2025년 6월 04일·8분
장이밍과 ByteDance: 글로벌 어텐션 엔진 구축하기
장이밍과 ByteDance가 추천 알고리즘과 콘텐츠 물류를 결합해 TikTok/Douyin을 어떻게 글로벌 어텐션 엔진으로 확장했는지를 설명합니다.
장이밍과 ByteDance가 추천 알고리즘과 콘텐츠 물류를 결합해 TikTok/Douyin을 어떻게 글로벌 어텐션 엔진으로 확장했는지를 설명합니다.
장이밍(1983년생)은 ByteDance의 창업자로 가장 잘 알려져 있지만, 그의 이야기는 유명한 창업 서사라기보다 특정 제품에 대한 믿음에 가깝습니다.
난카이 대학에서 공부하면서(마이크로일렉트로닉스에서 소프트웨어로 전향) 그는 검색, 피드, 소비자 인터넷 스케일을 접할 기회를 가졌습니다: 여행 검색 스타트업 Kuxun에서의 제품 개발, 마이크로소프트 차이나의 짧은 근무, 그리고 초기 부동산 서비스 99fang 창업 등이 그 예입니다.
장이밍의 핵심 질문은 단순했습니다: 사용자가 많은 작업을 하지 않게 하면서 어떻게 적절한 정보를 적시에 빠르게 연결할 수 있을까?
초기의 인터넷 제품은 사용자가 검색하거나 포털과 카테고리를 팔로우할 것이라고 가정했습니다. 그러나 콘텐츠가 폭발하면서 병목은 “정보 부족”에서 “정보 과잉”으로 바뀌었습니다. 그의 제품 가설은 소프트웨어가 필터링을 더 많이 수행해야 하며—그리고 그 필터링을 지속적으로 수행해 각 상호작용마다 경험이 개선되어야 한다는 것입니다.
초기부터 ByteDance는 개인화를 단순한 기능이 아닌 일등 제품 원시값으로 다뤘습니다. 이 사고방식은 세 가지 반복되는 선택에서 드러납니다:
이 글은 신화가 아니라 메커니즘의 분석입니다: 추천 알고리즘, 제품 설계, 그리고 ‘콘텐츠 물류’가 어떻게 함께 작동하는지—그리고 그것이 크리에이터, 광고주, 글로벌 스케일의 안전성에 무엇을 의미하는지입니다.
ByteDance는 짧은 동영상으로 시작하지 않았습니다. 더 단순한 질문에서 출발했습니다: 콘텐츠가 너무 많을 때 사람들에게 유용하고 흥미로운 정보를 어떻게 찾게 할 것인가?
장이밍의 초기 제품은 각 사용자가 무엇을 중요하게 여기는지 학습하고 피드를 재정렬하도록 설계된 뉴스·정보 앱이었습니다.
초기 돌파 제품은 Toutiao(헤드라인 앱)였습니다. 사용자가 퍼블리셔나 친구를 팔로우하라고 묻는 대신, 콘텐츠를 재고로 보고 피드를 개인화된 상점처럼 취급했습니다.
이런 프레이밍은 회사가 핵심 기계 장치를 일찍 구축하도록 강제했습니다: 콘텐츠 태깅, 랭킹, 실시간 만족도 측정.
당시 대부분의 소비자 앱은 소셜 그래프(누구를 아는가)에 의존했습니다. ByteDance는 관심 그래프(당신이 무엇을 시청하고, 건너뛰고, 읽고, 공유하고, 검색했는가)에 베팅했습니다.
이 선택은 제품을 출시 초기에 네트워크 효과에 덜 의존하게 만들었고, 대신 추천을 빠르게 ‘충분히 좋게’ 만드는 능력에 더 의존하도록 만들었습니다.
초기부터 ByteDance는 제품 결정을 가설로 여겼습니다. 기능, 레이아웃, 랭킹 조정은 지속적으로 테스트되었고, 이긴 변형은 빠르게 배포되었습니다.
이것은 단순한 A/B 테스트 도구가 아니라 학습 속도를 보상하는 관리 시스템이었습니다.
추천 엔진이 기사에 대해 작동하면 더 풍부한 포맷으로 이동하는 것은 자연스러운 다음 단계였습니다. 비디오는 더 명확한 피드백 신호(시청 시간, 재생, 완료)를 제공하고, 빠른 소비를 가능하게 하며, 피드가 지속적으로 관련성을 유지할 수 있다면 더 큰 상승 효과를 줍니다—이것이 도우인과 이후 틱톡의 무대가 되었습니다.
