플랫폼의 알고리즘 기반 자사우대 행위 관련 소비자 행동 실험 연구 결과

보도/해명 상세보기 - 게시물제목명,담당부서,첨부파일,내용 정보 제공

플랫폼의 알고리즘 기반 자사우대 행위 관련 소비자 행동 실험 연구 결과

담당부서 : 경제분석담당관 등록 : 2026-06-26 최종 수정일 : 2026-06-26 조회수 : 1282

첨부파일

260629(조간) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 결과.hwp (hwp, 2.9MB)

260629(조간) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 결과.hwpx (hwpx, 2.7MB)

260629(조간) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 결과.pdf (pdf, 1.0MB)

붙임_플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구.pdf (pdf, 9.3MB)

전체 압축 파일 받기

플랫폼의 알고리즘 기반 자사우대 관련 소비자 행동 실험 연구 결과

- 공정위, 소비자 3,072명 대상 무작위 통제 실험(RCT) 연구 결과 발표 -

공정거래위원회(위원장 주병기, 이하 ‘공정위’)는 플랫폼의 알고리즘 기반 자사우대(self-preferencing) 행위가 소비자 선택에 미치는 효과를 실험적으로 규명한 「플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구」보고서를 발간한다.

이번 연구는 디지털 플랫폼이 검색‧추천‧랭킹 알고리즘을 통해 자사의 상품을 우대 노출하는 경우 소비자 선택이 어떻게 변화하는지 실험적으로 검증하기 위해 수행되었다.* 공정위는 실제 온라인 쇼핑몰 인터페이스를 충실히 재현한 온라인 가상 쇼핑몰을 구축하고 소비자 3,072명을 대상으로 무작위 통제 실험**(Randomized Control Trials, RCT)을 실시하였다. 특히 본 연구는 자사우대가 소비자 선택 왜곡에 미치는 인과적 효과뿐 아니라 선택 왜곡 현상을 완화하기 위한 정보 제공형 시정조치(라벨 표시 및 정렬 기준 공시)가 실효적으로 작동하는지도 함께 분석하였다.

* 실험 설계 및 실증 분석은 실험 및 행동경제학 분야 외부 전문가(카이스트 경영공학부 신은철 교수)의 자문 하에 내부 연구진과 외부 전문가가 공동 수행하였음

** 무작위 통제 실험(RCT)은 특정한 처치(treatment) 효과를 식별하기 위해 참가자를 무작위로 처치집단(treatment group)과 통제집단(control group)으로 할당한 뒤, 두 집단 간 처치의 결과 차이를 비교하는 연구 방법론을 말함

연구 결과, 대다수 소비자는 플랫폼이 제시하는 기본 정렬순서의 상위 순위 안에서 탐색과 구매를 완료하는 것으로 나타났다. 이는 가격, 품질 등 상품 고유의 경쟁 요소와 관계없이, 인위적인 알고리즘 조작만으로도 자사 상품의 구매율을 대폭 끌어올릴 수 있음을 나타낸다. 또한 자사 상품임을 알리는 ‘라벨*’ 부착은 오히려 자사 상품의 구매율을 높이는 역효과를 일으키고 정렬 기준을 상세히 안내하는 ‘공시**’ 또한 소비자의 주의를 끌지 못해 소비자의 선택 왜곡을 교정하는 데 구조적 한계가 있다는 점을 확인하였다.

* 라벨: 자사우대 상품을 식별할 수 있도록 개별 자사우대 상품에 부착(‘SCpay’)

** 공시: 정렬 기준에 자사우대 요소가 반영되었음을 안내한 “공시” 배너(“SC랭킹순에는 SC몰의 사업적 이해관계가 반영될 수 있습니다.” 배너 표시 → 배너 클릭 → 랭킹순 정렬기준과 관련 없이 자사 상품을 상단 배치할 수 있다는 안내문 제시)를 말함

<실험 설계>

공정위는 알고리즘 기반 자사우대 효과를 최대한 현실적으로 검증하기 위하여 실제 전자상거래 플랫폼 인터페이스를 충실히 재현한 온라인 가상 쇼핑몰을 구축(붙임 참고)하였다. 참가자들은 모두 두 차례의 쇼핑 과제를 수행하였으며, 1회차에는 모든 집단이 동일한 환경에서, 2회차에는 라벨 표시 여부와 정렬기준 공시 여부에 따라 4개 집단에 무작위로 배정되어 집단별로 다른 인터페이스가 적용되었다. 이때 1회차는 자사우대 조작이 없는 환경이고, 2회차 쇼핑은 자사우대 조작이 적용된 환경이다.

실험에는 구매 특성이 서로 다른 블루투스 스피커, 비타민 C, 롤화장지 등 세 가지 상품군이 활용되었으며, 참가자별로 쇼핑 상품군은 세 가지 중 두 가지가 무작위로 배정되었다. 실험 상품군 및 처치집단의 무작위 배정을 통해 참가자 개인의 고유한 선호나 쇼핑 성향과 구분하여 실험 처치가 소비자 행동에 미치는 영향을 인과적으로 식별할 수 있도록 설계하였다.

특히 본 연구는 소비자가 플랫폼의 검색 순위를 객관적인 품질‧적합도 신호로 인식하는지, 그리고 이러한 인식이 실제 구매 선택 왜곡으로 이어지는지 검증하는 데 초점을 두었다. 이를 위해 2회차 쇼핑에서 가격만 10% 더 비싼 복제 상품을 검색 결과 상단에 인위적으로 배치하는 자사우대 조작을 실시하고, 클릭, 스크롤, 페이지 이동, 정렬 기준 변경, 필터 조작 등 소비자의 탐색 및 구매 행동 전 과정을 행동 로그로 기록하였다. 만약 소비자가 상품의 실질적 가치보다 검색 순위를 품질 신호로 받아들인다면, 상단 상품 선택이 증가하고 하위로 밀려난 경쟁 상품의 선호는 감소하게 된다.

<실험 결과 ① : 강력한 순위 의존성>

연구 결과, 소비자들은 알고리즘이 제시하는 순위에 매우 강하게 의존하는 것으로 나타났다. 전체 구매의 51.7%가 상위 5개 상품에 집중되었으며, 소비자의 94.6%는 첫 페이지 안에서 구매를 완료하였다. 또한 기본 정렬순서를 변경한 소비자는 25.2%에 불과하였고, 필터 기능(상품 기능, 가격대 등 특정 조건을 만족하는 상품을 탐색하는 도구)을 전혀 사용하지 않은 소비자는 83.8%에 달해 플랫폼이 제시하는 기본 정렬순서와 순위를 그대로 수용하는 경향이 뚜렷하게 나타났다.

<실험 결과 ② : 알고리즘 조작으로 인한 선택 왜곡>

이러한 상황에서 플랫폼이 가격만 10% 더 비싼 자사우대 상품(1회차 쇼핑에서 중하위권에 있었으나 2회차에서 상단 배치된 복제품)을 검색 결과 상단에 배치하자 해당 상품의 구매율은 약 34% 포인트 상승(자사우대 전 1% → 자사우대 후 35%)하였다. 반면 원래 상위권에 위치하던 경쟁 상품은 자사우대 상품이 상단에 배치되고 검색 순위가 밀리고 구매율이 약 32% 포인트 감소(자사우대 전 52% → 자사우대 후 20%)하여 자사우대가 특정 상품의 판매를 증가시키는 동시에 경쟁 상품의 선택 기회를 현저히 감소시키는 효과를 가져오는 것으로 나타났다. 이는 소비자가 플랫폼이 제시하는 순위를 상품의 품질이나 적합성 등을 반영한 일정한 품질 신호로 오인하기 쉽기 때문이며, 결과적으로 단순한 순위 조작만으로도 플랫폼 의도에 따라 최종 구매 선택이 크게 왜곡될 수 있음을 의미한다.

<실험 결과 ③ : 정보 제공형 시정조치의 한계>

선택 왜곡을 완화하기 위한 정보 제공형 시정조치*(라벨 표시 및 정렬 기준 공시)의 효과는 제한적인 것으로 분석되었다. 자사우대 상품에 부착된 라벨은 소비자의 적극적 탐색 행동을 감소시키고 자사우대 상품 구매율을 추가로 약 4.5% 포인트 높이는 결과를 보였다. 정렬 기준에 대한 투명성 공시는 실제 이를 확인하는 소비자 비율이 10.7%에 그쳐 대다수 소비자에게 충분히 전달되지 못한 것으로 나타났다. 다만, 공시를 실제로 확인한 소비자 일부 집단에서는 자사우대 상품 구매율이 약 18.4%p 감소하는 경향이 관찰되었다.

* EU에서 주요 플랫폼 검색 순위 알고리즘에 ‘광고 및 수수료’의 영향이 반영된 경우 그 사실을 고지해야 하는 규제(Regulation (EU) 2019/1150 Article 5(3))를 참고함

한편 소비자들은 더 비싼 자사우대 상품을 구매한 경우에도 이를 후생 손실로 인식하지 못하는 것으로 나타났다. 오히려 소비자는 더 비싼 자사우대 상품을 구매하고도 구매 만족도와 랭킹 신뢰도가 도리어 높아지는 경향을 보였으며, 이는 알고리즘에 의한 선택 왜곡이 소비자 스스로 인식하기 어려운 구조적 특성을 지니고 있음을 시사한다.

<기대효과 및 향후 계획>

이번 연구는 플랫폼의 알고리즘 기반 자사우대 행위가 소비자 선택에 미치는 인과적 효과를 규명한 공정위 최초의 실험 연구로서 의의가 있다. 특히 플랫폼 시장에서는 알고리즘의 기밀성과 불투명성으로 인해 행위와 시장 성과 간의 인과관계를 입증하기 어려운 경우가 많다는 점에서, 무작위 통제 실험과 같은 실험 방법론이 향후 경쟁정책 연구 및 법집행을 보완하는 유용한 분석 수단이 될 수 있을 것으로 기대한다. 공정위는 앞으로도 디지털 시장에서 나타나는 새로운 경쟁 이슈에 대응하기 위해 실험 연구, 계량경제분석, 행동경제학적 접근 등 다양한 경제분석 방법론을 적극적으로 활용해 나갈 계획이다.

공정거래위원회 보도자료 저작물은 " 공공누리 제1유형(출처표시) " 조건에 따라 누구나 이용할 수 있습니다.

목록 공정거래일반 관련 보도자료

[첨부: 260629(조간) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 결과.hwpx (hwpx, 2.7MB)] 보도자료 보도시점 2026. 6.28.(일) 12:00 <6.29.(월) 조간> / 배포 2026.6. 26.(금) 08:30 플랫폼의 알고리즘 기반 자사우대 관련 소비자 행동 실험 연구 결과 - 공정위, 소비자 3,072명 대상 무작위 통제 실험(RCT) 연구 결과 발표 - ※주말 엠바고 주의 : 6월 28일(일요일) 낮 12시부터 보도가능※ 공정거래위원회 (위원장 주병기, 이하 ‘공정위’) 는 플랫폼의 알고리즘 기반 자사우대(self-preferencing) 행위가 소비자 선택에 미치는 효과를 실험적 으로 규명한 「플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구」보고서 를 발간 한다. 이번 연구는 디지털 플랫폼이 검색‧추천‧랭킹 알고리즘 을 통해 자사의 상품을 우대 노출하는 경우 소비자 선택이 어떻게 변화하는지 실험적으로 검증하기 위해 수행되었다. * 공정위는 실제 온라인 쇼핑몰 인터페이스를 충실히 재현한 온라인 가상 쇼핑몰 을 구축하고 소비자 3,072명 을 대상으로 무작위 통제 실험 * * (Randomized Control Trials, RCT)을 실시하였다. 특히 본 연구는 자사우대가 소비자 선택 왜곡에 미치는 인과적 효과뿐 아니라 선택 왜곡 현상을 완화하기 위한 정보 제공형 시정조치 (라벨 표시 및 정렬 기준 공시)가 실효적으로 작동하는지도 함께 분석하였다. * 실험 설계 및 실증 분석은 실험 및 행동경제학 분야 외부 전문가(카이스트 경영공학부 신은철 교수)의 자문 하에 내부 연구진과 외부 전문가가 공동 수행하였음 ** 무작위 통제 실험(RCT)은 특정한 처치(treatment) 효과를 식별하기 위해 참가자를 무작위로 처치집단(treatment group)과 통제집단(control group)으로 할당한 뒤, 두 집단 간 처치의 결과 차이를 비교하는 연구 방법론을 말함 연구 결과, 대다수 소비자는 플랫폼이 제시하는 기본 정렬순서의 상위 순위 안에서 탐색과 구매를 완료 하는 것으로 나타났다. 이는 가격, 품질 등 상품 고유의 경쟁 요소와 관계없이, 인위적인 알고리즘 조작 만으로도 자사 상품의 구매율 을 대폭 끌어올릴 수 있음을 나타낸다. 또한 자사 상품임을 알리는 ‘ 라벨 * ’ 부착은 오히려 자사 상품의 구매율을 높이는 역효과 를 일으키고 정렬 기준을 상세히 안내하는 ‘ 공시 ** ’ 또한 소비자의 주의 를 끌지 못해 소비자의 선택 왜곡을 교정 하는 데 구조적 한계 가 있다는 점을 확인하였다. * 라벨 : 자사우대 상품을 식별할 수 있도록 개별 자사우대 상품에 부착(‘SCpay’) ** 공시 : 정렬 기준에 자사우대 요소가 반영되었음을 안내한 “공시” 배너(“SC랭킹순에는 SC몰의 사업적 이해관계가 반영될 수 있습니다.” 배너 표시 → 배너 클릭 → 랭킹순 정렬기준과 관련 없이 자사 상품을 상단 배치할 수 있다는 안내문 제시)를 말함 <실험 설계> 공정위는 알고리즘 기반 자사우대 효과를 최대한 현실적으로 검증하기 위하여 실제 전자상거래 플랫폼 인터페이스 를 충실히 재현 한 온라인 가상 쇼핑몰 을 구축(붙임 참고)하였다. 참가자들은 모두 두 차례의 쇼핑 과제를 수행하였으며, 1회차 에는 모든 집단이 동일한 환경에서, 2회차 에는 라벨 표시 여부와 정렬기준 공시 여부에 따라 4개 집단 에 무작위 로 배정 되어 집단별로 다른 인터페이스가 적용되었다. 이때 1회차 는 자사우대 조작이 없는 환경 이고, 2회차 쇼핑은 자사우대 조작이 적용 된 환경이다. 실험에는 구매 특성이 서로 다른 블루투스 스피커, 비타민 C, 롤화장지 등 세 가지 상품군 이 활용되었으며, 참가자별로 쇼핑 상품군은 세 가지 중 두 가지가 무작위로 배정되었다. 실험 상품군 및 처치집단의 무작위 배정 을 통해 참가자 개인의 고유한 선호나 쇼핑 성향과 구분 하여 실험 처치가 소비자 행동에 미치는 영향을 인과적으로 식별 할 수 있도록 설계하였다. <실험 절차 개요> <상품군 및 처치집단의 무작위 배정 방식> 특히 본 연구는 소비자가 플랫폼의 검색 순위를 객관적인 품질‧적합도 신호로 인식 하는지, 그리고 이러한 인식이 실제 구매 선택 왜곡 으로 이어지는지 검증하는 데 초점을 두었다. 이를 위해 2회차 쇼핑 에서 가격만 10% 더 비싼 복제 상품 을 검색 결과 상단에 인위적으로 배치 하는 자사우대 조작 을 실시하고, 클릭, 스크롤, 페이지 이동, 정렬 기준 변경, 필터 조작 등 소비자의 탐색 및 구매 행동 전 과정을 행동 로그로 기록 하였다. 만약 소비자가 상품의 실질적 가치보다 검색 순위 를 품질 신호 로 받아들인다면, 상단 상품 선택이 증가하고 하위로 밀려난 경쟁 상품의 선호는 감소하게 된다. <알고리즘 기반 자사우대 조작 방식> <실험 결과 ① : 강력한 순위 의존성> 연구 결과, 소비자들은 알고리즘이 제시하는 순위에 매우 강하게 의존하는 것으로 나타났다. 전체 구매의 51.7% 가 상위 5개 상품에 집중 되었으며, 소비자의 94.6% 는 첫 페이지 안에서 구매 를 완료하였다. 또한 기본 정렬순서 를 변경한 소비자 는 25.2% 에 불과하였고, 필터 기능 (상품 기능, 가격대 등 특정 조건을 만족하는 상품을 탐색하는 도구)을 전혀 사용하지 않은 소비자는 83.8% 에 달해 플랫폼이 제시하는 기본 정렬순서와 순위를 그대로 수용하는 경향이 뚜렷하게 나타났다. <실험 주요 결과 ① : 순위 의존성> <실험 결과 ② : 알고리즘 조작으로 인한 선택 왜곡> 이러한 상황에서 플랫폼이 가격만 10% 더 비싼 자사우대 상품 (1회차 쇼핑에서 중하위권에 있었으나 2회차에서 상단 배치된 복제품)을 검색 결과 상단에 배치하자 해당 상품의 구매율은 약 34% 포인트 상승 (자사우대 전 1% → 자사우대 후 35%)하였다. 반면 원래 상위권에 위치하던 경쟁 상품 은 자사우대 상품이 상단에 배치되고 검색 순위가 밀리고 구매율 이 약 32% 포인트 감소 (자사우대 전 52% → 자사우대 후 20%)하여 자사우대가 특정 상품의 판매를 증가시키는 동시에 경쟁 상품의 선택 기회를 현저히 감소 시키는 효과를 가져오는 것으로 나타났다. 이는 소비자가 플랫폼이 제시하는 순위 를 상품의 품질이나 적합성 등을 반영한 일정한 품질 신호로 오인 하기 쉽기 때문이며, 결과적으로 단순한 순위 조작 만으로도 플랫폼 의도에 따라 최종 구매 선택이 크게 왜곡 될 수 있음을 의미한다. <실험 주요 결과 ② : 자사우대 효과> 주) 세로축(구매율 변화)는 2회차 쇼핑 구매율에서 1회차 쇼핑 구매율을 뺀 값을 나타냄 • 우대 효과 : 1회차 중하위권 상품이 2회차 자사우대 조작 후 증가한 구매율 변화 • 배제 효과 : 1회차 상위권 상품이 2회차 자사우대 조작 후 감소한 구매율 변화 <실험 결과 ③ : 정보 제공형 시정조치의 한계> 선택 왜곡을 완화하기 위한 정보 제공형 시정조치 * (라벨 표시 및 정렬 기준 공시)의 효과는 제한적 인 것으로 분석되었다. 자사우대 상품에 부착된 라벨 은 소비자의 적극적 탐색 행동 을 감소 시키고 자사우대 상품 구매율 을 추가로 약 4.5% 포인트 높이는 결과를 보였다. 정렬 기준에 대한 투명성 공시 는 실제 이를 확인하는 소비자 비율이 10.7% 에 그쳐 대다수 소비자에게 충분히 전달되지 못한 것으로 나타났다. 다만, 공시를 실제로 확인한 소비자 일부 집단 에서는 자사우대 상품 구매율이 약 18.4%p 감소 하는 경향이 관찰되었다. * EU에서 주요 플랫폼 검색 순위 알고리즘에 ‘광고 및 수수료’의 영향이 반영된 경우 그 사실을 고지해야 하는 규제(Regulation (EU) 2019/1150 Article 5(3))를 참고함 한편 소비자들은 더 비싼 자사우대 상품 을 구매한 경우에도 이를 후생 손실로 인식하지 못하는 것으로 나타났다. 오히려 소비자는 더 비싼 자사우대 상품을 구매하고도 구매 만족도와 랭킹 신뢰도가 도리어 높아지는 경향을 보였으며, 이는 알고리즘에 의한 선택 왜곡이 소비자 스스로 인식하기 어려운 구조적 특성 을 지니고 있음을 시사한다. <기대효과 및 향후 계획> 이번 연구는 플랫폼의 알고리즘 기반 자사우대 행위가 소비자 선택에 미치는 인과적 효과를 규명한 공정위 최초의 실험 연구 로서 의의가 있다. 특히 플랫폼 시장에서는 알고리즘의 기밀성과 불투명성 으로 인해 행위와 시장 성과 간의 인과관계를 입증하기 어려운 경우가 많다는 점에서 , 무작위 통제 실험 과 같은 실험 방법론이 향후 경쟁정책 연구 및 법집행을 보완 하는 유용한 분석 수단이 될 수 있을 것으로 기대한다. 공정위는 앞으로도 디지털 시장 에서 나타나는 새로운 경쟁 이슈에 대응하기 위해 실험 연구, 계량경제분석 , 행동경제학적 접근 등 다양한 경제분석 방법론 을 적극적으로 활용해 나갈 계획이다. 붙임 1. 실험 설계 상세 내용 2. 연구보고서 담당 부서 조사관리관 경제분석담당관 책임자 과 장 김상현 (04-●●●●-4606) 담당자 사무관 이세주 (04-●●●●-4615) 참고 실험 설계 상세 내용 □ (실험 대상) 온라인 쇼핑 경험 소비자 약 3천 명 □ (실험 사항) 국내 온라인 쇼핑 인터페이스를 재현한 가상 쇼핑몰에서 총 2회의 쇼핑 과제를 수행하면서 실시간 행동 로그 데이터를 수집 ㅇ 실험 참가자는 3개 품목(블루투스 스피커, 비타민C, 롤화장지) 중 2개 품목을 무작위로 배정받아, 1회차, 2회차에 각각 다른 품목을 쇼핑함 <실험 절차 개요> <가상 쇼핑몰(SC몰) 화면 예시(PC)> 주) ① 필터 조작과 ③ 정렬 기준 조작은 모든 참가자 그룹에 공통적으로 나타나는 인터페이스 기능이다. 반면, ② 정렬 기준에 대한 투명성 공시(disclosure) 와 ④ 라벨(SCpay) 부착 여부 는 참가자 그룹별로 다른 인터페이스가 적용된다. <가상 쇼핑몰(SC몰) 화면 예시(모바일)> □ (처치 설계) 1회차 쇼핑(자사우대 미적용)을 기준선으로 하고, 2회차 쇼핑(자사우대 적용)이 순위 조작이 적용된 처치 조건임 ㅇ (1회차) 국내 온라인 쇼핑의 정렬순서를 그대로 따름(공통 적용 화면) ㅇ (2회차) 하위권 원본상품 10개 선정 → 가격만 10% 인상한 복제품을 생성해 상단 순위에 배치(처치집단 4개 각각 다른 화면 적용) <자사우대 조작 방식> ㅇ (2X2 처치집단 설계) 정보 제공형 시정조치(라벨 및 투명성 공시) 효과를 확인하기 위해 다음과 같이 처치 그룹 설정 <2X2 처치집단 설계> 구분 라벨 미표시 라벨 표시 공시(Disclosure) 미표시 그룹 1(G1) 그룹 2(G2) 공시(Disclosure) 표시 그룹 3(G4) 그룹 4(G4) * EU의 자사우대 관련 규제를 참고(호텔스닷컴 등 주요 OTA 플랫폼에 대해 알고리즘 정렬 기준에 상단에 노출된 아이템이 인기순이 아니라 ‘광고 및 수수료’ 영향이 반영 된다는 사실을 고지해야 함)하여 ‘SC랭킹순에 사업적 이해관계가 반영’되어 있음을 고지 <공시 상세 안내문 화면(라벨+공시)> 주) 정렬 기준에 대한 투명성 공시(disclosure) “이 순서는 어떻게 정해졌나요?” 클릭 시 상세 안내문이 팝업창으로 나타난다.

[첨부: 260629(조간) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 결과.pdf (pdf, 1.0MB)] - 1 - 보도자료 보도시점 2026. 6. 28.(일) 12:00 < 6. 29.(월) 조간 > / 배포 2026. 6. 26.(금) 08:30 플랫폼의 알고리즘 기반 자사우대 관련 소비자 행동 실험 연구 결과 - 공정위, 소비자 3,072명 대상 무작위 통제 실험(RCT) 연구 결과 발표 - ※ 주말 엠바고 주의 : 6월 28일 (일요일) 낮 12시부터 보도가능 ※ 공정거래위원회(위원장 주병기, 이하 ‘공정위’)는 플랫폼의 알고리즘 기반 자사우대(self-preferencing) 행위가 소비자 선택에 미치는 효과를 실험적 으로 규명한 「플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구」보고서를 발간한다. 이번 연구는 디지털 플랫폼이 검색‧추천‧랭킹 알고리즘을 통해 자사의 상품을 우대 노출하는 경우 소비자 선택이 어떻게 변화하는지 실험적으로 검증하기 위해 수행되었다.* 공정위는 실제 온라인 쇼핑몰 인터페이스를 충실히 재현한 온라인 가상 쇼핑몰을 구축하고 소비자 3,072명을 대상으로 무작위 통제 실험**(Randomized Control Trials, RCT)을 실시하였다. 특히 본 연구는 자사우대가 소비자 선택 왜곡에 미치는 인과적 효과뿐 아니라 선택 왜곡 현상을 완화하기 위한 정보 제공형 시정조치(라벨 표시 및 정 렬 기준 공시)가 실효적으로 작동하는지도 함께 분석하였다. * 실험 설계 및 실증 분석은 실험 및 행동경제학 분야 외부 전문가(카이스트 경영공 학부 신은철 교수)의 자문 하에 내부 연구진과 외부 전문가가 공동 수행하였음 ** 무작위 통제 실험(RCT)은 특정한 처치(treatment) 효과를 식별하기 위해 참가자를 무작위로 처치집단(treatment group)과 통제집단(control group)으로 할당한 뒤, 두 집단 간 처치의 결과 차이를 비교하는 연구 방법론을 말함 연구 결과, 대다수 소비자는 플랫폼이 제시하는 기본 정렬순서의 상위 순위 안에서 탐색과 구매를 완료하는 것으로 나타났다. 이는 가격, 품질 등 상품 고유의 경쟁 요소와 관계없이, 인위적인 알고리즘 조작만으로도

-- 1 of 9 --

- 2 - 자사 상품의 구매율을 대폭 끌어올릴 수 있음을 나타낸다. 또한 자사 상품 임을 알리는 ‘라벨*’ 부착은 오히려 자사 상품의 구매율을 높이는 역효과를 일으키고 정렬 기준을 상세히 안내하는 ‘공시**’ 또한 소비자의 주의를 끌지 못해 소비자의 선택 왜곡을 교정하는 데 구조적 한계가 있다는 점을 확인 하였다. * 라벨: 자사우대 상품을 식별할 수 있도록 개별 자사우대 상품에 부착(‘SCpay’) ** 공시: 정렬 기준에 자사우대 요소가 반영되었음을 안내한 “공시” 배너(“SC랭킹순에는 SC몰의 사업적 이해관계가 반영될 수 있습니다.” 배너 표시 → 배너 클릭 → 랭킹순 정렬기준과 관련 없이 자사 상품을 상단 배치할 수 있다는 안내문 제시)를 말함 <실험 설계> 공정위는 알고리즘 기반 자사우대 효과를 최대한 현실적으로 검증하기 위하여 실제 전자상거래 플랫폼 인터페이스를 충실히 재현한 온라인 가상 쇼핑몰을 구축(붙임 참고)하였다. 참가자들은 모두 두 차례의 쇼핑 과제를 수행하였으며, 1회차에는 모든 집단이 동일한 환경에서, 2회차에는 라벨 표시 여부와 정렬기준 공시 여부에 따라 4개 집단에 무작위로 배정되어 집단별로 다른 인터페이스가 적용되었다. 이때 1회차는 자사우대 조작이 없는 환경이고, 2회차 쇼핑은 자사우대 조작이 적용된 환경이다. 실험에는 구매 특성이 서로 다른 블루투스 스피커, 비타민 C, 롤화장지 등 세 가지 상품군이 활용되었으며, 참가자별로 쇼핑 상품군은 세 가지 중 두 가지가 무작위로 배정되었다. 실험 상품군 및 처치집단의 무작위 배정 을 통해 참가자 개인의 고유한 선호나 쇼핑 성향과 구분하여 실험 처치가 소비자 행동에 미치는 영향을 인과적으로 식별할 수 있도록 설계하였다. <실험 절차 개요>

-- 2 of 9 --

- 3 - <상품군 및 처치집단의 무작위 배정 방식> 특히 본 연구는 소비자가 플랫폼의 검색 순위를 객관적인 품질‧적합도 신호로 인식하는지, 그리고 이러한 인식이 실제 구매 선택 왜곡으로 이어 지는지 검증하는 데 초점을 두었다. 이를 위해 2회차 쇼핑에서 가격만 10% 더 비싼 복제 상품을 검색 결과 상단에 인위적으로 배치하는 자사우대 조작을 실시하고, 클릭, 스크롤, 페이지 이동, 정렬 기준 변경, 필터 조작 등 소비자의 탐색 및 구매 행동 전 과정을 행동 로그로 기록하였다. 만약 소비자가 상품의 실질적 가치보다 검색 순위를 품질 신호로 받아들인다면, 상단 상품 선택이 증가하고 하위로 밀려난 경쟁 상품의 선호는 감소하게 된다. <알고리즘 기반 자사우대 조작 방식>

-- 3 of 9 --

- 4 - <실험 결과 ① : 강력한 순위 의존성> 연구 결과, 소비자들은 알고리즘이 제시하는 순위에 매우 강하게 의존 하는 것으로 나타났다. 전체 구매의 51.7%가 상위 5개 상품에 집중되었 으며, 소비자의 94.6%는 첫 페이지 안에서 구매를 완료하였다. 또한 기본 정렬순서를 변경한 소비자는 25.2%에 불과하였고, 필터 기능(상품 기능, 가격대 등 특정 조건을 만족하는 상품을 탐색하는 도구)을 전혀 사용하지 않은 소비자는 83.8%에 달해 플랫폼이 제시하는 기본 정렬순서와 순위를 그대로 수용하는 경향이 뚜렷하게 나타났다. <실험 주요 결과 ① : 순위 의존성> <실험 결과 ② : 알고리즘 조작으로 인한 선택 왜곡> 이러한 상황에서 플랫폼이 가격만 10% 더 비싼 자사우대 상품(1회차 쇼핑에서 중하위권에 있었으나 2회차에서 상단 배치된 복제품)을 검색 결과 상단에 배치하자 해당 상품의 구매율은 약 34% 포인트 상승(자사우대 전 1% → 자사우대 후 35%)하였다. 반면 원래 상위권에 위치하던 경쟁 상품은 자사우대 상품이 상단에 배치되고 검색 순위가 밀리고 구매율이 약 32% 포인트 감소(자사우대 전 52% → 자사우대 후 20%)하여 자사우대가 특정 상품의 판매를 증가시키는 동시에 경쟁 상품의 선택 기회를 현저히 감소 시키는 효과를 가져오는 것으로 나타났다. 이는 소비자가 플랫폼이 제시하는 순위를 상품의 품질이나 적합성 등을 반영한 일정한 품질 신호로 오인하기 쉽기 때문이며, 결과적으로 단순한 순위 조작만으로도 플랫폼 의도에 따라 최종 구매 선택이 크게 왜곡될 수 있음을 의미한다.

-- 4 of 9 --

- 5 - <실험 주요 결과 ② : 자사우대 효과> 주) 세로축(구매율 변화)는 2회차 쇼핑 구매율에서 1회차 쇼핑 구매율을 뺀 값을 나타냄 • 우대 효과 : 1회차 중하위권 상품이 2회차 자사우대 조작 후 증가한 구매율 변화 • 배제 효과 : 1회차 상위권 상품이 2회차 자사우대 조작 후 감소한 구매율 변화 <실험 결과 ③ : 정보 제공형 시정조치의 한계> 선택 왜곡을 완화하기 위한 정보 제공형 시정조치*(라벨 표시 및 정렬 기준 공시)의 효과는 제한적인 것으로 분석되었다. 자사우대 상품에 부착된 라벨은 소비자의 적극적 탐색 행동을 감소시키고 자사우대 상품 구매율을 추가로 약 4.5% 포인트 높이는 결과를 보였다. 정렬 기준에 대한 투명성 공시는 실제 이를 확인하는 소비자 비율이 10.7%에 그쳐 대다수 소비자 에게 충분히 전달되지 못한 것으로 나타났다. 다만, 공시를 실제로 확인 한 소비자 일부 집단에서는 자사우대 상품 구매율이 약 18.4%p 감소하는 경향이 관찰되었다. * EU에서 주요 플랫폼 검색 순위 알고리즘에 ‘광고 및 수수료’의 영향이 반영된 경우 그 사실을 고지해야 하는 규제(Regulation (EU) 2019/1150 Article 5(3))를 참고함 한편 소비자들은 더 비싼 자사우대 상품을 구매한 경우에도 이를 후생 손실로 인식하지 못하는 것으로 나타났다. 오히려 소비자는 더 비싼 자사 우대 상품을 구매하고도 구매 만족도와 랭킹 신뢰도가 도리어 높아지는 경향을 보였으며, 이는 알고리즘에 의한 선택 왜곡이 소비자 스스로 인식 하기 어려운 구조적 특성을 지니고 있음을 시사한다.

-- 5 of 9 --

- 6 - <기대효과 및 향후 계획> 이번 연구는 플랫폼의 알고리즘 기반 자사우대 행위가 소비자 선택에 미치는 인과적 효과를 규명한 공정위 최초의 실험 연구로서 의의가 있다. 특히 플랫폼 시장에서는 알고리즘의 기밀성과 불투명성으로 인해 행위와 시장 성과 간의 인과관계를 입증하기 어려운 경우가 많다는 점에서, 무작위 통제 실험과 같은 실험 방법론이 향후 경쟁정책 연구 및 법집행을 보완하는 유용한 분석 수단이 될 수 있을 것으로 기대한다. 공정위는 앞으로도 디지털 시장에서 나타나는 새로운 경쟁 이슈에 대응하기 위해 실험 연구, 계량경제 분석, 행동경제학적 접근 등 다양한 경제분석 방법론을 적극적으로 활용해 나갈 계획이다. 붙임 1. 실험 설계 상세 내용 2. 연구보고서 담당 부서 조사관리관 경제분석담당관 책임자 과 장 김상현 (04-●●●●-4606) 담당자 사무관 이세주 (04-●●●●-4615)

-- 6 of 9 --

- 7 - 참고 실험 설계 상세 내용 □ (실험 대상) 온라인 쇼핑 경험 소비자 약 3천 명 □ (실험 사항) 국내 온라인 쇼핑 인터페이스를 재현한 가상 쇼핑몰에서 총 2회의 쇼핑 과제를 수행하면서 실시간 행동 로그 데이터를 수집 ㅇ 실험 참가자는 3개 품목(블루투스 스피커, 비타민C, 롤화장지) 중 2개 품목을 무작위로 배정받아, 1회차, 2회차에 각각 다른 품목을 쇼핑함 <실험 절차 개요> <가상 쇼핑몰(SC몰) 화면 예시(PC)> 주) ① 필터 조작과 ③ 정렬 기준 조작은 모든 참가자 그룹에 공통적으로 나타나는 인터페이스 기 능이다. 반면, ② 정렬 기준에 대한 투명성 공시(disclosure)와 ④ 라벨(SCpay) 부착 여부는 참가자 그룹별로 다른 인터페이스가 적용된다.

