같은 간판이면 AI가 우리 가게와 다른 지점을 헷갈릴까?
같은 브랜드라도 주소와 지점 정보를 또렷하게 적어야 한다
같은 간판을 단 가게가 여러 동네에 있다면 AI가 우리 가게와 다른 지점을 섞어 기억할 수 있다. 한 연구에서는 기존 방식의 가게 이름표 97.0~98.0%가 다른 가게와 겹쳤다. 위치 정보를 따로 나눠 기억하게 하자 겹침은 39.9%로 줄었다.
AI는 「무슨 가게인지」뿐 아니라 「어느 동네 몇 번째 지점인지」도 정확히 알아야 한다.
AI가 우리 가게와 다른 지점을 왜 헷갈릴까?
동네 가게를 추천하는 AI는 고객이 이용할 수 있는 가게를 먼저 찾고, 그다음 고객에게 맞는 가게를 고른다. 그래서 가게가 어디에 있는지 정확히 기억하는 것이 중요하다.
연구진은 중국 생활 서비스 플랫폼 콰이쇼우의 실제 이용 기록과 공개 데이터인 포스퀘어 자료를 사용했다. 가게 설명을 읽는 AI로 알리바바의 큐웬3 8B를 사용했고, 고객과 가게의 이용 기록도 함께 살폈다.
| 데이터 | 콰이쇼우 | 포스퀘어 |
|---|---|---|
| 고객-가게 이용 기록 | 1,000만 건 | 24만 4,896건 |
| 고객 수 | 667만 3,350명 | 1,084명 |
| 가게· | 225만 1,418곳 | 3만 8,334곳 |
| 업종 수 | 1,000개 | 401개 |
| 가게 설명 | 중국어 설명 글· | 위도· |
문제는 같은 브랜드가 여러 지역에 있을 때 더 뚜렷하게 나타났다. 예를 들어 「베이징 하이뎬구 KFC」와 「상하이 쉬후이구 KFC」처럼 브랜드는 같지만 위치가 다른 가게가 있으면, 기존 방식은 KFC라는 정보는 잘 기억해도 어느 지점인지 구분하지 못했다.
가게 이름만 잘 적으면 되는 것 아닐까?
그렇지 않다. 기존 방식은 가게 설명을 한 덩어리로 읽고 가게마다 짧은 이름표를 붙여 기억했는데, 브랜드처럼 눈에 잘 띄는 정보가 위치보다 강하게 남을 수 있었다.
실제로 콰이쇼우 자료에서 기존 방식은 이름표의 98.0%가 다른 가게와 겹쳤다. 위치 정보를 보강한 기존 방식도 97.0%가 겹쳤지만, 위치를 더 잘 나눠 기억하게 한 새 방식은 39.9%까지 낮췄다.
| 이름표 겹침(콰이쇼우) | 겹친 비율 |
|---|---|
| 기존 방식 RQ-VAE | 98.0% |
| 위치를 보강한 기존 방식 LGSID | 97.0% |
| 새 방식 LGRID | 39.9% |
이 차이는 같은 구에 있는 가게를 얼마나 잘 찾아내는지에서도 나타났다. 기존 방식의 같은 구 가게 재현율은 24.9%였지만 새 방식은 67.9%였다.
즉, 브랜드 이름만 또렷하게 적는 것보다 브랜드와 위치를 함께 정확하게 알려주는 것이 중요하다.
주소는 어디까지 적어야 할까?
연구의 새 방식은 가게 설명을 먼저 읽은 다음 위치와 브랜드, 업종 정보를 나눠서 이름표를 만들었다. 위치도 성·시·구·동처럼 단계별로 나눴다.
그 결과 성은 99.02%, 시는 99.66%, 구는 99.12%, 동은 92.34%를 맞혔다. 브랜드는 86.62%, 업종은 97.00%였다.
| 칸(콰이쇼우) | 맞힌 비율 |
|---|---|
| 성 | 99.02% |
| 시 | 99.66% |
| 구 | 99.12% |
| 동 | 92.34% |
| 브랜드 | 86.62% |
| 업종 | 97.00% |
큰 지역은 비교적 쉽게 구분했지만, 동처럼 작은 지역으로 내려갈수록 더 어려워졌다. 그래서 사장님이 가게 정보를 적을 때도 시와 구에서 멈추지 않고 동까지 정확하게 적는 편이 나아 보인다(예상).
주소와 소개 글을 따로 적으면 더 정확할까?
꼭 그렇지는 않다. 연구에서는 주소 정보와 설명 글을 따로 읽게 했을 때 오히려 결과가 나빠졌다.
