추천 효과(Recommendation Effect) — 추천 시스템이 소비자의 탐색과 선택을 바꾸는 디지털 의사결정 연구

2026년 8월 18일 읽는 시간 약 18분

추천 시스템이 소비자의 탐색 범위와 선택에 영향을 주는 추천 효과를 표현한 대표 이미지

최초 작성일: 2026년 8월 18일

‘추천 상품’이라는 표시 하나가 우리의 결정을 바꿀 수 있을까?

온라인 쇼핑몰에서 커피머신을 찾고 있다고 생각해보자.

처음 검색결과에는 수십 개의 제품이 나온다.

가격도 다르고 브랜드도 다르고 기능도 다르다.

그런데 화면 한쪽에 이런 문구가 보인다.

“당신을 위한 추천”

또는

“이 상품을 본 고객이 함께 본 상품”

순간 우리는 모든 상품을 똑같이 보지 않는다.

추천 영역에 들어간 상품을 먼저 살펴보게 될 수 있다.

이것은 단순히 추천이라는 단어가 강력해서일까?

아니면 추천 시스템이 실제로 탐색비용을 줄이고, 소비자가 고려할 상품의 범위를 바꾸기 때문일까?

현대의 디지털 소비 연구에서는 이 질문을 추천 시스템(Recommender Systems)이라는 틀에서 다룬다.

추천 시스템은 사용자의 과거 행동이나 다른 이용자의 선택, 상품 특성 등을 이용해 수많은 후보 가운데 관심을 가질 만한 대상을 골라 보여주는 시스템이다.

핵심은 단순히

“이 상품이 좋습니다.”

라고 말하는 것이 아니다.

수백 개의 선택지 중 무엇을 먼저 보게 할 것인가를 결정한다는 점이다.

추천 시스템이 실제 구매를 늘리는가?

이 질문에는 꽤 강한 현장실험 연구가 있다.

2022년 Information Systems Research에 발표된 연구는 온라인 서점에서 무작위 통제 현장실험을 수행했다.

연구진은 소비자에게 개인화 추천을 보여준 경우와 그렇지 않은 경우를 비교했다.

결과적으로 개인화 추천이 제공되면 소비자의 구매확률이 12.4% 증가했고, 장바구니 가치도 1.7% 증가했다.

하지만 여기서 더 중요한 결과가 있었다.

추천 시스템이 단순히 소비자에게

“이걸 사세요.”

라고 밀어붙여 구매를 늘린 것이 아니었다.

추천을 받은 소비자는 고려대상 집합(consideration set) 자체가 달라졌다.

즉 더 많은 상품을 실제 구매 후보로 생각했고, 각 후보를 더 깊이 검토했다.

이 연구는 추천 시스템의 효과가 단순한 설득보다 탐색과 고려과정을 변화시키는 데서 나타날 수 있다는 점을 보여준다.

추천은 소비자를 더 좋은 상품으로 이끌 수도 있을까?

2024년 Management Science 연구는 이 질문을 더 직접적으로 다뤘다.

연구진은 item-based collaborative filtering 방식의 추천 시스템을 대상으로 무작위 현장실험을 수행했다.

이 방식은 쉽게 말해

“이 상품을 좋아한 사람들은 이런 상품도 좋아했습니다.”

와 비슷한 구조다.

결과는 꽤 흥미로웠다.

추천 시스템은 소비자가 가격이 더 낮거나 자신의 취향에 더 잘 맞거나, 두 조건을 모두 만족하는 더 높은 가치의 상품을 찾는 데 도움을 줬다.

즉 추천은 반드시 판매자에게만 유리한 것은 아니다.

상품이 너무 많아 직접 찾기 어려운 시장에서는 소비자가 자신에게 맞는 상품을 발견하는 데 실제 도움을 줄 수 있다.

이것이 추천 시스템을 단순한 ‘조종 기술’로만 보면 안 되는 이유다.

그런데 추천이 선택 자체를 만들 수도 있다

여기서부터 조금 더 흥미로운 문제가 시작된다.

추천 시스템이 단순히 소비자가 원래 좋아하던 상품을 찾아주는 것일까?

아니면 추천을 받은 뒤 선호 자체가 달라질 수도 있을까?

2013년 Information Systems Research에 발표된 연구는 추천 시스템이 보여주는 평점이 소비자의 선호에 어떤 영향을 미치는지 조사했다.

결과에서는 추천 시스템이 제시한 평점이 일종의 앵커(anchor)처럼 작용해 소비자가 이후에 내리는 평가를 움직일 수 있다는 강한 증거가 보고됐다.