미디어 역사의 대부분에서 문제는 희소성이었습니다: 모든 틈새를 채울 만큼 채널, 퍼블리셔, 제작자가 충분하지 않았습니다. 배포는 단순했습니다—TV를 켜거나 신문을 읽거나 몇몇 웹사이트를 방문하면 되었고, ‘최고’의 콘텐츠는 제한된 관문을 통과한 것이었습니다.
이제 병목은 역전되었습니다. 어떤 사람도 모든 콘텐츠를 평가할 수 없을 만큼 많은 콘텐츠가 있습니다. 따라서 ‘너무 많은 콘텐츠’는 창작의 문제가 아니라 유통의 문제에 가깝습니다: 가치가 더 많은 게시물을 생산하는 것에서 적절한 시청자에게 적절한 것을 빠르게 찾도록 돕는 것으로 이동합니다.
시간순 피드는 이미 누굴 팔로우해야 할지 알고 있다는 전제에 기반합니다. 친구나 소수 제작자를 따라가는 데는 좋지만 다음 상황에서는 어려움을 겪습니다:
팔로워 기반 발견은 또한 초기 몇 계정이 주목을 잡으면 기득권을 유리하게 만듭니다. 몇몇 계정이 초기에 주목을 확보하면, 질과 관계없이 모든 사람의 성장이 더 어려워집니다.
콘텐츠가 풍부한 경우 플랫폼은 ‘보였다’와 ‘즐겼다’를 구분할 수 있는 신호가 필요합니다. 시청 시간은 중요하지만 유일한 단서는 아닙니다. 완료율, 재시청, 일시정지, 공유, ‘관심 없음’ 같은 행동은 호기심과 만족을 구분하는 데 도움을 줍니다.
브로드캐스트 모델에서 스케일링은 하나의 히트를 수백만에게 푸시하는 것을 의미합니다. 개인화 모델에서 스케일링은 수백만 개의 서로 다른 ‘작은 히트’를 올바른 마이크로 오디언스에 반복적으로 전달하는 것을 의미합니다.
도전은 도달 범위가 아니라 속도와 반복성에서의 관련성입니다—모든 사람에게 반복적으로.
ByteDance의 피드(Douyin/TikTok)는 빠르게 '학습'하기 때문에 마법처럼 느껴지지만 핵심 아이디어는 단순합니다: 시스템은 반복적으로 당신이 즐길 만한 것을 추측하고, 당신의 다음 행동을 관찰하며, 다음 추측을 업데이트합니다.
피드를 수백만 개 아이템을 가진 상점처럼 생각하세요.
후보 생성은 ‘쇼트리스트’ 단계입니다. 거대한 카탈로그에서 당신에게 맞을지도 모르는 수백에서 수천 개의 동영상을 뽑습니다. 언어, 위치, 기기, 팔로우한 계정, 참여한 주제, 비슷한 시청자가 좋아한 것 같은 넓은 단서를 사용합니다.
랭킹은 ‘최종 순서 정하기’ 단계입니다. 그 쇼트리스트에서 당신이 지금 당장 시청하고 즐길 가능성이 높은 동영상을 예측해 정렬합니다. 여기서 작은 차이가 중요합니다: 두 동영상의 위치를 바꾸는 것이 다음 시청을 바꿀 수 있고, 그 변화가 시스템이 학습하는 내용을 바꿉니다.
알고리즘은 마음을 읽지 않습니다—행동을 읽습니다. 일반적인 신호는 다음과 같습니다:
중요하게도 시스템은 당신이 지속적으로 건너뛰거나 음소거하거나 ‘관심 없음’을 표시한 것처럼 ‘부정적’ 선호도 학습합니다.
신규 사용자의 경우 시스템은 안전하고 다양성 있는 추천(당신 지역과 언어의 인기 콘텐츠 + 여러 카테고리)을 보여 빠르게 취향을 탐지합니다.
신규 영상의 경우는 통제된 ‘시험’을 거치는 경우가 많습니다: 관심 가능성이 높은 소규모 그룹에 먼저 보여보고, 참여가 강하면 배포를 확장합니다. 이것이 팔로워가 없는 제작자가 초기에 돌파할 수 있는 방식입니다.
