[내일배움캠프 TIL] 본캠프 16일차 - 내가 멜론(Melon) PM이라면? (2)

내가 멜론(Melon) PM 이라면?

목차 
1. 들어가며
2. 프로덕트 선정
3. 해당 기능 OKR
4. 문제 정의 정리
5. 사용자 페르소나 및 여정 맵
6. 가설 수립 및 검증 방법 
7.  마치며

---

📝 서론

1. 들어가며

서비스 기획 입문 강의에서 배운 이론을 실제 서비스에 적용하고자, 국내 대표 음원 플랫폼 멜론(Melon) 을 분석 대상으로 선정했다.🎧

처음에는 멜론의 ‘TOP100 차트’ 구조 자체를 문제로 정의하려 했지만, 분석을 진행하면서 이 차트가 팬덤 유저들에게는 ‘내 가수의 성취를 증명하는 공간’이라는 의미 있는 기능임을 알게 되었다.

이에 따라 단순히 차트 구조를 바꾸기보다는, 유저들이 겪는 추천 시스템의 한계와 음악 탐색 피로도에 더욱 집중하는 것이 실질적인 해결책이라 판단했다. 또한 튜텨님과의 면담에서 받은 피드백을 반영해 내용을 보완하고자 한다. 📖

<튜텨님 피드백 - 수정>
1. 좋은 추천을 정의해보고 역기획하기(진행)
2. 기존 서비스 영향도 파악해서 구체적인 기획 해보기(진행)
3. 경쟁사들이 유사하게 솔루션을 적용한 사례가 있는지?(완료)
4. *추천을 어떤 방식으로 하는지 표로 비교해봐도 좋을 것 같아요(완료)
5. 경쟁사들이 국내 스트리밍 시장의 파이가 커지고 있다고 분석한 부분에 대한 실제 데이터 조사해보기 (강력한 설득!)(완료)

---

🔍 본론

2. 프로덕트 선정

 

 

🎵 내가 설정한 프로덕트: 멜론 (Melon)

📌  도메인 이해

• 시장 점유율: 멜론은 국내 음원 시장에서 약 60%의 점유율을 기록하며 오랫동안 1위를 유지해왔다.​
• AI 기술 활용: AI 기반 '믹스업' 서비스와 음향 최적화 기술을 통해 고품질 사운드를 제공하며, 차별화된 사용자 경험을 제공하고 있다.​
• 글로벌 진출: 카카오는 멜론을 활용하여 해외 콘텐츠 진출을 모색하고 있으며, 음악은 번역이 필요 없는 콘텐츠로 글로벌 시장에서 경쟁력을 갖추고 있다.

📌  멜론의 비전 - “음악 이상의 경험을 제공하는, 팬과 아티스트가 소통하는 플랫폼”

• 개인화된 음악 경험 제공: AI 기반 큐레이션 기능을 통해 사용자의 취향에 맞는 음악을 추천하며, '믹스업' 서비스는 유사한 곡을 자연스럽게 이어주는 기능으로 10~20대 이용자에게 호응을 얻고 있다.​
• 아티스트와 팬의 연결 강화: ‘멜론 스포트라이트’, ‘멜론 스테이션’ 등 팬 참여형 콘텐츠를 통해 아티스트와 팬의 소통을 강화하고 있다.​
• 음악 생태계 확장: 대중음악 명반 큐레이션 서비스 '에디션M'과 틱톡 연동 저장 기능 등으로 서비스를 확장하고 있다.

 

📰 참고: 

https://api.emetro.co.kr/article/20241127500481

AI로 무장한 韓 음원 플랫폼, 글로벌 공룡에 '도전장'

https://www.donga.com/news/Economy/article/all/20160111/75846298/1?