-- 7 of 9 --

- 8 - <가상 쇼핑몰(SC몰) 화면 예시(모바일)> □ (처치 설계) 1회차 쇼핑(자사우대 미적용)을 기준선으로 하고, 2회차 쇼핑(자사우대 적용)이 순위 조작이 적용된 처치 조건임 ㅇ (1회차) 국내 온라인 쇼핑의 정렬순서를 그대로 따름(공통 적용 화면) ㅇ (2회차) 하위권 원본상품 10개 선정 → 가격만 10% 인상한 복제품을 생성해 상단 순위에 배치(처치집단 4개 각각 다른 화면 적용) <자사우대 조작 방식>

-- 8 of 9 --

- 9 - ㅇ (2X2 처치집단 설계) 정보 제공형 시정조치(라벨 및 투명성 공시) 효과를 확인하기 위해 다음과 같이 처치 그룹 설정 <2X2 처치집단 설계> 구분 라벨 미표시 라벨 표시 공시(Disclosure) 미표시 그룹 1(G1) 그룹 2(G2) 공시(Disclosure) 표시 그룹 3(G4) 그룹 4(G4) * EU의 자사우대 관련 규제를 참고(호텔스닷컴 등 주요 OTA 플랫폼에 대해 알고리즘 정렬 기 준에 상단에 노출된 아이템이 인기순이 아니라 ‘광고 및 수수료’ 영향이 반영된다는 사실을 고 지해야 함)하여 ‘SC랭킹순에 사업적 이해관계가 반영’되어 있음을 고지 <공시 상세 안내문 화면(라벨+공시)> 주) 정렬 기준에 대한 투명성 공시(disclosure) “이 순서는 어떻게 정해졌나요?” 클릭 시 상세 안내 문이 팝업창으로 나타난다.

-- 9 of 9 --

[첨부: 붙임_플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구.pdf (pdf, 9.3MB)] 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 연구부서 경제분석담당관 2026. 6 KOREA FAIR TRADE COMMISSION발 간 등 록 번 호 1 1 - 1 1 3 0 0 0 0 - 1 0 0 0 4 0 - 0 1 Behavioral Experiment on Algorithmic Self-Preferencing in Digital Platform

-- 1 of 136 --

본 저작물은 공공누리 제4유형 조건에 따라 공정거래위원회가 저작권을 보유합니다. 이용 시 출처를 반드시 표시하여야 하며, 상업적 목적의 이용 및 내용 변경은 금지됩니다. 구체적인 저작물 이용 조건은 공공누리 홈페이지(https://www.kogl.or.kr/info/license.do)에서 내용을 확인할 수 있습니다. 본 보고서는 공정거래위원회 경제분석담당관실의 연구 결과물입니다. 수록된 분석 및 견해는 정책 연구 차원의 검토 의견이며, 공정거래위원회의 공식 입장, 사건 의결 또는 정책 결정을 대변하지 않습니다.

-- 2 of 136 --

발간사 6 요 약 9 Ⅰ. 서 론 11 1. 연구 배경 및 필요성 12 2. 연구 범위 및 방법 14 3. 보고서의 구성 17 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 21 1. 알고리즘 기반 자사우대 행위의 개념 및 유형 22 2. 국내외 경쟁당국의 법집행 동향과 규제 쟁점 24 3. 소비자 오인 메커니즘과 실험연구의 필요성 28 Ⅲ. 실험 설계 33 1. 실험 설계 구조 및 인과적 식별 전략 35 2. 모의 플랫폼 및 처치 조건 설계 38 3. 측정 도구 및 데이터 수집 49 Ⅳ. 실증분석 결과 55 1. 표본 특성 및 집단 간 동질성 검증 57 2. 순위 의존 행태 및 탐색 부재 : 1회차 쇼핑(R1) 기저선 분석 60 3. 알고리즘 조작의 인과적 효과 : 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 65 4. 라벨의 소비자 오인 효과: G2(라벨 단독) vs. G1(통제군) 70 5. 정렬기준 투명성 공시의 효과와 그 한계 79 6. 소비자 후생 인식 및 불공정성 지각 92 Ⅴ. 정책적 시사점 101 1. 주요 실증 결과 요약 102 2. 정책적 시사점 105 3. 연구의 한계 및 향후 과제 108 Ⅵ. 결론 110 CONTENTS

-- 3 of 136 --

참고문헌 114 부록 117 부록 A. R1 탐색 행동 기술 통계(이상치 제거 후) 118 부록 B. 사후 만족도 및 인식 설문조사지 120 부록 C. 선택형 컨조인트(CBC) 실험 설계 및 분석 결과 121 부록 D. 처치군별 탐색행동 분석(DID) 결과 126 부록 E. 선형확률모형(LPM) 예측값 범위 진단 결과 127 부록 F. 선형확률모형(LPM) 분석 결과 128 부록 G. Pooled OLS 회귀모형에 대한 강건성 검정 129 부록 H. 만족도 및 인식 조사에 대한 t검정 결과 131

-- 4 of 136 --

<표 2-1> 실험 연구 핵심 가설 32 <표 3-1> 2×2 피험자 간 설계 36 <표 3-2> 가설과 실험 설계의 대응 구조 37 <표 3-3> 2×2 피험자 간 설계 44 <표 3-4> 실험 절차 50 <표 4-1> 표본 집단별 인구통계 특성 57 <표 4-2> 집단 간 동질성 검정 결과 59 <표 4-3> 순위별 누적 구매 집중도(1회차 쇼핑, R1 기준) 60 <표 4-4> 자사 상품 우대 효과와 타사 상품 배제 효과의 정의 66 <표 4-5> 2페이지 이상 이동 탐색자의 자사우대 상품 구매율 69 <표 4-6> 탐색 행동 변수 정의 72 <표 4-7> 라벨의 탐색 행동 억제 효과 분석 결과(G2) 73 <표 4-8> 라벨의 자사우대 상품 구매 강화 효과 분석 결과(G2) 75 <표 4-9> 탐색 성향별 이질적 효과(처치군별 자사우대 상품 구매율) 77 <표 4-10> 공시의 탐색 행동 효과 분석 결과(G3) 81 <표 4-11> 라벨+공시의 탐색 행동 효과 분석 결과(G4) 83 <표 4-12> 자사우대 상품 구매율에 미친 효과(G3, G4) 84 <표 4-13> 탐색 성향(R1 정렬기준 변경)별 공시 클릭 효과 분석 87 <표 4-14> 탐색 성향(R1 정렬기준 변경)별 공시 클릭 효과 분석 결과 88 <표 4-15> 대응표본 t검정 결과(자사우대 처치 이후 피험자 인식 비교) 93 <표 4-16> 처치군별 만족도 비교(2회차 쇼핑) 96 <표 4-17> 독립표본 t검정 결과(자사우대 상품 구매자와 비구매자 간) 97 <표 C-1> CBC 속성 및 수준 조합 121 <표 C-2> CBC 조건부 로짓(Conditional Logit) 추정 결과 122 <표 C-3> CBC 혼합 로짓(Mixed Logit) 추정 결과 123 <표 C-4> 처치군간 효용계수 이질성 분석(Wald 검정) 124 <표 F-1> LPM 분석 결과(식 2, 식 3 관련) 128 <표 F-2> LPM 분석 결과(식 6 관련) 128 <표 G-1> 라벨 → 탐색행동 효과 분석 : 강건성 검정(개인 고정효과 모형) 129 <표 G-2> 라벨 → 자사우대 상품 구매 효과 분석 : 강건성 검정(이상치 제거) 130 <표 G-3> R1 정렬변경 × R2 공시 효과 분석 : 강건성 검정(이상치 제거) 130 <표 H-1> R1 정렬 유지 : 공시 미확인 vs. 확인 독립표본 t검정 131 <표 H-2> R1 정렬 변경 : 공시 미확인 vs. 확인 독립표본 t검정 131 <표 H-3> R2 공시 미확인 : 자사우대 구매 vs. 미구매 독립표본 t검정 131 <표 H-4> R2 공시 확인 : 자사우대 구매 vs 미구매 독립표본 t검정 132 표 목차

-- 5 of 136 --

<그림 1-1> 실험 방법 개요 16 <그림 1-2> 가상 쇼핑몰(SC몰) 화면 예시 16 <그림 1-3> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G4, 라벨+공시) 17 <그림 2-1> 구글의 이중 지위(dual role)와 자사우대 구조 25 <그림 2-2> 아마존의 이중 지위(dual role)와 자사우대 구조 26 <그림 2-3> 알고리즘 조작과 피드백 루프 31 <그림 3-1> 가상 쇼핑몰(SC몰) 화면 예시(PC) 39 <그림 3-2> 가상 쇼핑몰(SC몰) 화면 예시(모바일) 39 <그림 3-3> ‘SC랭킹순’ 정렬기준에 대한 상세 안내( i 클릭 시)(PC) 40 <그림 3-4> ‘SC랭킹순’ 정렬기준에 대한 상세 안내( i 클릭 시)(모바일) 40 <그림 3-5> 자사우대 상품 설계(1회차 쇼핑 vs. 2회차 쇼핑) 41 <그림 3-6> 자사우대 상품 설계(2회차 쇼핑 1, 2, 3페이지) 42 <그림 3-7> 가상 쇼핑몰(SC몰) 내 라벨 적용 예시(모바일) 44 <그림 3-8> 가상 쇼핑몰(SC몰) 내 공시 적용 예시(모바일) 45 <그림 3-9> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G3) 46 <그림 3-10> 호텔스닷컴 정렬기준에 대한 투명성 공시 예시(1) 47 <그림 3-11> 호텔스닷컴 정렬기준에 대한 투명성 공시 예시(2) 47 <그림 3-12> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G4) 48 <그림 3-13> 선택형 컨조인트(CBC) 화면 예시 50 <그림 3-14> 2회차 쇼핑(R2) 내 처치군별 인터페이스 예시(PC) 52 <그림 4-1> 집단 간 주요 플랫폼 이용 경험비율(다중 응답) 58 <그림 4-2> 1회차 쇼핑(R1) SC랭킹순 순위별 구매 비율 61 <그림 4-3> 1, 2회차 쇼핑(R1, R2) SC랭킹순 순위별 누적 구매 비율 61 <그림 4-4> 1회차 쇼핑에서 나타난 소비자의 적극적 탐색 행동의 부재 64 <그림 4-5> 자사우대 상품 설계(2회차 쇼핑 1, 2, 3페이지) 65 <그림 4-6> 처치군별 자사 상품 우대 효과 및 타사 상품 배제 효과 67 <그림 4-7> 라벨의 탐색 행동 억제 효과(G2) 73 <그림 4-8> 처치군별 자사우대 상품 구매율 비교 75 <그림 4-9> 탐색 성향별 이질적 효과(처치군별 자사우대 상품 구매율) 78 <그림 4-10> G3(공시 단독), G4(라벨+공시) 집단 공시 클릭률 80 <그림 4-11> 공시의 탐색 행동 효과(G3) 82 <그림 4-12> 라벨+공시의 탐색 행동 효과(G4) 83 <그림 4-13> 처치군별 자사우대 상품 구매율 비교 85 <그림 4-14> 탐색 성향별 공시 클릭 효과(2회차 쇼핑) 89 <그림 4-15> ‘공시확인×자사우대 상품 구매’에 따른 ‘랭킹 도움’ 인식 90 <그림 4-16> ‘공시확인×자사우대 상품 구매’에 따른 ‘랭킹 중립성’ 인식 90 <그림 4-17> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 구매 만족도 비교 94 <그림 4-18> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 랭킹 도움 인식 비교 94 <그림 4-19> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 랭킹 중립성 인식 비교 94 <그림 4-20> 자사우대 상품 구매자 vs. 비구매자 구매 만족도 인식 비교 97 <그림 4-21> 자사우대 상품 구매자 vs. 비구매자 랭킹 도움 인식 비교 98 <그림 4-22> 자사우대 상품 구매자 vs. 비구매자 랭킹 중립성 인식 비교 99 그림 목차

-- 6 of 136 --

오늘날 우리는 아침에 눈을 뜨는 순간부터 알고리즘의 안내를 받습니다. 무엇을 읽고, 무엇을 사고, 어디서 먹을지 우리가 스스로 결정한다고 생각하는 많은 선택은 사실 이 미 누군가의 설계 위에 놓여 있다고 해도 과언이 아닙니다. 온라인 쇼핑, 배달, 숙박 예약, 콘텐츠 소비에 이르기까지, 이제는 알고리즘 기반이 아닌 서비스를 찾기가 오히 려 더 어려운 시대입니다. 그러나 알고리즘이 주는 편의성의 이면에는, 소비자의 의사결정 방식이 플랫폼의 설계 의도에 따라 바뀌는 즉각적이고 광범위한 파급력이 숨어 있습니다. 이는 전통적인 오 프라인 시장 체재와 비교해 보면 그 차이가 더욱 극명하게 드러납니다. 가령, 대형마트 의 판촉 행사는 자기 상표 상품(Private Brand)을 소비자의 눈에 잘 띄는 진열대에 배 치하더라도 그 영향이 전국의 모든 매장과 지역에 동시에 나타나기 어려웠습니다. 지 역마다 소비자층 구성이나 시장 구조가 다르고 매장별 영업 전략의 작동 방식도 달라 어디까지나 그 영향이 국지적이고 개별적 사건에 머물렀기 때문입니다. 반면, 오늘날의 온라인 플랫폼 알고리즘은 단 하나의 설계 변경만으로도 수천만 명의 선택에 동시에 영향을 미칩니다. 특히 고도로 연결된 온라인 시장에서는 네트워크 규 모가 커지면 커질수록 그 파급력과 잠재적 피해 역시 더욱 확대될 수 있는 특성을 가집 니다. 이처럼 수많은 사용자와 정보가 얽혀 있는 상호 연결된 시스템 안에서는 시장 왜 곡 행위를 초기에 억제하고 차단하는 것이 무엇보다 중요합니다. 그러나 우리는 정작 그러한 변화를 쉽게 감지하기 어렵고 그것이 소비자와 시장에 바람직한 변화인지 여부 를 판단하기조차 어렵습니다. 이런 문제는 플랫폼의 시장지배력이 크고 소비자들이 그 플랫폼이 아닌 다른 대체 플 랫폼을 찾기 어려울 때 더욱 심각해집니다. 플랫폼은 여러 판매자와 소비자 간 효율적 거래를 돕는 매개자이기도 하지만, 플랫폼 자신의 이익을 위해 직접 자사 상품이나 서 비스를 판매하는 이중적 지위(dual role)를 갖기도 합니다. 만약 플랫폼이 알고리즘을 발 간 사

-- 7 of 136 --

통해 소비자 이익보다 플랫폼 자신의 이익을 우선 고려하여 상품을 추천한다면, 이는 심각한 선택 왜곡을 불러올 수 있습니다. 이와 같은 자사우대(self-preferencing)는 소비자가 해당 플랫폼에 더 의존할수록, 다시 말해 역설적으로 우리가 그 플랫폼에 너 무 익숙해져 다른 플랫폼으로 전환이 불편해질 때, 시장의 경쟁 질서를 장기적으로 왜 곡할 가능성이 높아집니다. 본 보고서는 공정거래위원회가 무작위 통제 실험이라는 실험 방법론을 직접 설계하고 수행하여 발간한 최초의 연구보고서입니다. 공정거래위원회는 소비자 3,072명을 대상 으로 한 통제 실험을 통해 알고리즘 기반 자사우대가 체계적인 선택 왜곡을 유발할 수 있다는 사실을 실증적으로 규명하였습니다. 알고리즘의 기밀성과 불투명성으로 인해 행위와 시장 결과 사이의 인과관계를 입증하기 어려운 디지털 시장의 특성을 고려할 때, 이러한 실험 방법론은 전통적 분석 방식의 한계를 보완하는 강력한 도구가 될 수 있습니다. 공정거래위원회는 앞으로 실험 방법론을 포함하여 계량경제분석, 행동경제학적 접근 등 다양한 경제분석 방법론을 법집행 전반에 적극 활용해 나갈 것입니다. 증거에 기반 한 경쟁당국으로서의 분석 역량을 한층 강화하고, 디지털 시장의 새로운 경쟁 문제에 보다 정밀하게 대응해 나가겠습니다. 본 보고서가 플랫폼 규제를 둘러싼 학계, 산업계, 정책 당국의 논의를 한층 깊게 하는 데 기여하기를 바랍니다. 끝으로 이 연구를 위해 헌신해 준 경제분석담당관실 연구진에게 깊이 감사드립니다. 아울러 실험 설계와 분석 전반에 걸쳐 귀중한 학문적 조언을 아끼지 않으신 외부 전문 가분께도 진심으로 감사의 말씀을 드립니다. 2026년 6월 공정거래위원회 위원장

-- 8 of 136 --

강력한 순위 의존성 프로모션 라벨의 오인 강화 투명성 공시의 전달력 한계 피해 인지의 구조적 어려움 첫 페이지, 최상위권에 구매를 집중하며, 순위가 더 높은 상품을 더 나은 상품으로 인식함 라벨(SCpay)이 부착된 경우 소비자의 탐색 범위가 더 줄어들고 선택 왜곡이 심화됨 단순히 정렬기준에 대한 상세한 안내만으로는 소비자의 선택 왜곡이 교정되지 않음 소비자는 알고리즘 조작으로 더 비싼 복제품을 구매하더라도 후생 손실을 인지하기 어려움 단순 정보 제공형 시정조치(라벨 및 공시)로는 알고리즘 조작으로 인한 선택 왜곡을 완화하지 못함 근본적으로 알고리즘 설계 공정성을 제고하기 위한 학제적, 정책적 논의가 필요함 기준선(baseline) 실험 설계 소비자 행동 실험은 어떻게 설계하고 수행했을까? 핵심 요약 (Executive Summary) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 주요 결과 소비자는 알고리즘 조작에 얼마나 취약한가? 첫 페이지에서 구매 완료 첫 페이지에서 구매 완료 94.6 94.6% %정렬 기준을한 번도 안 바꿈 정렬 기준을 한 번도 안 바꿈 74.8 74.8% %상위 5위 이내구매가 집중 상위 5위 이내 구매가 집중 51.7 51.7% %알고리즘 조작후 자사상품구매율 증가 알고리즘 조작 후 자사상품 구매율 증가 +34 +34%p %p 결과 요약 4가지 핵심 발견 실험 참여 동의 및 스크리닝 실험 참여 동의 및 스크리닝 1회차 쇼핑 (자사우대 조작 없음) 1회차 쇼핑 (자사우대 조작 없음) 모든 참여자에게 같은 인터페이스 적용 2회차 쇼핑 (자사우대 조작 있음) 2회차 쇼핑 (자사우대 조작 있음) 라벨 또는 공시 적용 여부에 따라 처치군(4개)별로 각각 다른 인터페이스 적용 사후 설문조사 사후 설문조사 각 쇼핑 회차(1, 2회)별 구매 만족도, 불공정성 인식 조사 3,072명 실험 참여 3개 상품군(블루투스 스피커, 비타민C, 롤화장지) 중 2개 무작위 배정 1회차/2회차 각각 다른 상품 쇼핑 상품1 : 무작위 배정 상품2 : 무작위 배정 처치군 무작위 배정

-- 9 of 136 --

검색·추천·랭킹 알고리즘은 소비자의 선호에 맞는 결과를 효율적으로 제시함으로써 디 지털 플랫폼 서비스의 성장에 기여해 왔다. 온라인 쇼핑, 배달, 숙박 예약 등 플랫폼 기반 서비스가 일상에 깊숙이 자리 잡은 데는 알고리즘이 제공하는 편의성의 역할이 매우 컸다고 볼 수 있다. 다만 알고리즘이 효율적이고 소비자가 그 순위를 신뢰할수록, 알고리즘 설계자의 의도 가 시장 성과에 미치는 영향도 커진다. 소비자는 제한된 정보 안에서 상단 노출 상품을 품질과 적합도가 높은 상품으로 인식하는 경향이 있으며, 탐색 비용을 줄이기 위해 제 시된 순서에 의존하게 될 가능성이 높다. 바로 이 지점에서 플랫폼의 ‘이중 지위(dual role)’ 문제가 발생한다. 플랫폼은 알고리 즘 운영자인 동시에 인접 시장에서 자사 상품을 판매하는 이해관계자이기 때문이다. 이 경우 플랫폼이 자사 상품을 상단에 우대 노출하도록 알고리즘을 조정하더라도, 소 비자는 이것이 조작의 결과인지 품질의 반영인지를 외관상 구별하기 어렵다. 이처럼 플랫폼 사업자가 플랫폼 내에서 자사 상품·서비스를 경쟁사보다 유리하게 취급하는 행 위를 ‘자사우대(self-preferencing)’라 한다. 문제는 알고리즘을 매개로 한 자사우대는 외부에서 조작 여부를 관찰하기 어렵 고, 소비자 역시 피해를 인지하기 어렵다는 점이다. 유럽집행위원회(European Commission, EC)의 구글 쇼핑 및 아마존 사건, 공정거래위원회의 네이버쇼핑 및 쿠 팡 사건 등 주요국 경쟁당국의 법집행이 잇따르는 것은 이러한 우려가 현실화하였음을 보여준다. 본 연구는 이 문제를 3,072명 대상의 무작위 통제 실험(Randomized Controlled Trials, RCT)을 통해 실증하였다. 실험 결과, 소비자 구매의 51.7%가 상위 5위 이내에 집중되고 94.6%가 첫 페이지를 벗어나지 않는 강한 ‘순위 의존 행태’가 확인되었다. 또 한 정렬 기준을 스스로 변경한 소비자는 25.2%에 불과했고, 필터를 단 한 번도 사용하 요 약

-- 10 of 136 --

지 않은 소비자는 83.8%에 달해 소비자가 알고리즘이 제시한 순서를 거의 그대로 수용 하고 있음이 드러났다. 이러한 탐색 관성(inertia)이 존재하는 상황에서 자사우대가 적용되자, 10% 더 비싼 자 사우대 복제품의 구매율은 약 34%p 상승한 반면, 원래 상위에 노출되던 경쟁 상품의 구매율은 약 32%p 급감했다. 특히 프로모션 라벨 부착은 소비자의 적극적인 탐색 행동을 축소하고 선택 왜곡을 심 화시켜 자사우대 상품 구매율을 4.5%p 추가로 상승시켰다. 이는 정보 라벨이 오히려 알고리즘의 편향 효과를 강화할 수 있음을 보여준다. 반면, 정렬기준 투명성 공시는 실 제 클릭률이 10.7%에 불과해 대다수 소비자에게 전달되지 못했고, 라벨의 오인 효과 를 상쇄하지도 못했다. 다만 공시를 확인한 일부 집단은 자사우대 상품 구매를 억제하 는 행동을 보여, 공시가 없는 환경에서 소비자는 알고리즘 순위에 대해 일정한 오인성 을 가진다는 점을 부분적으로 증명했다. 한편 소비자는 더 비싼 상품을 구매하고도 후 생 손실을 인지하지 못했으며, 오히려 조작된 순위를 더 신뢰하는 역설적인 결과가 나 타났다. 더욱이 플랫폼 시장에서는 알고리즘의 기밀성 및 불투명성으로 인해 행위와 시장 결 과 간의 상당한 인과관계 또는 가능성, 즉 경쟁제한효과를 명확히 입증하기가 매우 까 다롭다. 또한, 알고리즘 조작의 피해는 소비자가 스스로 인식하기 어려운 구조적 성격 을 지니므로, 단순한 라벨 부착이나 공시 같은 정보 제공형 시정조치만으로는 선택 왜 곡을 교정하기 어렵다는 한계도 존재한다. 따라서 전통적 입증 방식의 한계를 보완하 고 행위 전후 엄밀한 반사실적(counterfactual) 인과 추론 근거를 확보하기 위해, 법집 행 과정에서 실험적 방법론을 적극 도입할 필요가 있다. 또한, 근본적으로는 알고리즘 의 효율성을 훼손하지 않으면서 그 편향 가능성을 어떻게 견제할 것인지, 규제의 비례 성과 실효성을 어떻게 확보할 것인지에 대한 학제적·정책적 논의가 필요한 시점이다.

-- 11 of 136 --

서 론 1. 연구 배경 및 필요성 / 12 2. 연구 범위 및 방법 / 14 3. 보고서의 구성 / 17 Ⅰ 11

-- 12 of 136 --

12 Ⅰ 서 론 1. 연구 배경 및 필요성 온라인 쇼핑, 배달 등 분야에서 디지털 플랫폼이 소비자 구매의 주요 경로로 자리 잡으 면서, 검색·추천·랭킹 알고리즘은 소비자가 방대한 상품 정보를 효율적으로 탐색할 수 있도록 돕는 핵심적 도구로 기능하고 있다. 수백만 개의 상품 가운데 소비자의 선호와 맥락에 부합하는 상품을 신속하게 제시하는 알고리즘은 탐색 비용을 획기적으로 낮추 고 구매 만족도를 높이는 순기능을 수행하였다. 그러나, 문제는 이 거래가 이뤄지는 시장에서 플랫폼 자신이 운영자(심판)이자 인접 시 장의 사업자(선수)라는 이중 지위(dual role)를 갖고 있고, 그러한 이중 지위를 지닌 플 랫폼이 스스로 알고리즘을 설계할 때 발생한다. 플랫폼이 알고리즘을 자사 상품(예: Private Brand 상품)에 유리하게 조정하는 이른바 ‘자사우대(self-preferencing)’ 행 위가 이뤄지면, 알고리즘은 소비자의 탐색을 돕는 도구가 아니라 선택을 왜곡하는 수 단으로 변질될 수 있다. 가령, 플랫폼의 랭킹 알고리즘이 플랫폼 자신의 이해관계가 반 영되었다고 하더라도, 소비자는 그러한 사실을 인식하지 못하고, 상위 노출 상품을 더 우수한 상품으로 받아들이며 더 많이 구매하는 경향을 보일 수 있다. 특히 이 문제가 심각한 것은 검색·추천·랭킹 알고리즘에 플랫폼 자신의 이해관계가 얼마나 반영되어 있는지 소비자 입장에서 구별하기가 매우 어렵다는 점이다. 이러한 문제의식은 이미 주요국 경쟁당국의 법집행과 규제 논의로 이어지고 있다. 유럽집행위원회(EC)는 2017년 구글 쇼핑 사건에서 구글이 자사 비교쇼핑 서비스

-- 13 of 136 --

13 Ⅰ. 서 론 를 검색결과 상단에 우대 노출하고 경쟁 서비스에는 강등 알고리즘을 적용한 행위 를 시장지배적지위 남용행위로 판단하였으며, 2024년 유럽사법재판소(European Court of Justice, ECJ)의 최종 판결로 확정되었다. 유럽집행위원회(EC)는 아마존 동의의결(2022) 사건에서도 바이박스(Buy Box) 알고리즘과 프라임(Prime) 배지 자 격 부여를 통한 자사우대 행위를 문제 삼았다. 미국 연방거래위원회(Federal Trade Commission, FTC) 역시 아마존의 바이박스 운영 및 기만적 멤버십 관행에 대해 제소 하였다. 국내에서도 공정거래위원회(공정위)는 2020년 네이버쇼핑 사건, 2024년 쿠팡 사건 등에서도 자사우대 행위를 문제 삼아 시정명령과 과징금을 부과하였다. 이들 사 건에서 공통적으로 확인되는 점은 소비자가 검색 상단에 노출된 상품을 선택할 가능성 이 압도적으로 높으며, 이러한 선택의 기준이 되는 순위(랭킹)가 상품의 객관적인 품질 과 반드시 일치하지 않는다는 점이다. 행동경제학 연구는 이러한 현상이 나타나는 인지적 메커니즘을 설명한다. 소비자는 정 보가 과다하거나 불확실성이 높은 상황에서 직관적 판단(heuristics)에 의존하는 경향 이 있으며, 이는 체계적이고 예측 가능한 방향의 오류 즉, 편향(bias)으로 이어질 수 있다. 대표적으로 소비자는 상위 노출 순위를 품질의 신호로 해석하거나 기본 설정 (default)을 쉽게 변경하지 않으려는 현상 유지 편향(status quo bias)을 보인다. 특히, 주목할 점은 플랫폼의 랭킹 알고리즘과 사용자 인터페이스(User Interface, UI) 설계 가 소비자 선택과 후생에 실질적 영향을 미친다는 점이다. 알고리즘 편향에 대한 우려는 학계뿐 아니라 주요 경쟁당국과 정책기관에서도 지속적 으로 제기되어 왔으며, 최근에는 실험 연구를 통해 소비자 행동 왜곡 효과를 직접 검 증하려는 시도가 활발히 이루어지고 있다. EC의 온라인 여행 예약 플랫폼 실험 연구 (2020)는 추천 라벨·배지 등이 소비자의 비합리적 구매를 체계적으로 유도한다는 점 을, 영국 행동과학 전문기관 행동통찰팀(Behaviour Insights Team, BIT)의 알고리즘 실험 연구(2024)는 라벨, 배지와 같은 UI 설계보다 검색 순위(랭킹) 자체가 소비자 선 택에 더 결정적 영향을 미친다는 점을 실증하였다.

-- 14 of 136 --

14 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 1) EU의 자사우대 관련 규제를 참고한 것으로 호텔스닷컴 등 주요 온라인 여행 예약 플랫폼은 랭킹 알고리즘 정렬기준에 따라 상단에 노출된 상품이 인기순이 아니라 ‘광고 및 수수료’의 영향이 반영된 경우 그 사실을 고지해야 하는데, 본 실험에서는 “SC랭킹순(기본랭킹순)에 사업적 이해관계가 반영”되어 있음을 고지하는 것이 처치내용임 그럼에도 불구하고 기존 연구들은 중요한 공백을 남기고 있다. 기존 연구와 조사는 상 위 노출 상품에 구매가 집중된다는 현상을 보여주거나, 일반적인 순위 효과를 측정 한 것으로 플랫폼이 자사 상품을 인위적으로 우대 노출하는 자사우대 상황에 특정하 여 소비자 오인 메커니즘을 검증하지는 않았다. 또한, 라벨링(labeling)과 투명성 공시 (disclosure)1) 라는 두 가지 정책 수단이, 자사우대의 맥락에서 각각, 그리고 상호작용 을 통해 소비자 선택 왜곡에 미치는 효과를 동시에 비교·검증한 연구는 아직 이뤄지지 않았다. 본 연구는 이러한 공백을 메우기 위해 통제된 실험 환경에서 라벨링×공시의 2×2 요 인 설계를 통해 알고리즘 기반 자사우대가 소비자 선택과 탐색 행동에 미치는 인과적 효과를 실증적으로 규명하고자 한다. 이를 통해 현행 정보 공시 의무화 방식의 실효성 을 검증하고, 소비자 후생을 실질적으로 보호할 수 있는 규제 설계의 방향을 제시하는 데 본 연구의 의의가 있다. 2. 연구 범위 및 방법 본 연구는 디지털 플랫폼에서 이루어지는 알고리즘 기반 자사우대가 소비자의 선택과 탐색 행동에 미치는 영향을 분석하는 데 목적이 있다. 특히 플랫폼이 검색·추천·랭킹 알고리즘과 UI 설계를 통해 특정 상품을 우대 노출할 경우, 소비자가 이를 객관적 품 질 신호로 인식하여 선택 왜곡이 발생하는지, 그리고 라벨링(labeling)과 투명성 공시 (disclosure)가 이러한 왜곡을 완화하거나 강화하는지를 실험적으로 검증하고자 한다. 분석 대상 행위의 범위 본 연구가 분석하는 자사우대는 플랫폼이 검색·추천·랭킹 알 고리즘을 조정하여 자사 상품을 검색 결과 상단에 노출하는 행위로 한정한다. 플랫폼

-- 15 of 136 --

15 Ⅰ. 서 론 2) 무작위 통제 실험(RCT)은 특정한 처치(treatment) 효과를 식별하기 위해 피험자를 무작위로 처치군(treatment group)과 통제 군(control group)으로 할당한 뒤, 두 집단 간 결과 차이를 비교하는 연구 방법론으로, 의학, 경영, 정책, 국제개발 등 다양한 분야에서 응용되고 있음 의 자사우대는 알고리즘 기반 순위 조작 외에도 데이터 수집·활용을 통한 자사우대 등 다양한 유형이 나타날 수 있으나, 본 연구는 소비자 선택에 가장 직접적으로 영향을 미 치는 노출 순위 조작에 초점을 맞춘다. 또한 분석 대상 시정조치는 현행 규제 논의에서 가장 빈번하게 제안되는 라벨 표시와 정렬 기준에 대한 투명성 공시의 두 가지 정보 제 공형 조치로 한정하며, 두 수단의 단독 효과와 결합 효과를 함께 검증한다. 실험 대상 상품군의 범위 자사우대 효과가 특정 품목에 국한되지 않고 다양한 소비 맥 락에서 나타나는지 교차 검증하기 위해, 소비자 관여도·가격대·구매 반복성이 서로 다 른 세 가지 상품군을 실험에 활용한다. 블루투스 스피커는 음질·방수·재생시간 등 다 차원 속성 비교가 중요한 고관여 내구재이며, 비타민C는 함량·제형 등이 주요 비교 요 소인 중관여 건강기능식품이고, 롤화장지는 습관적 반복 구매가 지배적인 저관여 생필 품이다. 이처럼 성격이 상이한 세 상품군에서 자사우대 효과가 일관되게 나타나는지를 확인함으로써, 연구 결과의 외적 타당성을 확보하고자 한다. 조사 대상의 범위 본 연구의 조사 대상은 대한민국 20세 이상 65세 이하 성인 남녀로 한정한다. 온라인 쇼핑 경험이 있는 일반 소비자를 대상으로 하며, 성별·연령 균등 할 당 표집을 적용하여 대표성을 확보한다. 목표 유효 표본은 약 3,000명이다. 연구 방법 본 연구는 실제 온라인 쇼핑몰 인터페이스를 충실히 재현한 가상 쇼핑몰 (SC몰)을 구축하고, 이를 기반으로 온라인 무작위 통제 실험(Randomized Controlled Trials, RCT)2) 을 수행한다. 기존 연구와 조사는 상위 노출 상품에 구매가 집중된다는 현상을 보여주거나, 일반적인 순위 효과를 측정한 것으로 플랫폼이 자사 상품을 인위 적으로 우대 노출하는 자사우대 상황에 특정하여 소비자 오인 메커니즘을 검증하지는 않았다. 본 연구는 실험 환경에서 순위 조작 여부를 직접 통제함으로써 이러한 한계를 극복하고, 자사우대와 소비자 선택 왜곡 간의 인과적 효과를 식별한다.

-- 16 of 136 --

16 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 실험은 동일 참가자의 자사우대 전후를 비교하는 피험자 내(within-subject) 설계와 라벨링·투명성 공시 여부를 교차 배정하는 2×2 피험자 간(between-subject) 설계를 결합한 구조로 구성된다. 측정 대상은 최종 구매 결과에 한정하지 않고, 클릭, 페이지 탐색, 정렬 변경, 필터 조작, 스크롤 조작 등 탐색 행동 전반을 실시간 행동 로그로 수 집한다. 본 연구의 실험 개요는 다음 <그림 1-1>과 같으며, 실험의 구체적인 설계 내 용과 분석 방법은 제3장에서 상술한다. <그림 1-1> 실험 방법 개요 <그림 1-2> 가상 쇼핑몰(SC몰) 화면 예시 주) ① 필터 조작과 ③ 정렬 기준 조작은 모든 피험자 그룹에 공통적으로 나타나는 인터페이스 기능이다. 반면, ② 정렬 기준에 대한 투명성 공시(disclosure)와 ③ 라벨(SCpay) 부착 여부는 피험자 그룹별(G1, G2, G3, G4)로 다른 인터페이스가 적용된다.

