# 틱톡, 릴스, 쇼츠가 당신의 시간을 가져오는 법

최근 Pew(Pew Research Center)에서 진행한 '미국 성인을 대상 틱톡 사용 행태 조사'에서 무척 재밌는 부분이 있어 공유드려 봅니다.  

[How U.S. Adults Use TikTok](https://www.pewresearch.org/internet/2024/02/22/how-u-s-adults-use-tiktok/)

- 소수의 열정적 사용자가 대다수의 콘텐츠를 생성합니다. TikTok에서 활동하는 미국 성인 사용자들 중 상위 25%가 전체 공개 동영상의 98%를 생산하고 있습니다. 이는 Twitter 사용자에 대한 Pew의 이전 연구와 일관된 결과로, 플랫폼 상에서 소수의 활동적 사용자들이 대부분의 콘텐츠를 창출하고 있음을 보여줍니다.

- 대부분의 사용자는 거의 또는 전혀 동영상을 게시하지 않습니다. 미국 성인 TikTok 사용자의 절반 가량은 자신의 동영상을 한 번도 게시한 적이 없습니다. 또한, 대다수의 사용자는 자신의 계정에 '바이오' 정보를 추가하지 않는 경향이 있습니다.

- 게시 활동은 연령대에 따라 크게 다르지 않습니다. 18세에서 34세 사이의 젊은 사용자들은 TikTok을 사용할 확률이 더 높지만, 이 연령대의 사용자들 중 절반 정도만이 실제로 동영상을 게시한 경험이 있으며, 이는 35세에서 49세 사이의 사용자들과 비슷한 비율입니다.

- 동영상을 게시하는 사용자들은 플랫폼에서 더 활발하게 활동합니다. 동영상을 게시한 사용자들은 그렇지 않은 사용자들에 비해 더 많은 사용자를 팔로우하며, 더 많은 팔로워를 보유하고 있습니다. 그들은 또한 자신의 'For You' 페이지에 제시된 콘텐츠에 대해 매우 흥미롭다고 응답할 가능성이 더 높습니다.

- 'For You' 페이지에 대한 만족도가 높습니다. TikTok 사용자의 약 85%는 자신의 'For You' 페이지에 나타나는 콘텐츠에 대해 어느 정도 흥미로워하며, 이 중 40%는 매우 또는 극히 흥미롭다고 평가합니다.

---

이 부분에서 주목할 만한 것은 파레토의 법칙(80/20)은 여전히 유효하며 이는 트위터에서 부터 계속 해서 관찰 되는 경향입니다. 사실 이런 활발한 소수에게 침묵하는 다수가 따라가는 것은 사회적으로도 자주 보이는 현상입니다.(정치, 커뮤니티, 학교 등) 당연하게도 이렇게 활발하게 활동하는 이들은 대부분 더 잦은 피드백과 많은 기능의 사용을 합니다. 

[https://slashpage.com/haebom/k4w67rj24xrk425yq8ep](https://slashpage.com/haebom/k4w67rj24xrk425yq8ep)

또 하나 인상적인 것은 TikTok 등이 꼭 Z세대의 전유물이 아니라는 것 입니다. 위의 조사에도 나온 바와 같이 젊은 층이 숏폼콘텐츠를 보거나 사용할 확률이 더 높긴 하지만 게시를 하거나 활발하게 활동하는 유저의 비율을 보면 크게 다르지 않습니다. 이는 그냥 세대별로 즐겨쓰는 소셜 미디어의 차이 정도로 봐야할 것 같습니다.

