Vertex AI Search를 활용한 결과 없는 검색 개선하기

검색 결과가 없는 'NR(No Result)' 케이스를 Google Vertex AI Search로 개선한 사례다. 오타·띄어쓰기·유의어로 결과가 없던 검색을 컨텍스트/임베딩 기반 하이브리드 검색으로 보완해, 전환 지표를 크게 끌어올렸다.

핵심 포인트

전체 검색의 약 6~7%가 오타·유의어 등으로 결과가 없는 NR인데, 기존엔 베스트 상품으로 대체해 만족도가 낮았다.
Vertex AI Search는 텍스트 매칭과 임베딩 유사도를 동시에 쓰는 하이브리드(의미론적) 검색을 제공하고 BigQuery·GCS와 통합이 쉬워 빠르게 도입했다.
웹 크롤링 대신 BigQuery 자체 데이터 소스를 쓰고, 필드마다 searchable/indexable/retrievable/key property 속성을 지정해 검색 품질을 제어했다.
A/B 테스트에서 실험군이 모든 지표에서 우세했고, 전체 적용 후 NR 케이스의 장바구니·구매·매출에서 300% 이상 성과가 지속됐다.

상세 정리

문제: 오타·띄어쓰기·유의어로 결과가 없는 검색을 수동 등록으로 다 잡을 수 없고, 베스트 상품 대체는 운영 부담·만족도 저하를 낳았다.
도입 이유: 검색어와 상품을 맥락 기반으로 폭넓게 매칭해야 했고, GCP 분석 환경에서 가장 빠르고 정확한 선택이 Vertex AI Search였다.
데이터 구성: 웹사이트 크롤링은 색인 관리가 어려워 신뢰도가 떨어져, BigQuery 테이블을 데이터 스토어로 삼았다.
스키마 설계: 상품명·상세설명·연관 키워드를 searchable, 판매 여부를 indexable, 상품URL·번호를 retrievable로, _id를 문서 고유 ID로 지정했다. 상세설명은 여러 상품 정보를 하나의 텍스트로 통합해 핵심 필드로 활용했다.
데이터 갱신: 신규 상품 누락 방지를 위해 파이썬 SDK의 ImportDocumentsRequest(BigQuerySource, data_schema custom)로 배치 업데이트했고, _id는 REQUIRED로 사전 지정했다.
튜닝: 컬렉션(예: "싸이 세대 모여라") 정보를 query/corpus 형태로 만들어 GCS에 jsonl로 올려 임베딩을 조정, 표면적 특성에 없는 내재 의미를 학습시켰다.
호출 구조: 데이터 스토어에 직접 접근하기보다 검색 애플리케이션으로 추상화해 필터·정렬·집계 로직을 중앙 관리하도록 권장한다.
평가: gradio 데모로 기존 검색·웹크롤링·BigQuery 결과를 한 화면에서 비교해, BigQuery 정형 데이터 기반이 가장 안정적임을 확인했다(예: 오타 '그라파다노').
성과: 2주 A/B 테스트에서 클릭·전환 지표가 우세했고, 호출 비용을 감안해도 경제성이 확보됐으며 전체 적용 후 300% 이상 성과가 지속됐다.
향후: 금칙어 제재, 동일 검색어 결과 캐싱으로 비용 절감, 커스텀 임베딩·relevance score 세밀 조정이 과제로 남았다.