-- 17 of 136 --

17 Ⅰ. 서 론 <그림 1-3> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G4, 라벨+공시) 주) 정렬 기준에 대한 투명성 공시(disclosure) “이 순서는 어떻게 정해졌나요?” 클릭 시 상세 안내문이 팝업창으로 나타난다. 이는 G3, G4에 적용되는 인터페이스이지만 G3의 경우 SCpay 라벨에 대한 상세 안내는 포함되지 않는다. 3. 보고서의 구성 본 보고서는 총 6개 장으로 구성된다. 제1장 서론에서는 본 연구의 배경과 필요성을 제시한다. 알고리즘의 순기능을 인정하 면서도 플랫폼의 이중 지위(dual role)와 결합할 때 자사우대가 소비자의 선택을 왜곡 하는 메커니즘을 설명하고, 주요국 경쟁당국의 법집행 동향과 행동경제학적 근거를 토 대로 실험연구의 필요성을 제시한다. 이어서 연구의 분석 대상, 실험 상품군, 조사 대 상 및 연구 방법의 범위를 설정하고, 보고서의 전체 구성을 소개한다.

-- 18 of 136 --

18 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 제2장에서는 본 연구의 이론적 배경과 선행 연구를 검토한다. 제1절에서는 디지털 플 랫폼 시장에서 자사우대의 개념과 유형, 플랫폼이 자사우대를 선택하는 경제적 유인 구조를 정리한다. 제2절에서는 유럽집행위원회(EC), 미국 연방거래위원회(FTC), 공정 위 등 국내외 경쟁당국의 법집행 사례와 규제 쟁점을 비교·분석한다. 제3절에서는 소 비자가 상위 노출 순위를 품질 신호로 오인하는 행동경제학적 메커니즘을 정리하고, 기존 조사 및 연구의 한계를 지적하며 본 연구의 차별성과 핵심 가설을 도출한다. 제3장에서는 실험 설계의 세부 내용을 기술한다. 제1절에서는 관찰 연구의 한계와 실 험적 접근의 필요성, 2×2 요인 설계의 채택 근거와 인과적 식별 전략을 설명한다. 제 2절에서는 가상 쇼핑몰(SC몰)의 구성, 자사우대 상품의 생성 로직과 순위 배치 구조, 4개 처치 조건의 설계 내용을 상술한다. 제3절에서는 종속변수(구매 선택, 탐색 행동, 랭킹 신뢰도), 표본 설계와 실험 진행 절차 및 연구윤리를 설명한다. 제4장에서는 실증분석 결과를 제시한다. 제1절에서는 응답자 특성과 2×2 처치집단 간 동질성 검증 결과를 보고한다. 제2절에서는 통제집단을 기준으로 상단 노출 순위에 소비자들이 과도하게 의존하고, 그러한 순위 효과를 완화하기 위한 적극적 탐색 행동 이 부족하다는 점을 확인한다. 제3절에서는 자사우대 조작의 인과적 효과로 상단 배치 된 자사 상품 우대 효과가 강하게 나타나고 동시에 그 순위가 하위권으로 밀려난 타사 상품의 배제 효과도 동반된다는 점을 설명한다. 제4절에서는 라벨(SCpay)이 상위 노 출 상품 선택을 오히려 강화하고 적극적 탐색을 억제하는 오인 효과를 분석한다. 제5 절에서는 정렬기준에 대한 투명성 공시의 선택 왜곡 완화 효과와 그 한계를 검증하며, 투명성 공시만으로는 선택 왜곡을 교정하기 어렵다는 실증적 근거를 제시한다. 제6절 에서는 10% 더 비싼 자사우대 복제품을 구매한 소비자가 구매 후 오히려 이에 만족하 고 불공정성을 인식하지 못하는 현상을 분석하며, 소비자가 스스로 이러한 객관적 후 생 손실의 존재를 인식하지 못하는 점을 확인한다. 제5장에서는 주요 실증 결과를 요약하고 정책적 시사점을 도출한다. 자사우대의 소비

-- 19 of 136 --

19 Ⅰ. 서 론 자 오인 메커니즘을 제시하고, 공정거래법상 자사우대의 위법성 판단을 위한 기존 심 사 기준의 한계를 규명하며, 알고리즘 설계의 공정성 및 투명성을 확보하기 위한 정책 적 방향도 제시한다. 아울러 본 연구의 한계와 향후 연구 과제를 논의한다. 마지막으로 제6장은 본 연구의 결론을 제시한다.

-- 20 of 136 --

-- 21 of 136 --

자사우대 행위의 이론적 배경 및 규제 동향 1. 알고리즘 기반 자사우대 행위의 개념 및 유형 / 22 2. 국내외 경쟁당국의 법집행 동향과 규제 쟁점 / 24 3. 소비자 오인 메커니즘과 실험연구의 필요성 / 28 Ⅱ 21

-- 22 of 136 --

22 3) European Commission, Case AT.39740 – Google Shopping, Commission Decision of 27 June 2017; ECJ, Case C-48/22 P, Google LLC and Alphabet Inc. v Commission, Judgement of 10 September 2024. 4) Regulation (EU) 2022/1925 (Digital Markets Act), Article 6(5). 5) Crémer, J., De Montijoye, Y. A., & Schweitzer, H. (2019). Competition Policy for the Digital Era. European Commission. Ⅱ 자사우대 행위의 이론적 배경 및 규제 동향 1. 알고리즘 기반 자사우대 행위의 개념 및 유형 자사우대의 개념 자사우대(self-preferencing)란 플랫폼 사업자가 자신이 운영하는 플랫폼 내에서 자사 상품·서비스를 경쟁 사업자의 상품·서비스보다 유리하게 취급하는 행위를 말한다. 대형 플랫폼은 플랫폼 내 모든 거래 규칙을 설계하고 집행하는 운영자 (심판)인 동시에, 그 플랫폼에서 직접 상품을 판매하거나 서비스를 제공하는 사업자(선 수)로서 활동한다. 이 이중 지위(dual role)에서 플랫폼은 경쟁의 규칙을 자신에게 유 리하게 설계할 수 있는 구조적 권한을 보유하며, 이것이 자사우대의 핵심적인 문제이다. 유럽집행위원회(EC)는 구글 쇼핑 사건에서 자사 비교쇼핑 서비스를 검색 결과 상단 에 우대 노출하고 경쟁 서비스를 불리하게 취급한 행위를 시장지배적지위 남용으로 판단3) 하였으며, 이후 EU 디지털시장법(Digital Markets Act, DMA)은 게이트키퍼 (gatekeeper) 플랫폼의 자사우대를 명시적으로 규율하고 있다.4) 특히 자사우대 문제의 핵심은 소비자가 알고리즘의 순기능과 선택 왜곡 효과를 외관상 구별하기 어렵다는 데 있다. 소비자는 일반적으로 검색 상단에 노출된 상품을 품질·인 기도·적합도가 높은 상품으로 인식하는 경향이 있으나, 실제로는 플랫폼의 경제적 이 해관계가 반영된 결과일 수 있다. 이러한 정보 비대칭은 자사우대 문제가 소비자 후생 문제로도 이어지는 핵심 요인으로 평가된다.5)

-- 23 of 136 --

23 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 6) Graef, I. (2019). “Differentiated Treatment in Platform-to-Business Relations: EU Competition Law and Economic Depen- dence.” Yearbook of European Law, 38, 448~499. 동 논문은 플랫폼의 차별적 취급을 EU 경쟁법 관점에서 유형화하려는 시도로 확립된 분류 체계라기보다 분석적 틀로 이해하는 것이 적절하다. 7) Behavioural Insights Team (2024). Testing the impact of Algorithmic Rankings on Consumer Choice.; European Commission (2020). Behavioral Study on Advertising and Marketing Practices in Online Travel Booking. 8) Kahneman, D., & Tversky, A.(1979). “Prospect Theory: An Analysis of Decision under Risk.” Econometrica, 47(2), 263-291.; Johnson, E. J., & Goldstein, D. (2003). “Do Defaults Save Lives?” Science, 302, 1338-1339. 자사우대의 유형. 알고리즘 기반 자사우대는 구현 방식에 따라 다양한 형태로 나타난 다. 학계에서는 플랫폼의 차별적 취급을 순수 자사우대, 이차적 차별, 하이브리드 차별 등으로 유형화하려는 시도가 이루어져 왔으나,6) 실무적으로는 구현 방식을 기준으로 크게 세 가지로 정리할 수 있다. 첫째, 검색·추천·랭킹 알고리즘을 통한 노출 순위 조정이다. 자사 상품이나 서비스를 검색 결과 상단에 배치하고 경쟁 상품을 상대적으로 하위에 노출하는 방식이다. 구글 쇼핑 사건과 네이버쇼핑 사건이 이러한 유형의 대표적 사례로 평가된다. 둘째, 추천 라벨 및 배지 부여 방식이다. 플랫폼은 특정 상품에 ‘추천’, ‘베스트셀러’, ‘프라임’ 등의 배지를 부착함으로써 소비자가 해당 상품을 품질 우위 상품으로 인식하 도록 유도할 수 있다. 실험 연구들은 이러한 추천 라벨이 소비자의 클릭 및 구매 선택 에 실질적인 영향을 미칠 수 있음을 보여준다.7) 셋째, 기본 설정(default) 및 인터페이스 설계 방식이다. 소비자는 일반적으로 기본 설 정된 검색 순서나 추천 구조를 그대로 따르는 경향이 있으며, 적극적으로 정렬 기준을 변경하거나 추가 탐색을 수행하지 않는 경우가 많다. 이러한 현상은 행동경제학에서 현상 유지 편향(status quo bias)으로 설명되며,8) 플랫폼의 기본 노출 구조가 소비자 선택에 상당한 영향을 미칠 수 있음을 시사한다. 플랫폼의 경제적 유인 구조. 플랫폼이 자사우대를 수행할 유인을 갖는 이유는 수직통 합 플랫폼의 수익 구조와 관련된다. 플랫폼은 제3자 판매자로부터 수수료를 수취하는 동시에, 자사 상품을 직접 판매할 경우 추가적인 판매 마진을 확보할 수 있다. 일반적

-- 24 of 136 --

24 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 9) Long, F., & Amaldoss, W. (2024). “Self-Preferencing in E-Commerce Marketplaces: The Role of Sponsored Advertising and Private Labels.” Marketing Science, 43(5), 925-952. 으로 자사 상품을 판매할 경우 마진이 수수료 수익보다 높으므로 플랫폼은 상대적으로 마진이 더 높은 자사 상품의 노출 빈도를 높이는 방향으로 알고리즘을 설계할 경제적 유인을 가질 수 있다. 다만 자사우대가 플랫폼에게 항상 최적의 선택인 것은 아니다. 광고 수요 증가 효과가 클 경우, 상단 슬롯을 제3자 판매자에게 양보하여 광고 수익과 수수료를 함께 확보하 는 것이 자사우대보다 수익성이 높을 수 있으며, 자사우대의 경제적 유인은 수수료 수 준·경쟁 강도·광고시장 구조 등 여러 요인에 따라 달라질 수 있다.9) 또한 소비자에게도 단기적으로 플랫폼이 소비자 선호와 일치하는 상품을 효율적으로 추천함으로써 탐색 비용을 줄이는 편익이 존재할 수 있다. 그러나 장기적으로는 경쟁사업자의 노출 기회 감소와 경쟁 압력 약화로 인해 가격 인 상, 혁신 저하, 소비자 선택권 축소 등이 발생할 가능성이 제기된다. 최근 경쟁당국과 학계는 이러한 장기적 경쟁제한효과에 주목하면서 자사우대 규제 필요성을 논의하고 있으며, 제2절은 국내외 경쟁당국의 법집행 동향과 규제 쟁점을 간략히 소개한다. 2. 국내외 경쟁당국의 법집행 동향과 규제 쟁점 알고리즘 기반 자사우대에 대한 경쟁당국의 법집행은 2017년 EU의 구글 쇼핑 결정 을 계기로 본격화되었으며, 이후 국내외에서 유사한 사건들이 잇따라 제기되고 있다. 각국의 접근 방식은 사후 경쟁법 집행(ex post enforcement)과 사전 규제(ex ante regulation)라는 두 가지 축으로 수렴되고 있으나, 알고리즘 개입의 입증 문제와 소비 자 후생 판단 기준을 둘러싼 논쟁은 여전히 진행 중이다. EU의 법집행 사례 유럽집행위원회(EC)는 2017년 구글 쇼핑 사건에서 구글이 자사 비

-- 25 of 136 --

25 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 10) European Commission, Case AT.39740 – Google Shopping, Commission Decision of 27 June 2017. 11) ECJ, Case C-48/22 P, Google LLC and Alphabet Inc. v Commission, Judgement of 10 September 2024. 12) European Commission, Amazon Commitments Decision, Case AT.40462 (Amazon Marketplace) & AT.40703 (Amazon Buy Box), December 2022. 교쇼핑 서비스(Google Shopping)를 검색 결과 상단에 박스 형태로 우대 노출하고, 경 쟁 비교쇼핑 서비스에는 강등 알고리즘(Panda 알고리즘)을 적용하여 검색 순위를 인 위적으로 하락시킨 행위를 EU 기능조약(TFEU) 제102조 위반으로 판단하고 약 24억 유로의 과징금을 부과하였다.10) 이 사건은 2021년 EU 일반법원의 항소 기각, 2024년 유럽사법재판소(ECJ)의 상고 기각으로 최종 확정되었다.11) <그림 2-1> 구글의 이중 지위(dual role)와 자사우대 구조 구글 쇼핑 사건은 알고리즘 기반 자사우대의 경쟁제한성 입증과 관련하여 중요한 선 례를 남겼다. 유럽사법재판소(ECJ)는 경쟁당국이 자사우대의 경쟁제한성 입증을 위해 반사실적 분석(counterfactual analysis)을 수행할 의무는 없으며, 자사우대 행위로 인한 트래픽 전환 효과의 즉각성과 대규모성이 경쟁제한상의 실체적 논거로 인정될 수 있음을 확인하였다. 또한 유럽집행위원회(EC)는 2022년 아마존 동의의결 사건에서 바이박스(Buy Box) 알 고리즘과 프라임(Prime) 배지 자격 부여를 통한 자사 리테일 우대 행위를 문제 삼았으 며, 아마존이 자발적 시정조치를 제안함으로써 동의의결로 마무리되었다.12) 플랫폼(중계자) 검색 결과(랭킹 알고리즘) 시장 참여자(자사 서비스) 구글 비교쇼핑 서비스 (Google Shopping) 경쟁 비교쇼핑 서비스 (경쟁 서비스 다수) 검색 •상위 노출로 트래픽 확보 •경쟁 서비스 대비 유리한 위치 구글 비교쇼핑 서비스 (자사) 상단 우대 노출(박스) 강등 알고리즘 적용

-- 26 of 136 --

26 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 13) Regulation (EU) 2022/1925 (Digital Markets Act), Article 6(5). 14) Waldfogel, J. (2024). Amazon Self-Preferencing in the Shadow of the Digital Markets Act. NBER Working Paper No.32299. 15) Gross, A., Mehta, A., Peters, C., & Sanghvi, C.(2025). “The Year in Review: Economics at the Antitrust Division 2024-2025.” Review of Industrial Organization, Vol 67(4), 481-497. <그림 2-2> 아마존의 이중 지위(dual role)와 자사우대 구조 EU는 사후 법집행과 병행하여 사전 규제 체계도 병행하였다. 2023년 발효된 디지털 시장법(DMA)은 게이트키퍼(Gatekeeper)로 지정된 플랫폼에 대해 자사 상품·서비스 를 랭킹·색인·크롤링에서 유리하게 취급하는 행위를 명시적으로 금지하고, 투명하고 비차별적인 조건의 적용을 의무화하였다.13) Waldfogel(2024)의 실증 분석은 아마존이 DMA 게이트키퍼로 지정된 2023년 9월 이후 플랫폼 내 자사 상품의 검색 순위 우대 효과가 약화되었음을 보여주며, 사전 규제의 실효성을 간접적으로 확인하였다.14) 미국의 법집행 동향 미국 법무부(DOJ)는 2020년 구글이 스마트폰 제조사, 이동통신 사, 브라우저 개발사와의 계약을 통해 자사 검색엔진을 기본 설정(default)으로 독점 적으로 배치한 행위를 셔먼법 제2조 위반으로 제소하였다. 이 소송에서 제시된 경제분 석은 검색엔진 기본 설정의 변경만으로도 트래픽(traffic)의 즉각적이고 대규모의 전 환이 발생하며, 이러한 효과가 경쟁사가 회복하기 어려운 경로 의존적 고착화(path dependency)로 이어짐을 실증하였다.15) 연방거래위원회(FTC)는 2023년 아마존을 상 대로 바이박스 알고리즘 조작 및 기만적 멤버십 관행 등을 이유로 반독점 소송을 제기 하였으며, 해당 소송은 현재 진행 중이다. 플랫폼(중계자) 노출 및 구매 전환(알고리즘) 시장 참여자(자사 리테일) 아마존 리테일(1P) •Buy Box 획득 용이 •Prime 배지 부여 입점 판매자(3P) •Buy Box 획득 제한 •Prime 배지 불리 마켓플레이스 (판매 중개) •Buy Box 확보로 전환율 증가 •Prime 배지로 신뢰/가시성 강화 아마존 리테일(1P) 우대 노출 및 자격 부여 상대적 불리

-- 27 of 136 --

27 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 16) 공정거래위원회 의결 제2021-027호 (2021.1.27.) 17) 대법원 2025.10.16. 선고 2023두32709 18) 공정거래위원회 의결 제2024-284호 (2024.8.5) 국내 법집행 현황과 쟁점 공정위는 2020년 10월 네이버가 2012년부터 2020년까지 자사 오픈마켓(스마트스토어) 상품을 검색 결과 상단에 우대 노출하고 경쟁 오픈마켓 (G마켓, 11번가 등) 상품을 하위에 배치하도록 검색 알고리즘을 인위적으로 조정한 행 위를 시장지배적 지위 남용 및 부당한 고객유인행위로 판단하고 시정명령과 약 267억 원의 과징금을 부과하였다.16) 서울고등법원은 2022년 공정위의 처분을 인정하는 판결 을 내렸으나, 대법원은 2025년 10월 “알고리즘 조정·변경은 기본적으로 정상적인 영 업 활동에 속하며, 그 자체로 경쟁제한 의도나 목적을 추단하는 요소가 될 수 없다”고 판시하며 사건을 파기환송하였다.17) 이는 자사우대에 관한 최초의 대법원 판례로, 현 행 공정거래법 체계 내에서 알고리즘 기반 자사우대의 경쟁제한성 입증이 쉽지 않음을 보여주는 동시에, 플랫폼 규율을 위한 별도 입법의 필요성에 대한 논의를 재점화하였다. 또한 공정위는 2024년 8월 쿠팡이 검색 순위 알고리즘(‘쿠팡랭킹순’)을 조작하여 자사 PB(Private Brand) 상품 및 직매입 상품을 우대 노출하고 임직원을 동원하여 허위 구 매 후기를 작성한 행위에 대해 시정명령과 약 1,628억 원의 과징금을 부과하였다.18) 이 사건은 네이버쇼핑 대법원 판결의 영향을 받는 후속 사건으로 현재 행정소송이 진행 중이다. 경쟁제한성 및 소비자 후생 판단 기준의 쟁점 국내외 법집행 사례들을 관통하는 공통 된 쟁점은 크게 세 가지로 볼 수 있다. 첫째, 자사우대 조작의 입증 문제이다. 플랫폼 의 알고리즘은 영업비밀로 보호되어 외부에 공개되지 않으며, 경쟁당국이 자사우대 조 작을 입증하기 위해서는 내부 문서, 데이터 로그 등에 대한 접근이 필수적이다. 그러 나 현행 법체계 내에서 수시로 변동되는 알고리즘 내역을 충분히 확보하기에는 제약이 매우 크다. 둘째, 반사실적 분석의 필요성 여부이다. EU 법원은 경쟁당국에게 반사실 적 분석의 의무를 요구하지 않았으나, 국내 대법원은 경쟁제한효과에 대한 보다 엄격 한 입증을 요구하는 입장을 취하는 것으로 보인다. 셋째, 소비자 후생 판단 기준이다.

-- 28 of 136 --

28 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 19) Expedia가 2013년 ICDM(국제 데이터마이닝 학회) 컨퍼런스와 Kaggle.com(데이터 경진대회 플랫폼)을 통해 공개 배포한 검 색 로그 데이터를 활용하였다. 20) Ursu, R. M. (2018). “The Power of Rankings: Quantifying the Effect of Rankings on Online Consumer Search and Purchase Decisions.” Marketing Science, 37(4), 530-552. 자사우대가 단기적으로는 탐색비용 절감 등 소비자 편익을 제공할 수 있으나, 장기적 으로는 경쟁 압력 약화와 가격 인상으로 이어질 수 있다는 점에서, 소비자 후생에 대한 단기·장기 효과를 어떻게 균형 있게 평가할 것인지가 핵심 과제로 남아 있다. 3. 소비자 오인 메커니즘과 실험연구의 필요성 소비자 탐색 행동과 상위 노출 편향 온라인 플랫폼에서 소비자의 탐색 행동은 이론적 으로 가정하는 합리적 정보 처리 모형과 상당한 거리가 있다. 소비자는 방대한 검색 결 과를 순차적으로 검토하기보다, 상위 노출 상품에 주의를 집중하고 하위 상품으로의 탐색을 빠르게 포기하는 경향이 강하다. 이를 ‘위치 편향(position bias)’이라 한다. Ursu(2018)는 온라인 여행 예약 플랫폼 Expedia의 무작위 순위 변동 자연실험 데이터19) 를 활용하여, 검색 순위가 소비자의 탐색 대상에는 강력한 인과적 영향을 미치지만(즉 순위가 높을수록 소비자가 그 상품을 클릭하여 상세 정보를 확인하는 확률이 높아짐), 탐색을 전제로 할 때의 최종 구매 선택에는 상대적으로 영향이 제한됨(특정 상품을 클 릭하여 상세 페이지를 본 뒤에는 순위 자체보다는 “본 상품 중에” 가격·리뷰·품질 등 실질적 속성을 고려하게 됨)을 실증하였다. 이는 자사우대의 핵심 피해는 소비자가 자 사우대 상품을 “더 좋아서” 사는 것이 아니라, 자사우대 상품의 대안 자체를 탐색 범위 에 넣지 못하게 만드는 것에 있다는 것을 의미한다.20) 영국 행동과학 연구기관 BIT(2024)의 실험 연구는 이를 더욱 직접적으로 확인한다. 이 윤 중심 알고리즘 조건에서 소비자는 사전에 조사된 자신의 선호 상품과 먼 상품을 선 택하고 예산을 초과하여 지출하는 경향이 나타났으며, 이러한 효과는 소비자 중심 알 고리즘 조건과 비교할 때 통계적으로 유의하였다. 또한 UI 설계(투명성 고지, 정렬기

-- 29 of 136 --

29 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 21) Behavioural Insights Team (2024). Testing the Impact of Algorithmic Rankings on Consumer Choice. 22) Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgement. Organizational Behavior and Human Decision Processes, 151, 90-103. 23) 행동경제학에서는 이를 가용성 편향(availability bias, 어떤 사건의 빈도나 확률을 판단할 때, 그 사건과 관련된 구체적인 예 시나 기억이 얼마나 쉽게 떠오르는가에 의존하여 판단하는 인지적 오류), 현저성 편향(salience Bias, 정보를 처리할 때 가 장 눈에 띄고, 자극적이며, 인상 깊은 정보에 과도한 가치를 부여하고 무게를 두는 인지적 오류)라 말한다.(Amos Tversky & Daniel Kahneman(1974), Judgment under Uncertainty : Heuristics and Biases, Science, New Series, Vol. 185, No. 4157, (Sep. 27, 1974), pp. 1124-1131) 24) Xiao, B., & Benbasat, I. (2018). An empirical examination of the influence of biased personalized product recommendations on consumers’ decision making outcomes. Decision Support Systems, 110, 46-57. 능 등)보다 알고리즘이 정하는 검색 순위 자체가 소비자 선택에 더 결정적인 영향을 미 친다는 점도 확인하였다.21) 정보 비대칭성과 랭킹 신뢰 효과 소비자 오인이 발생하는 구조적 원인은 플랫폼과 소 비자 간의 심각한 정보 비대칭에 있다. 플랫폼은 알고리즘의 구체적 작동 방식과 자사 우대 여부를 알고 있으나, 소비자는 이를 알기가 매우 어렵다. 이 상황에서 소비자는 검색 순위를 플랫폼이 소비자 이익을 고려하여 설계한 품질·적합도 신호로 해석하는 경향이 있다. 특히 주목할 것은, 소비자가 알고리즘 기반 추천임을 인지할 경우 오히려 더 신뢰하는 경향이 나타나는 점이다. Logg et al.(2019)는 소비자들이 사람이 정한 추천보다 알고 리즘 기반 추천을 34% 더 신뢰하고 활용한다는 것을 실험적으로 확인하였다.22) 이는 소비자들이 알고리즘을 객관적이고 데이터에 기반한 것으로 인식하기 때문이다. 그러 나 역설적으로 이러한 알고리즘에 대한 높은 신뢰는 편향된 추천이 이루어질 때 오인 을 더욱 심화시키는 기제로 작동한다. 소비자는 불확실한 상황에서 가장 쉽게 접근 가 능하고 눈에 띄는 정보에 과도하게 의존하며, 이는 상위 노출 상품을 객관적 품질과 무 관하게 우수한 상품으로 오인하는 체계적 편향으로 이어질 수 있다.23) Xiao & Benbasat(2018)은 편향된 추천시스템에 노출된 소비자들이 알고리즘 메커 니즘의 정확성과 무관하게 해당 상품의 질이 높다고 확신하게 되는 ‘품질 향상 환상 (illusion of improved quality)’을 경험한다는 점을 실험적으로 확인하였다.24) 즉, 소

-- 30 of 136 --

30 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 25) Fleder, D., & Hosanagar, K. (2009). Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender System on Sales Diversity. Management Science, 55(5), 697-712. 비자는 주관적으로 만족하지만 실제로는 최적의 선택을 하지 못했다는 사실을 인지하 지 못하게 된다. 또한 편향된 추천시스템이 소비자 탐색 행동에 미치는 영향은 더욱 직 접적으로 확인된다. Xiao & Benbasat(2018)의 실험에서 편향된 추천시스템을 제공받 은 소비자들의 상품 검색 횟수는 편향되지 않은 추천을 받은 소비자들의 절반 수준에 불과하였다.(편향: 6.17회 vs. 비편향: 12.59회). 이는 편향된 추천이 소비자의 탐색 과 정 자체를 억제하여 대안적 상품을 발견할 기회를 구조적으로 차단함을 보여준다. 데이터 피드백 루프와 쏠림 효과 추천 알고리즘의 자사우대 효과는 피드백 루프 (feedback loop)를 통해 시간이 갈수록 자기 강화적(self-reinforcing)으로 누적된다. Fleder & Hosanagar(2009)는 분석 모형과 시뮬레이션을 결합하여, 협업 필터링과 같 은 추천 알고리즘이 과거 판매량과 평점 데이터에 의존하는 구조로 인해 과거 데이터 가 축적된 인기 상품을 반복적으로 추천하는 경로 의존적(path dependent) 피드백 루 프를 형성함을 실증하였다.25) 이미 많이 팔린 상품이 더 많이 추천되고, 이것이 다시 판매로 이어져 알고리즘 학습에 재투입되는 순환 구조가 형성되는 것이다. 자사우대 상품이 이 피드백 루프에 유리하게 편입될 경우 초기의 인위적 우대가 점진 적으로 강화되어 시스템 전반의 편향이 심화될 수 있다. 이는 알고리즘 조작이 시간이 지날수록 경쟁사업자의 판매 기회를 구조적으로 제한할 수 있고, 실질적 경쟁압력을 제한하는 ‘경로 의존적 고착화(path dependency)’로 이어지게 될 위험이 있음을 시사 한다.(그림 2-3)

-- 31 of 136 --

31 Ⅱ. 자사우대 행위의 이론적 배경 및 규제 동향 <그림 2-3> 알고리즘 조작과 피드백 루프 Salganik et al.(2006)은 타인의 다운로드 횟수를 확인할 수 있는 환경에서 시장 성 과의 불평등이 심화되고 예측 불가능성이 증가함을 실험적으로 보였으며,26) Lee & Hosanagar(2019)는 16개 제품 범주에 걸쳐 100만 명 이상의 사용자를 대상으로 한 현 장실험에서 구매 데이터 기반 알고리즘27) 이 알고리즘을 적용하지 않았을 때보다 인기 상품의 판매가 집중되어 상품 다양성이 감소하고 시장 집중도를 유의미하게 증가시킴 을 확인하였다.28) 기존 조사 및 연구의 한계 국내외 기존 조사 및 연구 사례들은 다음 두 가지 한계를 안 고 있다. 첫째, 기존 연구들은 일반적인 순위 효과를 측정한 것으로, 플랫폼이 자사 상 품을 인위적으로 우대하여 노출하는 자사우대 상황에 특정하여 소비자 오인 메커니즘 을 검증하지는 않았다. 둘째, 라벨링과 투명성 공시라는 두 가지 정책 수단이 소비자 오인에 미치는 효과를, 자사우대 맥락에서 각각, 그리고 동시에 비교·검증한 연구가 아 직 이루어지지 않았다. 알고리즘 조작 (자사우대) 구매 증가 판매 데이터 (판매량, 별점, 리뷰) 추천/노출 (인기 상품 반복 노출) 많이 팔릴수록 데이터 축적 인기 상품에 유리한 추천 추천 알고리즘 (협업 필더링 등) 판매 데이터가 알고리즘에 반영 데이터 기반 알고리즘 학습 26) Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental Study of Inequality and Unpredictability in an Artificial Cul- ture Market. Science, 311(5762), 854-856. 27) 실제로 함께 구매된 상품의 패턴을 학습하여 관련된 상품을 추천하는 방식을 말한다.(예: “이 상품을 구매한 고객이 함께 구매한 상품” 등) 28) Lee, D., & Hosanagar, K. (2019). How Do Recommender Systems Affect Sales Diversity? A Cross-category Investigation via Randomized Field Experiment. Information Systems Research, 30(1), 239-259.

-- 32 of 136 --

32 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 본 연구의 차별성과 핵심 가설 본 연구는 이러한 공백을 메우기 위해 통제된 실험 환 경에서 알고리즘 기반 자사우대의 인과적 효과를 직접 식별하고, 라벨링과 투명성 공 시의 단독 효과 및 상호작용 효과를 동시에 검증한다. 기존 연구와의 핵심 차별점은 다음 세 가지이다. 첫째, 자사우대 조작(10% 고가 복제 상품의 상단 배치)을 통제된 실험 환경에서 직접 구현함으로써 알고리즘 조작과 소비 자 선택 왜곡 간에 인과관계를 식별한다. 둘째, 최종 구매 결과뿐 아니라 탐색 깊이와 탐색 행동(필터 조작, 클릭, 페이지 이동, 스크롤 등)을 종속변수로 포함하여 자사우대 효과가 탐색 과정 전반에 어떻게 작동하는지 분석한다. 셋째, 라벨링과 정렬기준 두 가 지 정책 수단의 2×2 처치군 설계를 통해 알고리즘 조작이 처치군별 이질적 효과를 측 정함으로써 정렬기준에 대한 소비자 오인을 측정하고, 사후 만족도 조사를 통해 소비 자가 더 비싼 자사우대 상품(10% 프리미엄이 붙은 복제품)을 구매한 이후 주관적 후생 인식과 객관적 후생 손실 간의 괴리를 실증한다. 이상의 논의를 바탕으로 본 연구는 다음과 같은 핵심 가설을 설정한다. <표 2-1> 실험 연구 핵심 가설 가설 1 알고리즘 기반 자사우대에 노출된 소비자는 자사우대 상품을 더 높은 확률로 선택할 것이다. 가설 2 SCpay 라벨은 자사우대 상품에 대한 선택 확률을 오히려 높이고 탐색 행동을 억제함으로써, 소비자 오인을 강화할 것이다. 가설 3 정렬기준에 대한 투명성 공시는 자사우대 상품에 대한 선택 편향을 일부 완화하고 적극적 탐색 활동을 부분적으로 촉진할 것이다. 가설 4 자사우대 상품을 구매한 소비자는 구매 후 만족도가 낮고 불필요하게 지불한 가격 프리미엄에 대한 불공정성을 인식할 것이다.

-- 33 of 136 --

33 실험 설계 1. 실험 설계 구조 및 인과적 식별 전략 / 35 2. 모의 플랫폼 및 처치 조건 설계 / 38 3. 측정 도구 및 데이터 수집 / 49 Ⅲ

-- 34 of 136 --

상품군 3개 중 2개 무작위 배정 2회차 쇼핑 인터페이스 무작위 배정 처치(treatment) = 자사우대 상품 순위 조작 실험 상품군 및 참가자 집단을 무작위로 배정해 집단 간 차이를 제거 순수한 처치(자사우대 알고리즘 조작)가 선택 왜곡에 미치는 인과적 영향을 식별 실험 설계(Experiment Design) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 실험 절차 실험은 어떤 절차에 따라 진행되는가? 블루투스 스피커 블루투스 스피커비타민 C 비타민 C 롤화장지 롤화장지 그룹 1 그룹 1 라벨 공시 그룹 2 그룹 2 라벨 공시 그룹 3 그룹 3 라벨 공시 그룹 4 그룹 4 라벨 공시 무작위 배정과 처치 무작위 배정은 왜 실시하며, 처치(treatment)는 무엇인가? 당초 1회차에서 중하위권 상품 → 2회차에서 상위권 배치(순위 조작) 당초 1회차에서 중하위권 상품 → 2회차에서 상위권 배치(순위 조작) 자사우대 상품 = 가격만 10% 인상한 복제품 자사우대 상품 = 가격만 10% 인상한 복제품 다른 경쟁 상품들의 순서는 아래로 밀림 다른 경쟁 상품들의 순서는 아래로 밀림 2회차 쇼핑에서만 적용 2회차 쇼핑에서만 적용 공시 라벨 자사우대 상품임을 식별할 수 있는 라벨 부착 자사우대 상품임을 식별할 수 있는 라벨 부착 기본 정렬순에 자사우대 요소 반영을 알리는 고지 배너 기본 정렬순에 자사우대 요소 반영을 알리는 고지 배너 실험 참여 동의 및 스크리닝 실험 참여 동의 및 스크리닝 1회차 쇼핑 (자사우대 조작 없음) 1회차 쇼핑 (자사우대 조작 없음) 모든 참여자에게 같은 인터페이스 적용 2회차 쇼핑 (자사우대 조작 있음) 2회차 쇼핑 (자사우대 조작 있음) 라벨 또는 공시 적용 여부에 따라 처치군(4개)별로 각각 다른 인터페이스 적용 사± 설문조사 사± 설문조사 각 쇼핑 회차(1, 2회)별 구매 만족도, 불공정성 인식 조사 3,072명 실험 참여 3개 상품군(블루투스 스피커, 비타민C, 롤화장지) 중 2개 무작위 배정 1회차/2회차 각각 다른 상품 쇼핑 상품1 : 무작위 배정 상품2 : 무작위 배정 기준선(baseline) 처치군 무작위 배정 SCpay +1% 적립

-- 35 of 136 --

35 Ⅲ. 실험 설계 Ⅲ 실험 설계 1. 실험 설계 구조 및 인과적 식별 전략 관찰 연구의 한계와 실험적 접근의 필요성 자사우대가 소비자 선택에 미치는 영향을 분석하는 가장 직관적인 방법은 실제 플랫폼의 거래 데이터를 활용하는 관찰 연구이 다. 그러나 관찰 연구는 결정적인 방법론적 한계를 안고 있다. 실제 플랫폼에서 상위 노출된 상품이 더 많이 팔린다는 사실은 확인할 수 있으나, 그것이 플랫폼의 순위 조 작 때문인지 아니면 해당 상품이 실제로 품질이 우수하여 소비자가 합리적으로 선택한 결과인지 구분하기 어려운 것이다. 순위와 품질이 동시에 변화하는 현실 데이터에서는 이중차분법, 도구변수 추정 등을 통한 인과적 식별이 시도될 수 있으나, 플랫폼의 알고 리즘 자체가 영업비밀로 보호되어 외부에 공개되지 않는 현실에서 적절한 식별 전략을 구성하는 것은 구조적으로 제약이 크다고 할 수 있다. 물론 Ursu(2018) 등 선행 연구들은 현장실험의 무작위 변동을 활용하여 순위의 인과 적 효과를 식별하는 데 성공하였다. 그러나 이들 연구는 일반적인 순위 효과 또는 자 사우대의 존재 자체를 규명하는 데 집중한 것으로, 자사우대 상황을 특정하여 라벨링 과 공시라는 두 가지 정책 수단이 소비자 오인에 미치는 효과를 동시에 비교·검증하지 는 못했다. 또한, 소비자가 객관적 후생 손실을 경험하고도 이를 주관적으로 인식하지 못하는 후생 오인 현상을 직접 측정한 연구도 드물다. 본 연구는 이러한 공백을 메우기 위해 통제된 실험 환경에서 자사우대 조작을 직접 구현하고, 두 정책 수단의 단독 효과 및 상호작용 효과를 동시에 식별하고자 한다.

