도 모델은 또한 클릭을 추적할 수 있으며, 이는 어떤 결과가 가장 적합할지를 통계적으로 분석하여 결정합니다. 특히, 구글 이미지 검색이나 Adobe 스톡 포토와 같은 검색 엔진은 이미지 분석이 필요합니다. NLP와 마찬가지로 이미지 분석은 많은 양의 고품질 라벨이 달린 이미지 데이터가 필요한 기술입니다. 이미지 분석은 이미지와 이미지 특성을 관련성 있게 분류하는 데 도움이 됩니다.

단, 실제 상황을 정확히 모니터링하기 위해서는 인간을 루프에 참여시키는 것이 좋습니다. 예를 들어 인간은 특정 검색어가 관련된 검색 결과에 나타나는지 평가할 수 있습니다. 검색 결과가 잘못된 경우 인간은 검색 정확성을 향상하기 위해 피드백을 제공합니다.

검색어 입력이 진화함에 따라 이제는 기계도 적응해야 할 때입니다. 전통적으로 검색어는 텍스트 기반이었지만 이제는 이미지를 사용하거나 음성을 사용하여 검색하는 기회가 나타나고 있습니다. 이러한 요소들은 검색 엔진에 새로운 복잡성을 추가하지만 극복하기 어려운 것은 아닙니다.

장점

아래의 내부 검색 관련 통계를 확인해 보면 검색 적합도가 전환율에 큰 영향을 미친다는 것을 알 수 있습니다.

• 웹사이트 방문자의 30% 이상은 검색 기능을 사용하고, 검색을 사용하는 경우 이들은 전환할 가능성이 2배 높습니다.
• 원하는 정보를 찾지 못한 79%의 고객은 해당 사이트를 이탈해 다른 사이트에서 방문합니다.
• Econsultancy의 연구에 따르면 내부 검색 기능을 사용하는 방문자는 매출의8%를 기여했습니다.

긍정적 사용자 경험 제공

웹사이트에 방문한 고객에게 내부 검색창은 기업에 대한 첫인상과 같습니다. 검색 결과가 고객이 의도한 결과를 반환하면 고객은 해당 사이트에 머무를 확률이 높아집니다. 반면 검색 관련성 알고리즘이 부정확한 결과를 반환하면 고객은 다른 경쟁사에서 필요한 것을 찾기 위해 이탈할 가능성이 높습니다.

AI 기반 검색 적합성은 고객이 필요로 하는 정보를 쉽게 찾을 수 있도록 합니다. 검색을 했지만 원하지 않는 결과를 본 적 있는 분들은 이 상황이 얼마나 짜증 나는지 알고 계실 겁니다. 여러분의 고객에게 이런 일을 일어나게 해서는 안 되겠죠.

전환율 향상

좋은 검색 정확성은 고객을 만족시킵니다. 고객 만족은 제품 구매로 이어지고 추가 제품을 구매할 확률이 높습니다. AI 기반 검색 관련성 기술은 신규 고객을 유치하고 현재 고객을 유지하는 효율적인 방법입니다. 고객의 검색어에 대해 도움이 되는 결과를 반환하면 고객을 효과적으로 웹사이트로 유도하여 더 많은 시간 동안 머물도록 하고 웹사이트에서 나가기 전에 챗봇을 열 기회를 제공할 수 있습니다. 이 모든 과정은 전환으로 이어질 수 있습니다.

고객 유치 비용 절감

고품질 내부 검색 결과는 고객이 웹사이트를 쉽게 탐색할 수 있도록 합니다. 이는 고객 유치 비용을 낮추는 방식으로 긍정적 영향을 미칠 수 있습니다. 고객이 웹사이트 내에서 스스로 필요한 정보를 찾는다면 고객 서비스 센터에 따로 연락하지 않아도 됩니다. 이를 통해 기업은 CS에 소모되는 시간과 비용을 절약할 수 있습니다.

지식 전이의 용이성

웹사이트의 검색창을 가장 많이 사용하는 것은 고객일 가능성이 높지만, 회사 정보나 제품 페이지를 찾기 위해 직원들에게도 많이 사용됩니다. 이때, AI 기반 검색 적합도는 직원들이 필요한 정보를 찾는 데 도움을 주어 더 효과적인 비용으로 지식을 전이할 수 있게 합니다.

에펜의 내부 검색 적합도 솔루션

저희 에펜은 검색 관련성 분야의 26년 경력을 보유하고 있습니다. 오랜 기간 동안 Adobe Stock과 Microsoft의 Bing과 같은 글로벌 기업의 검색 요구에 대한 고품질 학습 데이터를 성공적으로 지원해 왔습니다. 에펜의 내부 검색 적합도 전문성으로 여러분의 비즈니스 목표를 성공적으로 달성할 수 있도록 도와드리겠습니다. 전환율 향상을 위한 최고의 선택, 내부 검색 기능 향상으로 가능해집니다. 지금 바로 데이터 전문가에게 상담받아보세요.