더 흥미롭게도 그 영향은 소비자가 추천 시스템을 얼마나 신뢰하는지에 따라 달라졌다.

즉 추천 시스템은

“당신이 좋아할 상품을 찾아주는 것”

뿐 아니라

“당신이 이 상품을 얼마나 좋아한다고 생각하게 만드는가”

에도 어느 정도 영향을 줄 가능성이 있다.

이 부분은 6편에서 살펴본 앵커링 효과와 자연스럽게 연결된다.

‘추천 상품’이라는 문구만 있어도 효과가 생길까?

여기서는 구분이 필요하다.

알고리즘 기반 개인화 추천과 단순한 “추천상품” 배지는 같은 것이 아니다.

개인화 추천은 사용자의 행동이나 상품 간 유사성 데이터를 이용해 특정 상품을 제안한다.

반면 단순 추천 배지는

판매자 추천
인기상품
편집자 추천
베스트셀러

등 여러 의미를 가질 수 있다.

따라서 “추천”이라는 표시만 붙였다고 해서 앞서 소개한 개인화 추천 연구의 효과가 그대로 나타난다고 볼 수는 없다.

중요한 것은 추천의 출처와 신뢰성이다.

알고리즘인지, 전문가인지, 다른 소비자인지에 따라 추천이 받아들여지는 방식도 달라질 수 있다.

추천 시스템은 선택을 넓힐까, 좁힐까?

추천 시스템을 둘러싼 가장 흥미로운 논쟁 가운데 하나다.

한편으로 추천은 소비자가 몰랐던 상품을 보여준다.

그러면 선택의 폭이 넓어진다.

다른 한편으로는 플랫폼이 추천한 몇 개의 상품에 시선이 집중되면서 실제 구매는 더 좁은 범위에 몰릴 수도 있다.

2022년 Technological Forecasting and Social Change 연구는 추천 기술과 **소비 다양성(consumption diversity)**의 관계를 실험적으로 분석했다.

연구에서는 추천이 소비자가 더 다양한 상품을 탐색하도록 만들 수 있지만, 실제 구매의 다양성은 오히려 줄어들 수 있는 결과가 관찰됐다.

이 결과가 특히 중요하다.

보는 것이 다양해지는 것과 사는 것이 다양해지는 것은 같은 일이 아니기 때문이다.

추천 시스템 덕분에 여러 상품을 발견하지만 결국 가장 강하게 추천된 몇 개 상품으로 구매가 집중될 수도 있다.

추천받는 상품 수가 너무 많으면 어떻게 될까?

여기서 선택 과부하가 다시 등장한다.

추천 시스템의 목적은 선택을 줄여주는 것인데 추천상품 자체가 너무 많아지면 어떻게 될까?

2025년 Manufacturing & Service Operations Management에 발표된 연구는 온라인 개인화 추천에서 추천상품의 개수가 소비자의 탐색과 구매행동에 어떤 영향을 주는지를 연구했다.

이 질문이 중요한 이유는 추천도 결국 하나의 선택집합이기 때문이다.

“당신을 위한 추천”이 4개라면 쉽게 볼 수 있다.

하지만 50개라면 다시 선택 과부하가 생길 수 있다.

즉 추천 시스템의 좋은 설계는

많이 추천하는 것

이 아니라

적절한 수의 관련된 선택지를 보여주는 것

일 수 있다.

추천 시스템에 미끼효과까지 결합될 수 있을까?

13편의 미끼효과와 연결되는 연구도 있다.

2023년 Information Systems Research 연구는 추천 시스템 환경에서 미끼효과가 어떻게 달라지는지를 분석했다.

연구에서는 개인화된 추천 상황과 그렇지 않은 상황에서 미끼옵션이 소비자 선택에 미치는 영향이 다르게 나타날 수 있음을 보여줬다.

이것은 상당히 중요한 포인트다.

행동과학적 효과는 따로따로 작동하지 않을 수 있다.

추천을 받으면 정말 더 많이 살까?

앞서 소개한 2022년 온라인 서점 현장실험에서는 개인화 추천이 구매확률을 12.4% 높였다.

또 2021년 Management Science 연구에서는 추천 시스템이 제품의 조회율을 15.3%, 조회 후 전환율을 21.6%, 최종 전환율을 7.5% 높이는 결과가 보고됐다.

다만 효과는 상품 유형과 리뷰 평점에 따라 달랐다.

이 결과도

“추천이면 무조건 더 잘 팔린다.”

는 뜻은 아니다.

어떤 상품을 추천하느냐,

소비자가 추천을 신뢰하느냐,

상품에 대한 리뷰는 어떠하냐,

소비자의 원래 구매의도는 어느 정도였느냐

등에 따라 결과가 달라질 수 있다.

