미국 대형 유통업체 타겟(Target)이 신규 마케팅 캠페인을 기획할 때 과거의 유사한 캠페인을 자동으로 찾아 추천하는 생성형 AI 기반 시스템을 자체 개발해 사내에 도입했다고 밝혔다. 이 시스템은 마케팅 및 애널리틱스 팀이 캠페인 성과를 예측하고 기획 의사결정을 내리는 과정을 지원하기 위한 것으로, 캠페인 유형과 채널이 다양해질수록 유사 사례를 수작업으로 찾는 부담을 줄이고 예측의 일관성을 높이는 것을 목표로 한다.
타겟은 시간대를 나눠 학습·검증 데이터를 분리하는 방식으로 시스템 성능을 평가했다. 회사에 따르면 상위 1개 추천만 고려했을 때는 적합한 과거 사례를 찾아내는 비율(커버리지)이 75%였으나, 상위 3개 추천까지 범위를 넓히자 이 비율이 100%로 올라갔다. 이는 평가 대상이 된 모든 캠페인에 대해 최소 하나 이상의 적합한 과거 사례를 찾아냈다는 의미다. 회사는 이 같은 개선이 예측 작업에서 수작업 검색과 수정에 드는 노력을 줄이는 데 기여했다고 설명했다.
이번에 도입된 시스템은 기존에 쓰이던 규칙 기반 로직과 단순 유사도 매칭 방식을 대체한 것이다. 과거 시스템은 규칙을 지속적으로 수작업으로 유지·보수해야 했고, 채널 종류와 캠페인 복잡도가 늘어날수록 새로운 캠페인 형태에 제대로 대응하지 못해 운영 부담이 커지는 문제가 있었다. 새 시스템은 임베딩과 대규모 언어모델을 결합한 검색증강생성(RAG) 구조를 채택했다. 과거 캠페인 데이터를 정규화해 임베딩으로 변환하고, 대상 고객군·상품 카테고리·채널·캠페인 목적 같은 정형 속성에서 의미를 추출해 내부 인덱스에 저장하는 방식이다.
새 캠페인이 만들어지면 시스템은 해당 캠페인의 메타데이터로부터 임베딩을 생성하고, 비슷한 특성을 가진 과거 캠페인 후보들을 검색한다. 이 후보들은 대규모 언어모델에 전달돼 순위가 매겨지고 정제되는데, 모델은 구조적 제약과 맥락 신호를 함께 고려해 각 매칭에 대한 설명과 함께 순위가 매겨진 캠페인 목록을 반환한다. 임베딩 생성, 검색, 언어모델 기반 순위화를 분리한 다단계 파이프라인 구조를 채택해 각 단계를 독립적으로 튜닝하고 중간 결과물의 가시성을 높일 수 있도록 설계했다는 것이 회사 측 설명이다. 마케팅 분석가들은 검색된 후보와 모델이 생성한 설명을 예측 작업에 활용하기 전에 직접 검토하는 절차를 거쳐, 사람의 검증이 프로세스에 계속 포함되도록 했다.
타겟 측은 이 시스템이 캠페인 결과를 직접 예측하기보다는, 과거의 유사한 사례를 찾아 기대치를 형성하도록 돕는 데 초점을 맞췄다고 설명했다. 이는 규칙 기반 시스템에서 검색·추론 기반 워크플로로 예측 방식을 전환한 것으로, 추천 근거를 과거 속성에 기반해 제시함으로써 해석 가능성을 높이는 효과가 있다는 설명이다. 회사는 또한 완료된 캠페인의 실제 성과 데이터를 활용해 임베딩과 검색 품질을 지속적으로 개선하는 피드백 메커니즘도 시스템에 포함시켰다고 밝혔다.
