ML 기반 모바일 앱의 뛰어난 특징(사례 포함)

모바일 앱 시장은 치열한 경쟁 속에서 번창하고 있습니다. 사용자가 “다운로드”를 누르도록 설득하는 것만으로는 충분하지 않습니다. 지속 가능한 성장을 위해서는 사용자의 참여와 충성도를 유지하는 것이 필수적입니다. 이 중요한 과제를 해결하려면 머신러닝(ML)이 필요합니다.

ML 기술을 통해 앱은 명시적인 지시 없이도 스스로 학습하고 개선할 수 있습니다. 이를 바탕으로 최종 사용자와 기업 모두에게 다양한 실질적 이점이 제공됩니다. 

ML 기반 앱이 뛰어난 이유는 무엇일까요?

최고 수준으로 끌어올린 사용자 편의성

사용자 편의성은 “사람들이 쉽게 사용할 수 있는 것”으로 정의됩니다. ML을 통해 최종 사용자는 더욱 편리하고 안전한 모바일 경험을 기대할 수 있습니다. 

초개인화가 제공하는 편리함

머신러닝 기반 개인화는 확장성이 뛰어나고 정확합니다. 규칙 기반 방식으로 사용자를 세분화하는 대신 개별적으로 분석합니다. 모든 사용자 데이터 포인트를 바탕으로 완전한 프로필이 생성되며, 사용자가 앱을 더 많이 사용할수록 이 프로필은 더욱 정교해집니다. 이러한 이해를 바탕으로 각 사용자에게 고유한 여정을 제공할 수 있으며, 이는 일반적으로 맞춤형 제품 또는 콘텐츠 추천의 형태로 구현됩니다. 

예를 들어, ML 알고리즘은 고급 검색을 지원하여 사용자가 매우 간단한 키워드만으로도 필요한 답을 찾을 수 있도록 돕습니다. 

머신러닝 알고리즘을 통해 앱은 사용자가 원하는 데이터를 간접적으로 암시하든 직접 요청하든 관계없이 사용자 질의를 더욱 정확하게 이해할 수 있습니다. 동시에 시스템은 이미 학습한 방대한 데이터를 살펴보고 제시된 질문과 가장 관련성이 높다고 판단되는 결과를 표시할 수 있습니다. 가장 적합한 결과를 보여주기 위해 검색 기록과 기타 상호작용 지점도 참고합니다.

아래는 두 단계로 구성된 ML 기반 검색 엔진의 제안 아키텍처입니다. top-k 문서 검색이라고 하는 첫 번째 단계에서는 단순한 검색 모델을 사용하여 관련성이 있을 만한 문서를 수집합니다. 두 번째 단계에서는 계산적으로 더욱 고도화된 모델이 문서의 순위를 다시 매깁니다. 

Strengthened security in machine learning with less hassle

번거로움은 줄이고 보안은 강화

사용자는 모든 과정이 최대한 간단하기를 선호하지만, 동시에 제품을 안전하게 사용할 수 있기를 요구합니다. 

머신러닝 알고리즘은 앱 인증을 간소화합니다. 복잡하지 않은 절차를 유지하면서 앱의 보안 수준을 높여줍니다. 이처럼 더욱 안전하고 견고한 접근 방식은 음성, 지문 또는 얼굴 인식과 같은 생체 인증의 형태로 제공됩니다. 

로그인 외에도 ML은 의심스러운 활동을 알려 위협을 예방하고 최소화합니다. 확인되지 않은 로그인과 잠재적인 악성코드 공격을 추적하고 사용자에게 경고합니다.

기업에 실질적인 효과를 주는 이점

ML 도입 시 기대할 수 있는 긍정적인 변화에 관한 몇 가지 주요 사실은 다음과 같습니다.  

  • 기업의 76%는 제품에 ML을 통합한 후 매출이 증가했습니다.
  • 기업의 50%는 마케팅 전략을 개선하기 위해 ML을 적용할 계획입니다.
  • ML은 여러 유럽 은행이 제품 판매를 10% 늘리는 데 도움을 주었습니다.

ML 알고리즘은 사용자의 선택과 관심사를 바탕으로 사용자를 분류합니다. 기업은 ML을 통해 사용자 정보를 확보하고, 사용자가 어떤 사람인지, 무엇을 원하는지, 어느 정도의 구매 여력이 있는지, 어떤 제품에 관심이 있는지 파악할 수 있습니다. 이 모든 정보는 고객층에 대한 가치 있는 인사이트를 제공합니다. 이를 바탕으로 브랜드는 충분한 정보를 토대로 의사결정을 내리고, 신규 사용자를 유치하고 기존 사용자의 참여를 유지할 수 있는 적절한 전략을 개발할 수 있습니다. 