-- 36 of 136 --

36 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 2×2 요인 설계의 채택 근거 본 연구는 라벨(SCpay 라벨 부착 여부)과 정렬 기준에 대한 투명성 공시(공시 제시 여부)를 두 요인으로 하는 2×2 요인 설계를 채택한다. 이 설계를 선택한 근거는 두 가지이다. <표 3-1> 2×2 피험자 간 설계 첫째, 두 정책 수단의 독립적 효과를 동시에 식별할 수 있다. 라벨만 존재할 때(G2)와 공시만 존재할 때(G3)의 효과를 각각 추정함으로써, 가설 2(라벨의 오인 강화 효과)와 가설 3(공시의 부분적 선택 왜곡 완화 효과)을 독립적으로 검증할 수 있다. 둘째, 두 수단의 복합적 조치가 있을 때 실효성 여부를 판단할 수 있다. 아무 처치가 없는 상태(G1)는 현행 무규제 상태, ‘라벨 단독’(G2)와 ‘공시 단독’(G3)은 부분적 시정 조치, ‘라벨+공시’(G4)는 복합 시정조치에 대응하므로, 실험 결과가 두 수단이 각각, 그리고 동시에 활용될 때 정책 효과의 강도를 비교하는 근거로 활용할 수 있다. 가설과 실험 설계의 대응 구조 제2장 제3절에서 도출된 4개 가설(<표 2-1>)은 다음과 같이 실험 설계와 직접 대응된다. 가설 1(자사우대 효과)은 피험자 내 설계(within-subject)의 자사우대 조작이 없는 1 회차(Round 1, R1), 자사우대 조작이 있는 2회차(Round 2, R2) 비교를 통해 자사우 대 순위 조작 자체의 인과적 효과를 식별한다. 이때 비교는 2회차(R2)에서 4개 처치군 (G1~G4) 전체에 걸쳐 이루어지는 평균적 효과를 본다. 가설 2(라벨의 오인 효과)는 라벨 단독 조건(G2)과 통제 조건(G1)의 피험자 집단 간 구분 라벨 미표시 라벨 표시 공시(Disclosure) 미표시 그룹1(G1) 그룹2(G2) 공시(Disclosure) 표시 그룹3(G3) 그룹4(G4) SCpay +1% 적립 SCpay +1% 적립

-- 37 of 136 --

37 Ⅲ. 실험 설계 (between-subject) 비교를 통해 검증한다. 두 조건(G1, G2) 모두 자사우대 조작이 동일 하게 적용된 상태(R2)에서 라벨 부착 여부만 다르다. 따라서 이 비교는 SCpay 라벨이 부 착된 환경에서 소비자의 자사우대 상품 선택 확률과 탐색 행동의 변화를 확인할 수 있다. 가설 3(공시 단독 효과 및 공시+라벨 결합 효과)은 공시 단독 조건(G3)과 통제 조건 (G1)의 피험자 집단 간(between-subject) 비교를 통해 ‘공시 단독 효과’를 검증하고, ‘공시+라벨 동시 조건’(G4)와 라벨 단독(G2) 조건을 비교함으로써, 공시가 라벨로 인 한 오인 강화 효과를 실질적으로 상쇄할 수 있는지 분석한다. 가설 4(구매 만족도 및 불공정성 인식 효과)는 2회차 쇼핑(R2) 완료 후 수집하는 구매 만족도와 불공정성 인식 조사를 통해 검증한다. 10% 고가의 자사우대 복제품을 구매한 소비자가 사후에 만족도를 높게 보고하고 불공정성을 인식하지 못한다면 이는 소비자 오인이 단순히 선택 왜곡을 넘어 후생 손실 자체를 인식하지 못한다는 것을 시사한다. <표 3-2> 가설과 실험 설계의 대응 구조 내적 타당성 확보 본 실험은 피험자 내(within-subject) 설계와 피험자 간(between- subject) 설계를 결합하여 두 층위에서 인과적 효과를 식별한다. 쇼핑 실험의 대상 상 품군 및 쇼핑 순서(1회차 쇼핑 및 2회차 쇼핑 대상 상품군 순서)를 무작위로 배정하여 처치군 간 사전 동질성을 보장하며, 이는 1회차 쇼핑(R1) 행동 변수의 처치군 간 분포 비교를 통해 사후적으로 검증할 수 있다. 구분 주요 내용 실험 설계 대응 가설 1 자사우대 효과 피험자 내 설계에서 R1-R2 비교 가설 2 라벨의 오인 효과 G1-G2 처치군 간 비교 가설 3 ‘공시 단독 효과’ 및 ‘라벨+공시의 결합 효과’ G1-G3 처치군 간 비교(공시 단독 효과) G2-G4 처치군 간 비교(공시의 추가 효과) 가설 4 구매 만족도 및 불공정성 인식 효과 실험 후 구매 만족도 및 불공정성 인식 조사

-- 38 of 136 --

38 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 소비자의 탐색·구매 행동은 자기보고(self-reporting)가 아닌 실시간 행동 로그로 측정 함으로써 기억 왜곡이나 주관적 답변 등 설문 응답의 한계를 극복한다. 또한 동일 상품 군 내에서 자사우대 복제 상품과 원본 상품을 동시에 한 화면에 제시하는 설계는 가설 4 의 검증에 필요한 객관적 후생 손실의 발생 조건을 통제된 방식으로 구현하는 것이다. 외적 타당성 범위와 한계 본 실험은 외적 타당성을 확보하기 위해 실제 국내 온라인 쇼핑몰 인터페이스를 충실히 재현한 가상 쇼핑몰(SC몰)을 활용하고, 관여도·가격대·구 매 반복성이 상이한 세 가지 상품군(블루투스 스피커, 롤화장지, 비타민C)을 교차 활 용하며, PC와 모바일 양 기기 환경을 모두 포함하였다. 다만, 단일 세션의 일회성 실험이라는 특성상, 자사우대 상품의 피드백 루프에 의한 동 태적 쏠림 효과와 같은 시간의 경과에 따라 누적되는 효과는 직접 포착하기 어렵다. 이 는 본 실험에서 관찰되는 소비자 오인 효과가 실제 시장에서의 누적적 왜곡에 대한 하 한 추정치임을 의미한다. 2. 모의 플랫폼 및 처치 조건 설계 모의 쇼핑 플랫폼(SC몰) 구성 본 연구는 실제 국내 온라인 쇼핑몰의 사용자 인터페이 스를 충실히 재현한 웹 기반 가상 쇼핑몰(SC몰)을 구축하였다. SC몰은 실험 참가자가 실제 쇼핑 환경과 유사한 조건에서 상품을 탐색하고 구매를 결정할 수 있도록 설계되 었으며, 상품 목록 페이지, 상품 상세 페이지, 장바구니, 결제 페이지로 구성된다. 상품 목록 페이지는 국내 주요 온라인 쇼핑몰의 검색 결과 화면을 참조하여 설계되었 다. 각 상품 카드에는 상품 이미지, 상품명, 가격(할인율 포함), 별점, 리뷰 수가 표시 되며, 페이지당 36개의 상품이 격자형(grid) 형태로 노출된다. PC와 모바일에서 각 페 이지당 노출되는 상품 수(36개)는 동일하나, PC의 경우 가로폭이 긴 4열×9행 격자 형 태인 반면, 모바일의 경우 세로가 긴 2열×18행 격자 형태이다.(그림 3-1, 3-2)

-- 39 of 136 --

39 Ⅲ. 실험 설계 <그림 3-1> 가상 쇼핑몰(SC몰) 화면 예시(PC) 주) ① 필터 조작과 ③ 정렬 기준 조작은 모든 피험자 그룹에 공통적으로 나타나는 인터페이스 기능이다. 반면, ② 정렬 기준에 대한 투명성 공시(disclosure)와 ③ 라벨(SCpay) 부착 여부는 피험자 그룹별(G1, G2, G3, G4)로 다른 인터페이스가 적용된 다.(PC, 모바일 공통) <그림 3-2> 가상 쇼핑몰(SC몰) 화면 예시(모바일)

-- 40 of 136 --

40 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 기본 정렬 방식은 ‘SC랭킹순’으로 설정되어 있으며, 참가자는 낮은 가격순, 높은 가격 순, 판매량순, 리뷰 많은 순 등으로 정렬을 변경하거나 가격대, 상품 속성(방수 기능, 규격, 펄프 종류 등) 등의 필터를 적용할 수 있다. 특히 PC는 ‘SC랭킹순’의 우측에 위 치한 i 를 클릭하는 경우, 모바일은 단계를 한 번 더 거쳐서 ‘SC랭킹순’ 클릭 후 나타 나는 정렬순서 목록에서 다시 ‘SC랭킹순’의 우측의 i 를 클릭하면, 상세한 설명이 나타 난다.(그림 3-3, 3-4) <그림 3-3> ‘SC랭킹순’ 정렬기준에 대한 상세 안내( i 클릭 시)(PC) 주) 정렬기준에 대한 상세 안내는 모든 피험자 그룹에 공통 적용되는 인터페이스이다. <그림 3-4> ‘SC랭킹순’ 정렬기준에 대한 상세 안내( i 클릭 시)(모바일) 주) 정렬기준에 대한 상세 안내는 모든 피험자 그룹에 공통 적용되는 인터페이스이다.

-- 41 of 136 --

41 Ⅲ. 실험 설계 상품 상세페이지에는 상품 이미지, 상세 스펙 등이 제공된다. 참가자의 클릭, 페이지 이동, 정렬 변경, 필터 적용, 체류 시간 등 모든 탐색 행동은 실시간 행동 로그 데이터 로 수집된다. 실험 대상 상품군은 블루투스 스피커(고관여 내구재), 비타민C(중관여 건강기능식품), 롤화장지(저관여 생필품)의 세 가지로 구성된다. 각 상품군 내에는 실제 시중에서 판매 되는 상품의 속성(가격대, 브랜드, 스펙, 별점, 리뷰 수 등)을 참조하여 현실감 있게 구 성된 가상 상품 데이터베이스가 활용된다. 자사우대 상품 설계 본 실험에서 자사우대는 SC몰이 특정 상품을 검색 결과 상단에 인위적으로 배치하는 방식으로 구현된다. 자사우대 상품은 2회차 쇼핑(R2)에만 배치 되며, 이는 1회차 쇼핑(R1) 기본 랭킹(SC랭킹순) 하위권에 위치한 원본 상품을 기반으 로 생성한 복제 상품이다.(그림 3-5) <그림 3-5> 자사우대 상품 설계(1회차 쇼핑 vs. 2회차 쇼핑) 주) 자사우대 상품은 원본 상품을 복제한 상품으로 가격만 10% 높게 설정되어 있다. (i) 자사우대 적용 전(1회차 쇼핑) (ii) 자사우대 적용 후(2회차 쇼핑)

-- 42 of 136 --

42 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 29) SC랭킹순이 아닌 다른 정렬기준으로 변경하는 경우에는 이러한 자사우대 상품(복제품)이 상품 검색 결과에 나타나지 않는 다. 또한 필터 조작을 하는 경우 해당 필터링 속성 조건을 만족하는 상품이 있는 경우에 한해 자사우대 상품이 나타나나, 만약 속성 조건을 만족하지 않는 경우에는 자사우대 상품이 보이지 않게 된다. 따라서 정렬기준을 변경한 상태에서 최종 구매 선택을 할 경우 자사우대 상품을 구매할 수 없으나, 필터를 조작한 경우에는 일부 그럴 가능성이 있다. 복제 상품은 원본의 이미지, 상품명, 별점, 리뷰 수 등 핵심 속성은 그대로 유지하되, 가격만 원본 대비 10% 인상하여 검색 결과 상단(1, 2, 3, 4, 5, 10, 15, 20, 25, 30위) 에 고정 배치한다. 이때 원본 상품은 자사우대 조작으로 검색 순위가 밀려 같은 1페이 지 하단 또는 2~3페이지에 배치된다. 따라서 피험자는 2회차 쇼핑에서 10% 비싼 자 사우대 상품과 완전히 대등한 상품을 1페이지에서 2개, 2페이지에서 8개, 3페이지에서 2개를 찾을 수 있다.29)(그림 3-6) <그림 3-6> 자사우대 상품 설계(2회차 쇼핑 1, 2, 3페이지) 주) 자사우대 상품은 원본 상품을 복제한 상품으로 가격만 10% 높게 설정되어 있다. 이러한 설계는 두 가지 실험적 의도를 구현하여 외적 타당성을 확보하기 위한 것이다. 첫째, 10% 고가 복제상품과 원래 가격 그대로의 원본 상품이 동일 화면 내에 함께 배 치함으로써 소비자가 조금만 더 주의를 기울이면 저렴한 동일 상품을 발견할 수 있다. (i) 1페이지 (ii) 2페이지 (iii) 3페이지

-- 43 of 136 --

43 Ⅲ. 실험 설계 30) SSNIP(Small but Significant Non-transitory Increase in Price) 테스트는 가상의 독점 사업자가 가격을 5~10% 인상했을 때 소비자가 대체재로 구매를 전환하는지를 평가하여 관련 시장을 평가하는 시장획정의 표준적인 방법론이다. 이는 객관적인 품질 속성이 100% 동등한 대체재를 가까운 화면에 제시함으로써 자사 우대 상품 선택이 탐색 부족의 결과인지 혹은 알고리즘 순위를 더 우수한 상품으로 오 인하고 구매한 것인지 식별하는 핵심 장치이다. 둘째, 가격 프리미엄을 원본 대비 10%로 설정한 것은 현실적 타당성과 실험적 감도를 함께 고려한 결과이다. SSNIP30) 테스트 방법론에서 통상 5~10%의 가격 인상에도 대 체재로 전환하지 않는 소비자가 적으면 대체재와는 별개의 시장으로 파악한다는 점에 서, 10%는 소비자의 구매 전환이 시작되는 상한 임계점에 해당한다. 이를 초과하면 가 격 효과와 알고리즘 조작 효과가 혼재될 우려가 있고, 이에 미치지 못하면 소비자가 가 격 인상 자체를 인지하기 어려워 탐색 부족과 순위 오인 효과를 식별하기 어렵다. 판매 자 측면에서도 10%는 높은 노출 순위를 통해 추가 마진을 수취할 수 있는 현실적 범위 내에 있다. 자사우대 조작은 2회차 쇼핑(R2)에서만 적용되며 1회차 쇼핑(R1)은 자사우대 조작이 없는 기준선 환경이 된다. 동일 참가자의 R1, R2 구매 행동을 비교함으로써 자사우대 조작의 인과적 효과를 식별할 수 있다. 4개 처치 조건 구성 R2 환경에는 정보 제공형 시정조치의 실효성을 평가하기 위한 2 ×2 피험자 간 처치가 교차 적용된다. 두 요인은 SCpay 라벨 부착 여부와 정렬기준에 대한 투명성 공시 여부이며, 이를 교차하여 다음 4개의 처치 조건을 구성한다. 다만, R1 환경에서는 이러한 처치 조건이 적용되지 않으며 모든 실험 참가자가 동일한 환경 에서 쇼핑 실험을 참여하게 된다.

-- 44 of 136 --

44 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 3-3> 2×2 피험자 간 설계 G1(통제 집단)은 자사우대 순위 조작만 적용되고 라벨과 공시가 모두 부재한 조건이 다. 자사우대 조작에 대한 정책 수단이 부재한 상태에서의 소비자 행동을 나타내는 기 준선으로 기능하며, 가설 1~3 검증 비교의 기준이 된다. G2(라벨 단독)는 자사우대 상품 카드에 SCpay 배지가 부착된 조건이다. 라벨은 해당 상품의 SC몰 프로모션 상품(1% 포인트 추가 적립)임을 간접적으로 시사하는 표시로, 소비자가 이를 플랫폼 추천 또는 품질 보증 신호로 해석할 수 있는 여지를 남긴다. 국 내 주요 온라인 플랫폼이 실제 자사 간편결제(페이) 이용 시 추가 적립 혜택을 지급하 는 것을 참조하여 설계하였다. 이때 1% 추가 적립 혜택이 적용되더라도 자사우대 상품 의 가격은 원본 상품보다 10% 비싸므로 그 프로모션 혜택에 비해 유리하지 않은 선택 이 된다.(그림 3-7) <그림 3-7> 가상 쇼핑몰(SC몰) 내 라벨 적용 예시(모바일) 구분 라벨 미표시 라벨 표시 공시(Disclosure) 미표시 그룹1(G1) 그룹2(G2) 공시(Disclosure) 표시 그룹3(G3) 그룹4(G4) (i) 라벨이 없는 상태(G1, G3) (i) 라벨이 있는 상태(G2, G4) SCpay +1% 적립 SCpay +1% 적립

-- 45 of 136 --

45 Ⅲ. 실험 설계 G3(공시 단독)는 검색 결과 페이지 상단에 “SC랭킹순은 SC몰의 사업적 이해관계가 반 영되어 있습니다.”라는 고지 배너가 정렬기준 조작부 상단에 노출되는 조건이다. 또 이 고지 배너 하단에는 “이 순서는 어떻게 적용했나요?”라는 링크를 제시하고, SC랭킹 순에는 가격 및 할인, 인기도(판매량, 리뷰), 배송 속도 등 객관적 품질 속성 외에 “플 랫폼이 직접 판매하거나 플랫폼과 계약관계가 있는 상품이 추가로 반영되어 더 높은 순위에 표시될 수 있다”는 사실을 고지하였다. 다만, 이때 G3에서는 자사우대로 우선 순위로 노출된 상품이 어떤 상품인지는 실질적으로 구별할 수 없다.(이와 달리, G4에 서는 자사우대 상품에 SCpay 라벨을 부착하고, 해당 상품이 자사우대 상품이라는 사 실을 공시 안내문에 상세히 고지하였다.)(그림 3-8, 3-9) <그림 3-8> 가상 쇼핑몰(SC몰) 내 공시 적용 예시(모바일) (i) 공시가 없는 상태(G1, G2) (i) 공시가 있는 상태(G3, G4)

-- 46 of 136 --

46 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 31) Regulation (EU) 2019/1150 Article 5(3) <그림 3-9> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G3) 주) 정렬 기준에 대한 투명성 공시(disclosure) “이 순서는 어떻게 정해졌나요?” 클릭 시 상세 안내문이 팝업창으로 나타난다. 이는 G3 그룹에만 적용되는 인터페이스이다. 이 안내문에는 SC랭킹순에 자사우대 요소가 반영될 수 있음을 표시하였지만, 실제 어떤 상품이 자사우대 상품인지 식별할 수 있는 정보는 제시되어 있지 않다. 이는 EU에서 호텔스닷컴 등 주요 온라인 여행 예약 플랫폼은 랭킹 알고리즘 정렬기준 에 따라 상단에 노출된 상품이 인기순이 아니라 ‘광고 및 수수료’의 영향이 반영된 경우 그 사실을 고지해야 하는 자사우대 관련 규제31) 를 참고했다.(그림 3-10, 3-11)

-- 47 of 136 --

47 Ⅲ. 실험 설계 <그림 3-10> 호텔스닷컴 정렬기준에 대한 투명성 공시 예시(1) 주) 정렬기준 좌측 “저희에게 지불되는 금액이 정렬순서에 영향을 미칩니다.”라고 표시된다. <그림 3-11> 호텔스닷컴 정렬기준에 대한 투명성 공시 예시(2) 주) <그림 3-11>의 공시문 우측 i 클릭 시 “정렬 순서 작동 방식”에 대한 상세한 안내 화면이 제시되며, 여기에는 ‘더 많은 수 수료 또는 광고비를 제공하는 숙박 시설이 상위에 표시’될 수 있다는 내용이 설명되어 있다.

-- 48 of 136 --

48 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 G4(라벨+공시 복합)는 SCpay 라벨과 정렬기준 공시가 동시에 적용되는 조건이다. 이 조건은 라벨과 공시가 함께 도입되는 복합적 시정조치의 실효성을 평가하며, G2(라벨 단독)와의 비교를 통해 공시가 라벨의 오인 강화 효과를 실질적으로 완화하는지 식별 하는 역할을 한다. G3의 공시와 달리 G4에서는 아래<그림 3-12>와 같이, SCpay 라 벨에 대한 표시와 추가 안내문을 병기함으로써 어떤 상품이 자사우대 상품(가격과 할 인, 상품 인기도 등 요소에 관계없이 플랫폼 자사 상품 또는 플랫폼과의 계약관계에 따 라 더 높은 위치에 배치된 상품)인지를 확인할 수 있다. <그림 3-12> 가상 쇼핑몰(SC몰) 내 공시 상세 안내문 화면(G4) 주) 정렬 기준에 대한 투명성 공시(disclosure) “이 순서는 어떻게 정해졌나요?” 클릭 시 상세 안내문이 팝업창으로 나타난다. 이는 G4 그룹에만 적용되는 인터페이스이다. G3(공시 단독)과 달리 자사우대 상품을 식별할 수 있는 라벨 정보(빨간 점선 네모 박스 안) 설명이 들어 있다.

-- 49 of 136 --

49 Ⅲ. 실험 설계 참가자는 성별·연령 균등 할당 표집 후 4개 처치군에 무작위로 배정된다. 군별 목표 표 본은 750명으로, 총 유효 표본 3,000명을 목표로 한다. 각 처치군별 쇼핑 대상 상품군 2개와 쇼핑 순서(1회차-2회차 쇼핑 대상 상품군의 순서)는 무작위로 균등 배정한다. 처치군 간 무작위 배정의 성공 여부는 1회차 쇼핑(R1) 단계 탐색 행동 변수의 분포 비 교를 통해 사후적으로 확인한다. 3. 측정 도구 및 데이터 수집 종속변수 본 연구의 종속변수는 크게 선택 결과(구매) 변수, 탐색 행동 변수, 후생 인 식 변수의 세 범주로 구성된다. 선택 결과 변수는 소비자의 최종 구매 여부를 의미한다. 구체적으로 자사우대 상품 구 매, 상단 노출 상품(1~5위) 구매 여부를 측정한다. 1회차 쇼핑(R1)과 2회차 쇼핑(R2) 의 선택 결과를 비교함으로써 자사우대 조작이 구매 선택에 미치는 효과를 식별한다. 탐색 행동 변수는 소비자의 탐색 과정 전반을 포착하며, 자기보고 방식이 아닌 실시간 행동 로그로 수집된다. 측정 항목은 탐색 깊이(최하위 상품 페이지, 평균 구매 상품 순 위), 페이지 이동 수 및 체류 시간, 정렬 변경 여부, 필터 적용 여부 등이다. 이 중 정렬 변경, 필터 적용, 정렬 기준 안내문 확인은 소비자의 ‘적극적 탐색 행동’의 핵심 지표로 가설 1, 2, 3에서 ‘적극적 탐색 행동’ 성향을 지닌 피험자와 그렇지 않은 피험자간 이질 적 효과(heterogeneous effects)를 측정하는 조절 변수로 기능한다. 행동 로그 기반 측정은 기억 왜곡이나 주관적 설문 응답의 한계를 극복하는 동시에 소비자 스스로 인 식하지 못하는 행동 변화까지 포착할 수 있다는 점에서 본 연구의 방법론적 강점에 해 당한다. 후생 인식 변수는 쇼핑 실험 완료 후 수집되며, 가설 4의 검증을 위해 활용된다. 구매

-- 50 of 136 --

50 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 32) ㈜마크로밀엠브레인 33) 실험 소요 시간, 만족도 조사 및 퀴즈 동일 문항 반복 답변 여부 등을 기준으로 추가 보상 대상자를 선정하였다. 다만 실험 단계에서는 고지문이 실제 행동 오염으로 이어질 수 있어, 구체적 기준을 피험자에게 밝히지 않았다. 추가 보상 대상은 6 개 기준 (① 1·2회차 쇼핑 소요시간 30초 미만 또는 상·하위 10%, ② 1·2회차 쇼핑 모두 1위 상품만 선택, ③ 만족도·퀴즈 동 일 응답, ④ 1·2회차 상세페이지 미조회, ⑤ 1·2회차 스크롤 없음, ⑥ 1·2회차 모두 3위 이내 선택)을 충족하는 피험자를 제외 한 나머지 1,573명 중 무작위로 추첨하여 선정하였다. 만족도, 랭킹이 쇼핑에 도움이 됐는지 여부, 정렬 기준에 대한 공정성 인식을 5점 리 커트(likert) 척도로 측정한다. 이는 행동 로그에서 확인되는 객관적인 후생 손실(불필 요한 10% 고가 프리미엄 지급)과 대조함으로써, 주관적 후생 인식과 객관적 후생 손실 간의 괴리를 실증하는 데 활용한다. 실험 절차 실험은 온라인 설문 패널32) 을 활용해 진행하였다. 실험 참여에 동의하여 모 든 실험 절차를 마무리한 피험자에 대해서는 기본 4천 원의 보상(포인트)이 주어지며, 평소 온라인 쇼핑을 하듯이 모의 쇼핑 과제를 성실히 수행33) 한 피험자에 대해서는 150 명을 추첨하여 추가 1만 원의 보상(포인트)을 지급하였다. 특히 추가 보상은 피험자가 실제 쇼핑처럼 진지하게 행동할 동기를 부여하고, 불성실 응답을 방지하기 위해 설계 되었다. 전체 실험은 다음 순서로 구성된다. <표 3-4> 실험 절차 연번 단계 주요 내용 1 실험 참여 동의 온라인 행동 실험 안내 및 정보 수집 동의 2 스크리닝 조사 연령·성별, 온라인 쇼핑 경험 유무 등 확인 3 상품 선호도 조사(1) 1회차 쇼핑 상품군에 대한 선호도 조사 4 실험 안내 가상 쇼핑몰에서 실험 수행 내용 안내 5 1회차 쇼핑(R1) 1회차 쇼핑 실험 수행: 자사우대 조작 없음 6 1회차 쇼핑 만족도 조사 1회차 쇼핑 구매 상품 만족도, 정렬순 공정성 인식 7 상품 선호도 조사(2) 2회차 쇼핑 상품군에 대한 선호도 조사 8 실험 안내 가상 쇼핑몰에서 실험 수행 내용 안내 9 2회차 쇼핑(R2) 2회차 쇼핑 실험 수행: 자사우대 조작 적용됨 10 2회차 쇼핑 만족도 조사 2회차 쇼핑 구매 상품 만족도, 정렬순 공정성 인식 11 이해도 조사 정렬기준 기준, 공시 내용에 대한 이해도 OX 퀴즈 12 추가 설문조사 온·오프라인 쇼핑 경험 조사 13 인구통계정보 조사 학력, 직업, 소득 등 조사 14 종료 실험 종료 및 보상 지급

-- 51 of 136 --

51 Ⅲ. 실험 설계 34) CBC 설계 상품 속성 및 조합에 관해서는 부록 C. <표 C-1>을 참고한다. 실험 참여 동의에서 행동 실험 안내와 정보 수집 동의를 받고, 스크리닝 조사에서는 연 령·성별 정보, 온라인 쇼핑 경험 유무를 확인하고, 쇼핑 경험이 있는 소비자에 한해 실 험 절차를 진행한다. 1회차, 2회차 쇼핑(R1, R2) 전에는 각각 회차별 쇼핑 대상 상품군에 대한 사전 선호도 조사를 실시하였다. 상품 선호도 조사는 선택형 컨조인트(Choice-Based Conjoint, CBC) 조사 방식으로 진행한다. CBC는 소비자에게 다수의 가상 상품 조합(카드)을 복수로 제시하고 그중 소비자가 실제로 어떤 대안을 선택하는지를 반복 관찰하여 각 속성(attribute)의 효용 (utility)과 선택 구조를 추정하는 선택 실험 기법이다. 본 연구에서는 상품군별 6문항 씩 총 12문항의 가상 상품 카드 선택 과제를 수행하며, 가격, 별점, 리뷰수 등 관측 가 능 속성에 대한 계수를 추정한다.34)(그림 3-13) <그림 3-13> 선택형 컨조인트(CBC) 화면 예시 주) 쇼핑 과제 수행 전에 ‘해당 상품군’의 속성을 다수의 가상 상품 조합(카드) 3개를 제시하고 이와 같은 문항을 총 6번씩 제시 한다. 다만, CBC를 통해 관측 가능한 속성은 다소 제한적이다. 예컨대 블루투스 스피커의 경 우 디자인, 브랜드와 같이 소비자 선호에 중요하게 작용하는 속성을 컨조인트 카드 형 태로 구현하기 어렵다는 한계가 있다. 이에 따라 본 연구에서는 CBC는 적극적인 후생

-- 52 of 136 --

52 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 분석 도구로 활용하기보다, 두 가지 제한적 목적에 한정하여 활용한다. 첫째, 가격 계 수의 음의 방향성, 별점·리뷰 수 계수의 유의성 등 추정 결과가 직관에 부합하는지를 확인하는 응답 성실성 지표로 확인한다. 둘째, CBC에서 추정된 속성별 계수가 처치군 간에 유의한 차이를 보이지 않는지 확인하여 무작위 배정의 성공 여부를 보조적으로 검증하는 동질성 확인 지표로 활용한다. 1회차 쇼핑(R1) 단계에서는 자사우대 조작 없이 무작위로 배정된 상품군에 대해 쇼핑 과제를 수행한다. 피험자는 각 상품군에서 자유롭게 상품을 탐색하고 1개 상품을 최종 적으로 구매(모의 결제)하는 과제를 부여받는다. R1의 탐색·선택 행동은 이후 2회차 쇼핑(R2) 행동과의 비교를 위한 개인별 기준선으로 활용된다. 2회차 쇼핑(R2) 단계에서는 자사우대 조작이 적용된 환경에서 R1과 다른 상품군을 무 작위로 배정받아 쇼핑 과제를 수행한다. 피험자는 배정된 처치 조건(라벨 또는 공시 적 용 여부, G1~G4, <표 3-3> 참고)에 따라 다른 인터페이스가 적용된다. <그림 3-14> 2회차 쇼핑(R2) 내 처치군별 인터페이스 예시(PC) 주) 좌측 (i)는 라벨, 공시 인터페이스가 적용되지 않은 반면, 우측 (ii)는 붉은 색 점선 테두리 안의 부분이 라벨, 공시가 적용되었다. (i) 라벨 미표시, 공시 미표시 (G1) (ii) 라벨 표시, 공시 표시 (G4)

-- 53 of 136 --

53 Ⅲ. 실험 설계 1, 2회차 쇼핑(R1, R2) 과제를 완료한 후에는 최종 구매 상품에 대한 만족도, 기본 랭 킹순(SC랭킹순)에 대한 긍정적 인식, 불공정성 인식 등에 대한 설문을 실시한다. 이는 자사우대 조작의 인지 여부, 공시 안내문 인지 여부 등을 확인하며, 처치가 의도한 대 로 전달되었는지 검증하는 데 활용된다. 분석 방법 주요 가설 검증을 위한 분석 방법은 다음과 같다. 가설 1은 1회차 쇼핑(R1) 과 2회차 쇼핑(R2)의 구매율을 기초 통계로 비교한다. 가설 2와 3은 처치군 간 평균 비교와 라벨×공시 상호작용항을 포함한 회귀분석으로 검증하며, 가설 4는 자사우대 상품 구매자와 비구매자의 만족도 조사 및 불공정성 인식을 비교하는 분석으로 검증한 다. 소비자 특성에 따른 이질적 효과는 1회차 쇼핑(R1) 정렬기준 변경, 필터 조작, 정 렬기준 안내 확인 여부를 조절변수로 포함한 상호작용항으로 모형에 포함한다. 연구 윤리 본 연구는 실험 참가자에게 사전에 연구 목적, 데이터 활용 범위, 참여 철회 권리 등을 충분히 고지하며, 수집된 데이터는 익명화하여 관리한다. 피험자는 쇼핑 과 제 중 실제 결제가 이루어지지 않았으며 가상 포인트가 부여됨을 사전에 안내받는다.

