# 암시적 피드백 (Implicit Feedback)

암시적 피드백이란 사용자가 자신의 선호도를 직접적으로 표현하지 않더라도, 서비스 이용 과정에서 발생하는 행동 데이터를 통해 사용자의 관심사나 선호도를 간접적으로 추론하는 방식입니다. 예를 들어, 사용자가 특정 상품에 '별점'을 남기거나 '좋아요' 버튼을 누르는 명시적인 행위 없이도, 클릭 횟수, 페이지 체류 시간, 구매 이력 등의 로그 데이터를 분석하여 선호도를 파악하는 것이 이에 해당합니다.

## 암시적 피드백의 특징

암시적 피드백은 사용자의 능동적인 참여가 필요한 **명시적 피드백(Explicit Feedback)**과 다음과 같은 차이점이 있습니다.

- **수집 방식**: 명시적 피드백은 설문이나 평가 등 사용자의 의도적인 입력이 필요하지만, 암시적 피드백은 시스템 로그를 통해 자동으로 수집됩니다.
- **데이터 양**: 사용자가 평가를 남기는 빈도는 낮지만, 행동 데이터는 매 순간 발생하므로 수집되는 데이터의 양이 압도적으로 많습니다.
- **의도 해석**: "좋아요"는 명확한 긍정의 의미를 갖지만, "클릭"은 단순한 호기심일 수도 있고 실제 선호일 수도 있어 해석에 주의가 필요합니다.

## 주요 데이터 예시

암시적 피드백으로 활용되는 대표적인 행동 데이터는 다음과 같습니다.

- **클릭 로그**: 특정 콘텐츠나 상품을 클릭한 기록
- **시청/체류 시간**: 동영상을 얼마나 오래 시청했는지, 혹은 특정 페이지에 얼마나 머물렀는지에 대한 시간 데이터
- **검색 기록**: 사용자가 입력한 검색어 및 검색 결과 내 상호작용
- **구매 및 장바구니**: 상품을 장바구니에 담거나 최종적으로 결제한 이력
- **재방문 횟수**: 특정 페이지나 서비스에 반복적으로 접속한 기록

## 장단점

| 구분 | 장점 | 단점 |
| :--- | :--- | :--- |
| **데이터 수집** | 사용자의 추가 노력 없이 대량의 데이터를 자동으로 수집 가능 | 데이터의 양은 많으나 개별 데이터의 의미가 불분명함 |
| **사용자 경험** | 평가를 강요하지 않아 서비스 이용 흐름을 방해하지 않음 | 사용자의 실제 의도와 행동이 일치하지 않는 '노이즈' 발생 가능성 높음 |
| **분석 정확도** | 실제 행동 기반이므로 이론적인 선호도보다 실질적인 패턴 파악에 유리 | 부정적인 피드백(싫어함)을 명확히 구분하기 어려움 (예: 클릭 안 함 $\neq$ 싫어함) |

## 활용 사례

암시적 피드백은 주로 현대적인 **추천 시스템(Recommendation System)**, 특히 협업 필터링(Collaborative Filtering)에서 핵심적으로 활용됩니다.

사용자의 행동 데이터를 수치화하여 '선호도 행렬(Preference Matrix)'을 구축하고, 이를 통해 유사한 행동 패턴을 보인 다른 사용자의 데이터를 기반으로 아이템을 추천합니다.

```python
# 암시적 피드백을 활용한 선호도 점수 계산 예시 (단순화)
# 선호도 = (클릭 횟수 * 1) + (장바구니 담기 * 5) + (구매 횟수 * 10)

def calculate_implicit_score(clicks, carts, purchases):
    score = (clicks * 1) + (carts * 5) + (purchases * 10)
    return score
```

이와 같은 방식으로 가중치를 부여하여 사용자의 잠재적 선호도를 수치화하고, 이를 행렬 분해(Matrix Factorization) 등의 알고리즘에 적용하여 개인화된 추천 결과를 제공합니다.