 

수익 목마른 모바일 강자들, 음원시장 뒤흔들어

 

---

🎧 경쟁사 (주요 3사)

항목	스포티파이 (Spotify)	애플 뮤직 (Apple Music)	유튜브 뮤직(YouTube Music)
출시 시점 (국내)	2021년 2월	2015년 (국내 서비스: 2020년)	2018년 (프리미엄: 2020년 이후)
보유 음원 수	약 1억 곡 이상	약 1억 곡 이상	약 8천만 곡 + 유튜브 콘텐츠 포함
개인화 추천 기능	AI/빅데이터 기반, 우수	Siri 등 생태계 연동 기반	유튜브 시청 기록 기반 AI 추천
요금제	무료(광고 포함) + 유로	유료 전용 요금제	무료(광고 포함) + 유료 프리미엄
특징	글로벌 1위 음원 플랫폼, 팟캐스트	무손실 음원, Dolby Atmos 지원	영상+음악 통합 콘텐츠
국내 전략	K-POP 큐레이션 강화	국내 음원 계약 확대, 무손실 고음질	인플루언서 기반 콘텐츠 확대
약점	한글 UI 미흡, 로컬 정서 부족	안드로이드 비호환성, 추천 정확도 낮음	음원 집중도 낮음, UI 단순
국내 반응	초기 관심, 틈새층 확보	애플 유저 충성도 기반 일정 사용자 확보	MZ세대 중심 인기, 빠른 성장세

 

 

🌎 경쟁사들의 국내 시장 점유율 확대 현황 

 

<출처: https://www.viva100.com/article/20250101500399>

 

최근 글로벌 음원 플랫폼들이 국내 시장에서 빠르게 점유율을 확대하고 있다.

2023년 4월 기준:
유튜브 뮤직 MAU: 521만 명
멜론 MAU: 459만 명 → 유튜브 뮤직이 처음으로 멜론을 앞지름

2023년 12월 기준:
유튜브 뮤직 MAU: 754만 9,327명
멜론 MAU: 706만 6,811명
스포티파이 MAU: 127만 9,189명 (전월 대비 56% 증가) 

또한, 전년 대비 사용자 수 증감을 보면:

유튜브 뮤직: 59만 명 증가
스포티파이: 56만 명 증가
멜론: 47만 명 감소
지니뮤직, 플로, 바이브 등도 사용자 수 감소 추세

준영님 자료 감사합니다!

 

🤔 경쟁사 벤치마킹

 

스포티파이는 첫 로그인 시, 사용자에게 취향 기반 추천 경험을 제공합니다. 앱을 설치하고 처음 실행하면, 취향에 맞는 아티스트 3명을 선택하라는 안내가 즉시 등장합니다. 이를 통해 사용자가 선호하는 아티스트를 선택하면, 홈 화면에 해당 아티스트들과 유사한 음악이 큐레이션된 믹스업 플레이리스트가 바로 노출됩니다.

또한, 이후에도 내 라이브러리에 아이유, 볼빨간사춘기, 백예린 등 다양한 장르의 아티스트를 추가해보았을 때, 추천 알고리즘이 실시간으로 반응하여 홈 화면의 콘텐츠 구성이 변화하는 것을 확인할 수 있었습니다.

즉, 스포티파이는 사용자의 취향 변화에 따라 추천 콘텐츠를 유연하게 반영하는 구조이며, 이는 사용자가 능동적으로 음악 경험을 설계할 수 있도록 유도하는 방식입니다.

 

 

 

유튜브 뮤직과 애플 뮤직도 직접 설치해서 사용해 보고 싶었지만 유로 결제를 해야지만 홈 화면에 진입할 수 있었다. 😅

 

🎵 경쟁사 (주요 3사) 추천 방식 비교 표

플랫폼	추천 방식 주요 특징	알고리즘/기술	큐테이션/개인화 방식
멜론	- AI 기반 ‘믹스업(MIX UP)’: 현재 듣는 곡과 유사한 곡 자동 추천 - ‘Music DNA’: 청취 이력 분석 - 대규모 플레이리스트 및 태그 기반 추천 - 상황별, 전문가/아티스트 큐레이션	- 콘텐츠 기반 추천 - 협업 필터링 - 멀티모달 임베딩(음악, 태그, 상황 등)	- 실시간 차트, 맞춤 플레이리스트 - ‘Affinity’ 등 팬덤 지표 - Power DJ/아티스트 큐레이션
스포티파이	- 협업 필터링(플레이리스트·세션 기반) - 오디오 분석(음향·리듬·장르 등) - NLP(가사·메타데이터 분석) - 개인화 플레이리스트(Daily Mix, Discover Weekly 등)	-협업 필터링(플레이리스트 중심) - 콘텐츠 기반 추천 - 딥러닝, NLP 결합	- Discover Weekly, Release Radar 등 개인화 - 상황별/장르별 믹스 - 아티스트/곡 라디오
유튜브 뮤직	- 유튜브/유튜브뮤직 시청·검색 이력 기반 - 대규모 딥러닝 추천(YouTube 추천 엔진과 유사) - 실시간 반응형 추천 - 영상·음악 통합 데이터 활용	- 딥러닝(2단계: 후보 생성+랭킹) - 협업 필터링 - 콘텐츠 기반 추천	- 맞춤 플레이리스트 - 영상+음악 추천 - 실시간 트렌드 반영
애플 뮤직	- 청취 이력, ‘좋아요/싫어요’ 피드백 반영 - 첫 가입 시 장르/아티스트 선택 - 전문가 큐레이션과 알고리즘 결합 - ‘For You’/‘Listen Now’ 개인화 믹스 제공	- 협업 필터링 - 콘텐츠 기반 추천 - 전문가 큐레이션 결합	- Heavy Rotation, Favorites, Chill 등 개인화 믹스 - 아티스트 스테이션, 테마별 추천