30~50대가 추천 시스템을 가장 자주 만나는 곳

온라인 쇼핑

쿠팡이나 온라인 쇼핑몰에서

“함께 구매한 상품”

“이런 상품은 어떠세요?”

같은 추천을 쉽게 볼 수 있다.

유용한 기능이지만 추천상품을 본 뒤 원래 구매하려던 범위가 갑자기 늘어나지는 않았는지 확인할 필요가 있다.

동영상과 OTT

추천 시스템은 쇼핑보다 콘텐츠에서 더 강하게 체감할 수 있다.

한 편을 보고 나면 다음 영상이 자동으로 추천된다.

이때 사용자는 직접 검색하지 않아도 새로운 콘텐츠를 계속 접한다.

뉴스

뉴스 추천은 더 신중하게 볼 필요가 있다.

개인의 관심사에 맞는 기사를 쉽게 찾게 해주지만 특정 주제의 콘텐츠가 반복적으로 추천될 가능성도 있다.

금융 서비스

일부 앱에서는 투자상품이나 금융서비스를 개인화해 추천할 수도 있다.

이 경우에는 추천 알고리즘만 믿지 않고 수수료, 위험, 투자기간, 적합성 등을 독립적으로 검토해야 한다.

추천은 정보의 출발점이지 금융판단의 근거 전체가 될 수는 없다.

추천 시스템은 나를 얼마나 알고 있을까?

개인화 추천을 보면 이런 생각이 들 수 있다.

“내가 원하는 걸 나보다 더 잘 아는 것 같은데?”

하지만 추천 시스템이 사람의 마음을 읽는 것은 아니다.

대부분은 과거의 행동에서 다음 행동을 추정한다.

예를 들어

내가 본 상품,

클릭한 콘텐츠,

구매한 상품,

머문 시간,

비슷한 이용자의 행동

등을 활용한다.

따라서 추천은

“내가 진짜 원하는 것”

보다는

“과거 행동을 바탕으로 내가 반응할 가능성이 높은 것”

에 가까울 수 있다.

이 차이는 중요하다.

과거 행동과 앞으로의 목표가 다를 수 있기 때문이다.

예를 들어 이전에는 고가의 전자제품을 많이 검색했지만 지금은 소비를 줄이고 싶을 수도 있다.

추천 알고리즘은 그 새로운 목표를 즉시 알지 못할 수 있다.

추천 시스템을 끄는 것이 답일까?

그렇지는 않다.

추천 시스템은 상당히 유용하다.

수천 개의 상품에서 직접 하나씩 찾는 것은 현실적으로 어렵다.

2024년 무작위 현장실험에서는 추천이 소비자가 더 낮은 가격이거나 취향에 더 맞는 높은 가치의 제품을 찾는 데 도움을 줄 수 있다는 결과도 나왔다.

따라서 목표는 추천을 피하는 것이 아니다.

추천을 후보 생성 도구로 사용하되 최종 판단은 독립적으로 하는 것이 더 적절하다.

이 연구가 우리의 선택에 말해주는 것

추천 시스템은 현대 소비환경에서 가장 중요한 선택설계 장치 가운데 하나다.

과거에는 소비자가 직접 매장을 돌아다니며 상품을 찾았다.

지금은 플랫폼이 먼저

“당신이 관심 가질 가능성이 높은 상품은 이것입니다.”

라고 후보를 만들어준다.

2022년 온라인 서점의 무작위 현장실험에서는 개인화 추천이 구매확률을 12.4%, 장바구니 가치를 1.7% 높였고, 그 효과는 소비자가 고려하는 상품의 범위와 각 대안을 검토하는 깊이를 늘리는 과정과 연결됐다.

2024년의 다른 현장실험에서는 추천 시스템이 소비자가 더 낮은 가격이나 더 높은 취향 적합성을 가진 상품을 찾도록 도울 수 있다는 결과가 나왔다.

반면 추천이 소비자의 평가를 앵커링하거나 실제 구매의 다양성을 줄일 가능성을 보여주는 연구도 존재한다.

따라서 결론은

“추천은 소비자를 조종한다.”

도 아니고,

“추천은 항상 소비자에게 도움이 된다.”

도 아니다.

추천 시스템의 진짜 힘은 더 미묘하다.

우리가 무엇을 선택할지를 결정하기 전에, 무엇을 선택 후보로 생각할지를 먼저 바꾼다.

다음에 쇼핑몰에서

“당신을 위한 추천”

을 발견한다면 한 번 생각해보자.

