---
type: paper
slug: namjun-cha-2019-ai-recommendation-consumer-preference
title: >-
  Effect of AI Recommendation System on the Consumer Preference Structure in
  e-Commerce: Based on Two types of Preference
authors:
  - '[[namjun-cha]]'
  - '[[hosoo-cho]]'
  - '[[sangman-lee]]'
  - '[[junseokhwang]]'
year: 2019
venue: '[[icact]]'
doi: 10.23919/ICACT.2019.8701967
categories:
  - '[[platform-themes]]'
methods:
  - '[[laboratory-experiment]]'
themes:
  - '[[recommendation-system]]'
  - '[[e-commerce]]'
  - '[[consumer-behavior]]'
last_updated: '2026-05-20T02:06:34+09:00'
---
# Effect of AI Recommendation System on the Consumer Preference Structure in e-Commerce: Based on Two types of Preference

*[[namjun-cha]], [[hosoo-cho]], [[sangman-lee]], [[junseokhwang]] (2019)* · [[icact]] · [DOI ↗](https://doi.org/10.23919/ICACT.2019.8701967)

> AI [[recommendation-system]] 의 효과를 *매출 영향* (Schafer et al. 1999) 또는 *filter bubble / echo chamber* (Pariser 2011; Sunstein 2001) 두 갈래로만 보던 기존 연구의 gap 을 지적하고, *소비자 선호 구조 자체의 변형* 을 종속변수로 삼는 research design 을 제안한다. 선호를 *category preference* (clothes/electronics/furniture 또는 game/sport/news 같은 종류 선호) 와 *attribute preference* (color/size/length 또는 image/text/video/duration 같은 속성 선호) 로 분리, 재화를 *manufactured product* (tangible, search good) 와 *content* (intangible, experience/credence good) 로 분리한 2×2 cell 에 4 가설 (H1a, H1b, H2a, H2b) 을 [[laboratory-experiment]] (4 items × 3-stage) 로 검증할 설계.

- **RQ**: AI 추천 시스템은 소비자의 *category 선호* 와 *attribute 선호* 에 각각 어떻게 영향을 주는가, 그리고 그 효과는 *manufactured product* vs *content* 의 재화 유형에 따라 어떻게 달라지는가
- **방법론**: [[laboratory-experiment]] (3-stage: 설명 → 4-item choice set 반복 관찰 → interview), HTML 기반 responsive choice system 으로 온라인 쇼핑 환경 simulate
- **데이터**: 향후 실험 데이터 (본 paper 는 research design 단계, empirical 결과 없음)
- **주요 발견**: 가설 — H1a *제품은 카테고리 선호 확장 효과*, H1b *제품은 속성 선호 확장 효과 없음* (Carpenter and Nakamoto 1989 의 pioneering attribute capture 가설); H2a *콘텐츠는 카테고리 선호 확장 효과 없음*, H2b *콘텐츠는 속성 선호 확장 효과* (experience / credence good 특성으로 추천 정보 의존도 큼)
- **시사점**: e-commerce 플랫폼의 추천 시스템 운영 전략에 *preference type × goods type* 의 2×2 측정 차원 제공; manufactured product 추천은 *category 확장*, content 추천은 *attribute 확장* 으로 차별화

![AI 추천 시스템과 소비자 선호 구조 (category × attribute) 의 3-stage 실험 설계](/papers/201902_ChaN_Effect_of_AI_Recommendation_System_on_the_Consumer_Preference_Structure_in_e_Commerce_Based_on_Two_types_of_Preference/fig1.jpeg)

## 요약

AI [[recommendation-system]] 의 효과 연구는 두 갈래로 분기됐다. (i) e-commerce 매출 영향 — Schafer et al. (1999), Chen et al. (2012) 의 collaborative filtering · content-based filtering 의 매출 증대 효과. (ii) 정보·미디어의 부정적 효과 — Pariser (2011) filter bubble, Sunstein (2001) echo chamber 의 *다양성 감소 + 의견 양극화* 가설. 그러나 *e-commerce 도메인에서 추천 시스템이 소비자 선호 구조 자체를 어떻게 변형하는가* 는 연구되지 않았다. 본 paper 는 이 gap 을 채우는 research design.