 

요소	멜론 현황	경쟁사 사례
치트 반영 주기	24시간 누적 데이터	실시간 트렌드 반영 (유튜브 뮤직)
개인화 강도	청취 이력 기반 단순 추천	강화학습 기반 실시간 적응 (스포티파이)
조작 방지 메커니즘	1AM-7AM 차트 동결	NLP를 이용한 비정상 패턴 감지
콘텐츠 다양성	TOP100 중심의 메인스트림 편중	장르별 '믹스' 자동 생성 (스포티파이)

 

 

🙋 내 의견 및 실제 사용자 불편 사례

“멜론 TOP100 차트는 사실상 무의미합니다.”
기계적 스트리밍 조작 논란이 있었고, 특정 팬덤의 무한 반복 재생으로 인해 
차트가 특정 음악군에 편향되어 있어요.
이로 인해 내 취향과 무관한 음악이 차트 상위에 오르며,
원하는 음악을 찾기 위해 장르별로 신곡을 일일이 탐색해야 하는 번거로움이 발생합니다.
특히 덜 알려진 장르나 인디 뮤직을 좋아하는 사용자에게는 이 점이 
치명적인 UX 단절로 작용합니다

문제의 근본 원인:

• 차트 시스템이 팬덤 주도 대량 스트리밍에 취약한 구조
• 추천 알고리즘이 패시브 데이터(청취 기록)에만 의존해 능동적 취향 반영 부족

선택 이유:

• 현재 멜론 TOP100 차트는 개인 맞춤보다는 전체 인기 기반이라, 취향이 다르면 전혀 도움이 안 되는 구조
• 아이돌 팬덤의 반복 재생으로 형성된 인기 차트는 음악 다양성에 역행
• 현재 추천 시스템은 사용자 취향과의 정합성이 낮고, 장르별 신곡을 수동으로 탐색해야 하는 불편함과 피로도가 크다.
• 사용자는 "내가 좋아할 만한 신곡을 더 빠르게 찾고 싶다"는 명확한 니즈를 가지고 있다.

📰 참고:

https://www.wikitree.co.kr/articles/908192

“10년 만에 바뀐 1위 자리” 국내 음원 플랫폼 시장 '왕좌'가 바뀌었다

https://www.viva100.com/article/20250101500399

韓 음원 플랫폼, 사업 정리 가속화… "뮤직 사업에 역량 집중"

https://www.khan.co.kr/article/201807252041005?utm_source=chatgpt.com#c2b

[이슈분석]잊을 만하면 ‘의문의 역주행’ ‘음원 사재기’ 논란 반복, 왜?

https://imnews.imbc.com/replay/2018/nwdesk/article/4606652_30181.html?utm_source=chatgpt.com

음원 역주행의 비밀…'사재기'로 순위 조작?

https://www.jaenung.net/tree/4378

🎵 음악 추천 알고리즘: AI 기반 큐레이션의 이해 🤖

 

 

 

---

3. 해당 기능 OKR

 

따라서 위와 같은 문제를 해결하기 위해, 사용자 중심의 맞춤형 음악 탐색 경험을 제공하는 기능 개선을 목표로 설정하였다.

 

🎯 [Objective: 목표]
사용자 개인의 취향을 반영한 맞춤형 음악 추천 구조를 강화하여, 음악 탐색 피로도를 줄이고 청취 경험을 향상시킨다.