-- 54 of 136 --

-- 55 of 136 --

55 실증분석 결과 1. 표본 특성 및 집단 간 동질성 검증 / 57 2. 순위 의존 행태 및 탐색 부재 : 1회차 쇼핑(R1) 기저선 분석 / 60 3. 알고리즘 조작의 인과적 효과 : 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) / 65 4. 라벨의 소비자 오인 효과: G2(라벨 단독) vs. G1(통제군) / 70 5. 정렬기준 투명성 공시의 효과와 그 한계 / 79 6. 소비자 후생 인식 및 불공정성 지각 / 92 Ⅳ

-- 56 of 136 --

51.7% 투명성 공시의 전달력 한계 피해 인지의 구조적 어려움 공시 클릭률 10.7% → 정렬기준 안내만으로는 소비자의 선택 왜곡이 교정되지 않음 소비자는 알고리즘 조작으로 더 비싼 복제품을 구매하더라도 후생 손실을 인지하기 어려움 단순 정보 제공형 시정조치(라벨 및 공시)로는 알고리즘 조작으로 인한 선택 왜곡을 완화하지 못함 근본적으로 알고리즘 설계 공정성을 제고하기 위한 학제적, 정책적 논의가 필요함 실증 분석 결과(Empirical Findings) 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 강력한 순위 의존성 첫 페이지, 상단 노출 순위에서 대부분 구매가 집중 상위 5개 이내 구매 기본 정렬순의 상위 5개 이내 상품을 구매하는 비율이 약 절반 이상임 자사우대 효과, 선택 왜곡 순위 조작만으로 구매 선택이 크게 바뀜 자사상품 우대 효과 자사상품 우대 효과 ▲ +34%p 경쟁상품 배제 효과 경쟁상품 배제 효과 ▼ +32%p 일정한 탐색 범위 내 더 싼 대체재 혹은 더 선호되었던 상품이 있었음에도 ‘순위가 높은 상품‘을 선호 순위M 바꾼 것만으로 구매율이 34%p 증가 우대효과 ‡E 5위 내 상품의 구매율이 32%p 하락 배제효과 정보 제공형 시정조치의 한계 라벨, 공시의 시정조치만으로는 선택 왜곡이 교정되지 않음 94.6% 74.8% 첫 페이지에서 구매 페이지를 이동하지 않고 첫 페이지에서 구매하는 비율이 매우 높음 정렬기준 변경하지 않음 기본 정렬순 외 다른 정렬기준(낮은가격순, 리뷰많은 순)을 이용하는 비율이 매우 낮음 프로모션 라벨의 오인 강화 라벨(SCpay)이 부착된 경우 소비자의 탐색 범위가 더 줄어들고 선택 왜곡이 심화됨 효과는 (2회차 쇼핑 자사우대 상품 구매율) - (2회차 쇼핑 자사우대 상품 구매율)로 계산(%p)

-- 57 of 136 --

57 Ⅳ. 실증분석 결과 Ⅳ 실증분석 결과 1. 표본 특성 및 집단 간 동질성 검증 표본 특성 본 연구는 총 3,072명의 응답자를 대상으로 수행되었다. 피험자는 네 개의 처치군(G1~G4)에 무작위로 배정되었으며, 각 처치군은 성별·연령대가 동일한 규모로 구성되었다. <표 4-1> 표본 집단별 인구통계 특성 (단위: 명) 아래 <그림 4-1>과 같이, 플랫폼 이용 행태 측면에서는 쿠팡, 네이버쇼핑, 11번가, G 마켓, SSG닷컴 등 주요 온라인 쇼핑 플랫폼 이용 여부를 함께 조사하였다. 분석 결과 응답자들은 전반적으로 다양한 플랫폼을 이용하고 있었으며, 처치군별로 특정 플랫폼 에만 치우친 구조는 아니였다. 특히 네이버쇼핑, 쿠팡 이용 비율이 가장 높고, G마켓 등 타 플랫폼 역시도 많은 이용률을 보였다. 이는 피험자들이 실제 온라인 쇼핑 환경에 익숙한 이용자 집단임을 시사한다. 그룹 성별 연령대 남 여 20~29세 30~39세 40~49세 50~65세 G1 384 384 192 192 192 192 G2(라벨) 384 384 192 192 192 192 G3(공시) 384 384 192 192 192 192 G4(라벨+공시) 384 384 192 192 192 192 계 1,536 1,536 768 768 768 768

-- 58 of 136 --

58 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-1> 집단 간 주요 플랫폼 이용 경험비율(다중 응답) 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 집단 간 동질성 검증 본 연구의 핵심 목적은 알고리즘 기반 자사우대 조작과 라벨, 그 리고 정렬기준에 대한 투명성 공시가 소비자 행동에 미치는 인과적인 효과를 식별하는 데 있다. 이를 위해서는 실험 처치 이전 단계인 1회차 쇼핑(R1) 단계에서 각 집단의 주 요 탐색 행태가 통계적으로 동질적(homogeneous)이어야 한다. 따라서 본 연구는 1회 차 쇼핑(R1)을 기저선으로 삼아 탐색 행동에 대한 사전 균형 점검을 실시하였다. 1회차 쇼핑(R1)에서 주요 탐색 행동 변수에는 쇼핑 소요시간, 페이지 방문 수, 최하위 방문 페이지, 스크롤 횟수, 구매 상품 순위, 총 클릭수, 최하위 클릭 상품 순위, 정렬기준 변 경 비율, 필터 기능 사용 비율, 정렬순에 대한 안내 확인 비율이 포함되었다. 검정 결과, 대부분의 탐색 행동 변수에는 처치군 간 통계적으로 유의한 차이가 나타나 지 않았다. 예를 들어, 총 클릭수, 페이지 방문 수, 스크롤 횟수 등은 모든 그룹에서 유 사한 수준을 보였으며, 정렬 변경 여부나 필터 사용 여부 역시 집단 간 차이가 크지 않 았다. 이는 이후 주요 처치(treatment)가 적용되는 2회차 쇼핑(R2) 단계에서 관찰되는 탐색 행동의 변화가 단순한 기저 성향의 차이가 아니라 실험 처치 자체에 의해 발생했 을 가능성을 높여준다.35)

-- 59 of 136 --

59 Ⅳ. 실증분석 결과 35) 다만, 일부 보조적 탐색 행동 변수(정렬순 안내 확인 여부)에서는 제한적인 수준의 집단 간 차이가 확인되었다.(p<0.05) 36) 극단값(이상치) 제거 후 표본에 대한 기술통계는 부록 A를 참고한다. 37) 대부분의 효용계수는 처치군 간 통계적으로 유의한 차이가 없다. 9개 검정(3개 상품×가격/별점/리뷰수) 중 6개 검정은 p>0.10 으로 귀무가설(처치군 간 계수 동일)을 기각하지 못해 처치군 간 효용구조가 유사함을 확인하였다.(부록 C. <표 C-4> 참고) 38) 부록 C. <표 C-2>, <표 C-3> 참고 <표 4-2> 집단 간 동질성 검정 결과36) 주1) ‘P > 0.05’인 경우 집단 간 유의미한 차이가 없음을 의미한다. 주2) 연속형 변수에 해당하는 ‘쇼핑 시간(초)~최하위 클릭 상품 순위’는 joint F-검정을, 범주형 변수에 해당하는 ‘정렬기준 변 경 비율~정렬순 안내 확인 비율’는 카이제곱 검정을 실시하였다. 마지막으로 선택형 컨조인트(CBC) 실험을 통해 추정한 효용계수의 방향성과 크기를 비교하였다. 분석 결과 가격 계수는 음(-)의 방향, 별점 및 리뷰 수 계수는 양(+)의 방 향으로 안정적으로 추정되었다. 이는 응답자들이 일반적인 전자상거래 소비자와 유사 하게 높은 가격에는 부정적으로, 별점과 리뷰 수와 같은 품질 신호에는 긍정적으로 반 응함을 의미한다. 또한 이러한 효용계수의 방향성과 상대적 크기는 처치군 간에 큰 차 이를 보이지 않았다.37) 따라서 이후 실험 결과는 소비자 선호 자체의 차이보다는 실험 처치 자체에 의한 효과로 설명될 가능성이 높다.38) 종합하면, 본 연구의 표본은 인구통계, 탐색행동, 기초 선호 구조 측면에서 각 집단 간 사전 동질성이 대체로 확보된 것으로 판단된다. 따라서 후속 장에서 제시하는 1회차, 2 회차 쇼핑 간 비교 분석과 집단별 이질적 효과 분석의 추정 결과는 실험 처치의 인과적 해석할 수 있는 기반을 갖춘 것으로 볼 수 있다. 행동 변수 (1회차 쇼핑, R1 기준) G1 G2 (라벨) G3 (공시) G4 (라벨+공시) F값 (χ2값) P값 쇼핑 시간(초) 255.203 167.876 164.056 352.016 0.661 0.576 페이지 방문 수 4.444 4.868 4.741 4.659 0.837 0.473 최하위 방문 페이지 1.547 1.685 1.652 1.629 0.458 0.711 스크롤 횟수 20.232 21.208 21.594 20.254 0.559 0.642 구매 상품 순위 12.093 12.863 13.832 15.058 1.115 0.342 총 클릭수 8.823 9.365 9.133 8.655 0.688 0.560 최하위 클릭 상품 순위 92.854 96.236 92.904 82.103 0.907 0.437 정렬기준 변경 비율 24.870 25.130 28.255 22.526 6.764 0.080 필터 조작 비율 18.229 15.495 17.188 13.802 6.421 0.093 정렬순 안내 확인 비율 6.250 7.422 6.510 4.036 8.355 0.039

-- 60 of 136 --

60 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 39) 처치군 간 차이는 통계적으로 유의하지 않았다.(카이제곱 검정, p=0.499, top5 구매 기준) 2. 순위 의존 행태 및 탐색 부재 : 1회차 쇼핑(R1) 기저선 분석 순위 조작이 없는 환경(R1)에서도 소비자의 탐색이 상위 순위에 구조적으로 얼마나 집중 되는지, 기본 정렬을 바꾸기 위한 적극적 탐색이 얼마나 부족한지 논의한다. 본 절은 자사우대 조작 처치가 적용되지 않은 1회차 쇼핑(R1)의 소비자 탐색 행동 데이 터를 활용하여, 처치 이전 소비자의 순위 의존 행태와 탐색 행동의 기저 수준을 확인 한다. 이는 자사우대 조작 처치가 적용된 2회차 쇼핑(R2)의 처치 효과를 평가하기 위 한 비교 기준선(baseline)을 확립하는 동시에, 순위 조작이 없는 환경에서도 소비자의 탐색이 상위 순위에 구조적으로 얼마나 집중되는지를 실증한다. 1회차 쇼핑(R1)은 4개 처치군 모두 동일하게 적용되며, 처치군 간 R1 기저 행동 변수의 동질성은 앞 절의 균 형 검정에서 모두 확인된 바 있다. 순위별 구매 집중도 1회차 쇼핑(R1) 단계에서 1페이지 내 소비자의 구매 집중 정도를 분석한 결과, 소비자들의 구매는 상위 노출 상품에 매우 강하게 집중되는 경향을 보였 다. 특히 1위 상품 구매율은 전체 구매의 약 22.0%를 차지하였으며, 상위 5위 누적 구 매율은 약 51.7%, 상위 10위 누적 구매율은 67.8% 수준으로 나타났다. 1페이지의 끝 인 상위 36위 누적 구매율은 무려 94.6%로 이는 소비자의 절대적 다수가 첫 페이지의 극히 제한된 영역에서 구매를 결정하고 있음을 의미한다. <표 4-3> 순위별 누적 구매 집중도(1회차 쇼핑, R1 기준)39) 순위 상위 1위 상위 5위 상위 10위 상위 36위 구매 집중도 22.0% 51.7% 67.8% 94.6%

-- 61 of 136 --

61 Ⅳ. 실증분석 결과 <그림 4-2> 1회차 쇼핑(R1) SC랭킹순 순위별 구매 비율 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. <그림 4-3> 1, 2회차 쇼핑(R1, R2) SC랭킹순 순위별 누적 구매 비율 주) 파란 실선 자사우대 전 SC랭킹순을, 붉은 점선은 자사우대 후 SC랭킹순을 의미한다.

-- 62 of 136 --

62 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 40) 평균 클릭 수는 9회, 총 페이지 방문 수는 평균 4.7페이지로 나타난다. 이러한 구매 집중도는 상위 구간일수록 비선형적으로 급격히 증가하는 특징을 보였다. 예컨대 1위와 5위 사이의 구매율 차이는 단순 순위 이상의 큰 구매율 격차가 보였다. 또한, 1회차 쇼핑(R1)과 2회차 쇼핑(R2) 모두 상위 구간에서 누적 구매율이 급격히 증 가하다가 점차 뒤로 갈수록 그 기울기(증가율)가 완만해지면서, 1페이지 마지막 순위 인 36위에서는 90%를 상회하는 높은 누적 구매율을 갖는 것으로 나타난다.(그림 4-2, 4-3) 주목할 점은 이러한 상위 순위 집중이 소비자의 적극적 탐색 없이 발생하고 있다는 점 이다. 1회차 쇼핑(R1)의 평균 최대 탐색 페이지는 1.63페이지(평균)에 불과하며, 평균 최하위 클릭 상품 순위는 15위(중위값)로 소비자의 탐색이 상위 15위권 내에 대부분 종 결됨을 보여준다.40) 이는 소비자가 전체 상품군을 균등하게 평가하는 것이 아니라, 상위 노출 순위를 일종 의 품질 신호로 오인했을 가능성을 시사한다. 더 구체적으로 오인 효과를 식별하기 위 해서는 먼저 노출과 오인을 개념적으로 구분해야 한다. 노출이란 소비자의 고려 집합 (consideration set)에 진입하는 것을 의미한다. 소비자는 시간 제약과 인지적 탐색 비용 으로 인해 모든 선택지를 고려할 수 없으므로, 고려 집합은 본질적으로 유한하다. 알고 리즘이 제시하는 순위는 이 고려 집합의 구성을 결정하는 가장 중요한 요인이라고 볼 수 있다. 반면 오인이란 고려 집합 안에 있는 선택지 중 알고리즘이 상위에 제시한 상품을 더 선호하는 행동, 즉 순위 자체를 품질이나 적합성의 신호로 해석하는 것을 가리킨다. 이러한 구분에 따르면 오인 효과를 식별하려면 먼저 고려 집합의 범위를 결정해야 한 다. 예컨대 첫 화면에 노출되는 상품 8개를 고려 집합으로 설정하면, 그 안에서 순위 변동이 선택 확률에 미치는 영향을 측정할 수 있다. 구체적으로 R1에서 1위로 제시된 상품이 R2에서 35위로 제시되었을 때 선택 확률이 얼마나 낮아지는지를 통해 오인의 존재 여부를 식별할 수 있을 것이다. 이는 뒤에서 더 자세히 살펴볼 것이다.

-- 63 of 136 --

63 Ⅳ. 실증분석 결과 여기서는 상위 상품 구매 집중도가 오인의 가능성을 시사한다는 점만 지적하기로 한 다. 이는 상품 순위가 소비자의 탐색 순서에 영향을 주었기 때문일 수도 있고, 플랫폼 이 제시한 순위가 품질이나 적합성을 반영한다는 소비자의 암묵적 기대로 인한 것일 수도 있다. 그러한 소비자의 암묵적 기대가 존재하는지는 투명성 공시의 효과를 통해 부분적으로 확인할 수 있다. 왜냐하면 투명성 공시는 순위가 품질이나 적합성이 아닌 플랫폼의 이해관계에 의해 영향을 받았음을 명시하기 때문이다. 하지만 이 투명성 공 시를 확인하고 이해하는 소비자가 적다면 그 효과도 제한적일 것이다. 종합하면, 상위 순위일수록 더 많은 선택이 집중되는 ‘순위에 대한 의존성’이 매우 강하 게 나타나며, 이는 여러 선행 연구가 알고리즘 순위가 소비자 선택에 큰 영향력을 미친 다고 밝힌 결론과 같은 맥락으로 해석할 수 있다. 이러한 순위 의존성이 소비자 선택에 유의미한 영향을 미치고, 실제 같은 고려 집합 내에서 상위 순위 상품을 더 선호하는 오인 요소로 작동했는지에 관해서는 같은 장의 제3절 이하에서 구체적으로 논의한다. 탐색 행동의 구조적 부재 우선, 1회차 쇼핑(R1)의 적극적 탐색 행동 변수를 살펴보면 소비자의 탐색 관성(inertia)이 매우 강하게 나타난다. 소비자가 주어진 검색 순위에 의존하지 않고 적극적으로 정보를 탐색하는 성향은 소비자가 기본 정렬 순서(SC랭킹 순)를 다른 정렬 순서(낮은 가격 순, 리뷰 많은 순 등)으로 변경하거나 원하는 상품 특 성을 구체적으로 필터링 조건을 적용하는 필터 조작 행동을 보였는지를 분석함으로써 확인할 수 있다. 분석 결과, 다음 <그림 4-4>와 같이 1회차 쇼핑 기본 정렬 순서를 변경하는 비율은 약 25.2%로 나머지 74.8%는 기본 정렬 순서를 단 한 번도 변경하지 않는 것으로 나타났 다. 또한 필터 조작 기능 또한 이를 사용한 비율이 약 16.2%에 불과하여 나머지 83.8% 는 필터 기능을 단 한 번도 조작하지 않은 것으로 나타났다.

-- 64 of 136 --

64 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 41) 1회차 쇼핑(R1)에서의 수동적 탐색 행동 변수 역시 처치군 간 유의한 차이가 없는 것으로 나타난다.(카이검정, p=0.075) 다 만, 정렬 순서 안내문 확인의 처치군 간 차이는 카이제곱 검정에서 p=0.039로 5% 수준에서 유의하게 나타났으나, 실제 수 치(G1: 6.3%, G2: 7.4%, G3: 6.5%, G4: 4.0%)의 절대적 차이가 매우 작고 이후 회귀분석에서 통제되므로 핵심 결과 해석에 미치는 영향은 제한적이다. <그림 4-4> 1회차 쇼핑에서 나타난 소비자의 적극적 탐색 행동의 부재 더욱이 소비자의 93.9%는 플랫폼이 제시하는 기본 정렬 순서(SC랭킹순)이 무엇인지 조차 확인하지 않고 구매 결정을 내리는 것으로 나타났다. 이 세 가지 적극적 탐색 행 동(기본 정렬 순서 변경, 필터 조작, 정렬기준 안내문 확인)을 모두 수행하지 않은 수 동 탐색자(passive consumer)의 비율은 65.8%에 달한다.41) 이는 기본(default) 정렬 순서가 제공하는 편향이 매우 강력한 효과를 유발할 수 있으며, 필터 조작이나 정렬 변 경과 같은 적극적 탐색을 돕는 장치들은 실질적으로 작동하기 어렵다는 사실을 암시한다. 소결 1회차 쇼핑(R1)의 기저선(baseline) 분석 결과는 온라인 쇼핑 소비자가 가용한 상품 정보를 충분히 탐색한 후 합리적으로 선택한다는 가정과 실제 현실 사이에 상당한 괴리가 존재함을 보 여준다. 대법원은 2025년 10월 네이버쇼핑 자사우대 사건 파기환송 판결에서 “소비자가 더 나은 대안을 찾기 위해 적극적으로 탐색할 것”이라는 가정을 경쟁제한성 판단의 일부 근거로 삼은 바 있다. 그러나 본 실험의 결과는 자사우대 조작이 전혀 없는 환경에서도 소비자의 4분의 3 이상이 기본 정렬 기준을 변경하지 않았으며, 구매의 절반 이상이 상위 5위 이내에서, 구매의 9할 이상 이 1페이지 이내에서 이루어짐을 실증적으로 보여준다.

-- 65 of 136 --

65 Ⅳ. 실증분석 결과 가설 1 다시 말해, 소비자의 실질적 고려 집합(consideration set)이 플랫폼이 정하는 상위 순위 상품으 로 사실상 구조적으로 한정되어 있음을 의미한다. 이러한 탐색의 관성이 기저선으로 존재하는 상 황에서 플랫폼이 알고리즘을 통해 자사 상품을 상위에 배치할 경우, 소비자는 그 조작을 인지하 거나 대응할 탐색 여력을 사전에 갖추고 있다고 보기 어렵다. 3. 알고리즘 조작의 인과적 효과 : 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 알고리즘 기반 자사우대에 노출된 소비자는 자사우대 상품을 더 높은 확률로 선택할 것이다. 본 절은 자사우대 순위 조작 처치가 없는 1회차 쇼핑(R1)과 처치가 적용된 2회차 쇼핑 (R2)의 구매 선택을 비교하여, 알고리즘 순위 조작이 소비자 행동에 미치는 영향을 실 증한다. 본 분석은 우선 자사 상품 우대 효과와 타사 상품 배제 효과를 정의하고 그 크 기를 추정함으로써, 가설 1의 지지 여부를 검증한다. 처치군별 이질적 효과는 제4절 및 제5절에서 다루기로 한다. <그림 4-5> 자사우대 상품 설계(2회차 쇼핑 1, 2, 3페이지) 주) 자사우대 상품은 원본 상품을 복제한 상품으로 가격만 10% 높게 설정되어 있다. (i) 1페이지 (ii) 2페이지 (iii) 3페이지

-- 66 of 136 --

66 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 본 실험에서 자사우대는 SC몰이 특정 상품을 검색 결과 상단에 인위적으로 배치하는 방식으로 구현된다. 자사우대 상품은 2회차 쇼핑(R2)에만 배치되며, 이는 1회차 쇼핑 (R1) 기본 랭킹(SC랭킹순) 하위권에 위치한 원본 상품을 기반으로 생성한 복제 상품이다. 복제 상품은 원본의 이미지, 상품명, 별점, 리뷰 수 등 핵심 속성은 그대로 유지하되, 가격만 원본 대비 10% 인상하여 검색 결과 상단(1, 2, 3, 4, 5, 10, 15, 20, 25, 30위) 에 고정 배치한다. 이때 원본 상품은 자사우대 조작으로 검색 순위가 밀려 같은 1페이 지 하단 또는 2~3페이지(35, 40, 45, 50, 55, 60, 65, 70, 75, 80위)에 배치된다. 따 라서 피험자는 2회차 같은 쇼핑 화면에서 자사우대 복제 상품과 원본 상품을 동시에 탐색할 수 있다.(그림 4-5) 자사 상품 우대 효과와 타사 상품 배제 효과는 다음과 같이 정의할 수 있다. <표 4-4> 자사 상품 우대 효과와 타사 상품 배제 효과의 정의 자사 상품 우대 효과 1회차 쇼핑(R1)에서 1페이지 하위권~2페이지 상위권(34~42 위, <그림 3-5> (i)의 초록색 상품)에 있던 원본 상품의 구매율은 2회차 쇼핑(R2)에 서 자사우대 조작으로 상위 순번으로 상단 배치(1~5위, <그림 4-5> 파란색 상품)되면 서 구매율은 31~35%p 상승하였다. 이는 순위 조작이 자사 상품의 가능성을 통계적으 로 매우 유의하게 높인다는 것을 보여준다. 상품군별로는 롤화장지에서 우대 효과가 36.7%p로 가장 크게 나타났으며, 블루투스 스피커 36.4%p, 비타민 C 29.0%p 순으로 뒤를 이었다. 구분 정의 자사 상품 우대 효과 1회차 쇼핑(R1) 38~42위(스피커 34~38위) 상품이 2회차 쇼핑(R2)에 상단 배치(1~5위)되면서 증가한 구매율 변화 타사 상품 배제 효과 1회차 쇼핑(R1) 1~5위 상품이 2회차 쇼핑(R2)에 자사우대로 순위가 밀리면서(6~9, 11위) 감소한 구매율 변화

-- 67 of 136 --

67 Ⅳ. 실증분석 결과 타사 상품 배제 효과 다음 <그림 4-6>과 같이, 2회차 쇼핑(R2)에서 자사우대 처치로 인해 당초 상위 순위에서 밀려난 상위권 상품(R1에서 1~5위 상품)의 구매율은 1회차 쇼핑(R1) 대비 30~34%p 감소하였다. 상품군별로는 롤화장지의 구매율이 가장 급격 하게 44.6%p 감소했으며, 블루투스 스피커 26.4%p, 비타민 C는 24.6%p 감소하였다. 평균적으로 자사 상품 우대 효과와 타사 상품 배제 효과의 크기는 거의 유사하다. <그림 4-6> 처치군별 자사 상품 우대 효과 및 타사 상품 배제 효과 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 순위에 대한 품질 오인 가능성 평균적으로 2회차 쇼핑(R2)에서 피험자가 평균 1.4페 이지 이내 탐색을 종료하고, 상위권 10위 이내 상품을 구매한 자의 비율이 70%에 이 르는 점을 고려할 때, 피험자의 평균적 탐색 범위는 최소한 상위 10위 이내를 포함한 다. 만약 피험자가 순위를 “품질 또는 인기도 요소 등을 반영하지 않는 중립적 기준” 에 따라 매겨진다고 인식하고 실제 상품 상세 정보에 기재된 정보에 따라 합리적인 구 매 선택을 한다면, 1회차 쇼핑(R1)과 2회차 쇼핑(R2) 간 구매 선택은 동질적인 고려 집 합(consideration set) 내에서 이루어진 것이므로 평균적 차이가 없어야 한다. 다시 말

-- 68 of 136 --

68 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 해, 1회차 쇼핑(R1)에서 구매율이 높았던 상위 10위 상품 중 일부는 2회차 쇼핑(R2) 에서도 여전히 6~9위에 위치하고 탐색 범위 내에 있있으므로 원래 구매율이 높았던 6~9위 상품이 자사우대 상품보다더 많은 선택을 받아야 한다. 그러나 실험 결과는 1회차, 2회차 쇼핑에서 단순히 순위를 변경한 것만으로 구매율의 현저한 격차를 일으켰다. 더욱이 2회차 쇼핑(R2)에서 자사우대 조작으로 상위로 올 라간 1~5위 상품은 1회차 쇼핑(R1)에서 중하위권(33~42위) 상품으로 가격은 오히려 10% 더 비싼 복제품이다. 즉, 2회차 쇼핑(R2)에서 상위 1~5위에 배치된 자사우대 상 품은 1회차 쇼핑(R1) 상위 1~5위에 있던 상품보다 품질, 가격 측면에서 특별히 더 우 월한 요소를 갖고 있지 않다. 하지만 피험자는 단순히 2회차 쇼핑(R2)에서 순위가 높 은 상품이라는 이유만으로 더 많은 구매 선택을 하고, 원래 1회차 쇼핑(R1)에서 구매율 이 높았던 상품들은 대폭 구매율이 하락한 것이다. 이는 검색 결과의 순위는 구매 선택 에 있어 지배적인 영향을 미쳤으며, 순위 그 자체로 순위가 낮은 상품보다 더 나은 상 품이라는 일종의 품질 신호로 작용했을 가능성을 시사한다. 탐색 범위와 비교 이는 100% 대등한 속성을 지닌 원본 상품과 탐색 범위에 같이 있었 던 경우에서도 순위가 일종의 품질 신호로 작용했을 가능성을 추론할 수 있다. 실험 설 계상 2회차 쇼핑(R2) 1페이지에는 자사우대 상품이 총 10개, 이와 100% 대등한 속성 을 지닌 원본 상품이 1페이지에는 2개, 2페이지에는 6개가 전시되어 있다. 2페이지 이 상 탐색을 한 피험자는 자사우대 상품과 100% 대등한 품질 속성을 가지지만 가격은 10% 더 싼 대체재를 쉽게 찾을 수 있다. 2페이지 이상 탐색을 한 피험자의 비율과 그 중 자사우대 상품 구매 비율을 구하면, 탐색 범위에 ‘동일 품질, 더 저렴한 가격의 대체 재’가 있는 상태에서도 상위 순위를 더 집중적으로 구매하는지 알 수 있다. 분석 결과, 전체 피험자 중 약 14%가 2페이지 이상 이동하여 탐색하며, 이 중 약 13% 는 자사우대 상품을 구매하는 것으로 나타났다. 이는 2회차 쇼핑(R2)에서 자사우대 상 품을 구매한 비율이 약 35%인 것과 비교하면 절반 이상 낮은 수준이지만, 탐색 범위 내에 ‘동일 품질, 더 저렴한 가격의 대체재’가 있는 경우에도 상위 순위 상품을 더 선호

-- 69 of 136 --

69 Ⅳ. 실증분석 결과 하는 경향성이 부분적으로 나타났다는 사실을 알 수 있다. 다만, 피험자의 약 86%는 탐색 범위가 1페이지 이내 극히 일부로 제한되므로 이러한 경향성을 일반화하여 해석 하기는 어렵다. <표 4-5> 2페이지 이상 이동 탐색자의 자사우대 상품 구매율 주) 자사우대 상품 구매자는 2페이지 이동 탐색자 내에서 자사우대 상품을 구매한 자이다. 그러나 1회차 쇼핑(R1)에서 30위권 이하였던 상품들(1회차 쇼핑 구매율 1.95%)이 2회 차 쇼핑(R2)에서 상위 순위 노출만으로도 구매 선택 비율이 급격히 증가(2회차 쇼핑 구매율 34.96%)하는 것은 플랫폼이 제시하는 순위가 상품의 품질이나 적합성을 반영 하기 때문에 상위 상품이 하위 상품보다 나을 것이라는 암묵적 기대 또한 영향을 미쳤 을 가능성이 있다. 이는 같은 장의 제5절에서 자사우대 조작을 인지한 집단에서 구매 선택의 변화가 일어났는지를 분석하면서 구체적으로 논의하기로 한다. 소결 본 절의 분석 결과는 가설 1을 지지한다. 자사우대 조작은 자사 상품 구매율은 기저선인 1회차 쇼핑(R1) 대비 약 34%p 상승시키는 강력한 우대 효과를 발생시킨다. 여기서 주목할 점은 자사우대 조작 상품은 원본 상품과 동일하나 가격만 10% 높게 설정된 복제 품이고, 같은 페이지의 하단 또는 다음 페이지로 이동하면 더 저렴한 동일 원본 상품을 쉽게 찾을 수 있다는 점이다. 자사 상품 우대 효과는 동시에 경쟁 타사 상품을 배제하는 효과를 수반하며 이는 기존 상위권에 있던 상품일지라도 순위 변동만으로 구매율이 32%p 감소하게 되는 매우 큰 효과를 가진다. 상품군 피험자 수 자사우대 상품 구매자 할당인원(a) 2페이지 이상 이동 탐색자(b) 비율 (b/a*100) 인원(c) 비율 (c/b*100) 블루투스 스피커 1,024 175 17.09 25 14.29 비타민C 1,024 151 14.75 18 11.92 롤화장지 1,024 94 9.18 11 11.7 전체 3,072 420 13.67 54 12.86

-- 70 of 136 --

70 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 가설 2 이는 순위 자체가 “품질, 인기도 등과 관계 없는 중립적 기준”이라기보다는 순위가 더 낮은 상품 보다는 순위가 높은 상품이 더 우수한 상품일 것이라는 일종의 품질 신호로 기능할 수 있다는 점 을 시사한다. 이는 대다수 소비자의 명시적인 탐색 범위 내에 있었다고 볼 수 있는 상위 10위 내 상품 내에서도 자사우대 조작을 통해 순위가 바뀌는 것만으로 순위가 높은 자사우대 조작 상품 과 그렇지 않은 상품 간 구매율 격차가 크게 벌어진 것을 통해 추론할 수 있다. 또한, 2페이지 이상 탐색을 한 피험자 중 일부는 ‘동일 품질의 더 저렴한 대체재’가 있음에도 불 구하고, 자사우대 상품을 구매하는 경향성도 부분적으로 확인되었다. 대다수 피험자의 탐색 범위 자체가 1페이지 내 일부 범위로 제한되는 점을 고려할 때 이러한 경향성을 일반화하여 적용하기 는 어려우나, 플랫폼이 제시하는 순위가 상품의 품질이나 적합성을 반영했을 것이라는 오인 가능 성에 대해서도 추가적으로 검토할 필요가 있다. 4. 라벨의 소비자 오인 효과: G2(라벨 단독) vs. G1(통제군) SCpay 라벨은 자사우대 상품에 대한 선택 확률을 오히려 높이고 탐색 행동을 억제함으로써, 소비자 오인을 강화할 것이다. 본 절은 2회차 쇼핑(R2) 환경에서 SCpay 라벨 부착이 통제군(G1, 라벨 미부착 및 정 렬기준 투명성 공시 미적용) 대비 소비자의 탐색 행동과 구매 선택에 미치는 추가적 효 과를 분석한다. 라벨은 해당 상품의 SC몰 프로모션 상품(1% 포인트 추가 적립)임을 간 접적으로 시사하는 표시로, 소비자가 이를 플랫폼 추천 또는 품질 보증 신호로 해석할 수 있는 여지를 남긴다. 본 분석은 두 가지 방법으로 그 효과를 검증한다. 첫째, 통제군(G1) 대비 라벨 단독 처 치군(G2)에서 탐색 행동이 억제되는지 확인한다. 둘째, 통제군(G1) 대비 라벨 단독 처 치군(G2)에서 자사우대 상품 구매율이 유의하게 높은지 검증한다. 가설 2는 라벨이 소 비자 오인을 교정하기보다는 오히려 강화한다는 예측으로 본 절은 이를 실증적으로 확

-- 71 of 136 --

71 Ⅳ. 실증분석 결과 인하고 그 기제를 탐색한다. 본 절은 2회차 쇼핑(R2) 환경에서 SCpay 라벨 부착(G2) 이 통제군(G1) 대비 소비자의 탐색과 구매 선택에 미치는 추가적 효과를 분석한다. 4.1. 라벨이 탐색 행동에 미치는 효과 분석 방법. 첫째 탐색 행동에 대한 처치 효과는 피험자 개인×쇼핑 회차별(R1, R2) 2시점 패널 자료를 구성한 후 이중차분법(DID)42) 을 활용하여 다음 회귀모형으로 추정한다.43) Y i,t=α+ β 1 Postt + β 2(Post× G2) i+β 3(Post× G3) i +β4(Post× G4) i + γG i + δCat i,t + ε i,t (식 1) 여기서 i는 피험자 개인을, t는 피험자 i의 쇼핑 회차(1회차 0, 2회차 1)를, 종속변수 Y i,t 는 쇼핑 회차별 탐색 행동(<표 4-6> 참고)을, Post t 는 2회차 쇼핑(R2) 더미(1회차 0, 2회차 1), G는 처치군 더미(기준선 : G1), Cat은 피험자 i의 쇼핑 회차별 상품군(카 테고리) 더미이다.44) 핵심 식별 계수는 β 2 로, G1 대비 G2가 1회차 쇼핑에서 2회차 쇼 핑으로 전환하는 과정에서 탐색 행동을 추가적으로 얼마나 더 변화시키는지를 포착한 다.45) 표준오차는 피험자 개인 i 단위로 클러스터링하였다.46) 42) 이중차분법(Differences-in-Differences, DID)은 특정한 사건(처치)이 처치 집단에 미친 인과적 효과를 식별하기 위한 표준적 계량경제학 방법론으로, 경제학·경영학·법경제학 분야의 학술 연구 및 정책 평가에서 광범위하게 활용되고 있다. 43) 본 분석에는 개인 고정효과를 별도로 포함하지 않았다. 개인 고정효과란 특정 개인이 가진 고유한 특성(탐색 성향, 가격 민 감도 등)이 결과변수에 미치는 영향을 통제하는 장치이다. 이를 통제하지 않으면 개인 특성이 처치배정과 연관되어 있을 경우 처치효과 추정에 편향이 발생할 수 있다. 그러나 본 연구에서는 처치군(G1~G4) 배정이 무작위로 이루어졌으므로 개 인의 고유 특성과 처치 배정 간의 체계적 연관성이 실험 설계 단계에서 차단된다. 따라서 개인 고정효과를 별도로 통제하 지 않더라도 처치 효과 추정에 편향이 발생하지 않으며 표본이 충분히 클 경우 추정값이 참값에 수렴하는 성질(일치성)이 보장된다. 이에 본 분석에서는 개인 수준 표준오차를 적용한 pooled OLS를 사용하였다. 강건성 확인을 위해 개인 고정효 과를 추가한 모형을 병행 추정하였으며, 주요 계수의 방향과 유의성은 동일하게 유지되었다.(부록 G 참고) 44) 본 연구에서 R1과 R2의 상품군은 참가자별로 무작위로 다르게 배정되는 특성을 반영하여 시변(time-varying) 통제변수로 포함하였다. 45) β 1는 모든 처치군(G1~G4)이 1회차 쇼핑에서 2회차 쇼핑으로 전환하면서 나타나는 공통적 변화를 나타낸다. 46) 동일 피험자 개인이 1회차, 2회차 쇼핑 두 관측값을 제공하므로 오차항이 개인 내에서 상관될 가능성이 높다. 개인 수준 클 러스터링은 이러한 시계열 상관(serial correlation)을 허용하면서 처치군 배정이 개인 단위로 이루어졌다는 본 실험 설계와 도 부합한다.