고도화된 고객 확보 전략

지리적 위치, 종교, 국적, 문화와 같은 요인은 고객 행동에 큰 영향을 미칩니다. ML 기반 고객 행동 예측 도구를 활용하면 기업은 소셜 미디어, 뉴스, 과거 판매 실적, 리뷰는 물론 현재 경제 상황과 재정적 여력까지 분석하여 어떤 트렌드나 기능이 신규 사용자를 유치하고 더 많은 지출을 유도할 수 있는지 파악할 수 있습니다.

한 연구 논문에서는 머신러닝 모델이 고객의 성별과 연령대를 기반으로 실제 구매 여부를 88.6%의 정확도로 예측할 수 있음을 입증했습니다. 따라서 ML은 효과적인 마케팅 계획 수립에 신뢰할 수 있는 도움을 제공합니다.

기존 고객과의 유대 강화

ML 기반 분석을 통해 기업은 사용자를 더 잘 이해하고 그에 맞춰 제품을 개선하며, 더욱 매력적인 콘텐츠로 고객 유지율을 높일 수 있습니다. 이 기술은 모바일 앱이 변화하는 요구에 능동적으로 적응하고 고객 만족을 유지하는 역동적인 제품으로 발전하도록 지원합니다. 

대표적인 예로는 독립적인 앱으로 제공되거나 다른 앱에 통합되는 ML 기반 챗봇이 있습니다. 문의가 급증하면 고객 지원 서비스를 제공하기가 매우 어려워질 수 있습니다. ML 기반 챗봇은 빠르고 정확한 응답으로 이 과정을 자동화하며, 문의 내용을 기록하여 지속적으로 개선할 수도 있습니다.

머신러닝을 활용하는 뛰어난 모바일 앱 사례

Duolingo(교육) – 사용자 신고의 지능적인 필터링 및 처리

Duolingo의 번역 문제에서 정답으로 인정되는 답변은 평균 200개 이상이며, 긴 문장의 경우 최대 3000개에 달합니다. 학습자는 자신의 답변이 맞는 것 같은데도 앱에서 인정되지 않는 경우, ‘신고’ 깃발을 통해 Duolingo 직원과 기여자에게 이 문제를 알릴 수 있습니다. 

그러나 접수된 신고의 약 90%는 오타나 기타 오류를 포함하고 있어 유효하지 않습니다. 기여자들이 올바른 10%를 찾아 수동으로 수정할 수 있도록 머신러닝이 활용됩니다.

사용 중인 시스템은 오랜 기간 검증된 알고리즘인 논리 회귀를 기반으로 합니다. 각 특성이 유효한 신고의 특징을 얼마나 잘 나타내는지에 따라 점수를 부여합니다. 그런 다음 점수를 합산하여 신고 전체를 평가하며, 피드백을 잘못 분류하지 않도록 다양한 영어 철자 표기를 고려합니다.

Example reports submitted by English learners studying Chinese that Duolingo’s system thinks might be correct
중국어를 공부하는 영어권 학습자들이 제출한 신고 중 Duolingo 시스템이 올바를 수 있다고 판단한 사례

예를 들어 신고에 두 단어로 된 구절인 ‘an coat’가 포함되어 있다면 오류일 가능성이 높습니다. 다른 경우로, 알고리즘이 ‘colour’라는 단어를 발견하면 ‘colour’는 유효한 철자 변형이므로 제안된 답변을 인정합니다. 시스템은 해당 신고가 올바를 수 있으며 추가 검토를 위해 담당 직원에게 전달해야 한다고 판단합니다. 

Sephora(소매) – 피부 톤 식별을 통한 브랜드 충성도 향상

Sephora 모바일 앱은 고객이 자신의 피부색에 가장 잘 맞는 색상을 찾도록 돕는 Color IQ 기능을 제공합니다. 

이 ML 기반 기술은 휴대용 기기에 탑재되어 있습니다. 먼저 고객이 매장을 방문하면 얼굴을 스캔하여 피부 톤을 파악하고, 기존 ‘색상 라이브러리’의 코드와 일치시킵니다. 그런 다음 해당 코드가 고객 계정에 추가되어 브랜드의 모바일 앱에서 온라인으로 제품을 검색할 때 자동으로 적용됩니다. 

Sephora’s PANTONE-powered SkinTone Library
PANTONE 기반의 Sephora SkinTone Library

Sephora의 고도화된 지능형 기술은 완벽한 색상을 찾기 어렵다는 많은 고객의 핵심 고민을 해결합니다. 고객은 제품이 자신의 피부에 어떻게 보이는지 시각적으로 확인할 수 있어, 스트레스와 비용을 유발할 수 있는 기존의 시행착오 방식을 대체할 수 있습니다. 따라서 ML은 고객 만족도를 높이고 고객 유지율을 향상하는 데 적극적으로 기여합니다.