 

📈 [Key Results: 핵심 지표]

Key Result	설명
KR1	“맞춤 신곡 추천 탭” 도입 후 클릭률 35% 이상 증가
KR2	추천 음악의 재생→저장 전환율 20% 이상 증가
KR3	장르별 수동 탐색 진입률 20% 이상 감소

---

4. 문제 정의 정리

 

내가 설정한 프로덕트: 멜론(Melon)

 

 

🔍 문제 현상 요약 

• TOP100 차트가 개인화 추천이 아닌 전체 인기 위주로 제공됨 (차트 중심 UX → 사용자 개인 취향 반영 어려움)
• 기계적 음원 사재기, 아이돌 팬덤의 반복 스트리밍 등의 영향으로 공정성이 의심됨 (기계적 반복 재생 → 공정성 훼손, 다양성 저해)
• 홈 화면에 추천 플레이리스트, 유사곡 큐레이션 등 개인화 콘텐츠가 일부 존재하지만,
  • 내가 선호하지 않는 장르나 아티스트가 추천되는 등 사용자의 실제 취향을 반영하지 못하는 경우가 많음
  • 추천이 아닌 트렌드 기반 플레이리스트가 많아 수동 탐색 필요성은 여전함
• 유사하게 반복되는 콘텐츠 UI로 인해, 추천 항목이 다양해도 신선함이나 신뢰도 부족
• 진짜 ‘내가 좋아할 음악’을 찾기 위해 수동 탐색이 필요함 → 사용자의 피로도 증가

문제 정의:
“사용자는 취향에 맞는 음악을 찾기 위해 수동으로 장르별 신곡을 탐색해야 하며, 이 과정에서 피로도를 느낀다.”
근본 원인:
AI 추천 알고리즘의 정교함 부족과 사용자 취향 학습에 대한 신뢰도 저하

 

📉 사용자 및 비즈니스 영향

대상	영향
일반 사용자	추천 음악이 취향과 맞지 않아 차트 및 추천 시스템에 대한 신뢰도 저하 → 음악 탐색에 피로감, 이탈 가능성 증가
인디 아티스트	취향 기반 큐레이션이 약해 노출 기회 부족 → 음악 다양성 위축
멜론 서비스	경쟁사 대비 개인화 경험의 약점, AI 큐레이션 성과 체감 어려움 → 브랜드 신뢰도 저하 및 시장 점유율 하락

📰 참고:

https://news.jtbc.co.kr/article/NB11039091

[단독 | 탐사플러스] 순위 조작?…'음원 사재기' 실체 추적해보니… | JTBC 뉴스

https://www.bbc.com/korean/news-51410220

음원 사재기: 왜 내가 모르는 가수가 1위를 하는거지? - BBC News 코리아

 

---

5. 사용자 페르소나 및 여정 맵

 

👤 페르소나: '정은지(27세, 직장인)

항목	내용
이름	정은지
나이	27세
직업	마케팅 직무 3년차
음악 소비 성향	평소 국내힙합, 인디 팝, 알앤비 등 마이너 장르 위주로 감상 차트곡보단 나만 아는 느낌의 음악을 좋아함
청취 행동 패턴	출퇴근 시간에 스트리밍 중심, 평소 자주 듣는 곡만 반복 추천 플레이리스트도 가끔 듣지만 취향에 맞지 않는 곡이 섞여 불만족
디지털 성향	새로운 서비스나 기능은 한번 써보지만 신뢰가 쌓이지 않으면 반복 사용 안 함 피드백을 반영해주는 서비스에 충성도 높음
니즈	내 취향에 가까운 신곡이나 유사 아티스트를 자동으로 추천받고 싶음 추천 정확도가 높고, 나를 이해해주는 서비스를 선호함

 

🗺 사용자 여정 맵 (신곡 찾기 기준)

단계	행동	생각	감정
1. 접속	멜론 앱 홈 진입	뭐 듣지? 요즘 노래 뭐가 좋지?	기대 반, 귀찮음 반
2. 추천 확인	"오늘의 추천 플레이리스트" 클릭	이건 누가 듣는 기준이지? 내 취향은 아닌데…	실망감, 의아
3. 차트 탐색	TOP100 상위 곡 플레이	다 비슷한 느낌이야… 듣던 거 또 듣게 되네	지루함, 피로감
4. 직접 탐색	장르별 탐색	이건 좀 괜찮은데 찾기가 귀찮아	약간의 만족 + 번거로움
5. 이탈	자주 듣는 곡 재생하거나 앱 종료	차라리 아는 노래나 들어야지…	아쉬움, 무관심