-- 72 of 136 --

72 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 4-6> 탐색 행동 변수 정의 주1) 페이지 방문 수는 피험자가 방문한 상품 목록(검색 결과 리스팅) 페이지 방문 수(중복 시 여러 번 카운팅)를 의미하며, 다른 상품 상세 페이지 등의 방문 수는 포함되지 않는다. 분석 결과 (식 1)의 분석에서 핵심 계수 β 2 는 여러 탐색 행동 변수에서 음(-)의 방향으 로 나타났다. 다음 <표 4-7>에 따르면, 페이지 방문 수는 통제군(G1)에 비해 탐색 페이지를 추가로 줄였으며(-0.55페이지**, p=0.022), 최하위 페이지(-0.32페이지**, p=0.018), 스 크롤 횟수(-2.02회*, p=0.064), 총 클릭 수(-0.82회*, p=0.055), 최하위 클릭 상품 순위(-17.94위*, p=0.082)도 같은 방향에서 추정 계수가 유의하여 전반적으로 탐색 활동의 위축이 확인된다. 다음 <그림 4-7>을 보면 속이 꽉 찬 원(●)의 마커(marker)가 가로축의 계수값 0(수 직선 점선)의 왼쪽에 위치한 것을 알 수 있다. 이는 페이지 방문 수, 최대 탐색 페이지, 스크롤 횟수, 총 클릭 수, 최하위 클릭 순위와 같은 탐색 활동이 대조군인 G1 대비 음 의 방향으로 감소했다는 것을 의미한다. 반면, G3(공시 단독)의 탐색 행동 관련 추정 계수는 어느 변수에서도 5% 유의수준을 충족하지 못하였다.(같은 장 5절 참고) 탐색 행동 변수 정의 쇼핑 시간(초) 각 라운드의 쇼핑 소요 시간(초) 페이지 방문 수 각 라운드에서 실제 방문한 상품 목록 페이지 수 최하위 방문 페이지 각 라운드에서 피험자가 방문한 최대 페이지 번호 스크롤 횟수 각 라운드의 스크롤 발생 횟수 총 클릭수 각 라운드에서 상품을 클릭한 총 횟수 최하위 클릭 상품 순위 각 라운드에서 클릭한 상품 중 가장 낮은 노출 순위 정렬기준 변경 비율 각 라운드에서 기본 정렬 순서를 변경했으면 1, 아니면 0 필터 조작 비율 각 라운드에서 필터 조작 기능을 사용했으면 1, 아니면 0 정렬순 안내 확인 비율 각 라운드에서 정렬기준 안내를 확인했으면 1, 아니면 0

-- 73 of 136 --

73 Ⅳ. 실증분석 결과 <표 4-7> 라벨의 탐색 행동 억제 효과 분석 결과(G2) <그림 4-7> 라벨의 탐색 행동 억제 효과(G2) 주) 각 점은 처치군(G2, G3, G4)과 G1(기준선) 간 2회차(R2)-1회차 쇼핑(R1) 탐색 행동 변화량 차이를 나타내는 이중차분(DID 추 정치, 표 4-7과 동일) 추정치이다. 종속변수는 G1 집단 1회차(R1) 표준편차(SD) 단위로 표준화(각 변수를 통제군 G1의 R1 관 측치 평균을 빼고, 동일 집단·시점의 표준편차로 나눔)하였으며, 가로축의 계수값 –0.1은 해당 탐색 행동이 G1 대비 R1의 SD 의 0.1배만큼 추가로 감소하였음을 의미한다. 수평선은 95% 신뢰구간을, 속이 꽉 찬 원(●)은 p<0.1 수준에서 유의한 추정치, 속이 빈 원(○)은 유의하지 않은 추정치를 나타낸다. 탐색 행동 변수 추정 계수( β 2) 표준오차 t 통계량 P값 관측치 수 쇼핑 시간(초) 92.679 112.792 0.822 0.411 6,133 페이지 방문 수 -0.546** 0.239 -2.284 0.022 6,144 최하위 방문 페이지 -0.324** 0.137 -2.360 0.018 6,144 스크롤 횟수 -2.020* 1.090 -1.853 0.064 6,144 총 클릭수 -0.815* 0.425 -1.917 0.055 6,144 최하위 클릭 상품 순위 -17.94* 10.298 -1.742 0.082 6,142 정렬기준 변경 비율 -0.004 0.018 -0.213 0.832 6,144 필터 조작 비율 0.004 0.015 0.266 0.790 6,144 정렬순 안내 확인 비율 -0.003 0.015 -0.174 0.862 6,144

-- 74 of 136 --

74 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 47) 본 분석에서는 자사우대 상품 구매 여부(구매 1, 미구매 0)를 종속변수로 하는 회귀분석에 선형확률모형(Linear Probability Model, LPM)을 적용하였다. LPM은 “구매했다” 또는 “구매하지 않았다”처럼 두 가지 값만 갖는 이진형(binary) 종속변수에 일반적인 선형회귀를 적용하는 방식이다. 즉, 각 처치군에 속한 피험자들이 자사우대 상품을 구매할 확률이 얼마나 되는지 를 선형 방정식으로 추정하는 것이다. LPM의 가장 큰 장점은 결과의 해석이 직관적이라는 점이다. 회귀계수가 구매확률의 변화량을 퍼센트포인트(%p) 단위로 직접 나타내기 때문이다. 예컨대 G2의 계수가 0.08이면, 다른 조건이 동일할 때 G1 대 비 G2에서 자사우대 상품 구매율이 8%p 높다는 의미로 해석한다. 다만 LPM은 이론적으로 0~1의 범위를 벗어날 수 있는 데(예측값이 0과 1에서 멀리 떨어진 극단적인 경우), 본 분석에서는 표본 내 예측값 분포를 확인하여 실질적 문제가 없음을 확인하였다.(부록 E 참고) 또한 종속변수가 0과 1만 갖는 특성상 오차항의 분산이 일정하지 않는 이분산성(heteroskedastic- ity) 문제가 구조적으로 발생할 수 있는데, 이는 이분산에 강건한 표준오차(robust standard errors)를 적용하여 대처하였다. 4.2. 라벨이 자사우대 상품 구매율에 미치는 영향 분석 방법 자사우대 상품 구매 효과는 2회차 쇼핑(R2) 단면 자료를 활용하여 선형확 률모형(Linear Probability Model, LPM)47) 으로 다음의 모형에 따라 추정한다. Y i=α+β 1G2 i+β 2G3 i+β 3G4 i+δCat i+ε i (식 2) 여기서 분석 단위는 개인 피험자 i이며, 2회차 쇼핑(R2) 쇼핑 결과만을 대상으로 한 다. Y i 는 피험자 i의 자사우대 상품 구매율이며, 그룹 더미(기준선 : G1)와 상품군 더미 (Cat)는 (식 1)과 같다. 2회차 쇼핑(R2) 단면 분석은 동일 개인의 반복 관측이 없으므 로 개인 단위 클러스터링 대신 이분산에 강건한 (robust) 표준오차를 적용하였다. 분석 결과 (식 2)의 분석에서 G2(라벨 단독)의 자사우대 상품 구매율은 다음 <표 4-8>과 같이 G1(통제군) 대비 4.5%p 유의하게 높게 나타나 10% 수준에서 유의하였 다.(p=0.069, *) 다시 말해, 라벨은 G1(통제군) 대비 자사우대 상품을 약 4.5%p 더 많 이 구매하게 하는 효과를 발생시킨다. 다음 <그림 4-8>은 처치군 간 자사우대 상품 구 매율에 미치는 영향이 다르게 나타나는 점을 보여준다. G2~G4 모두 양(+)의 효과를 가지나, G3는 통계적 유의성이 없다.(표 4-12 참고)

-- 75 of 136 --

75 Ⅳ. 실증분석 결과 <표 4-8> 라벨의 자사우대 상품 구매 강화 효과 분석 결과(G2) 주) *** p<0.01, **p<0.05, *p<0.1 <그림 4-8> 처치군별 자사우대 상품 구매율 비교 주) 막대의 높이는 통제군(G1) 대비 각 처치군(G2, G3, G4)의 자사우대 상품 구매율의 차이를 나타낸다. 막대의 높이가 양(+)인 경우 통제군(G1) 대비 자사우대 상품 구매율이 더 높다는 것을 의미한다. 막대 그래프 상단에 표시된 세로선은 95% 신뢰구 간을 나타낸다. 구매 행동 변수 추정 계수( β 2) 표준오차 t 통계량 P값 관측치 수 자사우대 상품 구매율 0.045* 0.025 1.819 0.069 3,068

-- 76 of 136 --

76 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 4.3. 탐색 성향별 이질적 효과 : 자사우대 상품 구매율 변화 분석 방법 자사우대 상품 구매 강화 효과는 1회차 쇼핑(R1)에서의 탐색 성향이 혼재된 효과를 통제하기 위해 1회차 쇼핑(R1)에서의 탐색 성향과 상호작용을 포함한 모형을 추가적으로 분석하였다. 여기서 탐색 성향은 기본 정렬 순서(SC랭킹순) 변경, 필터 조 작, 정렬 기준 안내문 확인 세 가지 중 단 하나도 수행하지 않은 경우 ‘수동적(Passive)’ 피험자로 분류한다. Yi=α+ β 1G2 i + β 2G3 i + β 3G4 i + γPassivei + θ 1(G2× Passsive)+ θ 2(G3× Passsive) i + + θ 3(G4× Passsive) i + δCat i + ε i (식 3) 위 (식 3)에서 i는 피험자 개인을, 종속변수 Yt 는 피험자 i의 자사우대 상품 구매율을, Cat은 피험자 i의 쇼핑 회차별 상품군(카테고리) 더미이다. β 1 은 ‘수동적’ 탐색 성향이 아닌 피험자의 G2(라벨 단독) 효과이며, θ 1은 ‘수동적’ 탐색 성향을 지닌 피험자 집단에 서 G2(라벨 단독) 효과가 ‘능동적’ 탐색 성향을 지닌 피험자 집단(‘수동적’이지 않은 경 우) 대비 추가적으로 얼마나 다른지를 나타낸다. 따라서 G2(라벨 단독)의 ‘수동적’ 피 험자 집단에 대한 총 효과는 β 1+ θ 1이다. (식 2)와 마찬가지로 (식 3)의 경우에도 동일 개인의 반복 관측이 없으므로 개인 단위 클러스터링 대신 이분산에 강건한(robust) 표 준오차를 적용하였다. 분석 결과 피험자의 1회차 쇼핑(R1)에서의 탐색 성향을 통제한 상호작용 모형인 (식 3)의 분석 결과, 다음 <표 4-9>와 같이 ‘능동적 피험자’는 G2 처치군의 경우 통제군 (G1) 대비 자사우대 상품 구매율(G2)이 +7.0%p(p=0.046, **)이 증가한다. 반면, G2 처치군이면서 ‘수동적 피험자’인 경우 통제군(G1) 대비 ‘능동적 피험자’보다 자사우대 상품 구매율(G2×Passive)이 –3.8%p(p=0.470) 낮고 평균적으로는 양(+)의 크기( β 1+ θ 1)를 가지나 그 차이(‘능동적 피험자’ 대비 ‘수동적 피험자’인 경우의 추가 효과)는 통계 적으로 유의하지 않다.

-- 77 of 136 --

77 Ⅳ. 실증분석 결과 이는 다음 <그림 4-9>를 통해서도 확인할 수 있다. “능동: G2 vs G1”의 경우 마커(●) (marker)가 가로축의 0(수직선 점선)의 오른쪽에 위치하는데, 이는 G2 집단 중 ‘능동 적 피험자’ 집단이 G1 대비 자사우대 상품 구매율이 더 높다는 것을 의미한다. 반면 G2의 ‘수동적 피험자’(“수동: G2 vs G1”)는 마커가 가로축 0의 우측에 위치하여 양(+) 의 값을 가지나, 이러한 차이는 통계적으로 유의하지 않다. 또한 G3 집단의 경우 ‘수동 적 피험자’가 ‘능동적 피험자’ 대비 자사우대 상품 구매율이 통계적으로 유의하게 높다 는 사실도 확인할 수 있다. 이 같은 분석 결과는 G2(라벨 단독) 효과가 ‘능동적’ 피험자 집단과 ‘수동적’ 피험자 집 단에 다르게 나타났다는 사실을 의미한다. 다시 말해, 라벨의 오인 강화 효과는 ‘수동 적’ 피험자에게 특별히 더 강하지 않고, 오히려 ‘능동적’ 피험자에게 통계적으로 더 명 확히 식별된다. 이는 역설적으로 알고리즘 추천에 대한 신뢰가 탐색 역량이 있는 ‘능동 적’ 탐색자에게도 나타난다는 것을 시사한다. <표 4-9> 탐색 성향별 이질적 효과(처치군별 자사우대 상품 구매율) 주) *** p<0.01, **p<0.05, *p<0.1 설명변수 추정 계수 표준오차 t 통계량 P값 관측치 수 G2 0.070** 0.035 1.999 0.046 3,068 G3 -0.024 0.032 -0.741 0.459 3,068 G4 -0.017 0.034 -0.499 0.618 3,068 G2xPassive -0.038 0.047 -0.814 0.416 3,068 G3xPassive 0.083* 0.045 1.848 0.065 3,068 G4xPassive 0.064 0.046 1.400 0.162 3,068

-- 78 of 136 --

78 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-9> 탐색 성향별 이질적 효과(처치군별 자사우대 상품 구매율) 주) 수평선은 95% 신뢰구간을, 속이 꽉 찬 원(●)은 p<0.1 수준에서 유의한 추정치, 속이 빈 원(○)은 유의하지 않은 추정치를 나 타낸다. 소결 본 절의 분석 결과는 가설 2를 지지한다. SCpay 라벨은 소비자의 탐색 페이지와 클릭 수 를 유의하게 감소시키고, 자사우대 상품 구매율을 높이는 방향으로 작동하였다. 특히 스스로 정 렬 순서를 조작하는 등 능동적 탐색 행태를 보이는 소비자가 수동적 소비자보다 더 명확한 효과 가 나타났다. 이는 역설적으로 탐색 역량을 갖춘 소비자에게도 라벨이 자사우대 상품의 구매율을 더 높이는 방향으로 오인 효과가 발생할 수 있음을 의미한다.

-- 79 of 136 --

79 Ⅳ. 실증분석 결과 가설 3 5. 정렬기준 투명성 공시의 효과와 그 한계 정렬기준에 대한 투명성 공시는 자사우대 상품에 대한 선택 편향을 일부 완화하고 적극적 탐색 활동을 부분적으로 촉진할 것이다. 본 절은 정렬기준 투명성 공시(disclosure) 적용 집단(G3)가 통제군(G1) 대비 소비자의 탐색 행동과 자사우대 상품 구매 선택에 미치는 효과를 분석하고, 공시가 라벨의 오인 효과를 실질적으로 상쇄할 수 있는지 검증한다. 본 분석은 1) 우선, 공시 노출 자체가 얼마나 많은 피험자에게 인지되었는지 살펴본다. 다음으로 2) 공시가 탐색 행동에 미 치는 효과를 확인하면서 G3(공시 단독) 집단과 G4(라벨+공시) 집단 간 차별적 효과를 분석하며, 3) 자사우대 상품 구매율에도 공시의 처치군 간 이질적 효과가 나타나는지, 4) 탐색 성향별(R1 정렬 변경) 이질적 효과를 갖는지 확인한다. 5.1. 공시 노출과 실제 인지율 공시 효과 분석에 앞서 공시가 소비자에게 실제로 인지되었는지 확인한다. G3(공시 단 독), G4(라벨+공시) 집단(n=1,536)은 2회차 쇼핑(R2) 화면 상단의 공시 배너에 노출 되었다. 여기서 공시를 실제 확인하고 클릭한 비율은 <그림 4-10>과 같이 10.7%(G3: 10.8%, G4: 10.5%)에 불과하였다. 또한 1회차 쇼핑(R1)에서 정렬을 변경한 ‘능동적’ 피 험자 비율은 G3, G4 집단 내에서 25.4%였으며, 공시 클릭과 1회차 쇼핑(R1)에서 정렬 변경을 동시에 수행한 피험자는 5.9%에 그쳤다.

-- 80 of 136 --

80 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-10> G3(공시 단독), G4(라벨+공시) 집단 공시 클릭률 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 이 수치는 두 가지 중요한 전제를 가진다. 첫째, 공시의 화면 노출과 실제 소비자의 인 지 사이에는 큰 간극이 존재한다. 둘째, 공시 클릭자와 1회차 쇼핑(R1) ‘능동적’ 피험자 (정렬 순서 변경) 집단이 상당 부분 구별되어, 두 집단 간 차별적 효과가 부분적으로 나 타날 수 있는 가능성을 암시한다. 5.2. 공시가 탐색 행동에 미치는 처치군별(G3, G4) 효과 분석 방법 앞 제4절의 (식 1)과 마찬가지로 피험자 개인×쇼핑 회차별(R1, R2) 2시점 패널 자료를 구성한 후 이중차분법(DID)을 활용하여 G3(공시 단독)×Post 계수(자사 우대 조작 후, 2회차 쇼핑)를 통해 탐색 행동에 미치는 효과를 추정한다.

-- 81 of 136 --

81 Ⅳ. 실증분석 결과 Yi,t=α+ β 1 Postt + β 2(Post× G2) i + β 3(Post× G3) i + β 4(Post× G4) i + γG i + δCat i,t + ε i,t (식 4) 여기서 i는 피험자 개인을, t는 피험자 i의 쇼핑 회차(1회차 0, 2회차 1)를, 종속변수 Yi,t 는 쇼핑 회차별 탐색 행동(<표 4-6> 참고)을, Post t 는 2회차 쇼핑(R2) 더미(1회차 0, 2회차 1), G는 처치군 더미(기준선 : G1), Cat은 피험자 i의 쇼핑 회차별 상품군(카 테고리) 더미이다. β 3 는 G1(통제군) 대비 G3 처치군(공시 단독)의, β 4 는 G4 처치군(라 벨+공시)의 탐색 행동에 얼마나 변화가 나타났는지 식별한다. 표준오차는 개인 피험자 i 단위로 클러스터링하였다. 분석 결과 (식 4)의 분석 결과, 다음 <표 4-10>과 같이 G3(공시 단독)×Post(자사우 대 적용 후, 2회차 쇼핑)의 계수는 탐색 행동의 어떤 변수에서도 5% 유의 수준을 충족 하지 않았다. 다음 <그림 4-11>에서도 각 탐색행동 변수별로 유의성을 나타내는 마커 (marker)가 속이 빈 원(○)으로 표시되어 있어 통제군(G1) 대비 G3의 공시 효과의 크 기가 유의하지 않다는 사실을 확인할 수 있다. <표 4-10> 공시의 탐색 행동 효과 분석 결과(G3) 주) *** p<0.01, **p<0.05, *p<0.1 탐색 행동 변수 추정 계수( β 3) 표준오차 t 통계량 P값 관측치 수 쇼핑 시간(초) 86.187 108.990 0.791 0.429 6,133 페이지 방문 수 -0.083 0.230 -0.362 0.717 6,144 최하위 방문 페이지 -0.215 0.136 -1.580 0.114 6,144 스크롤 횟수 -0.457 1.170 -0.391 0.696 6,144 총 클릭수 0.094 0.421 0.223 0.824 6,144 최하위 클릭 상품 순위 8.284 10.50 0.789 0.430 6,142 정렬기준 변경 비율 -0.012 0.018 -0.642 0.521 6,144 필터 조작 비율 0.008 0.015 0.538 0.590 6,144 정렬순 안내 확인 비율 0.013 0.015 0.845 0.398 6,144

-- 82 of 136 --

82 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-11> 공시의 탐색 행동 효과(G3) 주) 각 점은 처치군(G2, G3, G4)과 G1(기준선) 간 2회차(R2)-1회차 쇼핑(R1) 탐색 행동 변화량 차이를 나타내는 이중차분(DID 추 정치, 표 4-7과 동일) 추정치이다. 종속변수는 G1 집단 1회차(R1) 표준편차(SD) 단위로 표준화(각 변수를 통제군 G1의 R1 관 측치 평균을 빼고, 동일 집단·시점의 표준편차로 나눔)하였으며, 가로축의 계수값 –0.1은 해당 탐색 행동이 G1 대비 R1의 SD 의 0.1배만큼 추가로 감소하였음을 의미한다. 수평선은 95% 신뢰구간을, 속이 빈 원(○)은 p<0.1 수준에서 유의하지 않은 추 정치를 나타낸다. 다만, 한 가지 주목할 점은 다음 <표 4-11>과 같이, 정렬기준 안내 확인 비율의 G4(라 벨+공시)×Post(자사우대 적용 후, 2회차 쇼핑)의 계수가 +0.025(p=0.074, *), 최하 위 방문 페이지 계수가 –0.251(p=0.067, *)로 한계 유의하게 나타났다는 점이다. <그 림 4-12>에서도 마찬가지로 그 효과의 차이를 확인할 수 있다. 라벨과 공시가 동시에 적용되는 환경(G4)에서 일부 피험자는 정렬기준 안내를 추가적 으로 확인하고 탐색하는 페이지 범위가 소폭 축소하는 경향이 관찰된 것이다. 다수 피 험자가 공시를 확인하지 않는 환경(G4에서 공시 클릭률은 10.5%에 불과함)이라면 그 효과가 사실상 라벨 단독 효과와 유사하다고 해석할 수 있는 대목이다. 다시 말해, 라 벨 단독(G3) 처치군와 마찬가지로 ‘라벨+공시’ 처치군(G4)에서도 라벨의 품질 오인 효 과가 나타나 탐색 활동을 줄인 셈이다. 다만, 다른 탐색 활동 변수는 통계적 유의성이 없다는 점에서 실질적 의미의 해석이 제한적이다.

-- 83 of 136 --

83 Ⅳ. 실증분석 결과 구매 행동 변수 추정 계수( β 4) 표준오차 t 통계량 P값 관측치 수 정렬순 안내 확인 비율 0.025* 0.014 1.788 0.073 6,144 최하위 방문 페이지 -0.251* 0.137 -1.830 0.067 6,144 <표 4-11> 라벨+공시의 탐색 행동 효과 분석 결과(G4) 주) *** p<0.01, **p<0.05, *p<0.1 <그림 4-12> 라벨+공시의 탐색 행동 효과(G4) 주) 각 점은 처치군(G2, G3, G4)과 G1(기준선) 간 2회차(R2)-1회차 쇼핑(R1) 탐색 행동 변화량 차이를 나타내는 이중차분(DID 추 정치, 표 4-7과 동일) 추정치이다. 종속변수는 G1 집단 1회차(R1) 표준편차(SD) 단위로 표준화(각 변수를 통제군 G1의 R1 관 측치 평균을 빼고, 동일 집단·시점의 표준편차로 나눔)하였으며, 가로축의 계수값 –0.1은 해당 탐색 행동이 G1 대비 R1의 SD 의 0.1배만큼 추가로 감소하였음을 의미한다. 수평선은 95% 신뢰구간을, 속이 빈 원(○)은 p<0.1 수준에서 유의하지 않은 추 정치를 나타낸다.

-- 84 of 136 --

84 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 5.3. 공시가 자사우대 상품 구매율에 미치는 처치군별 (G3, G4) 효과 분석 방법 앞 5.2.절의 (식 4)와 마찬가지로 피험자 개인 × 쇼핑 회차별(R1, R2) 2시 점 패널 자료를 구성한 후 이중차분법(DID)을 활용하여 G3(공시 단독)×Post 계수(자 사우대 조작 후, 2회차 쇼핑)를 통해 자사우대 상품 구매에 미치는 효과를 추정한다. Yi=α+ β 1 Post+ β 2 (Post× G2) i + β 3 (Post× G3) i + β 4(Post× G4) i + γG i + δCat i + ε i (식 5) 여기서 i는 피험자 개인을, 종속변수 Yi 는 2회차 자사우대 상품 구매율을, Post는 2회 차 쇼핑(R2) 더미(1회차 0, 2회차 1), G는 처치군 더미(기준선 : G1), Cat은 피험자 i의 쇼핑 회차별 상품군(카테고리) 더미이다. β 3 는 G1(통제군) 대비 G3 처치군(공시 단독) 의, β 4 는 G4 처치군(라벨+공시)의 자사우대 상품 구매율에 얼마나 변화가 나타났는지 식별한다. 표준오차는 개인 피험자 i 단위로 클러스터링하였다. 분석 결과 다음 <표 4-11>과 같이 G3(공시 단독) 처치군의 경우 유의한 효과가 없으 나, G4(라벨+공시) 처치군의 경우 오히려 통제군(G1) 대비 자사우대 상품 구매율이 더 증가한 것으로 나타났다. <표 4-12> 자사우대 상품 구매율에 미친 효과(G3, G4) 주) *** p<0.01, **p<0.05, *p<0.1 구매 행동 변수 추정 계수 표준오차 t 통계량 P값 관측치 수 자사우대 상품 구매율(G3) 0.026 0.025 1.076 0.282 3,068 자사우대 상품 구매율(G4) 0.042* 0.025 1.682 0.093 3,068

-- 85 of 136 --

85 Ⅳ. 실증분석 결과 구체적으로 G3(공시 단독) 처치군은 그 효과가 양(+)의 값을 가지나 통계적 유의성은 없으며(+2.6%, p=0.282), G4(라벨+공시) 처치군은 G1(통제군)대비 자사우대 상품 구매율이 +4.2%p(p=0.025, *) 증가하여, 공시가 자사우대 상품 구매를 완화하는 효 과는 제한적인 것으로 확인되었다. 아래 <그림 4-13>에서도 G1 대비 G2, G4의 자사 우대 상품 구매율이 양(+)의 값을 가진다는 점을 확인할 수 있다. <그림 4-13> 처치군별 자사우대 상품 구매율 비교 주) 막대의 높이는 통제군(G1) 대비 각 처치군(G2, G3, G4)의 자사우대 상품 구매율의 차이를 나타낸다. 막대의 높이가 양(+)인 경우 통제군(G1) 대비 자사우대 상품 구매율이 더 높다는 것을 의미한다. 막대 그래프 상단에 표시된 세로선은 95% 신뢰구 간을 나타낸다. 이는 라벨과 공시가 모두 적용된 G4 처치군의 경우 실질적으로 피험자 대부분이 공시 자체를 확인하지 못하고, 그 결과 라벨만 단독으로 적용되는 G3 처치군에서 나타난 라 벨의 오인 효과와 유사한 크기와 방향으로 자사우대 상품 구매율이 증가한 것으로 추 론할 수 있다. 즉, 공시 자체의 정보 전달 경로가 소수의 피험자에게만 유효함에 따라 공시가 선택 왜곡을 완화하는 효과는 제한된다는 것을 의미한다.

-- 86 of 136 --

86 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 48) 여기서 ‘능동적’ 또는 ‘수동적’ 피험자의 구분은 4.3.절의 ‘능동적’, ‘수동적’ 피험자 구분과 그 기준이 다르다는 사실에 유의 해야 한다. 4.3.절에서는 R1(1회차 쇼핑)에서 ‘정렬 기준 변경’, ‘필터 조작’, ‘정렬 기준 안내 확인’ 중 최소 1개 이상을 한 경우 ‘능동적 피험자’로 구분하고, 나머지를 ‘수동적 피험자로’ 구분하였다. 반면 5.4.절에서는 R1에서 ‘정렬 기준 변경’ 여부만을 기준으로 ‘능동적 피험자’(R1에서 정렬 변경)와 ‘수동적 피험자’(R1에서 정렬 기준 미변경)를 구분하였다. 5.4. 탐색 성향(R1 정렬 변경)별 이질적 처치 효과(G3, G4) 분석 방법 선형확률모형(LPM)을 통해 G3(공시 단독), G4(라벨+공시) 집단(n=1,533) 내에서 공시를 실제로 클릭한 자와 클릭하지 않은 자 간, 1회차 쇼핑(R1)에서 정렬순서 를 변경한 자와 변경하지 않은 자 간 자사우대 상품 구매율 차이를 추정한다. Yi=α+β 1DiscClick i+β 2SortChanged i +β3(DiscClick×SortChanged) i+γG4 i +δCati,t+ε i,t (식 6) 여기서 i는 G3(공시 단독), G4(라벨+공시) 집단 내 피험자 개인을, 종속변수 Yi 는 i의 2회차 쇼핑(R2)에서 자사 우대 상품 구매율을, DiscClick i 은 공시 클릭 여부 더미(미클 릭 0, 클릭 1)를, SortChanged i 는 1회차 쇼핑(R1)에서 정렬 순서 변경 여부 더미(미변 경 0, 변경 1)를 나타낸다. 여기서 SortChanged i 를 포함한 이유는 다음과 같다. 우선, 1회차 쇼핑(R1)에서 이미 기본 정렬에 의존하지 않는 피험자는 ‘능동적 탐색’ 성향을 가 지므로 공시를 클릭하더라도 그것이 행동 변화에 미치는 추가적 기여가 제한될 수 있 다. 반면, 1회차 쇼핑(R1)에서 기본 정렬 순서를 변경하지 않은 ‘수동적’ 피험자는 기본 정렬에 의존하는 경향이 강하며, 공시를 통해 자사우대 조작 사실을 인지할 경우 이를 통해 구매 행동 변화로 연결될 가능성이 상대적으로 높다. 즉, SortChanged i 는 공시 클릭의 효과가 소비자의 탐색 성향에 따라 다르게 나타나는지를 식별하기 위한 조절변 수로 기능한다.48) 이 모형에서 β 1 은 1회차 쇼핑(R1)에서 정렬기준을 변경하지 않은 ‘수동적’ 피험자 집단 중에 2회차 쇼핑(R2)로 전환하여 ‘공시를 클릭한 피험자’와 ‘공시를 클릭하지 않은 피 험자’ 간 자사우대 상품 구매율의 차이이다. β 3 는 반대로 1회차 쇼핑(R1)에서 정렬기준

-- 87 of 136 --

87 Ⅳ. 실증분석 결과 49) 다만, 공시 클릭은 소비자가 자발적으로 선택하는 행동이므로 공시 클릭자와 미클릭자 간 체계적 차이를 완전히 통제하기 는 어려운 한계가 있다. 따라서, 본 분석의 추정치는 공시 클릭의 순수한 인과 효과가 아니라 탐색 성향에 따른 구매 행동 변화의 경향성을 확인하는 탐색적 분석으로 다룬다. 을 변경한 ‘능동적’ 피험자 집단에서 이 차이가 ‘수동적’ 탐색 피험자 대비 공시 클릭의 효 과가 추가적으로 얼마나 달라지는지 포착하는 상호작용항이다. 따라서 1회차 쇼핑(R1) 정렬기준을 변경한 ‘능동적’ 피험자의 공시 클릭 총 효과는 β 1+β 3 로 추정된다. β 2 는 공 시 클릭 여부와 무관하게 1회차 쇼핑(R1)에서 정렬기준을 변경한 피험자가 미변경자 대비 2회차 쇼핑(R2)에서 자사우대 상품 구매율이 어느 정도 차이를 보이는지 나타내 는 계수로, 공시 클릭 효과를 정렬 변경 성향의 선택 편향으로부터 분리하는 역할을 한 다.49) (식 6)의 추정 계수를 해석은 다음 <표 4-13>과 같다. <표 4-13> 탐색 성향(R1 정렬기준 변경)별 공시 클릭 효과 분석 1회차 쇼핑(R1)에서 정렬기준을 변경하지 않은 ‘수동적’ 피험자가 2회차 쇼핑(R2) 전환 이후 공시 클릭이 자사우대 상품 구매율에 미친 효과는 β 1 이며, 1회차 쇼핑(R1)에서 정 렬기준을 변경한 ‘능동적’ 피험자가 2회차 쇼핑(R2) 전환 이후 공시 클릭이 자사우대 상품 구매율에 미친 효과는 β 1 + β 3 이다. 1회차 쇼핑 정렬 기준 변경과 공시 클릭의 상호 작용 효과는 β3 이다. 본 분석에서 핵심 추정 계수는 ‘수동적’ 피험자의 공시 클릭 효과( β1 ) 와 ‘능동적 피험자의 공시 클릭 효과( β 1 + β 3 )의 방향성과 크기의 비교이다. 분석 결과 (식 5)의 분석에서 공시 단독(G3)의 평균 처치 효과가 통계적으로 유의하지 않았음에도 불구하고, 공시를 실제로 클릭하여 인지한 피험자 내에서 탐색 성향에 따 라 이질적 경향성이 관찰된다. 공시 미클릭 공시 클릭 차분 (클릭-미클릭) 정렬기준 미변경 0(기준선) β 1 β 1 정렬기준 변경 β 2 β 1 + β 2 + β 3 β 1 + β 3 차분 (변경-미변경) β 2 β 2 + β 3 β 3

-- 88 of 136 --

88 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 50) 여기서 정렬 변경과 공시 클릭의 상호작용 효과()에 대해서는 그 해석에 있어 주의할 필요가 있다. 정렬변경 및 공시클릭의 상호작용 효과()는 양(+)의 값이 유의하게 나왔는데, 이는 1회차 쇼핑(R1)에서 정렬기준을 변경하지 않은 ‘수동적’ 피험자 집 단과 정렬기준을 변경한 ‘능동적’ 피험자 간의 공시 효과의 차이를 나타내므로 ‘능동적’ 피험자의 공시 클릭 효과가 ‘수동 적’ 피험자보다 자사우대 상품 구매를 완화하는 효과가 약하다는 것을 의미하는 것이지, ‘능동적’ 피험자의 공시 효과 자체 가 자사우대 상품 구매를 촉진하는 효과를 갖는다는 것은 아니다. 다시 말해, ‘수동적’ 피험자는 2회차 쇼핑에서 공시 클릭 이 자사우대 상품 구매를 덜 하게 하고, ‘능동적’ 피험자는 그러한 효과가 유의하게 작동하지 않았다고 해석할 수 있다. 다음 <표 4-14>와 같이 (식 6)의 분석은 G3(공시 단독), G4(라벨+공시) 집단 (n=1,533) 내에서 공시를 실제로 클릭한 자와 클릭하지 않은 자 간, 1회차 쇼핑(R1)에 서 정렬순서를 변경한 자와 변경하지 않은 자 간 자사우대 상품 구매율 차이를 분석함 으로써 이를 구체적으로 확인할 수 있다. 1회차 쇼핑(R1)에서 정렬기준을 변경하지 않은 ‘수동적’ 피험자는 2회차 쇼핑(R2)로 넘 어가서 공시 클릭 시 자사우대 상품의 구매 억제 효과( β 1 )는 -18.4%p (p=0.001, ***) 로 매우 크고 유의하다. 이는 평소 기본 정렬에 의존하던 ‘수동적’ 피험자가 공시를 능 동적으로 확인했을 때, 자사우대 사실을 인지하고 자사우대 상품 구매를 회피하는 행 동 변화가 발생함을 보여준다. 반면 이미 1회차 쇼핑(R1)에서 정렬 기준을 변경했었던 ‘능동적’ 피험자는 2회차 쇼핑 (R2)에서 공시가 추가로 적용되더라도 자사우대 상품 구매를 추가로 덜 하게 하는 효 과는 제한적이다.( β 1 + β 3 추정치 : -0.028, p=0.497)50) 이는 ‘능동적’ 피험자에게 공시 가 추가적으로 선택 왜곡을 완화시키는 효과가 없고, 1회차 쇼핑(R1)에서 정렬 기준 변 경을 하지 않았던 ‘수동적’ 피험자에게만 제한적으로 그 효과가 작동했음을 의미한다. 이는 <그림 4-14>를 통해서도 확인할 수 있다. <표 4-14> 탐색 성향(R1 정렬기준 변경)별 공시 클릭 효과 분석 결과 주) *** p<0.01, **p<0.05, *p<0.1 설명변수 추정 계수 표준오차 t 통계량 P값 관측치 수 수동 탐색자의 공시 클릭( β 1) -0.184*** 0.056 -3.279 0.001 1,533 능동 탐색자의 공시 클릭( β 1 + β 3) -0.028 0.042 -0.679 0.497 1,533 능동 탐색자의 정렬 변경( β 2) -0.349*** 0.026 -13.417 0.000 1,533 정렬 변경(R1)×공시 클릭( β 3) 0.156** 0.070 2.228 0.026 1,533

-- 89 of 136 --

89 Ⅳ. 실증분석 결과 51) 독립표본 t 검정에서도 통계적으로 유의한 결과가 나왔다.(부록 H 참고) <그림 4-14> 탐색 성향별 공시 클릭 효과(2회차 쇼핑) 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 또한, 다음 <그림 4-15>, <그림 4-16>과 같이, 1회차 쇼핑(R1)에서 정렬 기준을 변경 하지 않은 ‘수동적’ 탐색자 중에서 자사우대 상품 구매자와 비구매자 간 2회차 쇼핑 후 ‘랭킹이 상품 탐색에 도움이 됐는지’, ‘랭킹이 중립적인지’에 관한 사후 만족도 조사 결 과를 비교해 보면, 그 인식의 차이를 명확히 알 수 있다. <그림 4-15>, <그림 4-16>을 보면, 자사우대 상품 비구매자의 경우 ‘공시 미확인’보 다 ‘공시 확인’에서 점수가 더 낮아지는 반면, 구매자는 오히려 점수가 높아지거나(‘랭 킹 도움’) 큰 차이가 없다.(‘랭킹 중립성’)51) 1회차 쇼핑(R1)에서 정렬 기준을 변경하지 않은 피험자는 2회차 쇼핑(R2)에서 공시를 확인했고, 공시를 통해 자사우대 조작 사실 을 인지했으며(R2에서 ‘랭킹 도움’, ‘랭킹 중립성’에 인식 점수가 낮아짐), 이를 통해 행 동 교정(자사우대 상품 구매 억제)을 하게 되는 메커니즘을 설명한다. 즉, 반사실적으 로 공시가 없는 환경에서 소비자는 플랫폼이 제시하는 순위가 더 높을수록 더 우수한 상품일 것으로 인식하는 “순위”를 일종의 “품질 신호”로 오인했을 가능성을 암시한다.