BBVA의 뱅킹 앱(BFSI) – 손쉬운 재무 관리

2019년 BBVA의 제품은 컨설팅 기업 Forrester가 선정하는 “세계 최고의 뱅킹 앱”에 2년 연속 이름을 올렸습니다. 이 앱은 머신러닝을 활용해 거래를 분류하고 향후 지출을 예측합니다. 

거래 분류

앱은 자연어 처리(NLP) 모델을 사용해 수취인과 거래 설명 등의 정보를 바탕으로 거래를 식별하고 분류합니다. 예를 들어 거래 설명에 “6월 전기 요금”이라고 적혀 있으면, 알고리즘은 “전기 요금”을 지표로 인식하고 해당 거래를 적절한 카테고리, 이 경우에는 “전기 요금” 또는 “공과금”에 추가합니다.

또한 이 분류 엔진은 사용자가 카테고리를 변경할 때마다 이를 학습하면서 성능을 개선합니다. 이를 통해 사용자의 선호를 기억하고 향후 거래를 분류할 때 적용합니다.

향후 지출 예측

이 앱의 가장 차별화된 기능은 고객이 앞으로 예상되는 입출금 내역을 미리 파악할 수 있도록 합니다.

정교한 머신러닝 모델은 거래의 반복 여부, 예상 금액, 반복 시점을 판단할 수 있습니다. 그 결과 앱은 고급 분석에 기반한 강력한 예측 도구를 제공하여 사용자가 예상 자금 유입과 유출을 빠르게 파악하도록 돕습니다. 

이러한 알고리즘은 다가오는 “계좌 초과 인출 예상 주간”을 알리는 데 그치지 않고, 장기적으로 차별화된 강력한 재무 지원을 제공합니다. BBVA의 리테일 고객 솔루션 책임자인 Gonzalo Rodríguez에 따르면, 이 알고리즘은 고객의 저축과 투자 관리를 돕고 개인 맞춤형 조언을 제공함으로써 재무 관리를 간소화합니다.

BBVA and Google Cloud develop an AI model to improve the prediction of expenses and revenues
출처: BBVA와 Google Cloud, 지출 및 수입 예측을 개선하는 AI 모델 개발

맺음말

ML 기술은 모바일 앱을 혁신하며 지능적이고 기능성이 뛰어나며 높은 사용자 참여를 이끄는 제품을 만들어 내고 있습니다. 이러한 이유로 ML은 여러 산업에 걸친 주목할 만한 활용 사례를 통해 판도를 바꾸는 기술로 평가받고 있습니다. ML의 막대한 이점을 활용하는 것은 기업을 혁신과 성장으로 이끄는 유망한 방향입니다.

풍부한 경험에 기반한 조언을 원한다면, 귀사의 요구 사항을 충족하는 역량 있는 IT 서비스 제공업체를 선정하는 것이 큰 도움이 될 것입니다.

GEM 소개

GEM Corporation은 기업 고객의 디지털 전환 여정을 지원하는 선도적인 IT 서비스 제공업체입니다. 베트남 하노이에 기반을 둔 GEM은 차별화된 강점 으로 유능한 인적 자원, 폭넓고 적응성이 뛰어난 기술 스택, ISO 인증을 획득하고 CMMi에 기반한 우수한 서비스 제공 프로세스를 갖추고 있습니다. 이를 바탕으로 GEM은 다양한 글로벌 시장과 여러 분야의 스타트업 및 대기업으로부터 신뢰를 받아 왔습니다.
최신 소식과 이벤트를 놓치지 마세요. Facebook과 LinkedIn에서 GEM을 팔로우하세요!


머신러닝 전문가를 찾고 계신가요?

1. GEM Corporation은 IT 아웃소싱 기업으로, AI 솔루션 개발 경험을 보유하고 있습니다. 당사는 일본의 주요 산업 기업을 위한 NLP 및 OCR 솔루션 개발을 수행해 왔으며, 챗봇, 텍스트 및 이미지 처리 시스템, 추천 시스템 구축을 전문으로 합니다. 또한 과학 연구와 인재 양성을 위해 Vietnam National University의 AI 연구소와 협력하고 있습니다. 

2. 당사의 전문 산업 분야에는 물류, 통신, 금융, 은행 및 보험, 소매, 제조 등이 포함됩니다.

3. 당사는 7년 이상의 경험을 보유하고 있습니다. 사무소는 베트남 하노이와 일본 도쿄에 있습니다.

4. 당사는 미국, 영국, 유럽, 일본, 한국, 싱가포르 등 여러 지역의 고객을 위해 100개 이상의 프로젝트를 성공적으로 수행했습니다.

5. 다음 AI 솔루션 구축을 위해 당사가 어떻게 도울 수 있을지 알려주세요. 문의하기 지금 문의하여 프로젝트를 위한 데모를 받아보세요.

    Ready to build your next project?

    Our experts will connect with you within 24 hours to discuss your project.

    contact

    Quick contact

      Or reach us at:
      whatsapp
      viber
      kakao
      Line
      0971098183