 

⚠️  Pain Point

• 내 취향과 무관한 곡이 상단에 노출됨
• 매번 수동으로 탐색해야 함 → 탐색 피로도 증가

 

🔄 개선 기능 적용 시 사용자 여정 맵

단계	행동	생각	감정
1. 접속	홈 진입 → "내 취향 추천 탭" 자동 노출	오? 이건 내가 자주 듣는 가수인데?	호기심, 긍정
2. 청취	신곡 재생	이런 노래가 나왔어? 괜찮다	발견의 즐거움, 만족감
3. 피드백	이 곡 마음에 들어요’ 👍 클릭	이러면 더 좋은 곡 추천해주겠지?	기대감, 신뢰감 상승
4. 반복 사용	매일 출퇴근에 추천 탭 활용	요즘 이 탭으로 음악 찾는 재미가 있음	몰입, 충성도 증가
5. 공유	친구에게 링크 공유	너 이거 들어봤어? 완전 내 취향이야	소속감, 자부심

 

💡 요약 인사이트

• 기존 사용자 여정에서 "추천 정확도 부족"과 "탐색 피로도"가 핵심 이탈 요인
• "내 취향 맞춤형 큐레이션 탭" + "피드백 반영" 기능이 충성도 형성 핵심
• ‘나를 이해해주는 음악 서비스’로의 포지셔닝이 곧 경쟁력으로 연결됨

---

6. 가설 수립 및 검증 방법 

 

🧪가설

“사용자에게 개인화된 신곡 추천 탭을 제공하면, 차트보다 해당 탭을 더 자주 이용하게 될 것이다.”

📊근거 

 

📌 사용자 기반 근거

• 사용자 니즈: "내가 좋아할 만한 곡을 더 쉽게 찾고 싶다."
• “오늘의 추천 플레이리스트”, “ooo느낌 더 듣기” 등 다양한 추천 콘텐츠가 있으나,
• 사용자 사이에서 ‘추천이 취향에 안 맞는다’는 피드백이 반복됨
• 이는 단순한 추천 시스템 존재 여부가 아니라 정확도와 신뢰감이 핵심 지표라는 걸 시사함
• 반복 탐색의 피로도 → 이탈 유인으로 작용 가능

📌 시장/경쟁사 사례 근거

 

멜론의 차트 편향, 추천 시스템 한계, 음악 다양성 저해 문제에 대해, 글로벌 경쟁사들이 어떻게 유사한 문제를 인식하고 솔루션을 도입했는지 주요 사례와 출처를 정리한다.

 

1. AI 기반 실시간 개인화 추천 및 강화학습 도입

YouTube Music
문제 인식: 사용자의 반복적 행동(스킵, 반복 재생 등)이 추천 품질을 저하시킬 수 있다는 점에서, 단순 청취 이력 기반 추천의 한계를 인식
솔루션: Transformer 기반 AI 모델을 도입해 사용자의 실시간 행동(스킵, 선택, 재생 시간 등)을 세밀하게 분석하고, 이를 추천 알고리즘에 즉각 반영
효과: 추천 정확도 향상, 스킵률 감소, 세션 시간 증가 등 사용자 만족도 개선

2. 협업 필터링 + 콘텐츠 기반 필터링 + 오디오 분석 결합

Spotify
문제 인식: 단일 추천 방식(예: 인기 차트, 단순 협업 필터링)만으로는 음악 다양성 및 개인화 한계, 팬덤 주도 편향 등 문제 발생
솔루션: 협업 필터링(비슷한 취향 사용자 기반)콘텐츠 기반 필터링(음악의 오디오 특성, 메타데이터, 가사 등 분석)오디오 분석(딥러닝 기반 음향·리듬·장르 분석)'알고토리얼(Algotorial)'
플레이리스트: 알고리즘과 인간 큐레이터가 함께 추천
효과:개인화와 음악 탐색(발견)의 균형, 롱테일 곡 추천 강화, 차트 편향 완화