숏 비디오는 몇 분 안에 많은 피드백을 만듭니다: 많은 조회수, 많은 스와이프, 많은 완료. 그 촘촘한 신호 스트림은 모델이 빠르게 업데이트되도록 도와 테스트와 학습 사이의 루프를 조여줍니다.
ByteDance는 서로 다른 그룹에 약간 다른 랭킹 규칙을 보여주는 A/B 테스트를 실행할 수 있습니다(예: 공유 가중치를 좋아요보다 높게 두는 실험). 어떤 버전이 만족도와 시간을 잘 쓰는 것 같은 의미있는 결과를 개선하면 그 버전이 기본값이 되고 사이클이 계속됩니다.
ByteDance의 피드는 종종 ‘중독적’이라고 묘사되지만, 실제로는 복리적 피드백 시스템입니다. 각 스와이프는 선택이자 측정치입니다.
당신이 시청하고, 건너뛰고, 좋아요를 누르고, 댓글을 달고, 재시청하거나 공유할 때마다 시스템은 다음에 무엇을 보여줄지 추측하는 데 쓰는 신호를 생성합니다.
단일 조회는 혼자서는 정보가 많지 않습니다. 그러나 수백만 개의 작은 행동—특히 반복되는 패턴—이 합쳐지면 무엇이 관심을 오래 끄는지에 대한 분명한 그림이 생깁니다. 플랫폼은 이 신호들을 사용해:
이것이 플라이휠입니다: 참여 → 더 나은 매칭 → 더 많은 참여. 매칭이 좋아질수록 사용자는 더 많은 시간을 소비하고, 여분의 시간은 더 많은 데이터를 만들어 매칭을 다시 개선합니다.
시스템이 ‘효과가 있던 것 더 많이’만 좇는다면 피드는 빠르게 반복적으로 느껴질 것입니다. 그래서 대부분의 추천 시스템은 의도적으로 탐색을 포함합니다—새롭거나 인접하거나 불확실한 콘텐츠를 보여줍니다.
탐색은 다음처럼 보일 수 있습니다:
잘하면 피드를 신선하게 유지하고 사용자가 검색할 생각도 못한 것을 발견하게 합니다.
플라이휠은 잘못된 방향으로 돈처럼 굴러갈 수 있습니다. 주목을 얻는 가장 쉬운 방법이 선정성, 분노, 극단적 콘텐츠라면 시스템은 그것을 과도하게 보상할 수 있습니다. 개인화가 너무 좁아지면 필터 버블이 형성될 수 있습니다.
플랫폼은 보통 만족도와 새로움을 다양성 규칙, 콘텐츠 품질 기준, 안전 정책(나중 섹션 참조)과 결합하고, 고자극 콘텐츠가 모든 세션을 지배하지 못하도록 페이싱 컨트롤을 둡니다.
사람들이 ByteDance를 이야기할 때 보통 추천 알고리즘을 지목하지만, 같은 만큼 많은 일을 하는 조용한 시스템이 있습니다: 콘텐츠 물류—제작자의 폰에서 적절한 시청자 화면으로 영상을 빠르고 안전하게, 반복적으로 옮기는 엔드투엔드 과정입니다.
이를 관심의 공급망으로 생각하세요. 창고와 트럭 대신 시스템은 다음을 관리합니다:
어떤 단계라도 느리거나 신뢰할 수 없으면 알고리즘은 작동할 재고가 줄어들고 제작자는 동기를 잃습니다.
고성능 피드는 지속적인 ‘신선한 재고’ 흐름을 필요로 합니다. ByteDance 스타일 제품은 인앱 템플릿, 효과, 음원 조각, 편집 단축, 가이드형 프롬프트 등으로 제작자가 더 자주 제작하도록 마찰을 줄입니다.
이 기능들은 단순한 재미를 넘습니다. 형식(길이, 종횡비, 페이싱)을 표준화하고 동영상을 완성하기 쉽게 만들어 게시 빈도를 높이고 성과 비교를 쉽게 만듭니다.
업로드 후에는 여러 해상도와 포맷으로 처리되어 다양한 기기와 네트워크 조건에서 원활하게 재생되어야 합니다.