-- 90 of 136 --

90 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-15> ‘공시확인×자사우대 상품 구매’에 따른 ‘랭킹 도움’ 인식 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. <그림 4-16> ‘공시확인×자사우대 상품 구매’에 따른 ‘랭킹 중립성’ 인식 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다.

-- 91 of 136 --

91 Ⅳ. 실증분석 결과 이 결과는 다음과 같은 함의를 가진다. 공시가 효과를 발휘하는 조건은 평소 탐색을 수동적으로 하는 소비자가 공시를 클릭한 경우라는 엄격한 조건이 동시에 충족될 때 비로소 공시의 자사우대 상품 구매 억제 효 과가 나타난다. 그런데 공시 클릭률은 10.7%에 불과하고, 이 중 ‘능동적’ 탐색자는 ‘수 동적’ 탐색자와 공시 클릭에 대한 효과가 서로 반대 방향으로 작용하여 평균 효과가 상 쇄되어 평균 처치 효과는 0에 수렴하는 것이다. 결국 공시의 잠재적 교정 효과는 전체 소비자 중 극히 일부, 즉 평소 수동적으로 탐색한 소비자 중 공시를 확인한 자에 국한 된다. 한편, ‘공시’를 확인한 ‘수동적’ 피험자가 자사우대 조작을 인지하고, 행동의 변화가 나 타났다는 점에서 ‘공시’가 없는 환경에서 알고리즘 순위 자체를 어느 정도 신뢰하고 받 아들이는 오인이 존재한다는 점을 반사실적으로 보여준다. 이러한 오인은 ‘공시’가 적 용되고, 그 공시에 대한 정보가 소비자에게 전달될 때 비로소 오인이 제거되고, 선택 왜곡을 억제하는 효과를 가지게 되는 것이다. 소결 본 절의 분석 결과는 가설 3을 대부분 지지하지 못한다. 다만 일부 ‘수동적 탐색 성향(정렬 기준 미변경)’을 가진 소비자에 한해 부분적으로 공시가 자사우대 구매를 억제하는 제한적인 효 과를 가진다. 정렬기준에 대한 투명성 공시는 소비자의 탐색 행동과 자사우대 상품 구매율 어느 측면에서도 통계적으로 유의한 교정 효과를 보이지 못했다. G4(라벨+공시) 역시 G2(라벨 단독)의 자사우대 상품 구매율과 차이가 없어 공시가 라벨의 오인 효과를 상쇄하지 못함이 확인된다. 다만, (식 5)의 탐색적 분석에서 ‘수동적’ 탐색 성향을 보이는 소비자 일부가 공시를 클릭한 경우 비로소 자사우대 구매율이 낮아지는 효과가 나타나는데, 이 두 조건을 충족하는 소비자는 전체의 극히 일부에 불과하다. 평균 처치 효과가 0으로 수렴하는 것은 효과가 없어서가 아니라 효과가 발현될 수 있는 집단이 매우 협소하기 때문으로 해석할 수 있는 대목이다. 다시 말해, ‘공시’를 확 인한 소비자는 자사우대 조작을 인지하고 선택 왜곡이 줄지만, 대다수 소비자는 이 ‘공시’를 확인 하지 못하고 그로 인해 공시의 효과도 유의하게 나타나지 않는 것이다.

-- 92 of 136 --

92 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 가설 4 한편, ‘수동적’ 피험자가 ‘공시’를 통해 자사우대 조작을 인지한 경우 실제 구매 행동의 변화가 나 타났다는 점에서 알고리즘 순위의 오인 가능성을 반사실적 분석으로 추론할 수 있다. ‘공시’가 없 는 환경에서 소비자는 플랫폼이 제시하는 순위를 가격, 품질 등 소비자 선택에 유리한 요소를 어 느 정도 반영한 것으로 기대하고 상위 순위 상품을 주로 선택한다. 그러나 ‘공시’가 적용되고, 그 공시에 대한 정보(자사우대 조작이 적용되었으므로 적극적 탐색이 필요하다는 정보)가 소비자 에게 전달되었을 때, 비로소 상당수 오인이 제거되고, 선택 왜곡을 억제하는 효과를 가지게 되는 것이다. 이러한 결과는 현행 정보 공시 의무화 방식의 근본적 한계를 보여준다. 공시는 소비자가 자발적 으로 이를 탐색하고 인지할 때에만 부분적 효과를 가지며, 대다수 소비자는 공시에 노출되더라도 이를 실질적으로 인지하지 못하고 행동 변화까지 이어지지 못한다. 결국 이는 자사우대에 대한 규제가 공시 의무화를 넘어서 근본적으로 알고리즘 설계 자체의 공정성을 개선하는 방향으로 나 아가야 한다는 정책적 함의로 이어진다. 6. 소비자 후생 인식 및 불공정성 지각 자사우대 상품을 구매한 소비자는 구매 후 만족도가 낮고 불필요하게 지불한 가격 프리미엄에 대한 불공정성을 인식할 것이다. 본 절은 자사우대 처치 이후 소비자가 자신의 구매 경험을 어떻게 평가하는지 그리고 10% 고가의 자사우대 복제품을 구매하고도 후생 손실을 인식하는지를 분석한다. 분석 은 두 가지 방법으로 수행한다. 첫째, 대응표본 t검정52) 을 통해 1회차 쇼핑(R1)에서 2회차 쇼핑(R2) 구매 만족도 변화 를 검증한다. 동일 피험자의 R1과 R2 쇼핑 후 만족도, 랭킹이 구매에 도움 되었는지, 랭킹이 중립적이라고 인식하는지를 대응 비교하여, 자사우대 처치 후 피험자 인식이 52) 동일한 대상(개체)의 첫 번째 측정값과 두 번째 측정 값을 쌍을 이뤄 집단 간 평균적 차이가 아닌 개별 대상(개체)의 변화량 (difference)를 분석하는 방법이다.

-- 93 of 136 --

93 Ⅳ. 실증분석 결과 53) 두 집단 전체의 평균치가 통계적으로 유의하게 차이나는지 비교하는 방법이다. 어떻게 변화하는지를 확인한다. 둘째, 독립표본 t검정53) 을 통해 2회차 쇼핑(R2)에서 자사우대 상품 구매자와 비구매자 간 사후 인식 차이를 비교한다. 동일한 자사우대 환경에 노출되었음에도 자사우대 상 품을 구매한 피험자와 그렇지 않은 피험자가 구매 경험을 다르게 평가하는지, 특히 실 제로 10% 더 비싼 복제품을 구매한 소비자가 후생 손실을 인식하는지 직접 검증한다. 자사우대 후 만족도 상승 대응표본 t검정 결과(표 4-15, 그림 4-17 ~ 4-19)는 자사 우대 처치 이후 피험자 인식이 모든 만족도 지표에서 통계적으로 유의하게 상승하는 역설적 패턴을 보여준다. ‘구매 만족도’는 1회차 쇼핑(R1)에서 평균 3.981점, 2회차 쇼 핑(R2)에서는 평균 4.074점으로 +0.093점 상승하였으며(t=-8.176, p<0.001, ***), ‘랭킹 도움’ 인식 또한 3.573점에서 3.632점으로 +0.059점 상승(t=-3.537, p<0.001, ***), ‘랭킹 중립성’ 인식의 경우에도 3.474점에서 3.542점으로 +0.067점 상승(t=- 4.842, p<0.001, ***)하였다. <표 4-15> 대응표본 t검정 결과(자사우대 처치 이후 피험자 인식 비교) 주) *** p<0.01, **p<0.05, *p<0.1 항목 1회차 쇼핑(R1) 평균 점수 (표준편차) 2회차 쇼핑(R2) 평균 점수 (표준편차) 1회차-2회차 평균 점수 차이 t 통계량 (p값) 구매 만족도 3.981(0.619) 4.074(0.632) -0.093*** -8.176(0.000) 랭킹 도움 3.573(0.885) 3.632(0.923) -0.059*** -3.537(0.000) 랭킹 중립성 3.474(0.821) 3.542(0.839) -0.067*** -4.842(0.000)

-- 94 of 136 --

94 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-17> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 구매 만족도 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. <그림 4-18> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 랭킹 도움 인식 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다.

-- 95 of 136 --

95 Ⅳ. 실증분석 결과 <그림 4-19> 1회차 쇼핑(R1) vs. 2회차 쇼핑(R2) 랭킹 중립성 인식 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 이 결과는 다음과 같은 측면에서 주목할 만하다. 소비자는 자사우대 처치로 인해 실제 로는 더 비싼 복제품을 구매하게 되었음에도 불구하고, 구매 만족도가 오히려 높아졌 다. 더욱 놀라운 것은 랭킹 중립성 인식, 즉 플랫폼의 검색 순위가 공정하다는 인식도 상승했다는 점이다. 플랫폼이 순위를 조작하여 자사 상품을 우대하는 환경에서 오히려 소비자가 플랫폼 공정성을 더 높게 평가하는 셈이다. 이는 소비자가 상위 노출 상품을 플랫폼이 엄선한 품질 우수 상품으로 오인하는 인식 적 기제가 존재할 수 있다는 점을 보여준다. 이러한 효과는 다음 <표 4-16>과 같이 처 치군별로도 유의한 차이가 관측되지 않았다. 다시 말해 라벨이나 공시의 존재가 소비 자의 사후 만족도를 낮추지는 않으며, 시정조치가 소비자로 하여금 자신의 선택을 재 평가하도록 실질적으로 유도하지 못한다는 점을 시사한다.

-- 96 of 136 --

96 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 4-16> 처치군별 만족도 비교(2회차 쇼핑) 자사우대 상품 구매자의 후생 손실 인식 부재 다음 <표 4-17>의 독립표본 t검정 결과 는 후생 오인의 핵심적 증거를 제공한다. 2회차 쇼핑(R2)에서 자사우대 상품을 구매한 피험자(n≈1,199)와 구매하지 않은 소비 자(n≈1,869)의 사후 인식을 비교해보면, 구매 만족도는 자사우대 상품 구매자 만족도 점수(4.077)와 비구매자 점수(4.073) 간에 사실상 차이가 없다.(t=-0.164, p=0.870) 이는 10% 더 비싼 복제품을 구매한 소비자가 그렇지 않은 소비자와 동일한 수준의 만 족도를 보고한다는 것 즉, 객관적 후생 손실이 주관적 불만족으로 인식되지 않음을 보 여준다. 이 같은 내용은 <그림 4-20>을 통해서도 확인할 수 있다. 항목 집단 평균 점수 표준편차 관측치 수 구매 만족도 G1 4.092 0.668 768 G2 4.055 0.637 768 G3 4.09 0.616 768 G4 4.06 0.606 768 랭킹 도움 G1 3.656 0.94 768 G2 3.633 0.899 768 G3 3.62 0.934 768 G4 3.617 0.92 768 랭킹 중립성 G1 3.52 0.84 768 G2 3.563 0.821 768 G3 3.542 0.849 768 G4 3.543 0.847 768

-- 97 of 136 --

97 Ⅳ. 실증분석 결과 <표 4-17> 독립표본 t검정 결과(자사우대 상품 구매자와 비구매자 간) 주) *** p<0.01, **p<0.05, *p<0.1 <그림 4-20> 자사우대 상품 구매자 vs. 비구매자 구매 만족도 인식 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 그러나 랭킹 관련 인식에서는 흥미로운 분화가 나타난다. 아래 <그림 4-21>을 보면, ‘랭킹 도움’ 인식은 자사우대 상품 구매자의 점수(3.909)가 비구매자 점수(3.452)보다 유의하게 높았으며(t=-14.491, p<0.001, ***), 그 차이는 0.458점으로 크다. 항목 자사우대 상품 비구매자 평균 점수 (표준편차) 자사우대 상품 구매자 평균 점수 (표준편차) 비구매자-구매자 평균 점수 차이 t 통계량 (p값) 구매 만족도 4.073 (0.655) 4.077 (0.596) 0.004 -0.164 (0.870) 랭킹 도움 3.452 (0.966) 3.909 (0.773) 0.458*** -14.491 (0.000) 랭킹 중립성 3.401 (0.868) 3.760 (0.742) 0.360*** -12.245 (0.000)

-- 98 of 136 --

98 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <그림 4-21> 자사우대 상품 구매자 vs. 비구매자 랭킹 도움 인식 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 다음 <그림 4-22>의 ‘랭킹 중립성’ 인식도 자사우대 상품 구매자 점수(3.760)가 비구 매자 점수(3.401)보다 0.36점 높았다(t=-12.245, p<0.001, ***). 즉 10% 더 비싼 복 제품을 구매한 피험자일수록 오히려 플랫폼 순위가 더 도움이 되고 공정하다고 인식하 는 셈이다.

-- 99 of 136 --

99 Ⅳ. 실증분석 결과 <그림 4-22> 자사우대 상품 구매자 vs. 비구매자 랭킹 중립성 인식 비교 주) 막대 그래프 상단에 표시된 세로선은 95% 신뢰구간을 나타낸다. 종합하면, 자사우대로 인해 소비자 피해가 발생하더라도 소비자는 오히려 구매 만족도 가 상승하고, 랭킹이 쇼핑에 도움이 되고, 랭킹이 중립적으로 생각하는 경향이 있다. 이는 현행과 같이 알고리즘 조작 여부를 소비자가 판별할 수 없는 상황에서 그 피해의 인식 자체가 제한되고, 스스로 편향된 선택 왜곡을 완화할 수 있는 행동 교정이 원활히 작동되지 않는다는 것을 의미한다. 소결 본 절의 분석 결과는 가설 4를 지지하지 못하며, 자사우대로 인한 소비자 피해의 인식적 부 재를 보여준다. 소비자는 10% 더 비싼 복제품을 구매하고도 오히려 구매 만족도가 상승하고, 복 제품 구매자가 비구매자보다 플랫폼 순위가 더 공정하고 도움이 된다고 인식한다. 이를 종합하면 자사우대로 인한 소비자 피해는 단순한 선택 왜곡에 그치지 않고 소비자가 피해 자체를 인식하 지 못하는 구조적 오인 문제가 있다는 점을 보여준다. 이러한 결과는 기존 단순 정보 제공 방식의 규제 접근 방식의 한계를 더욱 선명하게 드러낸다. 소 비자는 스스로 피해를 인식하지 못한다면 시장의 자율적인 교정 메커니즘도 작동하기 어렵고, 정보 제공형 규제(라벨, 공시)도 인식이 없는 소비자에게는 그 의미를 가지기 어렵다. 결국 자사우대 규제의 실효성을 확보하기 위해서는 소비자의 인지적 부담 없이 근본적으로 알고리즘 설계의 공 정성과 투명성을 확보하기 위한 규제가 필요하며, 이는 제5장에서 정책적 시사점으로 연결된다.

-- 100 of 136 --

-- 101 of 136 --

101 정책적 시사점 1. 주요 실증 결과 요약 / 102 2. 정책적 시사점 / 105 3. 연구의 한계 및 향후 과제 / 108 Ⅴ

-- 102 of 136 --

102 Ⅴ 정책적 시사점 1. 주요 실증 결과 요약 본 연구는 알고리즘 기반 자사우대가 소비자 선택과 탐색 행동에 미치는 인과적 효과 를 실험적으로 규명하고, 라벨과 정렬기준 투명성 공시라는 두 가지 정보 제공형 시정 조치의 실효성을 검증하였다. 가상 쇼핑몰(SC몰)에서 3,072명의 소비자를 대상으로 2 ×2 요인 설계 실험을 수행한 결과, 네 가지 핵심 발견이 도출되었다. 첫째, 알고리즘 기반 자사우대는 소비자의 탐색 범위를 구조적으로 제약하고 자사우대 상품의 구매를 강력하게 유도한다. 1회차 쇼핑(R1) 기저선 분석에서 소비자 구매 선택의 절반 이상(51.7%)이 상위 5위 이 내에 집중되었고, 94.6%가 첫 페이지(36위 이내)에서 구매를 완료하였다. 정렬 기준 을 변경한 소비자는 25.2%에 불과하였으며, 필터를 단 한 번도 조작하지 않은 소비자 또한 83.8%에 달하였다. 이러한 탐색 관성(inertia)이 기저선으로 존재하는 상황에서 2회차 쇼핑(R2)에서 자사 우대가 적용되자, 10% 더 비싼 자사우대 복제품 구매율은 당초 1회차 쇼핑(R1)에서 1 페이지 하위권 순위에 있을 때보다 약 34%p 상승하였다. 동시에 원래 1회차 쇼핑(R1) 에서 상위권 순위였던 상품의 구매율은 2회차 쇼핑(R2)에서 자사우대로 순위가 뒤로 밀리면서 약 32%p 감소하는 타사 상품 배제 효과가 확인되었다.

-- 103 of 136 --

103 Ⅴ. 정책적 시사점 둘째, SCpay 라벨은 소비자 오인을 추가로 강화하여 알고리즘 자사우대 조작의 선택 왜곡을 심화하는 효과를 낳는다. G2(라벨 단독) 처치군은 G1(통제군) 대비 최대 탐색 페이지가 1회차 쇼핑(R1)에서 2회 차 쇼핑(R2)로 넘어가면서 0.324페이지 추가 감소하였고, 페이지 방문 수도 0.546페 이지 추가 감소하였다. 자사우대 상품 구매율은 G1 대비 4.5%p 증가하였으며, 탐색 성향을 통제하는 경우 ‘능동적’ 탐색 소비자는 7.0%p로 유의하게 높았다. 주목할 점은 이 오인 강화 효과가 ‘수동적’ 탐색 소비자보다는 ‘능동적’ 탐색 소비자에게 더 뚜렷하 게 관찰된다는 것이다. 이는 역설적으로 라벨이 탐색 역량이 있는 소비자에게도 품질 신호로 작동하여 추가 탐색 동기를 억제할 수 있음을 보여준다. 셋째, 정렬기준 투명성 공시는 선택 왜곡을 교정하지 못하였으며, 라벨의 오인 효과도 상쇄하지 못하였다. 다만, 공시는 ‘수동적’ 탐색자의 선택 왜곡을 부분적으로 억제하는 효과가 나타났으며, 이는 공시가 없는 환경에서 알고리즘 순위를 일종의 품질 신호로 오인할 수 있는 가능성을 시사한다. 우선 공시가 단독으로 처치된 환경(G3)에서는 공시가 미친 영향이 모든 탐색 행동 변 수에서 유의하지 않은 것으로 나타났다. 이는 공시 실제 클릭률은 10.7%에 불과했는 데, ‘공시’ 처치가 이루어지더라도 실제 그 ‘공시’를 클릭한 소비자가 매우 소수라는 점 이 원인으로 작용한 것으로 보인다. 그러나 1회차 쇼핑(R1)에서 정렬기준을 변경하지 않은 ‘수동적’ 탐색자는 2회차 쇼핑(R2) 에서 공시를 클릭했을 때, 자사우대 구매 억제 효과가 –18.4%p로 크고 유의하게 나타났 는데, 이는 공시를 통해 자사우대 조작을 인지한 이후에는 행동 변화가 실제 나타났다는 것을 의미한다. 다시 말해, 공시를 확인하기 전 소비자는 플랫폼이 제공하는 순위에 대 해 어느 정도 품질, 인기도 등을 고려한 상품을 추천할 것이라는 오인을 갖고 있지만, 실 제 ‘공시’를 통해 정보 전달이 된 이후에는 그러한 오인이 제거된다는 점을 알 수 있다.

-- 104 of 136 --

104 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 G4(라벨+공시) 조건의 자사우대 상품 구매율은 G2(라벨 단독)와 사실상 동일하여 공 시가 라벨의 오인 강화 효과를 상쇄하지 못함이 확인되었다. 기존 단순 정보 제공 방식 의 규제 접근 방식의 한계를 더욱 선명하게 드러낸다. 즉, 소비자는 스스로 피해를 인 식하지 못한다면 시장의 자율적인 교정 메커니즘도 작동하기 어렵고, 정보 제공형 규 제(라벨, 공시)도 인식이 없는 소비자에게는 그 의미를 가지기 어렵다. 넷째, 소비자는 10% 더 비싼 자사우대 복제품을 구매하고도 후생 손실을 인지하지 못 하며, 오히려 플랫폼에 대한 신뢰가 더 높아졌다. 구매 만족도는 1회차 쇼핑(R1) 대비 2회차 쇼핑(R2)에서 +0.093점 유의하게 상승하 였고, 랭킹 중립성 인식도 +0.067점 상승하였다. 자사우대 상품 구매자의 구매 만족 도는 비구매자 만족도 점수와 사실상 동일하여 객관적 후생 손실이 주관적 불만족으로 이어지지 않음이 확인되었다. 반면, 자사우대 상품 구매자는 비구매자 대비 랭킹이 도 움이 되었다고 인식(+0.458점)하고 랭킹이 중립적이라고 더 인식(+0.359점)하는 것 으로 나타나, 조작된 순위를 더 신뢰하는 편향이 구매 이후에도 지속됨을 보여주었다. 종합하면, 알고리즘 기반 자사우대는 소비자의 탐색 관성과 순위 신뢰에 대한 편향을 이용하여 탐색 범위를 상단 순위, 1페이지 이내 극히 소수 공간 범위 내로 제약하고, 라벨은 오인을 교정하기보다는 오히려 강화하는 역할을 하며, 공시는 대다수 소비자에 게 인지조차 되지 않아 그 효과가 나타나지 못하는 것으로 나타났다. 다만, 공시를 확 인한 수동적 소비자는 선택 왜곡을 억제하는 경향이 나타나 반사실적으로 공시가 소비 자에게 전달되지 않는 경우에는 플랫폼의 순위 알고리즘에 대해 일정한 오인이 존재함 을 확인하였다. 또한 소비자는 더 비싼 자사우대 복제품을 구매한 피해를 경험하고도 이를 인식하지 못한다. 이러한 메커니즘이 작동하는 구조에서, 소비자가 합리적 탐색 을 통해 그러한 편향이 자율적으로 교정되기는 어려우며, 정보 제공형 시정조치만으로 는 소비자의 실질적 선택 왜곡을 방지하기 어렵다는 결론이 도출된다.

-- 105 of 136 --

105 Ⅴ. 정책적 시사점 2. 정책적 시사점 제4장 실증분석 결과는 알고리즘 기반 자사우대 피해가 구조적이며, 소비자 스스로 인 식하기 어렵다는 점을 보여준다. 본 절에서는 두 가지 축으로 정책적 시사점을 논의한다. 첫째, 현행 전통적 경쟁제한성 입증의 한계와 실험 방법론의 유용성이다. 둘째, 알고리 즘 편향이 내포한 구조적 위험성과 이를 해소하기 위한 사회적 논의의 필요성이다. 전통적 입증 구조의 한계 및 실험 방법론의 유용성 현행 공정거래법 체계에서 알고리 즘 기반 자사우대를 규율하려면 시장지배적지위 남용 또는 불공정거래행위로 포섭해 야 하며, 이때 다음 세 가지 요건을 입증해야 한다. ① 플랫폼이 알고리즘을 자사에 유 리하게 차별 조정했다는 행위 사실, ② 해당 조작이 경쟁사 배제나 소비자 후생 감소를 초래했다는 경쟁제한효과의 상당한 인과관계 또는 우려, ③ 이러한 행위가 정상적 영 업활동이나 효율성 증진으로 정당화되지 않는다는 점이다. 대법원의 2025년 10월 네이버쇼핑 자사우대 사건 파기환송 판결은 이러한 입증의 어 려움을 단적으로 보여준다. 대법원은 알고리즘 조정·변경을 기본적으로 정상적인 영업 활동으로 보아, 그 자체로 경쟁제한 의도나 목적을 추단할 수 없다고 판시하였다. 즉, 알고리즘 조작과 경쟁제한 효과 사이의 인과관계를 더욱 엄격하게 입증하라는 취지다. 본 연구에 따르면 자사우대의 핵심 피해는 소비자가 순위에 강하게 의존하면서도 조작 사실을 인지하지 못하는 ‘구조적 오인’에 있다. 이 때문에 라벨이나 공시 등 어떤 정보 제공형 조치로도 선택 왜곡을 막지 못하며, 심지어 더 비싼 복제품을 구매하고도 피해 를 인지하지 못한다. 문제는 통제된 실험이 아니라면, 소비자의 구매가 순위 조작에 의 한 오인인지 진정한 선호에 따른 합리적 선택인지를 명확히 식별하기가 불가능에 가깝 다는 점이다.

-- 106 of 136 --

106 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 이는 입증책임의 구조적 비대칭을 초래한다. 경쟁당국은 선택 왜곡을 개별 거래 수준 에서 입증해야 하는 반면, 플랫폼은 “소비자의 자발적 선호에 따른 구매”라고 항변하 면 그만이기 때문이다. 나아가 경쟁제한성 입증을 위해 자사우대가 없었을 상황을 가정한 ‘반사실적 (counterfactual) 분석’을 고려할 수 있다. EU 법원은 구글 쇼핑 사건에서 경쟁당국의 반사실적 분석 의무를 부인했으나, 국내 대법원은 이보다 엄격한 증명을 요구하는 것 으로 보인다. 그러나 현실에서 이러한 엄격한 입증 요구는 두 가지 걸림돌을 만난다. 첫째, 플랫폼 알고리즘과 탐색 로그 등은 영업비밀로 보호되고 있어 경쟁당국이 알고 리즘 조작의 구체적 내용과 그 효과를 정확히 측정하기가 매우 어렵다. 둘째, 현실 데이터에서는 알고리즘 조작 효과와 품질 효과(소비자의 합리적 탐색에 의한 선택)가 혼재한다. 플랫폼의 알고리즘 조작은 초기 소비자 행동 변화를 유발하 여 자사 상품과 경쟁사 상품 간에 인위적 격차를 형성한다. 이는 다시 알고리즘으로 재학습되어 점차 자사와 타사 상품 간 격차를 확대하는 방향으로 스스로 작동(self- reinforcing)하게 된다. 따라서 이러한 초기 효과와 누적적 효과가 지속될수록 소비자 선호에 따른 선택과 실제 알고리즘 조작의 효과를 식별하기는 더더욱 어려워진다. 이 점에서 본 연구의 실험적 방법론은 반사실적 분석의 공백을 메우는 대안이 된다. 실 험 내 1회차 쇼핑(R1, 자사우대 없음)과 2회차 쇼핑(R2, 자사우대 있음)의 비교는 조작 이 없었을 상황에 대한 인과적 추정치를 제공한다. 현실 데이터와 달리, 통제된 실험 환경에서는 소비자의 내재적 선호나 상품의 실제 품질을 일정하게 고정할 수 있기 때 문이다. 특히 이는 “소비자의 자발적 선호에 따른 구매”라는 플랫폼의 통상적 항변을 직접적으로 반증하는 효과가 있다. 동일한 소비자라 하더라도 순위 조작 여부에 따라

-- 107 of 136 --

107 Ⅴ. 정책적 시사점 54) 알고리즘 감사 제도에 대해서는 OECD, EU 등을 중심으로 논의된바 있다.(OECD (2023). Algorithmic Competition. OECD Roundtables on Competition Policy Papers, No. 296. https://doi.org/10.1787/cb3b2075-en; Dash, A., Chakraborty, A., Ghosh, S., Mukherjee, A., Frankenreiter, J., Bechtold, S., & Gummadi, K. P. (2024). Antitrust, Amazon, and Algorithmic Au- diting. Journal of Institutional and Theoretical Economics, 180(2), 319–346. DOI: 10.1628/jite-2024-0014) 55) Jurgensmeier, L., & Skiera, B.(2025)는 아마존 내 자사 상품의 우대 효과를 측정하기 위해 관측 가능한 제품의 품질 지표를 통제한 후 가시성(visibility)을 비교하는 분석방법을 제안하였다.(Jurgensmeier, L., & Skiera, B. (2025). Measuring self-pref- erencing on digital platforms. Journal of Marketing.) 선택이 어떻게 왜곡되는지 실험 데이터로 명백히 보여줄 수 있기 때문이다. 알고리즘 편향의 위험성 및 사회적 논의 필요성 본 연구는 정보 제공형 시정조치만으 로는 알고리즘 자사우대로 인한 선택 왜곡을 교정하기 어렵다는 점을 밝혀, 현행 규제 체계의 정책적 공백을 드러냈다. 알고리즘 자사우대는 플랫폼, 입점 사업자, 소비자 간 극심한 정보 비대칭에서 비롯된 다. 플랫폼이 데이터와 구조를 독점하므로 외부에서는 편향 여부를 검증할 수 없다. 특 히 네트워크 효과와 높은 전환비용이 작용하는 플랫폼 시장에서는 단기적으로 무해해 보이는 자사우대가 장기적으로 경쟁사를 구조적으로 차단하는 누적적 폐해를 낳는다. 이에 대한 대안으로 독립된 제3자가 알고리즘의 설계와 산출 결과를 체계적으로 검증 하는 ‘알고리즘 감사(algorithm audit)’ 제도가 논의되고 있다.54) 즉, 플랫폼이 운영하 는 알고리즘이 자사 상품을 실질적으로 우대하는지를 독립적·정기적으로 검증하는 것 이다. 사건 발생 이후 사후적으로 조사하는 방식은, 알고리즘이 실시간으로 업데이트 되는 환경에서 입증이 지나치게 까다로울 뿐만 아니라 소비자 피해가 확산되기 전에 부작용을 신속하게 차단하는 데도 한계가 크다. 반면 알고리즘 감사 제도를 도입할 경 우, 가격·별점·리뷰 수 등 관측 가능한 품질 속성을 통제한 후에도 자사 상품이 유의미 하게 높은 노출 가시성(visibility)을 갖는지를 계량적으로 검증하는 방식을 고려할 수 있다.55) 그러나 이러한 개입 방식에 대해서는 반론과 우려도 적지 않다. 우선, 과도한 규제는 플랫폼 사업자의 알고리즘 혁신 유인을 억제할 수 있다. 알고리즘 공개 의무가 영업비

-- 108 of 136 --

108 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 밀 침해로 이어지거나, 규제 준수 비용이 오히려 중소 사업자에게 부담으로 작용해 진 입장벽을 높이는 역설적 결과를 초래할 가능성도 배제할 수 없다. 또한, 플랫폼 알고리 즘은 고도의 기계학습 모델에 기반하는 만큼, 규제기관이 이를 실질적으로 감사할 기 술 역량을 확보하지 못할 경우 형식적 규제에 그치거나 규제 포획의 위험에 노출될 수 있다는 점도 간과할 수 없다. 결국 알고리즘 자사우대 문제는 경쟁 촉진과 혁신 보존이라는 두 가치가 충돌하는 지 점에서 어떤 균형점을 찾을 것인가로 귀결된다. 시장 왜곡을 교정하면서도 플랫폼의 혁신 유인을 훼손하지 않는 개입 방식을 정립하기 위해서는, 알고리즘 감사 등 다양한 제도 검토가 필요하고, 그 이전에 통제된 실험 방법론을 통해 알고리즘의 위험성을 선 제적으로 분석하고 스크리닝하는 중간적 과정이 유용한 디딤돌이 될 수 있다. 이러한 단계적 접근을 통해 규제의 비례성과 실효성을 어떻게 구체화할 것인지에 대한 학제 적·정책적 논의가 본격화될 필요가 있다. 3. 연구의 한계 및 향후 과제 3.1. 연구의 한계 본 연구는 알고리즘 기반 자사우대가 소비자 선택에 미치는 인과적 효과를 실험적으로 규명하는 데 목적을 두고 있으며, 이를 위해 무작위 통제 실험(RCT) 방법론을 채택하 였다. 이는 처치 효과의 인과적 식별이라는 측면에서 관찰 연구보다 방법론적으로 우 월한 접근으로 평가된다. 다만, 여타의 실험 연구와 마찬가지로 아래와 같은 구조적 특 성을 지니며, 이는 연구 결과를 해석할 때 함께 고려하여야 한다. 단일 세션 설계와 동태적 효과의 하한 추정 본 연구는 피험자가 1회차, 2회차 쇼핑을 연속해서 수행하는 단일 세션 실험으로 설계되었다. 이로 인해 자사우대 상품이 알고

-- 109 of 136 --

109 Ⅴ. 정책적 시사점 리즘 재학습 데이터로 반복 축적되면서 쏠림이 심화되는 피드백 루프 즉, 시간의 경과 에 따라 누적되는 동태적 효과를 직접 포착하는 데 한계가 있다. 이는 실험 설계상 불 가피한 구조적 특성으로, 본 연구에서 관찰된 소비자 오인 효과는 실제 시장에서의 누 적적 왜곡에 대한 하한 추정치(lower bound)로 해석하는 것이 타당하다. 즉, 단일 세 션의 일회성 실험에서도 통계적으로 유의한 선택 왜곡 효과가 확인되었다는 점은, 실 제 시장에서의 피해가 이보다 적지 않을 것임을 시사한다. 가상 쇼핑 환경과 외적 타당성 본 실험은 실제 국내 온라인 쇼핑몰 인터페이스로 충실 히 재현한 가상 쇼핑몰(SC몰)을 활용하고, PC, 모바일 양 기기 환경을 포함하였으며, 관여도·가격대·반복 구매성이 상이한 세 가지 상품군(블루투스 스피커, 비타민C, 롤화 장지)을 교차 설계하였다. 이를 통해 가상 실험 환경에서 확보 가능한 수준의 외적 타 당성을 최대한 확보하였다. 모의 구매라는 특성상 실제 구매 상황과의 동기 차이가 우려될 수 있으나, 본 연구는 이를 보완하기 위한 인센티브 설계를 도입하였다. 구체적으로 모든 참가자에게 기본 참가비를 지급하는 한편, 실제 쇼핑하듯 성실하게 과제를 수행한 참가자 150명을 추첨 하여 추가 보상을 제공하는 방식을 채택하였다. 이는 단순 설문 응답과 달리 과제 몰입 도를 높이고, 실제 쇼핑에서의 탐색·선택 동기와 유사한 심리적 조건을 실험 내에서 구 현하기 위한 것이다. 행동경제학 연구에서 이와 같은 성과 연동 인센티브 설계는 가상 환경에서 외적 타당성을 높이는 표준적 방법으로 널리 활용된다. 아울러 본 연구는 구매 결정 자체뿐 아니라 탐색 행동 변화를 주요 종속변수로 설정하 고, 이를 자기 보고(self-reporting) 방식이 아닌 실시간 행동 로그로 측정하였다. 탐 색 행동은 금전적 동기보다 인터페이스 설계와 순위 단서에 의해 구조적인 경향성이 나타나므로 모의 구매라는 설계상 특성이 주요 분석 결과에 미치는 영향은 제한적인 것으로 판단된다.