3. 인위적 스트리밍 조작 방지 정책

Spotify
문제 인식: 팬덤 주도의 플레이리스트 조작, 인위적 반복 재생 등으로 차트 왜곡 발생
솔루션:인위적 스트리밍 탐지 및 차단 알고리즘 도입(비정상 패턴 감지, 이상치 분석)조작 감지 시 스트림 삭제 및 벌금 부과 정책 시행

4. 기계 학습 + 인간 큐레이션 결합

Apple Music
문제 인식: 알고리즘만으로는 사용자의 깊은 취향이나 음악적 맥락을 완전히 반영하기 어렵다는 한계
솔루션:머신러닝 기반 추천 + 전문가 큐레이션 결합초기에는 인기곡 위주 추천이지만, 시간이 지날수록 사용자 개별 취향에 맞는 곡 추천 강화클래식 장르 등에서는 큐레이션, 맞춤 추천, 실시간 가이드 등 다양한 기능 제공

5. 음악 다양성·탐색 기능 강화

Spotify, Apple Music 등문제 인식:
알고리즘이 사용자의 기존 취향만 강화(에코 챔버 효과)할 경우 음악 다양성 저해
솔루션:
추천 알고리즘 내 '탐색(Exploration) vs. 익숙함(Exploitation)' 균형 전략 도입
신인 아티스트, 인디 음악, 새로운 장르를 노출하는 플레이리스트 섹션 신설
사용자 피드백(좋아요/싫어요 등) 실시간 반영

 

🎯 요약 인사이트

글로벌 주요 음원 플랫폼들은 멜론과 유사한 문제(차트 편향, 추천 한계, 음악 다양성 저해 등)를 인식하고, AI·딥러닝 기반 실시간 추천, 조작 방지, 인간 큐레이션 결합, 음악 탐색 기능 강화 등 다양한 솔루션을 이미 적용 중이다.

멜론도 경쟁사 사례를 벤치마킹해, 실시간 행동 반영 추천 강화, 조작 방지 시스템 도입, 음악 다양성 보장 정책 등으로 차별화할 필요가 있다.

 

📰 참고:

https://blog.naver.com/datamarketing/221813030679

음원 스트리밍 강자 스포티파이는 어떻게 데이터를 활용할까

 

https://www.digitaltoday.co.kr/news/articleView.html?idxno=522167

유튜브 뮤직, AI 기반 '음악 요청' 기능 도입한다 - 디지털투데이 (DigitalToday)

 

https://www.newsis.com/view/NISX20240716_0002812868

허밍 듣고 자동 선곡해주는 유튜브 뮤직…똑똑해지는 음원 서비스

 

https://www.kpinews.kr/newsView/179546082004672

신대철 "SKT '플로' 새 차트정책, 음원 차트조작 개선할 듯"

 

 

📌 데이터 기반 근거 (예상 및 추정)

• 추천 탭 도입 시 예상되는 지표 변화:
  • 사용자 클릭률, 체류 시간, 추천 음악의 저장률 증가
  • 기존 차트 기반 소비보다 개인의 반복 청취 유도 가능성 높음
• 지금은 유저가 ‘수동적으로’ 탐색해야 하기 때문에 피로도가 높지만, 추천 탭은 클릭만으로 신곡 탐색이 가능하므로 UX 개선 효과 기대 가능

📌 기술적 기반 근거

• 멜론이 이미 AI 큐레이션 기능을 강화하고 있음 (멜론DJ, 믹스탭 등)
  • 따라서 개인화 신곡 추천 시스템 도입은 기술적으로도 무리가 없음
  • 기존 알고리즘을 신곡 필터링에 접목하는 구조만으로도 서비스 확장이 가능 → 추가 리소스 크지 않음

✅ 기획 제안

 

“개인화 신곡 추천 탭”을 독립 구성하여, TOP100의 대안으로 정착시키고,
기존 ‘추천 플레이리스트’보다 더 명확한 타겟팅과 피드백 루프를 가진 구조로 차별화

 

• 예: ‘내가 안 들어본 신곡 중' 내 취향과 가까운 곡’만 필터링한 탭
• 예: 사용자에게 ‘추천 정확도 피드백 UI(예: 👍👎)’를 노출해 알고리즘 개선에 반영

좋은 추천의 정의와 역기획 방안

좋은 추천의 정의 - 사용자의 취향·피드백을 종합적으로 반영하는 ‘학습형 개인화 추천’

‘좋은 추천’이란, 사용자의 취향·상황·행동 데이터를 종합적으로 반영해 “내가 듣고 싶었던 곡” 또는 “내가 몰랐던 취향 저격 곡”을 빠르고 자연스럽게 발견하게 해주는 경험이다.