빠른 처리는 중요합니다:
신뢰성은 세션을 보호합니다. 재생이 끊기면 사용자는 스크롤을 멈추고 피드백 루프는 약해집니다.
대규모에서는 검열이 단일 결정이 아니라 워크플로입니다. 대부분의 플랫폼은 계층화된 단계를 사용합니다: 자동 탐지(스팸, 노출, 폭력, 저작권 오디오 감지), 리스크 스코어링, 엣지 케이스와 항소를 위한 표적 인간 검토.
규칙은 일관되게 구현될 때만 작동합니다: 명확한 정책, 리뷰어 교육, 감사 기록, 에스컬레이션 경로, 측정(오탐, 처리 시간, 재범자) 등이 필요합니다.
다시 말해, 집행은 운영 시스템이며 콘텐츠만큼 빠르게 진화해야 합니다.
ByteDance의 우위는 단지 ‘알고리즘’만이 아닙니다. 제품이 피드에 적절한 신호를 생성하고 그 신호가 계속 흐르도록 구축된 방식 자체가 우위입니다.
훌륭한 추천 시스템은 꾸준한 공급을 필요로 합니다. TikTok/Douyin은 언제든 쓸 수 있는 카메라, 간단한 트리밍, 템플릿, 필터, 방대한 사운드 라이브러리로 마찰을 줄입니다.
두 가지 설계 세부사항이 중요합니다:
더 많은 제작자가 더 자주 게시한다는 것은 피드가 테스트할 변형이 늘고, 매칭할 기회도 늘어난다는 뜻입니다.
전체 화면 플레이어는 UI 경쟁 요소를 제거하고 하나의 명확한 행동(스와이프)을 장려합니다. 기본적으로 사운드가 켜져 있으면 감정적 임팩트가 커지고 트렌드는 이동성이 생깁니다(사운드가 공유 참조가 됨).
이 설계는 데이터 품질도 개선합니다. 각 스와이프가 강한 찬반 신호가 되면 시스템은 분산된 인터페이스보다 더 빨리 학습할 수 있습니다.
리믹스 형식은 ‘창작’이 ‘응답’이 되게 합니다. 이것이 중요한 이유는 응답이 문맥을 상속하기 때문입니다:
실제로 리믹싱은 팔로워가 없어도 내장된 유통을 제공합니다.
알림은 루프를 다시 열 수 있습니다(새 댓글, 제작자 게시, 라이브 이벤트). 스테릭스 같은 메커닉은 유지율을 올릴 수 있지만 강박적 확인을 유발할 수도 있습니다.
유용한 제품 교훈: 의미 있는 프롬프트(당신이 요청한 응답, 팔로우 등)를 압박성 프롬프트(스테릭스 상실 공포)보다 선호하라.
작은 선택—즉시 재생, 최소한의 로딩, 단일 기본 제스처—이 추천 피드를 탐색하는 기본 방법처럼 느끼게 만듭니다.
제품은 단순히 콘텐츠를 보여주는 것이 아니라 반복 행동을 훈련합니다: 앱 열기 → 시청 → 스와이프 → 피드 튜닝.
ByteDance는 앱을 ‘번역’해서 국제화했다고 말하지 않았습니다. 국제화를 제품 문제이자 운영체제 문제로 동시에 다뤘습니다: 사람들이 즐기는 것은 강하게 지역적이지만 그것을 전달하는 기계 장치는 일관되어야 합니다.
지역화는 언어에서 시작하지만 빠르게 문맥으로 이동합니다—밈, 음악, 유머, 영상의 ‘좋은’ 페이싱 기준 등.
현지 제작자 커뮤니티가 중요합니다: 초기 성장은 종종 소수의 토착 제작자가 분위기를 설정하고 다른 이들이 복제하는 방식에 달려 있습니다.
팀은 보통 다음을 지역화합니다:
사용량이 늘면서 피드는 물류 운영이 됩니다. 지역 팀은 파트너십(레이블, 스포츠 리그, 미디어), 제작자 프로그램, 그리고 현지법을 반영한 정책 집행을 처리합니다.
검열은 계층화되어 확장됩니다: 사전 필터, 사용자 신고, 인간 리뷰. 목표는 속도와 일관성—명백한 위반은 빠르게 제거하고 엣지 케이스는 현지 전문 지식으로 처리합니다.
