[문제점]
1. 뷰티 서비스 정보의 비대칭:
소비자는 뷰티 서비스에 대한 정확하고 신뢰성 있는 정보를 얻기 어려웠습니다. 광고성 정보나 개인적인 후기에 의존해야 했기 때문에, 자신에게 맞는 최적의 서비스를 찾기까지 많은 시간과 노력이 소요되었습니다.

2. 고객 니즈 파악의 어려움:
뷰티샵 운영자는 고객의 잠재적 니즈와 시장 트렌드를 파악하는 데 한계가 있었습니다. 이는 효과적인 서비스 개발 및 마케팅 전략 수립에 걸림돌이 되었습니다.

3. 비교 검색의 부재:
다양한 뷰티샵의 가격, 서비스 종류, 후기 등을 한눈에 비교하고 검색할 수 있는 통합된 플랫폼이 없어, 소비자의 합리적인 선택을 방해했습니다.

[프로젝트 목표]
1. 맞춤형 뷰티 서비스 제공:
빅데이터 분석을 통해 고객 개개인의 성향과 니즈를 파악하고, 이에 부합하는 맞춤형 뷰티 서비스를 추천하는 것을 목표로 했습니다.

2. 합리적인 소비 경험 제고:
뷰티샵 E-티켓의 가격, 서비스, 후기 등 다양한 정보를 투명하게 공개하고 비교 검색 기능을 제공하여, 소비자가 합리적인 의사결정을 할 수 있도록 돕습니다.

3. 데이터 기반 운영 효율화:
서비스 유입 및 검색 데이터를 활용하여 뷰티샵 운영자에게 고객 니즈에 대한 인사이트를 제공하고, 상품, 판매, 회원 등 관리에 필요한 기능을 제공하여 효율적인 비즈니스 운영을 지원합니다.

[주안점]
1. 데이터 인사이트 활용:
단순한 정보 나열을 넘어, 서비스에 쌓이는 빅데이터를 분석하여 고객의 숨겨진 니즈를 발굴하고 이를 서비스 개선에 적극적으로 반영하는 데 중점을 두었습니다.

2. 개인화된 사용자 경험:
'나만을 위한' 뷰티 서비스를 찾는 고객의 니즈를 충족시키기 위해, 검색 기록과 선호도를 학습하는 추천 알고리즘을 고도화하는 데 주력했습니다.

3. 양방향 소통 플랫폼:
소비자와 뷰티샵 운영자가 서로의 정보를 교환하고 소통할 수 있는 기능을 제공하여, 서비스의 신뢰도를 높이고 플랫폼의 생태계를 활성화하는 데 집중했습니다.

[프로젝트 배경]
기존 뷰티 시장은 정보의 비대칭성으로 인해 소비자가 자신에게 맞는 뷰티 서비스를 찾기 어려웠습니다. 단순한 광고성 정보나 후기에 의존해야 했고, 개인의 피부 타입이나 선호도에 맞는 맞춤형 서비스를 제공하는 플랫폼이 부재했습니다. 또한, 뷰티샵 운영자 역시 고객의 니즈를 정확히 파악하고 마케팅 전략을 세우는 데 어려움을 겪었습니다. 이러한 문제점을 해결하고자, 빅데이터 기반으로 고객의 니즈를 분석하고, 개인에게 최적화된 뷰티 E-티켓 비교 검색 서비스를 제공하는 '샵핑' 프로젝트를 기획하게 되었습니다.

[프로젝트 과정]
이 프로젝트는 데이터 분석 및 기능 개발, 그리고 서비스 안정화 단계로 진행되었습니다.

1. 데이터 인사이트 추출:
서비스 유입 및 검색 통계 데이터를 수집하고 분석하여 고객의 니즈와 트렌드를 파악하는 작업에 착수했습니다. 이를 통해 어떤 뷰티 서비스에 대한 수요가 높은지, 어떤 키워드로 검색이 이루어지는지 등의 데이터 인사이트를 추출했습니다.

2. 맞춤형 서비스 개발:
추출된 데이터를 기반으로 고객의 니즈에 맞춘 맞춤형 뷰티 서비스 추천 기능을 개발했습니다. 사용자 개개인의 선호도와 검색 기록을 반영하여, 가장 적합한 뷰티샵 및 E-티켓 정보를 제공하는 로직을 구축했습니다.

3. 관리 기능 및 검색 시스템 구축:
상품, 판매, 회원, 입점업체 등 관리 포인트별 맞춤 관리 기능을 구현하여 운영 효율성을 높였습니다. 또한, 뷰티샵 E-티켓의 가격, 위치, 서비스 내용 등을 쉽게 비교하고 검색할 수 있는 시스템을 개발했습니다.

[기술적 이슈 및 해결 방안]
1. 대규모 검색 데이터 처리 및 실시간 분석 이슈
이슈:
수많은 사용자의 검색 및 유입 데이터를 실시간으로 수집하고 분석하여 즉각적으로 맞춤형 추천 서비스를 제공하는 과정에서 데이터 처리 지연이 발생할 수 있었습니다.
해결 방안:
분산 처리 시스템(Distributed Processing System) 을 도입하여 대규모 데이터를 병렬로 처리하고, 인메모리 데이터베이스(In-memory Database) 를 활용하여 검색 및 추천에 필요한 핵심 데이터를 메모리에 올려놓고 빠르게 접근하도록 시스템을 설계했습니다.

2. 추천 알고리즘의 정확도 및 개인화 이슈
이슈:
초기에 구축된 추천 알고리즘이 사용자 니즈를 정확히 반영하지 못하거나, 일반적인 정보만을 제공하여 개인화된 경험을 제공하는 데 한계가 있었습니다.
해결 방안:
머신러닝 기반의 협업 필터링(Collaborative Filtering) 알고리즘을 적용하여 사용자의 과거 검색 이력, 구매 기록, 평점 데이터 등을 종합적으로 분석했습니다. 이와 더불어, A/B 테스트를 통해 추천 로직을 지속적으로 개선하여 추천 정확도를 높였습니다.

3. 데이터 보안 및 안정성 확보
이슈:
고객 정보, 거래 내역 등 민감한 데이터를 다루는 서비스 특성상 데이터 유출과 시스템 장애에 대한 보안 및 안정성 확보가 중요한 문제였습니다.
해결 방안:
모든 민감 정보는 암호화(Encryption) 처리하여 저장하고, 접근 제어(Access Control) 를 철저히 적용하여 권한이 없는 사용자가 데이터에 접근할 수 없도록 했습니다. 또한, 클라우드 기반의 이중화(Redundancy) 시스템을 구축하여 서버 장애 발생 시에도 서비스가 중단 없이 운영될 수 있도록 대비했습니다.