단순히 과거 청취 이력만이 아니라, 사용자의 ‘좋아요/싫어요’ 피드백, 스킵/완청 패턴, 그리고 신곡·인디·비주류 음악까지 추천의 폭을 넓혀야 한다. 추천 결과에 대해 사용자가 신뢰할 수 있어야 하며, 반복 사용 시 추천 품질이 점진적으로 향상되는 ‘학습형’ 구조가 필요하다.

역기획 적용 방안

경쟁사 벤치마킹: 스포티파이처럼 첫 진입 시 취향 아티스트 선택, 실시간 행동 반영, ‘Discover Weekly’ 등 개인화 플레이리스트 제공 방식을 분석한다. 

멜론에 적용: ‘내 취향 신곡 추천 탭’을 홈 화면 최상단에 고정 배치해, 사용자가 앱 진입 즉시 개인화된 신곡·아티스트를 추천받도록 설계한다.‘좋아요/싫어요’, ‘더 보기’ 등 피드백 UI를 노출해, 실시간으로 추천 알고리즘이 학습·개선되도록 피드백 루프를 강화한다. 기존 ‘믹스업’·‘Music DNA’ 등 AI 큐레이션 기능에 강화학습, 멀티모달 데이터(가사, 앨범아트, 상황 등) 분석을 추가해 추천 정확도와 다양성을 높인다. 

 

기존 서비스 영향도 파악 및 구체적 기획

기존 서비스 영향도 분석

TOP100 차트 중심의 UX는 대중 트렌드 파악에는 유리하나, 개인 취향 반영에는 한계가 있다.
팬덤 중심 반복 스트리밍, 음원 사재기 등으로 차트 신뢰도가 하락했고, 실제로 멜론 MAU는 최근 유튜브뮤직, 스포티파이 등에 역전당하며 감소세를 보이고 있다.
추천 시스템의 낮은 정교함과 탐색 피로도는 사용자 이탈, 인디/마이너 아티스트의 노출 기회 축소, 브랜드 신뢰도 저하로 연결되고 있다.

구체적 기획 방안

맞춤 신곡 추천 탭 독립 신설:
사용자의 청취 이력, 실시간 피드백을 반영해 신곡·유사 아티스트를 자동 추천하는 탭을 홈 화면에 신설한다.
‘내가 안 들어본 신곡 중 내 취향과 가까운 곡’만을 필터링해 노출, 추천 결과에 대해 ‘👍/👎’ 피드백을 즉시 수집·반영한다.

A/B 테스트 및 데이터 기반 검증:
기존 TOP100 화면과 맞춤 신곡 추천 탭 동시 노출 그룹을 나눠 클릭률, 체류 시간, 저장률, 장르별 탐색 빈도 등 핵심 지표를 비교 분석한다.
정성적(설문, 인터뷰)·정량적(로그 데이터) 검증을 병행해, 실제로 탐색 피로도 감소와 추천 만족도 향상 효과를 입증한다.
기술적 확장성:기존 AI 큐레이션 엔진에 강화학습, 멀티모달 분석, 실시간 피드백 루프를 결합해, 추가 리소스 부담 없이 서비스 고도화가 가능하다.

---

 

🎯 결론

7. 마치며

이번 기획은 멜론의 핵심 기능인 'TOP100 차트'를 중심으로 사용자의 불편함을 정의하고, 실질적인 개선 방향을 제시하기 위한 시도였다. 기존의 차트 중심 UX는 전체 트렌드를 반영하는 데는 효과적일 수 있으나, 개인의 취향을 세밀하게 반영하지 못해 사용자의 음악 탐색 피로도와 만족도 저하라는 문제를 야기하고 있었다.

이에 따라 '내 취향 기반 신곡 추천 탭' 도입을 통해 이러한 문제를 해결하고자 했다. 이는 단순히 기능 추가를 넘어, 멜론이 추구하는 '개인화된 음악 경험'이라는 비전과도 맞닿아 있다. 특히, 피드백 기반 추천 고도화는 사용자가 서비스에 신뢰를 갖고 꾸준히 사용할 수 있는 선순환 구조를 만들 수 있다는 점에서 의미가 있다. 🚀