글로벌 확장은 앱 스토어 규칙과 기기 제약 속에 살게 된다는 뜻입니다. 업데이트는 심사 과정에서 지연될 수 있고, 기능은 지역에 따라 다를 수 있으며, 저사양 폰은 비디오 품질, 캐싱, 데이터 사용에 대한 어려운 선택을 강요합니다.
배포는 단순한 마케팅 주석이 아닙니다; 그것이 제품이 신뢰할 수 있게 할 수 있는 것을 형성합니다.
트렌드는 며칠 만에 나타나 사라질 수 있고, 정책 작성과 집행 교육은 몇 주가 걸립니다. 팀은 신흥 포맷에 대해 ‘임시 규칙’, 빠른 집행 가이드라인, 변동성이 큰 시기에는 긴밀한 모니터링으로 간극을 메우고, 나중에 효과가 있었던 것을 영구 정책과 도구로 전환합니다.
피드를 뒤에서 지원하는 방식에 대해 더 알고 싶다면 /blog/content-logistics-hidden-system-behind-the-feed를 참조하세요.
ByteDance의 피드는 종종 ‘알고리즘’으로 묘사되지만, 실제로는 시장처럼 작동합니다. 시청자는 수요(주의)를 가져오고, 제작자는 재고(동영상)를 공급하며, 광고주는 그 주의 접근에 비용을 지불합니다—예측 가능하고 안전하게 도달할 수 있을 때 말입니다.
제작자는 단순히 업로드하는 사람이 아니라 추천 시스템이 테스트하고 분배하고 학습할 수 있는 원재료를 생산합니다.
지속적인 신선한 게시물 흐름은 플랫폼이 더 많은 ‘실험’을 실행하게 합니다: 다양한 주제, 훅, 형식, 오디언스.
대가로 플랫폼은 행동을 형성하는 인센티브를 제공합니다:
브랜드는 보통 바이럴 운에 덜 의존하고 반복 가능한 성과를 원합니다:
추천은 팔로워 수가 크지 않아도 틈새 커뮤니티가 번성하게 합니다. 동시에 많은 시청자가 비슷하게 반응하면 빠르게 대중적 트렌드로 집중될 수 있습니다.
이 역학은 제작자에게 전략적 긴장을 만듭니다: 틈새 콘텐츠는 충성도를 구축하고, 트렌드 참여는 도달을 급증시킬 수 있습니다.
분배가 성과 기반이기 때문에 제작자는 시스템이 빠르게 읽을 수 있는 신호(강한 오프닝, 명확한 형식, 시리즈 행동, 일관된 게시)를 최적화합니다.
또한 ‘읽기 쉬운’ 콘텐츠—명확한 주제, 인식 가능한 오디오, 반복 가능한 템플릿—는 대규모로 적절한 시청자와 매칭하기 쉬워 보상을 받습니다.
ByteDance의 초능력—참여를 최적화하는 것—은 내재된 긴장을 만듭니다. 같은 신호가 ‘사람들이 계속 보는 것’을 말해줄 수는 있지만 그것이 ‘그들에게 좋은 것’인지는 자동으로 알려주지 않습니다. 작은 스케일에서는 그 긴장이 UX 문제로 보입니다. TikTok/Douyin 규모에서는 신뢰 문제로 바뀝니다.
추천 시스템은 사용자가 한 행동으로부터 학습합니다, 사용자가 나중에 후회했는지 여부가 아니라. 빠른 재생, 긴 시청 시간, 심야 스크롤은 측정하기 쉽습니다. 후회, 불안, 강박적 사용은 그렇지 않습니다.
피드가 측정 가능한 참여만을 위해 튜닝되면 분노, 공포, 집착을 유발하는 콘텐츠를 과도하게 보상할 수 있습니다.
시장 전반에 걸쳐 예측 가능한 위험이 몇 가지 나타납니다:
이들 모두 회사 내부에 ‘나쁜 행위자’가 있어야만 발생하는 것이 아니라, 평범한 최적화에서 자연스럽게 나타날 수 있습니다.
사람들은 종종 단순한 설명을 원합니다: “왜 내가 이것을 봤나?” 실제로 랭킹은 수천 개의 특징(시청 시간, 스킵, 신선도, 기기 문맥, 제작자 이력)과 실시간 실험을 섞습니다.