위치만 보고는 그곳에 있는 가게가 어떤 업종인지 정확히 알기 어렵고, 설명만 보고는 같은 브랜드의 어느 지점인지 구분하기 어렵기 때문이다. 위치와 설명을 함께 읽은 경우 업종을 찾는 점수가 따로 읽은 경우보다 88.5% 높았다.
같은 구에 있는 가게를 찾는 재현율도 기존 24.9%에서 새 방식 67.9%로 높아졌다. 같은 시를 찾는 재현율은 54.3%에서 81.9%로 높아졌고, 추천 정확도는 최대 5.44% 향상됐다.
| 찾기 점수(콰이쇼우) | 기존 | 새 방식 |
|---|---|---|
| 비슷한 가게 50개 찾기: 같은 구 재현율 | 24.9% | 67.9% |
| 비슷한 가게 50개 찾기: 같은 시 재현율 | 54.3% | 81.9% |
| 추천 정확도(AUC) 향상 | — | 최대 5.44% |
그래서 가게 정보를 적을 때는 주소와 가게 설명을 서로 따로 떨어뜨려 생각하기보다, 가게가 어디에 있고 무엇을 하는 곳인지 함께 드러나게 만드는 것이 중요하다.
동네 이름은 왜 더 꼼꼼하게 적어야 할까?
연구에서는 동 단위 위치를 맞히는 일이 특히 어려웠다. 시나 성처럼 큰 지역은 설명 글 2만 개만으로도 97% 넘게 맞혔지만, 동 단위는 학습 자료가 4만 개가 안 될 때 약 7.98%에 그쳤다.
학습 자료를 12만 개까지 늘리자 동 단위 정답률은 92.34%가 됐다. 다만 설명이 비어 있거나 틀렸거나 뜻이 불완전한 가게는 학습 자료에서 제외됐다.
| 동 단위 맞히기 | 정답률 |
|---|---|
| 학습 자료 4만 개 미만 | 약 7.98% |
| 학습 자료 12만 개 | 92.34% |
| 시· | 97% 넘음 |
| 설명이 비거나 틀린 가게 | 학습 자료에서 제외 |
이 결과는 작은 지역일수록 가게 정보 자체가 정확해야 한다는 점을 보여준다. 특히 여러 지점을 운영하는 가게라면 각 지점이 어느 동에 있는지 분명하게 구분되는 정보가 필요하다.
그럼 우리 가게 정보에는 무엇을 적어야 할까?
이 연구는 중국 플랫폼의 추천 방식을 대상으로 한 실험이라 챗GPT나 네이버의 방식과 같다고 볼 수는 없다. 다만 여러 지점을 가진 브랜드에서 브랜드와 위치가 섞일 수 있다는 문제를 생각할 때 참고할 만하다.
사장님이 가게 정보를 정리할 때는 세 가지를 챙기면 된다(예상). 가게 이름에는 지점명을 붙여 모든 곳에서 같은 방식으로 쓰고, 주소는 시·구·동까지 빠짐없이 적고, 소개 글 첫 문장에는 업종과 동네 이름을 함께 넣는 방식이다.
중요한 것은 가게 정보를 어렵게 쓰는 것이 아니다. AI가 「무슨 가게인지」와 「어느 동네의 어느 지점인지」를 한 번에 확인할 수 있도록 정확하게 적는 것이다.
① 기존 방식은 가게 이름표의 97.0~98.0%가 다른 가게와 겹쳤다 ② 새 방식은 이름표 겹침을 39.9%로 줄였다 ③ 같은 구 가게 찾기 재현율은 24.9%에서 67.9%로 높아졌다 ④ 동 단위 정답률은 학습 자료 4만 개 미만에서 약 7.98%, 12만 개에서 92.34%였다
같이 읽을 글
자료 출처
- Interpretable Representation via LLM-Driven Generative Disentanglement for Local-Life Service Recommendation(Zhang·Jiang 등 6인, 콰이쇼우, 2026년 7월 arXiv 제출, 이용 기록 1,000만 건·가게 225만 곳)
- Foursquare 공개 데이터(캐글, 실험에 쓴 공개 데이터)
- Qwen3 Technical Report(알리바바 큐웬팀, 2025, 실험에 쓴 AI)
- Recommender Systems with Generative Retrieval(Rajput 등, 구글, 2023, 가게·상품에 짧은 번호 이름표를 붙이는 방식의 출발점)
- AI Search Recommends Only 1.2% of Local Businesses, the Rest Are Invisible(National Law Review 게재 보도자료, 2026.3.10, SOCi 2026 Local Visibility Index·35만 곳·2,751개 브랜드)
작성일
← 칼럼 목록