[[namjun-cha]] · [[hosoo-cho]] · [[sangman-lee]] · [[junseokhwang]] 은 선호를 두 차원으로 분리. *Category preference* 는 *어떤 종류를 좋아하는가* (제품: clothes / electronics / furniture, 콘텐츠: game / sport / news). *Attribute preference* 는 *어떤 속성을 좋아하는가* (제품: color / size / length, 콘텐츠: image / text / video / duration). 재화도 *manufactured product* (tangible, search good) 와 *content* (intangible, experience + credence good — Wan et al. 2012, Throsby 2003, Burke 1994) 로 구분.

핵심 가설 4 종은 Carpenter and Nakamoto (1989) 의 *pioneering product 의 attribute capture effect* 와 content 의 *quality uncertainty* 차이에 기반. 제품은 과거 형성된 속성 선호가 견고하므로 추천 시스템이 *카테고리* 만 확장 (H1a) 하고 *속성* 은 확장하지 못함 (H1b). 콘텐츠는 quality 가 사용 전·후 모두 불확실해 추천 정보 의존도가 크므로 *속성* 선호까지 확장됨 (H2b), 단 *카테고리* 는 user 의 ideological motivation (Sunstein) 으로 잘 안 바뀜 (H2a). [[laboratory-experiment]] 는 3 단계 — (1) 절차 설명, (2) 4-item choice set 반복 관찰 (HTML 기반 responsive system, 이전 선택과 타인 선택을 결합한 추천 simulate), (3) interview 로 동기·이유 수집. 4-item choice set 는 random combination of product properties × category, 후속 set 는 이전 선택의 category 또는 attribute 와 새 요소 결합.

한계는 empirical 결과 부재 (본 paper 는 design 단계), single-shot lab setting 의 ecological validity 제약. [[junseokhwang]] 4 기 (2020-2023) 초입의 *AI 시대 collective intelligence* 라인 — 1 저자 [[namjun-cha]] 의 박사과정 연구 시작점. 동일 ICACT 2019 학회 발표 [[li-yan-2019-video-diffusion-bilibili]] 와 sibling.

## 핵심 결과

본 paper 는 research design 단계로 empirical 결과 없음. 4 가설 cell:

| 재화 \ 선호 | Category preference | Attribute preference |
|---|---|---|
| **Manufactured product** | H1a: 추천 시스템이 *증가* | H1b: 추천 시스템이 *증가시키지 않음* |
| **Content** | H2a: 추천 시스템이 *증가시키지 않음* | H2b: 추천 시스템이 *증가* |

이론 근거 — H1a/H1b: Carpenter and Nakamoto (1989) 의 *pioneering product attribute capture* (과거 형성된 속성 선호는 잘 안 변함). H2a/H2b: Wan et al. (2012), Throsby (2003), Burke (1994) 의 *content = experience + credence good* (사용 전·후 모두 quality 불확실, 추천 의존도 큼).

## 연구 계보

[[recommendation-system]] 기술 라인 — Pazzani (1999) content-based filtering, Schafer et al. (2007) collaborative filtering, Koren et al. (2009) matrix factorization. E-commerce 추천 매출 효과 — Schafer et al. (1999), Chen et al. (2012) business intelligence. 부정적 효과 라인 — Pariser (2011) filter bubble, Sunstein (2001) echo chamber. Consumer preference 이론 — Lancaster (1966) characteristics theory, Thaler (1980) positive theory, Carpenter and Nakamoto (1989) pioneering advantage. Marketing 의 design / advertising 효과 — Bloch (1995), Phillips et al. (2014), Park and Young (1986), Lee, Hosanagar and Nair (2018). Experience/credence good 토대 — Wan et al. (2012), Throsby (2003), Burke (1994). [[junseokhwang]] 4 기 (2020-2023) 의 AI 시대 [[platform-ecosystem]] / 소비자 행동 라인의 시작 작업. 동일 학회 ICACT 2019 발표 [[li-yan-2019-video-diffusion-bilibili]] (1 저자 Yan, 공저자 [[junseokhwang]]) 와 sibling — 둘 다 *플랫폼이 소비자/사용자 행동에 미치는 영향* 측정 디자인 라인.

## See also

- [[junseokhwang]]
- [[namjun-cha]]
- [[icact]]
- [[recommendation-system]]
- [[e-commerce]]
- [[laboratory-experiment]]
- [[consumer-behavior]]
- [[li-yan-2019-video-diffusion-bilibili]]