플랫폼이 요인 목록을 공유해도 특정 노출에 대한 단일 인간 읽기 가능한 이유로 깔끔하게 매핑되지는 않습니다.
안전성은 사후 검열만이 아닙니다. 제품과 운영에 설계될 수 있습니다: 민감한 주제에 대한 마찰, 미성년자에 대한 강한 통제, 반복적 노출을 줄이는 다양화, 심야 추천 제한, 피드를 재설정하거나 조정할 수 있는 명확한 도구 등.
운영적으로는 잘 훈련된 리뷰 팀, 에스컬레이션 경로, 측정 가능한 안전 KPI—성장 KPI뿐 아니라—가 필요합니다.
허용되는 것, 항소 방식, 집행 감사 방식에 대한 정책은 신뢰에 직접적인 영향을 미칩니다. 사용자와 규제 당국이 시스템을 불투명하거나 일관성 없다고 믿으면 성장은 취약해집니다.
지속 가능한 주목은 단순히 사람들을 계속 보이게 하는 것이 아니라 그들의 삶에 계속 등장할 권한(허가)을 얻는 것입니다.
ByteDance의 성공은 “추천 + 빠른 배포”를 단순 레시피처럼 보이게 합니다. 전수 가능한 부분은 어떤 단일 모델이 아니라 발견을 둘러싼 운영체제입니다: 촘촘한 피드백 루프, 명확한 측정, 그리고 그 루프에 공급하는 콘텐츠 파이프라인에 대한 진지한 투자.
빠른 반복은 측정 가능한 목표와 짧은 학습 주기와 결합될 때 효과적입니다. 모든 변경을 가설로 취급하고, 작게 배포하며, 결과를 매일(분기별이 아니라) 읽으세요.
시간당 시청 같은 원시적 지표가 아닌 사용자 가치를 중심에 두세요. 예: “팔로우로 끝난 세션”, “저장/공유된 콘텐츠”, “설문 만족도”, “제작자 유지율”. 이러한 지표는 원시 시청 시간보다 어렵지만 더 나은 트레이드오프를 안내합니다.
가드레일 없는 참여 전용 최적화. 만약 ‘더 많은 분’이 점수판이라면 결국 붙는(끈끈한) 저품질, 편향적, 반복적 콘텐츠를 보상하게 됩니다.
또한 알고리즘이 편집적 판단의 필요를 제거한다는 신화를 피하세요. 발견 시스템은 항상 선택을 코딩합니다: 무엇을 부스트할지, 무엇을 제한할지, 엣지 케이스를 어떻게 다룰지.
슬로건이 아니라 제약에서 시작하세요:
추천은 콘텐츠 물류(도구, 워크플로, 품질 관리)에 의존합니다. 초기 투자 대상:
예산을 세운다면 모델, 검열, 지원—시스템 전체에 비용을 배치해 확장하기 전에 가격을 매기세요(/pricing).
팀이 소프트웨어 제품을 만드는 실용적 메모: 많은 ‘시스템’ 투자는(대시보드, 내부 도구, 워크플로 앱) 빌드-측정-학습 루프를 단축할 수 있다면 빠르게 프로토타입화하기 쉽습니다. Koder.ai 같은 플랫폼은 채팅 인터페이스로 웹앱을 바이브-코딩하고 소스 코드를 내보내거나 배포할 수 있게 해, 실험 대시보드, 검열 큐 프로토타입, 제작자 운영 도구를 전통적 긴 개발 파이프라인 없이 신속히 띄우는 데 유용합니다.
더 많은 제품 사고를 원하면 /blog를 참고하세요.
ByteDance의 핵심 제품 가설은 단순한 식으로 요약될 수 있습니다:
추천 알고리즘 + 콘텐츠 물류 + 제품 설계 = 확장 가능한 어텐션 엔진.
알고리즘은 사람들을 관심 있을 만한 동영상과 매칭합니다. 물류 시스템은 항상 볼거리가 있도록 보장합니다(공급, 검토, 라벨링, 배포, 제작자 도구). 그리고 제품 설계—전체 화면 재생, 빠른 피드백 신호, 낮은 마찰의 제작—는 모든 조회를 다음 조회를 개선하는 데이터로 바꿉니다.
몇 가지 중요한 세부사항은 내부 접근 없이는 불분명하거나 검증하기 어렵습니다:
추측하기보다는 회사 발표, 비평가 주장, 관찰 가능한 제품 행동 전반에서 일관된 증거를 찾아 가설로 다루세요.
