ADR-U-003
초기 단계에서는 개인화 추천 알고리즘을 도입하지 않는다
ADR ID: ADR-U-003
상태: Accepted
작성일: 2026-03-02
작성자: YSY
관련 ADR: ADR-U-001, ADR-U-002, ADR-P-001
1. 배경 (Context)
모바일 플랫폼에서 개인화 추천은 일반적인 기능이다.
일반적으로 다음과 같은 방향으로 발전한다:
사용자 행동 데이터 수집
클릭/체류 시간 기반 랭킹
개인 선호 기반 추천
머신러닝 기반 정렬
그러나 개인화 추천은 다음을 전제로 한다:
충분한 데이터 규모
복잡한 분석 인프라
노출 우선순위 조정 권한
실험/AB 테스트 체계
본 플랫폼은 다음을 지향한다:
위치 + 시간 기반의 정밀 매칭
즉시성 중심 판단 구조
노출 경쟁 구조 배제
개인화 추천은 노출 조작과 결합될 가능성이 높다.
2. 결정 (Decision)
초기 단계에서는 개인화 추천 알고리즘을 도입하지 않는다.
슬롯 노출은 다음 조건 기반으로만 결정한다:
위치
시간
필터 조건
고정 정렬 정책(ADR-U-002)
사용자 행동 기반 랭킹, ML 기반 추천은 도입하지 않는다.
3. 대안 (Alternatives Considered)
대안 A: 클릭/체류 기반 추천
설명
사용자의 클릭/확보 기록을 기반으로 노출 순위 조정
장점
개인화 경험 강화
전환율 증가 가능성
단점
노출 조작 가능성
인기 슬롯 고착화
데이터 인프라 필요
구조 복잡화
채택하지 않은 이유
MVP 단계에서 구조를 과도하게 복잡하게 만든다.
대안 B: 협업 필터링 기반 추천
설명
유사 사용자 행동 기반 추천
장점
- 추천 정확도 향상 가능
단점
데이터 규모 필요
모델 유지 비용
즉시성보다 소비 유도에 가까움
채택하지 않은 이유
현재 플랫폼의 핵심 가치와 직접적 관련이 없다.
대안 C: 조건 기반 정밀 매칭(채택)
설명
위치 + 시간 + 필터 중심 단순 조건 매칭
장점
예측 가능성
투명성
구조 일관성
구현 단순
단점
개인화 수준 낮음
사용자별 맞춤 경험 제한
채택 이유
초기 단계에서 가장 안정적이고 철학과 일치한다.
4. 결과 (Consequences)
긍정적 결과
알고리즘 복잡도 감소
노출 공정성 유지
광고 모델로의 전환 압력 감소
데이터 인프라 단순화
부정적 결과
개인화 경험 부족
일부 사용자에게 단조롭게 느껴질 수 있음
5. 영향 범위 (Impact)
기술
ML/추천 엔진 불필요
복잡한 로그 수집 최소화
서버 구조 단순화
UX
노출은 예측 가능
사용자 간 결과 차이 최소화
운영
가맹점이 “추천 노출”을 요구할 가능성 존재
노출 공정성에 대한 기준 유지 필요
6. 재검토 조건 (Revisit Conditions)
다음 조건 중 하나 이상 충족 시 재검토:
DAU가 충분히 증가하여 데이터 기반 추천이 유의미해질 경우
사용자 유지율이 개인화 부족으로 하락한다고 판단될 경우
노출 공정성을 해치지 않는 개인화 방식이 명확히 정의될 경우
Buy me a coffee