올리브영

CJ 올리브영은 자사 앱에 스몰 LLM(sLLM) 기반 추천 서비스를 적용해, 방대한 고객 리뷰를 매일 분석하고 주제(테마)별 맞춤 상품을 자동 추천하는 기능을 선보였습니다. 이 모델은 리뷰 분류 – 표현 추출 – 검증 – 테마 생성을 내부 파이프라인으로 자동화했고, 현재 리뷰 데이터에서 약 10만 개의 표현을 추출하여 최대 15개까지 관련 상품을 묶어 제안합니다. 이를 통해 사용자는 실제 소비자 후기에 근거한 신뢰도 높은 ‘발견형’ 쇼핑 경험을 얻게 됩니다.

이 서비스의 핵심은 도메인 특화 sLLM입니다. 범용 대규모 모델과 달리, 특정 도메인의 언어를 깊이 이해하도록 소형 모델을 미세 조정해 정확도와 운영 효율을 동시에 확보하는 접근입니다. CJ 그룹 내에서도 sLLM을 활용한 프라이빗 LLM 구축과 도메인별 최적화 역량을 소개해 왔으며, 개인정보 보호와 비용 효율 측면에서도 장점이 강조됩니다.

올리브영은 이를 추천 시스템 전반의 의미론적 유사도 모델링과도 접목하고 있습니다. 사용 맥락(쿼리)과 추천 대상(밸류)의 관계를 라벨로 학습하는 구조를 통해, 단순 속성 일치가 아니라 사용자 의도와 문맥을 반영하는 추천으로 확장하고 있습니다. 이는 “키워드=결과”를 넘어, 유사 취향/상황을 이해해 조합하는 방식으로 고도화되고 있습니다.

고객 경험 측면, 사용자는 앱에서 매일 새롭게 생성되는 테마를 통해 ‘지금’ 나에게 맞는 카테고리와 제품을 발견할 수 있습니다. 리뷰 기반이라 사회적 증거(소셜 프루프)가 이미 내장되어 있고, 신제품이나 틈새 카테고리도 리뷰 언어를 통해 자연스럽게 부상할 수 있습니다. 또한 강남 타운점 등 오프라인 거점에서는 피부, 두피 상태 진단 등 AI 체험형 콘텐츠가 빠르게 확산되고 있어, 온·오프라인을 잇는 일관된 개인화 경험으로 이어지는 선순환이 만들어지고 있습니다.

마케팅 관점에서 이 사례가 가지는 의미는 분명합니다.

첫째, 리뷰라는 1차 텍스트 데이터를 sLLM으로 구조화해 카피, 머천다이징, CRM까지 재활용할 수 있습니다. 둘째, 매일 생성되는 테마는 민첩한 캠페인 운영과 트렌드 대응을 가능하게 합니다. 셋째, 대규모 범용 LLM 의존을 줄이고 프라이빗/도메인 특화 모델로 전환함으로써 비용, 속도, 보안 모두에서 균형점을 찾을 수 있습니다. 결과적으로 AI 기반의 개인화 마케팅을 실서비스로 끌어올린 대표 사례로 평가할 수 있습니다.