딥 러닝을 통한 맞춤형 호텔 추천

문제점

Hotels.com은 자사 웹사이트에서 325,000곳 이상의 호텔을 촬영한 수백만 장의 사진을 호스팅합니다. 시설과 고객 모두 매일 새 사진을 수천 장씩 업로드합니다. 이러한 사진을 재빨리 분석하여 중복되거나 화질이 낮은 이미지를 피하고 분류를 거쳐(예: 주방, 수영장, 체육관) 논리적으로 정렬해야 합니다. 또한 고객이 사이트를 검색할 때 호텔 추천을 개인별로 맞춤 제공하여 고객이 각자의 요구 사항에 가장 잘 맞는 완벽한 호텔을 찾도록 도와야 하기도 합니다. 이런 목표를 이루려면  엄청난 규모의 컴퓨팅 파워와 고급 분석이 필요합니다.

• 머신 러닝을 활용한 소비자 경험 기반 구축: 각 시설에 상응하는 대량의 이미지 파일 중에는 서로 중복된 것도 있고, 체계적으로 구성된 상태가 아니라 순위를 정하거나 분류하기 어려웠습니다. 실시간 채점 체계를 구축해야 했고, 머신 러닝/딥러닝 모델을 좀 더 효율적으로 프로덕션에 배포할 방안을 찾아야 했습니다.

• 더욱 강력하고 빠른 데이터 파이프라인 구축: 대규모 데이터 사이언스 업무에 SQL과 SAS를 쓰는 온프레미스 하둡 클러스터를 사용했는데, 속도도 느리고 한계가 명확했습니다. 전체 데이터의 고작 10%에 데이터 파이프라인을 처리하는 데만 무려 2시간이 걸렸습니다.

• 고객 전환 증대: 실시간으로 고객 동향을 파악하여 전환을 유도하고 고객 생애 가치(lifetime value)를 높일 전략을 세울 수 있어야 합니다.

솔루션

Databricks는 Hotels.com을 도와 "데이터 사이언스 중심" 방식으로 거듭난다는 목표를 이루었습니다. 이는 고객 행동을 예상하여 한결 최적화된 사용자 경험을 제공하고자 세운 목표입니다.

• 클러스터 관리: 인프라를 더 복잡하게 만들지 않고도 데이터 볼륨을 대폭 확장할 수 있습니다.

• 대화형 워크스페이스: Hotels.com 사내는 물론 Expedia 사내 다른 사업부에 속한 여러 데이터 사이언스 팀 간 협업 문화를 육성합니다.

• Databricks Runtime: 대규모 데이터와 더불어 스트리밍 데이터의 처리 성능을 강화합니다.

결과

• 대규모 ETL 가속: 처리하는 데이터의 볼륨을 20배 늘리면서도 성능에는 영향을 미치지 않았습니다.
• 사용자 경험 최적화: 고객이 시설을 검색하는 상황에서 고도로 정확하고 효과적인 방식으로 이미지를 표시합니다.
• 영업 효율성 강화: 검색 내용을 바탕으로 적절한 이미지와 함께 적합한 호텔을 제시하면서 전환율이 높아지는 결과를 얻었습니다.