“이 상품은 정말 내게 필요한 선택지인가, 아니면 화면에 추천됐기 때문에 처음으로 후보가 된 것인가?”

그리고 추천상품을 하나 골랐다면 마지막으로 묻는다.

“추천이라는 표시가 없어도 나는 여전히 이 상품을 선택했을까?”

그 질문이 추천을 거부하는 방법이 아니라 추천을 제대로 사용하는 방법일 수 있다.

참고한 주요 연구

Adomavicius, G., Bockstedt, J. C., Curley, S. P., & Zhang, J. (2013). Do Recommender Systems Manipulate Consumer Preferences? A Study of Anchoring Effects. Information Systems Research. 추천 시스템이 제시한 평가가 소비자의 선호 판단에 앵커처럼 작용할 수 있으며, 추천 시스템의 신뢰성에 따라 효과가 달라질 수 있음을 보여줬다.

Li, X., et al. (2022). How Do Recommender Systems Lead to Consumer Purchases? Information Systems Research. 온라인 서점의 무작위 현장실험에서 개인화 추천이 구매확률을 12.4%, 장바구니 가치를 1.7% 증가시켰으며 고려대상 집합의 폭과 깊이가 중요한 매개경로로 나타났다.

Yi, S., et al. (2022). Recommendation Technologies and Consumption Diversity. Technological Forecasting and Social Change. 추천 시스템이 소비자의 탐색 다양성과 실제 구매 다양성에 서로 다른 영향을 줄 수 있음을 실험적으로 분석했다.

Lee, D., et al. (2021). How Do Product Attributes and Reviews Moderate the Impact of Recommender Systems? Management Science. 추천 시스템이 제품 조회와 전환을 증가시키는 결과를 보고했으며, 그 효과가 제품 특성과 리뷰 평가에 따라 달라짐을 분석했다.

Wan, X., et al. (2024). How Do Product Recommendations Help Consumers Search for Higher-Value Products? Management Science. 무작위 현장실험을 통해 추천 시스템이 소비자가 더 저렴하거나 취향에 잘 맞는 상품을 발견하는 데 도움을 줄 수 있음을 분석했다.

자주 묻는 질문

추천 효과란 무엇인가요?

추천 효과는 온라인 플랫폼이나 추천 시스템이 특정 상품이나 콘텐츠를 제안함으로써 소비자가 무엇을 살펴보고 어떤 대안을 구매 후보로 고려하는지에 영향을 줄 수 있는 현상을 의미합니다.

추천 시스템은 실제 구매확률을 높일 수 있나요?

온라인 서점에서 수행된 무작위 현장실험에서는 개인화 추천이 제공될 때 소비자의 구매확률이 12.4% 증가하고 장바구니 가치가 1.7% 증가하는 결과가 보고됐습니다. 다만 효과의 크기는 플랫폼과 상품, 추천 방식에 따라 달라질 수 있습니다.

추천 상품은 항상 소비자에게 도움이 되나요?

항상 그렇지는 않습니다. 추천 시스템은 탐색비용을 줄이고 더 적합하거나 저렴한 상품을 발견하도록 도울 수 있지만, 추천이 소비자의 평가를 앵커링하거나 실제 구매를 일부 상품에 집중시키는 효과가 나타날 수도 있습니다.

추천 상품이라는 표시만 있으면 개인화 추천과 같은 효과가 나타나나요?

그렇다고 볼 수 없습니다. 개인화 추천 시스템은 사용자의 행동과 상품 데이터 등을 이용해 대안을 제안하지만 단순한 ‘추천 상품’ 표시는 판매자 추천, 인기상품, 광고 등 여러 의미를 가질 수 있습니다. 추천의 출처와 신뢰성을 함께 확인해야 합니다.

추천 시스템에 지나치게 의존하지 않으려면 어떻게 해야 하나요?

추천 시스템을 구매 후보를 찾는 도구로 활용하되 추천되지 않은 대안도 하나 이상 비교하고, 추천이라는 표시가 없어도 같은 상품을 선택할 것인지 다시 생각해보는 방법이 도움이 될 수 있습니다.

머니레시피 편집자

머니레시피 편집자는 행동경제학, 소비자 심리와 의사결정 연구를 일반 독자가 이해하기 쉬운 언어로 정리합니다. 학술논문과 공공기관 자료를 우선적으로 확인하며, 연구결과가 적용되는 조건과 한계를 함께 살펴봅니다. 일상적인 소비와 돈에 관한 선택을 더 깊이 이해하고 스스로 판단하는 데 도움이 되는 콘텐츠를 만들고 있습니다.

추천 시스템은 왜 강력할까?