![Image](https://upload.cafenono.com/image/slashpagePost/20240225/000229_5B99nQmyeve5gGsdLm?q=75&s=1280x180&t=outside&f=webp)

마지막으로 릴스, 틱톡, 숏폼 등은 결국 추천 기능에서 많은 것들이 갈린 다는 것 입니다. 실제로 이것은 트위터, 메타 등의 추천 알고리즘을 기반으로 틱톡 등을 유추해 볼 수 있는데 이 추천이 사용자들이 콘텐츠 하이퍼 루프에 빠지게 만드는 가장 주요 원인으로 손 꼽힙니다. (사용자 대부분이 추천 기능이 강력하다고 발언)

[GitHub - twitter/the-algorithm: Source code for Twitter's Recommendation Algorithm](github.com/twitter/the-algorithm)

[AI가 Facebook과 Instagram에서 보이는 콘텐츠에 영향을 미치는 방식 | Meta 소개](https://about.fb.com/ko/news/2023/06/ai%EA%B0%80-facebook%EA%B3%BC-instagram%EC%97%90%EC%84%9C-%EB%B3%B4%EC%9D%B4%EB%8A%94-%EC%BD%98%ED%85%90%EC%B8%A0%EC%97%90-%EC%98%81%ED%96%A5%EC%9D%84-%EB%AF%B8%EC%B9%98%EB%8A%94-%EB%B0%A9%EC%8B%9D/)

이미 공개된 트위터, 메타 등의 추천 알고리즘은 간단하게 말하면 IAPO라는 기본적 구성을 같이 합니다.

- 인벤토리(Inventory):

사용자의 기본적 정보(나이, 성별, 인종, 지역 등)와 사용자가 평소 좋아하는 혹은 상호작용하는 그룹, 관심사 등을 기반으로 사용자를 구성하는 인벤토리를 구성합니다. 쉽게 말해 `"보통 이런 애들은 이거 좋아함"`으로 일단 분류를 합니다.

- 평가(Assess):

이제 사용자들은 자신의 인벤토리를 기반으로 노출된 콘텐츠에 반응합니다. 오래 보거나, 좋아요를 누르거나, 댓글을 달거나, 차단을 하는 등 모든 행위에 대해 평가가 들어갑니다. 또한 이것을 모바일과 웹 등 어떤 환경에서 보는지에 따라 다른지를 확인 합니다. `"이런걸 좋아하고, 이런건 관심이 없구나"`를 파악하는 단계 입니다.

- 예측(Predict):

이제 어느정도 데이터가 쌓이면 사용자에게 개인화된 화면을 보여줍니다. 각 플랫폼 별로 가중치는 다르지만 결국 예측과 정렬, 평가를 통해 반복해서 개선해서 나갑니다. 우리가 유튜브(숏츠 포함), 릴스, 틱톡 등을 보면서 가끔은 `소름돋게 나의 취향을 잘 맞추는 게` 바로 이 부분 입니다.

- 정렬(Order):

이것은 우리가 흔히 말하는 '알고리즘'이라 부르는 영역입니다. 앞서 인벤토리을 기반으로 노출을 시킬 콘텐츠는 예측과 평가에서 좋은 지표를 보인 콘텐츠 위주로 우선 정렬됩니다. 이것은 당연히 부정적인 반응도 들어가기에 실제로 '싫어요'테러나 신고를 할 경우 해당 콘텐츠 및 계정은 알고리즘을 탈 확률이 줄어들며 자연 유입(organic)도 떨어질 수 밖에 없습니다. `"즉, 이거 인기 많더라 혹은 반응 좋을 것 같음"`으로 판정된 콘텐츠를 우선적으로 보여준다는 것 입니다. 

이야기 하다 보니 추천 알고리즘 이야기가 되었는데 최근 트렌드가 개인정보보호 레벨이 높아지고 쿠키 수집 또한 제한 되는 경우가 많아지면서 결국 누가 인벤토리를 많이 확보해 놓았고 미리 미리 평가 데이터 셋을 잘 구조화 시켰는지가 이후 추천 싸움에서 큰 영향을 미칠 것 같습니다.

[구글 ‘쿠키리스’ 정책, 언론사 광고매출 급감 대위기 온다](https://www.mediatoday.co.kr/news/articleView.html?idxno=315408)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).