너무 기술적으로 가지 않고 더 깊이 가고 싶다면 다음 주제에 집중하세요:
이 질문들을 손에 쥐고 있으면 TikTok, Douyin, 그리고 어떤 미래의 피드 제품도 더 명확한 시선으로 분석할 수 있을 것입니다.
장 이밍의 제품 가설은 소프트웨어가 사용자 행동 신호를 이용해 정보를 지속적으로 걸러주어, 각 상호작용마다 경험이 개선되어야 한다는 것이었습니다. 콘텐츠 과부하의 시대에 제품의 역할은 ‘정보를 찾게 돕는 것’에서 ‘지금 가장 관련성 높은 것을 결정하는 것’으로 옮겨간다는 관점입니다.
소셜 그래프 피드는 누구를 팔로우했는가에 의해 결정됩니다. 반면 관심 그래프 피드는 당신이 무엇을 했는가(시청, 스킵, 재시청, 공유, 검색)에 의해 결정됩니다. 관심 그래프 접근법은 팔로우한 사람이 없어도 작동할 수 있지만, 초기에 추천이 충분히 좋아야 하고 피드백으로부터 신속히 학습해야 한다는 점에 크게 의존합니다.
대부분의 피드는 두 가지 단계를 거칩니다:
후보 생성은 ‘가능한 적합군’을 찾고, 랭킹은 최종 순서를 결정합니다. 작은 변화가 다음에 무엇을 보게 될지를 크게 바꿀 수 있습니다.
강력한 신호는 주로 관찰 가능한 행동에서 나옵니다. 특히:
좋아요나 댓글도 의미가 있지만, 시청 행동은 대규모에서 조작하기 어렵기 때문에 종종 가장 신뢰할 만한 신호로 취급됩니다.
신규 사용자에게는 지역·언어권에서 인기 있는 안전한 다양성 콘텐츠를 보여 초기에 취향을 빠르게 감지합니다. 신규 영상의 경우엔 작은 그룹(관심 가능성이 높은 집단)에 먼저 노출하는 시험 배포를 하고, 참여가 강하면 배포를 확대합니다. 이 프로세스 덕분에 팔로워가 적은 제작자도 초기 성과가 좋으면 돌파할 수 있습니다.
탐색(Exploration)은 피드가 반복적으로 ‘잘 작동한 것’만 좇아 단조로워지지 않도록 방지합니다. 흔한 전술은:
탐색 없이는 시스템이 과적합되어 사용자가 정체되거나 편향된 고리를 빠질 수 있습니다.
런어웨이 최적화는 주목을 얻기 쉬운 방식이 선정적이거나 극단적일 때 알고리즘이 그것을 과도하게 보상하는 현상입니다. 플랫폼은 이를 완화하기 위해 다양성 규칙, 품질 기준, 안전 정책, 그리고 고도의 감정 자극 콘텐츠가 모든 세션을 지배하지 못하도록 하는 페이싱 제어를 사용합니다.
콘텐츠 물류(Content logistics)는 제작자의 폰에서 시청자의 화면까지 영상을 이동시키는 엔드투엔드 파이프라인입니다:
이 파이프라인이 느리거나 불안정하면 추천은 고품질 재고를 얻지 못하고 피드백 루프가 약해져 추천 성능이 떨어집니다.
제작 도구(템플릿, 효과, 사운드 라이브러리, 쉬운 편집)는 게시 빈도를 높이고 형식을 표준화해 비교와 테스트를 용이하게 합니다. 리믹스(듀엣, 스티치)는 새 게시물을 검증된 클립에 연결해 내장된 유통 역할을 하므로 팔로워 없이도 확산에 기여합니다. 결과적으로 추천 시스템은 더 빠르게 맥락과 관심을 파악할 수 있습니다.
A/B 테스트 문화는 제품 결정을 측정 가능한 가설로 바꿉니다. 팀은 작은 변경을 빠르게 배포하고 결과를 측정해 승자만 전진시킵니다. 다만 책임감을 유지하려면 단순 시청 시간 대신 만족도, 저장/공유, ‘관심 없음’ 비율, 불만 비율 같은 지표를 함께 사용해야 성장이 사용자 복지의 대가가 되지 않습니다.