실무에서 바로 활용할 수 있는 상품 추천 시스템의 핵심 지표들을 배워봅니다. Python과 Polars를 사용하여 클릭률, 전환율, 개인화 점수 등 주요 추천 지표를 계산하고 분석하는 방법을 단계별로 알아봅니다. # 상품 추천 지표 개발 완벽 가이드 실무에서 바로 활용할 수 있는 상품 추천 시스템의 핵심 지표들을 배워봅니다. Python과 Polars를 사용하여 클릭률, 전환율, 개인화 점수 등 주요 추천 지표를 계산하고 분석하는 방법을 단계별로 알아봅니다. --- ## 목차 1. [클릭률(CTR) 계산 - 추천 성과의 기본 지표](#클릭률(ctr)-계산---추천-성과의-기본-지표) 2. [전환율(CVR) 측정 - 실제 매출로 이어지는 추천](#전환율(cvr)-측정---실제-매출로-이어지는-추천) 3. [개인화 점수 계산 - 사용자 맞춤 추천의 핵심](#개인화-점수-계산---사용자-맞춤-추천의-핵심) 4. [다양성 지표(Diversity) - 추천의 폭을 넓히기](#다양성-지표(diversity)---추천의-폭을-넓히기) 5. [신선도 지표(Novelty) - 새로운 발견의 기회](#신선도-지표(novelty)---새로운-발견의-기회) 6. [커버리지 지표(Coverage) - 전체 상품의 공정한 노출](#커버리지-지표(coverage)---전체-상품의-공정한-노출) 7. [세렌디피티 점수(Serendipity) - 의외의 만족스러운 발견](#세렌디피티-점수(serendipity)---의외의-만족스러운-발견) 8. [재추천률(Re-recommendation Rate) - 중복 추천 관리](#재추천률(re-recommendation-rate)---중복-추천-관리) 9. [응답 시간(Latency) - 실시간 추천의 성능](#응답-시간(latency)---실시간-추천의-성능) --- ## 1. 클릭률(CTR) 계산 - 추천 성과의 기본 지표 ### 시작하며 여러분이 이커머스 플랫폼에서 "이 상품은 어때요?"라는 추천을 했는데, 정작 사용자들이 클릭조차 하지 않는