-- 110 of 136 --

110 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 분석 대상 플랫폼 유형 및 자사우대 기제의 범위 본 연구는 종합 쇼핑몰에서의 알고리 즘 순위 조작이라는 단일 기제에 집중하여 인과 효과를 정밀하게 식별하였다. 이는 실 험의 내적 타당성을 확보하기 위한 방법론적 선택이나, 실제 플랫폼에서는 순위 조작 외에도 검색 결과 강조, 빠른 배송 우선 제공, 리뷰 집계 방식 차별 등 다양한 자사우 대 기제가 중첩적으로 작동할 수 있다. 이러한 복합적 자사우대 효과는 본 연구의 분석 에 포함되지 않는다. 3.2. 향후 과제 동태적 효과의 실증 본 연구의 단일 세션 실험이란 한계를 넘어 동태적·누적적 효과 를 실증할 필요가 있다. 동일 패널을 대상으로 한 반복 측정 실험 또는 현장실험(field experiment) 방식을 통해 자사우대 노출이 반복될수록 소비자의 순위 신뢰 편향이 강 화되는지, 그리고 그 과정에서 알고리즘 피드백 루프가 선택 왜곡을 어떻게 심화시키 는지를 실증적으로 규명할 필요가 있다. 다양한 플랫폼 유형 및 서비스로의 확장 알고리즘 자사우대는 쇼핑 플랫폼에 국한되 지 않고 음식배달, 숙박·여행, 금융상품 비교, OTT, 앱마켓 등 다양한 플랫폼 유형에 서 광범위하게 나타날 수 있다. 플랫폼 유형별 자사우대 효과의 이질성을 체계적으로 비교하는 후속 연구는 자사우대 규제의 적용 범위와 비례성을 정립하는 데 직접적 함 의를 제공할 것이다. AI 개인화 추천 환경에서의 효과 본 연구는 정적 순위 기반의 자사우대 효과를 분석하 였으나, 현재 주요 플랫폼들은 이용자의 행동 데이터를 실시간으로 학습하는 AI 개인화 추천 알고리즘을 광범위하게 활용하고 있다. 개인화 알고리즘 환경에서의 자사우대는 소비자별로 다르게 구현되므로 외부 관찰과 입증이 한층 어렵고, 피드백 루프를 통한 고 착 효과가 더욱 강하게 작동할 우려가 있다. AI 개인화 추천이 자사우대와 결합되는 경 우의 소비자 피해 메커니즘과 그 입증 방법론은 향후 연구의 주요 과제로 볼 수 있다.

-- 111 of 136 --

111 결 론 Ⅵ

-- 112 of 136 --

112 Ⅵ 결론 본 연구는 디지털 플랫폼의 검색·추천·랭킹 알고리즘을 매개로 한 자사우대(self- preferencing) 행위가 소비자의 선택과 탐색 행동에 미치는 인과적 효과를 무작위 통 제 실험(RCT)을 통해 실증하고, 라벨링과 투명성 공시라는 정보 제공형 시정조치의 실효성을 다각도로 검증하였다. 실험을 통해 확인된 핵심 발견은 크게 네 가지이다. 첫째, 강력한 순위 의존성 소비자는 첫 페이지와 최상위권에 구매를 집중하고 정렬기 준을 변경하거나 필터를 조작하는 적극적 탐색이 부족하였다. 이로 인해 2회차(R2)에 자사우대가 적용되자 10% 더 비싼 복제품 구매율은 1회차(R1) 하위권에 있을 때보다 약 34%p 상승한 반면, 원래 상위권이었던 경쟁 상품 구매율은 약 32%p 급감하며 뚜 렷한 타사 배제 효과가 나타났다. 이는 검색 순위가 더 높은 상품을 더 신뢰하는 구조 적 오인에서 비롯된다. 둘째, 프로모션 라벨의 오인 강화 효과 프로모션 라벨(SCpay)은 오인을 교정하기보다 탐색 범위를 축소시켜 왜곡을 심화했다. 라벨 처치 시 최대 탐색 페이지 수가 0.324페 이지 감소했으며, 자사우대 상품 구매율은 4.5%p 증가했다. 특히 ‘능동적’ 탐색자의 구 매율이 7.0%p 상승했는데, 이는 탐색 역량이 있는 소비자조차 라벨을 품질 보증 신호 로 오인했음을 보여준다. 셋째, 투명성 공시의 전달력 한계 정정렬기준 공시는 낮은 클릭률(10.7%)로 인해 대

-- 113 of 136 --

113 Ⅵ. 결론 다수 소비자에게 도달하지 못해 선택 왜곡을 교정하지 못했다. 다만, 공시를 직접 확인 한 ‘수동적’ 탐색자 집단에서는 자사우대 구매 억제 효과가 -18.4%p로 유의미하게 나 타났다. 이는 공시가 정상적으로 전달되면 오인이 제거되나, 현재의 단순 정보 제공형 공시로는 실질적으로 소비자가 인지하기 어려워 실효성을 확보하기 어렵다는 한계를 드러낸다. 넷째, 피해 인지의 구조적 어려움 소비자는 비싼 복제품을 구매하는 후생 손실을 입 고도 구매 만족도(+0.093점)와 랭킹 중립성 인식(+0.067점)이 오히려 상승했다. 특 히 자사우대 상품 구매자는 비구매자 대비 랭킹 유용성(+0.458점)과 중립성 인식 (+0.359점)이 훨씬 높아, 조작된 순위에 대한 신뢰 편향이 구매 이후까지 강력하게 지 속됨이 확인되었다. 이러한 실증 결과는 알고리즘 기반 자사우대의 폐해가 시장의 자율적 교정이나 단순한 정보 제공형 시정조치(행동 개입)만으로는 해소되기 어려운 고도의 구조적 성격을 지 님을 방증한다. 특히 실제 시장 데이터에서는 초기 알고리즘 조작의 효과가 오인에 기 반한 소비자 선택과 결합되고, 이것이 다시 알고리즘의 재학습 데이터로 입력되면서 격차를 스스로 확대하는 ‘자기강화(self-reinforcing)’ 과정을 거치게 된다. 이는 결국 사후적 시장 데이터만으로는 조작의 효과와 진정한 소비자 선호를 식별하기 어렵게 만 들어, 경쟁당국과 플랫폼 간의 ‘입증책임의 구조적 비대칭’을 심화시키는 핵심 원인이 된다. 본 연구는 바로 이러한 현실 데이터의 한계와 반사실적(counterfactual) 분석의 공백 을 통제된 실험 방법론을 통해 살펴보았다는 점에서 방법론적 대안으로서의 가능성을 지닌다. 나아가 이는 향후 도입 논의가 지속될 ‘알고리즘 감사’의 실행 기준을 정교화하 고, 규제 당국이 실효성 있는 모니터링 체계로 나아가기 위한 실증적 기반을 제공한다 는 점에서 의미가 크다. 본 연구의 실증적 발견이 규제의 비례성과 실효성을 동시에 확 보하기 위한 학제적·정책적 논의를 촉발하는 하나의 출발점이 될 수 있기를 기대한다.

-- 114 of 136 --

114 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 ■ Behavioural Insights Team. (2024). Testing the Impact of Algorithmic Rankings on Consumer Choice. Behavioural Insights Team. ■ Crémer, J., De Montijoye, Y. A., & Schweitzer, H. (2019). Competition policy for the digital era. European Commission. ■ Dash, A., Chakraborty, A., Ghosh, S., Mukherjee, A., Frankenreiter, J., Bechtold, S., & Gummadi, K. P. (2024). Antitrust, Amazon, and Algorithmic Auditing. Journal of Institutional and Theoretical Economics, 180(2). ■ ECJ. (2024). Case C-48/22 P, Google LLC and Alphabet Inc. v Commission, Judgement of 10 September 2024. ■ European Commission. (2017). Case AT.39740 – Google Shopping, Commission Decision of 27 June 2017. ■ European Commission. (2020). Behavioral Study on Advertising and Marketing Practices in Online Travel Booking. European Commission. ■ European Commission. (2022). Amazon Commitments Decision, Case AT.40462 (Amazon Marketplace) & AT.40703 (Amazon Buy Box). European Commission. ■ Fleder, D., & Hosanagar, K. (2009). Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender System on Sales Diversity. Management Science, 55(5), 697–712. ■ Graef, I. (2019). Differentiated Treatment in Platform-to-Business Relations: EU Competition Law and Economic Dependence. Yearbook of European Law, 38, 448–499. 참고문헌

-- 115 of 136 --

115 참고문헌 ■ Gross, A., Mehta, A., Peters, C., & Sanghvi, C. (2025). The Year in Review: Economics at the Antitrust Division 2024–2025. Review of Industrial Organization, 67(4), 481–497. ■ Johnson, E. J., & Goldstein, D. (2003). Do Defaults Save Lives? Science, 302, 1338–1339. ■ Jurgensmeier, L., & Skiera, B. (2025). Measuring Self-Preferencing on Digital Platforms. Journal of Marketing. Advance online publication. ■ Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263–291. ■ Lee, D., & Hosanagar, K. (2019). How do Recommender Systems Affect Sales Diversity? A Cross-category Investigation via Randomized Field Experiment. Information System Research, 30(1), 239–259. ■ Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgement. Organizational Behavior and Human Decision Processes, 151, 90–103. ■ Long, F., & Amaldoss, W. (2024). Self-Preferencing in E-commerce Marketplaces: The Role of Sponsored Advertising and Private Labels. Marketing Science, 43(5), 925–952. ■ OECD. (2023). Algorithmic Competition (OECD Roundtables on Competition Policy Papers, No. 296). OECD Publishing. https://doi. org/10.1787/cb3b2075-en ■ Regulation (EU) 2019/1150. (2019). On Promoting Fairness and Transparency for Business Users of Online Intermediation Services, Article 5(3). Official Journal of the European Union.

-- 116 of 136 --

116 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 ■ Regulation (EU) 2022/1925. (2022). Digital Markets Act, Article 6(5). Official Journal of the European Union. ■ Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental Study of Inequality and Unpredictability in an Artificial Culture Market. Science, 311(5762), 854–856. ■ Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. ■ Ursu, R. M. (2018). The Power of Rankings: Quantifying the Effect of Rankings on Online Consumer Search and Purchase Decisions. Marketing Science, 37(4), 530–552. ■ Waldfogel, J. (2024). Amazon Self-Preferencing in the Shadow of the Digital Markets Act (NBER Working Paper No. 32299). National Bureau of Economic Research. ■ Xiao, B., & Benbasat, I. (2018). An empirical examination of the influence of biased personalized product recommendations on consumers’ decision making outcomes. Decision Support Systems, 110, 46-57. ■ 공정거래위원회. (2021). 의결 제2021-027호 (2021. 1. 27.). ■ 공정거래위원회. (2024). 의결 제2024-284호 (2024. 8. 5.). ■ 대법원. (2025). 2025. 10. 16. 선고 2023두32709 판결.

-- 117 of 136 --

117 부 록 부록 A. R1 탐색 행동 기술 통계(이상치 제거 후) / 118 부록 B. 사후 만족도 및 인식 설문조사지 / 120 부록 C. 선택형 컨조인트(CBC) 실험 설계 및 분석 결과 / 121 부록 D. 처치군별 탐색행동 분석(DID) 결과 / 126 부록 E. 선형확률모형(LPM) 예측값 범위 진단 결과 / 127 부록 F. 선형확률모형(LPM) 분석 결과 / 128 부록 G. Pooled OLS 회귀모형에 대한 강건성 검정 / 129 부록 H. 만족도 및 인식 조사에 대한 t검정 결과 / 131

-- 118 of 136 --

118 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 집단 종속변수 평균 표준 편차 p50 최소값 최대값 N 전체 최대 탐색 페이지 수 1.624 2.401 1.000 1.0 21.0 3,068 G1 최대 탐색 페이지 수 1.546 2.104 1.000 1.0 21.0 767 G2 최대 탐색 페이지 수 1.686 2.510 1.000 1.0 21.0 767 G3 최대 탐색 페이지 수 1.652 2.500 1.000 1.0 21.0 768 G4 최대 탐색 페이지 수 1.611 2.467 1.000 1.0 21.0 766 전체 페이지 방문 수 4.670 5.392 3.000 0.0 84.0 3,068 G1 페이지 방문 수 4.435 4.462 3.000 2.0 44.0 767 G2 페이지 방문 수 4.871 5.561 3.000 0.0 61.0 767 G3 페이지 방문 수 4.741 4.725 3.000 2.0 54.0 768 G4 페이지 방문 수 4.632 6.571 3.000 2.0 84.0 766 전체 스크롤 횟수 20.772 25.364 13.000 0.0 349.0 3,068 G1 스크롤 횟수 20.164 21.632 13.000 0.0 161.0 767 G2 스크롤 횟수 21.220 25.488 13.000 0.0 274.0 767 G3 스크롤 횟수 21.594 26.086 14.000 0.0 336.0 768 G4 스크롤 횟수 20.110 27.862 13.000 0.0 349.0 766 전체 총 클릭 수 8.965 10.491 5.000 0.0 146.0 3,068 G1 총 클릭 수 8.806 9.509 5.000 1.0 94.0 767 G2 총 클릭 수 9.372 11.093 6.000 0.0 117.0 767 G3 총 클릭 수 9.133 9.825 6.000 1.0 83.0 768 G4 총 클릭 수 8.551 11.418 5.000 1.0 146.0 766 전체 최하위 클릭 순위 90.911 179.019 15.000 1.0 756.0 3,068 G1 최하위 클릭 순위 92.890 179.417 15.000 1.0 752.0 767 G2 최하위 클릭 순위 96.341 186.322 17.000 1.0 753.0 767 G3 최하위 클릭 순위 92.904 178.776 15.500 1.0 756.0 768 G4 최하위 클릭 순위 81.501 171.242 14.000 1.0 752.0 766 전체 정렬 기준 변경 여부 0.251 0.434 0.000 0.0 1.0 3,067 G1 정렬 기준 변경 여부 0.248 0.432 0.000 0.0 1.0 767 G2 정렬 기준 변경 여부 0.252 0.434 0.000 0.0 1.0 766 R1 탐색 행동 기술 통계(이상치 제거 후) 부록 A

-- 119 of 136 --

119 부 록 집단 종속변수 평균 표준 편차 p50 최소값 최대값 N G3 정렬 기준 변경 여부 0.283 0.451 0.000 0.0 1.0 768 G4 정렬 기준 변경 여부 0.223 0.417 0.000 0.0 1.0 766 전체 필터 적용 여부 0.161 0.368 0.000 0.0 1.0 3,068 G1 필터 적용 여부 0.181 0.385 0.000 0.0 1.0 767 G2 필터 적용 여부 0.155 0.362 0.000 0.0 1.0 767 G3 필터 적용 여부 0.172 0.378 0.000 0.0 1.0 768 G4 필터 적용 여부 0.137 0.344 0.000 0.0 1.0 766 전체 정렬기준 안내 확인 여부 0.061 0.239 0.000 0.0 1.0 3,068 G1 정렬기준 안내 확인 여부 0.063 0.242 0.000 0.0 1.0 767 G2 정렬기준 안내 확인 여부 0.074 0.262 0.000 0.0 1.0 767 G3 정렬기준 안내 확인 여부 0.065 0.247 0.000 0.0 1.0 768 G4 정렬기준 안내 확인 여부 0.040 0.197 0.000 0.0 1.0 766 전체 쇼핑 소요 시간(초) 153.4 255.7 85.8 7.1 4336.2 3,068 G1 쇼핑 소요 시간(초) 148.9 233.0 88.0 8.7 3010.1 767 G2 쇼핑 소요 시간(초) 150.3 206.9 88.7 7.4 2339.6 767 G3 쇼핑 소요 시간(초) 164.1 293.5 86.4 7.1 4336.2 768 G4 쇼핑 소요 시간(초) 150.3 280.0 82.6 11.2 4332.2 766 주) 95% 신뢰구간 범위 밖(평균 ± 1.96 × 표준편차) 표본 제거 후 집계이다.

-- 120 of 136 --

120 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 사후 만족도 및 인식 설문조사지 앞선 가상 쇼핑에서 최종 선택한 상품에 만족하십니까? [1개 선택] 1) 전혀 그렇지 않다 2) 그렇지 않다 3) 보통이다 4) 그렇다 5) 매우 그렇다 앞선 가상 쇼핑에서 기본 랭킹순(SC랭킹순)이 충분히 도움되었습니까? [1개 선택] 1) 전혀 그렇지 않다 2) 그렇지 않다 3) 보통이다 4) 그렇다 5) 매우 그렇다 앞선 가상 쇼핑에서 기본 랭킹순(SC랭킹순)이 객관적이고 중립적으로 좋은 제품을 추천했다고 생각하십니까? (1~5점) [1점 전혀 동의하지 않는다 ~ 5점 매우 동의한다] 부록 B Q Q Q

-- 121 of 136 --

121 부 록 상품군 속성 수준 블루투스 스피커 가격 24,000/40,000/77,000원 방수 기능 방수(IPX5)/비방수 재생 시간 6/8/10시간 별점 4.6/4.7/4.9점 리뷰 수 22/69/183개 비타민C 가격 5,100/8,700/10,200/14,100/15,300/17,400/26,100/28,200원 총 정수 30/60/90정 함량 500/1,000/3,000mg 제형 정/타블렛/젤리·구미/캡슐 리포좀 일반/리포좀 별점 4.7/4.8/4.9점 리뷰 수 95/379/1/272개 롤화장지 가격 6,000/8,400/13,200/15,000/30,000/33,000/42,000/66,000원 수량 12/30/60롤 겹수 3/4겹 펄프종류 천연/혼합/재생·일반 향유무 무향/유향 별점 4.6/4.7/4.8점 리뷰 수 457/2,117/14,619개 <표 C-1> CBC 속성 및 수준 조합 선택형 컨조인트(CBC) 실험 설계 및 분석 결과 부록 C

-- 122 of 136 --

122 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 C-2> CBC 조건부 로짓(Conditional Logit) 추정 결과 속성 블루투스 스피커 비타민C 롤화장지 가격(만원) -0.424*** -0.356*** -0.728*** (0.014) (0.017) (0.023) 별점 2.266*** 1.327*** 1.418*** (0.104) (0.136) (0.194) ln(리뷰 수+1) 0.332*** 0.220*** 0.150*** (0.018) (0.010) (0.012) 방수 1.270*** (0.034) 재생시간(시간) 0.225*** (0.009) 총 정수(정) 0.010*** (0.001) 함량(1,000mg) 0.210*** (0.011) 제형: 캡슐 0.088*** (0.024) 제형: 젤리·구미 0.016 (0.031) 리포좀 0.351*** (0.025) 수량(롤) 0.035*** (0.002) 겹수: 4겹 -0.063 (0.047) 펄프: 혼합 -0.778*** (0.053) 펄프: 재생·일반 -0.339*** (0.037) 유향 0.239*** (0.039) 관측치 수 30,720 30,720 30,720 주1) 괄호 안은 표준오차, 가격은 고정 계수, 나머지는 정규분포 확률 계수 주2) *** p<0.01, ** p<0.05, * p<0.10

-- 123 of 136 --

123 부 록 <표 C-3> CBC 혼합 로짓(Mixed Logit) 추정 결과 주1) 괄호 안은 표준오차, 가격은 고정 계수, 나머지는 정규분포 확률 계수 주2) *** p<0.01, ** p<0.05, * p<0.10 속성 블루투스 스피커 비타민C 롤화장지 평균 표준편차 평균 표준편차 평균 표준편차 가격(만원) -0.463*** – -0.557*** – -0.766*** – (0.012) (0.025) (0.021) 별점 2.582*** 0.125 2.764*** 1.357** 1.926*** -0.020 (0.141) (0.871) (0.213) (0.665) (0.219) (0.436) ln(리뷰 수+1) 0.398*** 0.587*** 0.340*** 0.291*** 0.173*** 0.000 (0.027) (0.035) (0.017) (0.027) (0.013) (0.024) 방수 1.978*** 1.826*** (0.063) (0.065) 재생시간(시간) 0.275*** 0.133*** (0.012) (0.027) 총 정수(정) 0.017*** 0.016*** (0.001) (0.001) 함량(1,000mg) 0.324*** 0.514*** (0.018) (0.023) 제형: 캡슐 0.122*** -0.007 (0.035) (0.089) 제형: 젤리·구미 -0.168*** 1.473*** (0.049) (0.063) 리포좀 0.635*** 0.865*** (0.042) (0.054) 수량(롤) 0.036*** 0.016*** (0.003) (0.001) 겹수: 4겹 -0.078 -0.008 (0.056) (0.119) 펄프: 혼합 -0.805*** -0.000 (0.064) (0.071) 펄프: 재생·일반 -0.364*** -0.396*** (0.035) (0.064) 유향 0.240*** -0.242** (0.046) (0.102) 관측치 수 30,720 30,720 30,720 36,864

-- 124 of 136 --

124 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 피험자 i 가 과업 t 에서 대안 j 를 선택할 확률은 McFadden(1974)의 조건부 로짓 (Conditional Logit)모형을 따른다. 여기서 x i,t,j 는 대안 j의 속성 벡터, J는 선택 집합 내 대안의 수, β는 추정할 효용계수 벡터 이다. 본 분석에서 속성 벡터는 상품군별로 다음과 같이 구성된다. 여기서 z i,t,j 는 상품군별 통제 속성(방수, 재생시간, 펄프 종류 등)이다. 먼저, 처치군(G1~G4)별로 표본을 분리하여 각 효용계수( )를 독립 추 정하고 이를 나란히 비교하여 처치군 간 계수의 방향과 크기의 유사성을 기술적으로 확인 한다. <표 C-4> 처치군간 효용계수 이질성 분석(Wald 검정) 상품군 속성 χ2 통계량 자유도 p 값 블루투스 스피커 가격(만원) 2.262 3 0.520 별점 3.089 3 0.378 리뷰 수 2.905 3 0.407 비타민C 가격(만원) 4.302 3 0.231 별점 1.473 3 0.689 리뷰 수 8.993** 3 0.029 롤화장지 가격(만원) 1.230 3 0.746 별점 9.088** 3 0.028 리뷰 수 7.110* 3 0.068 주) *** p<0.01, ** p<0.05, * p<0.10 <표 C-4> 처치군간 효용계수 이질성 분석(Wald 검정) 상품군 속성 χ2 통계량 자유도 p 값 블루투스 스피커 가격(만원) 2.22 3 0.520 별점 3.089 3 0.378 리뷰 수 2.905 3 0.407 비 비타 타민 민C 가격(만원) 4.302 3 0.231 별점 1.473 3 0.89 리 리뷰 뷰 수 수 8.993** 3 0.029 롤 롤화 화장 장지 지 가격(만원) 1.230 3 0.74 별 별점 점 9.088** 3 0.028 리 리뷰 뷰 수 수 7.110* 3 0.08 주) *** p<0.01, ** p<0.05, * p<0.10 피험자 가 과업 에서 대안 를 선택할 확률은 McFadden(1974)의 조건부 로짓 (Conditional Logit)모형을 따른다.        exp  ′  exp  ′  여기서 는 대안 의 속성 벡터, 는 선택 집합 내 대안의 수, 는 추정할 효 용계수 벡터이다. 본 분석에서 속성 벡터는 상품군별로 다음과 같이 구성된다.   가격 별점 ln리뷰수      여기서 는 상품군별 통제 속성(방수, 재생시간, 펄프 종류 등)이다. 먼저, 처치군(14)별로 표본을 분리하여 각 효용계수(               )를 독립 추정하고 이를 나란히 비교하여 처치군 간 계수의 방향과 크기의 유사성을 기술 적으로 확인한다. <표 C-4> 처치군간 효용계수 이질성 분석(Wald 검정) 상품군 속성 χ2 통계량 자유도 p 값 블루투스 스피커 가격(만원) 2.22 3 0.520 별점 3.089 3 0.378 리뷰 수 2.905 3 0.407 비 비타 타민 민C 가격(만원) 4.302 3 0.231 별점 1.473 3 0.89 리 리뷰 뷰 수 수 8.993** 3 0.029 롤 롤화 화장 장지 지 가격(만원) 1.230 3 0.74 별 별점 점 9.088** 3 0.028 리 리뷰 뷰 수 수 7.110* 3 0.08 주) *** p<0.01, ** p<0.05, * p<0.10 피험자 가 과업 에서 대안 를 선택할 확률은 McFadden(1974)의 조건부 로짓 (Conditional Logit)모형을 따른다.        exp  ′  exp  ′  여기서 는 대안 의 속성 벡터, 는 선택 집합 내 대안의 수, 는 추정할 효 용계수 벡터이다. 본 분석에서 속성 벡터는 상품군별로 다음과 같이 구성된다.   가격 별점 ln리뷰수      여기서 는 상품군별 통제 속성(방수, 재생시간, 펄프 종류 등)이다. 먼저, 처치군(14)별로 표본을 분리하여 각 효용계수(               )를 독립 추정하고 이를 나란히 비교하여 처치군 간 계수의 방향과 크기의 유사성을 기술 적으로 확인한다. <표 C-4> 처치군간 효용계수 이질성 분석(Wald 검정) 상품군 속성 χ2 통계량 자유도 p 값 루투스 스피커 가격(만원) 2.22 3 0.520 별점 3.089 3 0.378 리뷰 수 2.905 3 0.407 비 비타 타민 민C 가격(만원) 4.302 3 0.231 별점 1.473 3 0.89 리 리뷰 뷰 수 수 8.993** 3 0.029 롤 롤화 화장 장지 지 가격(만원) 1.230 3 0.74 별 별점 점 9.088** 3 0.028 리 리뷰 뷰 수 수 7.110* 3 0.08 *** p<0.01, ** p<0.05, * p<0.10 자 가 과업 에서 대안 를 선택할 확률은 McFadden(1974)의 조건부 로짓 nditional Logit)모형을 따른다.        exp  ′  exp  ′  서 는 대안 의 속성 벡터, 는 선택 집합 내 대안의 수, 는 추정할 효 수 벡터이다. 본 분석에서 속성 벡터는 상품군별로 다음과 같이 구성된다.   가격 별점 ln리뷰수      서 는 상품군별 통제 속성(방수, 재생시간, 펄프 종류 등)이다. , 처치군(14)별로 표본을 분리하여 각 효용계수(               )를 독립 하고 이를 나란히 비교하여 처치군 간 계수의 방향과 크기의 유사성을 기술 로 확인한다.

-- 125 of 136 --

125 부 록 다음으로 전체 표본을 통합하여 속성과 처치군 더미의 상호작용항을 포함한 모형을 추정 한다. G1(통제군)을 기준 범주로 설정하면 주요 속성 s(가격, 별점, 리뷰 수)에 대한 효용 함수는 다음과 같다. 여기서 는 집단 g의 속성 s에 대한 효용계수가 기준 집단 G1과 얼마나 다른지 나타내 는 상호작용항 계수이다. 처치군 간 효용계수의 동질성은 다음의 귀무가설에 대한 Wald 검정으로 평가한다. 다음으로 전체 표본을 통합하여 속성과 처치군 더미의 상호작용항을 포함한 모 형을 추정한다. G1(통제군)을 기준 범주로 설정하면 주요 속성 (가격, 별점, 리 뷰 수)에 대한 효용 함수는 다음과 같다.              ∙   ∙      ′   여기서  는 집단 g의 속성 s에 대한 효용계수가 기준 집단 G1과 얼마나 다른 지 나타내는 상호작용항 계수이다. 처치군 간 효용계수의 동질성은 다음의 귀무 가설에 대한 Wald 검정으로 평가한다.              다음으로 전체 표본을 통합하여 속성과 처치군 더미의 상호작용항을 포함한 모 형을 추정한다. G1(통제군)을 기준 범주로 설정하면 주요 속성 (가격, 별점, 리 뷰 수)에 대한 효용 함수는 다음과 같다.              ∙   ∙      ′   여기서  는 집단 g의 속성 s에 대한 효용계수가 기준 집단 G1과 얼마나 다른 지 나타내는 상호작용항 계수이다. 처치군 간 효용계수의 동질성은 다음의 귀무 가설에 대한 Wald 검정으로 평가한다.              다음으로 전체 표본을 통합하여 속성과 처치군 더미의 상호작용항을 포함한 모 형을 추정한다. G1(통제군)을 기준 범주로 설정하면 주요 속성 (가격, 별점, 리 뷰 수)에 대한 효용 함수는 다음과 같다.              ∙   ∙      ′   여기서  는 집단 g의 속성 s에 대한 효용계수가 기준 집단 G1과 얼마나 다른 지 나타내는 상호작용항 계수이다. 처치군 간 효용계수의 동질성은 다음의 귀무 가설에 대한 Wald 검정으로 평가한다.             

-- 126 of 136 --

126 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 종속변수 설명변수 추정 계수 SE t-stat p N 최대 탐색 페이지 수 post -0.033 0.100 -0.325 0.746 6,144 최대 탐색 페이지 수 post×G2 -0.324** 0.137 -2.360 0.018 6,144 최대 탐색 페이지 수 post×G3 -0.215 0.136 -1.580 0.114 6,144 최대 탐색 페이지 수 post×G4 -0.251** 0.137 -1.830 0.067 6,144 페이지 방문 수 post -0.480*** 0.167 -2.871 0.004 6,144 페이지 방문 수 post×G2 -0.546** 0.239 -2.284 0.022 6,144 페이지 방문 수 post×G3 -0.083 0.230 -0.362 0.717 6,144 페이지 방문 수 post×G4 -0.361 0.268 -1.348 0.178 6,144 스크롤 횟수 post -2.837*** 0.767 -3.701 0.000 6,144 스크롤 횟수 post×G2 -2.020** 1.090 -1.853 0.064 6,144 스크롤 횟수 post×G3 -0.457 1.170 -0.391 0.696 6,144 스크롤 횟수 post×G4 0.708 1.219 0.581 0.561 6,144 총 클릭 수 post -0.757*** 0.289 -2.617 0.009 6,144 총 클릭 수 post×G2 -0.815** 0.425 -1.917 0.055 6,144 총 클릭 수 post×G3 0.094 0.421 0.223 0.824 6,144 총 클릭 수 post×G4 -0.026 0.470 -0.055 0.956 6,144 최하위 클릭 순위 post 1.373 1.074 1.279 0.201 6,132 최하위 클릭 순위 post×G2 -1.956 1.697 -1.152 0.249 6,132 최하위 클릭 순위 post×G3 -2.042 1.745 -1.171 0.242 6,132 최하위 클릭 순위 post×G4 -4.319** 1.977 -2.185 0.029 6,132 정렬 기준 변경 여부 post 0.000 0.013 0.000 1.000 6,144 정렬 기준 변경 여부 post×G2 -0.004 0.018 -0.213 0.832 6,144 정렬 기준 변경 여부 post×G3 -0.012 0.018 -0.642 0.521 6,144 정렬 기준 변경 여부 post×G4 0.008 0.018 0.437 0.662 6,144 필터 적용 여부 post 0.003 0.011 0.246 0.806 6,144 필터 적용 여부 post×G2 0.004 0.015 0.266 0.790 6,144 필터 적용 여부 post×G3 0.008 0.015 0.538 0.590 6,144 필터 적용 여부 post×G4 0.010 0.014 0.736 0.462 6,144 정렬기준 안내 확인 여부 post -0.004 0.010 -0.390 0.696 6,144 정렬기준 안내 확인 여부 post×G2 -0.003 0.015 -0.174 0.862 6,144 정렬기준 안내 확인 여부 post×G3 0.013 0.015 0.845 0.398 6,144 정렬기준 안내 확인 여부 post×G4 0.025 0.014 1.788 0.074 6,144 쇼핑 소요 시간(초) post -107.425 108.242 -0.992 0.321 6,133 쇼핑 소요 시간(초) post×G2 92.679 112.792 0.822 0.411 6,133 쇼핑 소요 시간(초) post×G3 86.187 108.990 0.791 0.429 6,133 쇼핑 소요 시간(초) post×G4 -93.974 218.519 -0.430 0.667 6,133 주) *** p<0.01, ** p<0.05, * p<0.10 / 응답자 단위 클러스터링 표준오차 처치군별 탐색행동 분석(DID) 결과(식 1, 식 4 : 표 4-7, 4-10, 4-11) 부록 D

-- 127 of 136 --

127 부 록 주) 예측값 범위 밖은 yhat이 0보다 작거나 1보다 큰 경우를 말한다. 선형확률모형(LPM) 예측값 범위 진단 결과 부록 E 식 모형 종속변수 yhat 최소값 yhat 최대값 범위 밖 (식 1, 식 4) (표 4-7, 4-10, 4-11) Post + (Post × 처치군) + 처치군 FE + 상품군 FE 정렬 기준 변경 여부 0.201 0.302 0 필터 적용 여부 0.135 0.188 0 정렬기준 안내 확인 여부 0.031 0.082 0 (식 2, 식 5) (표 4-8, 4-12) 처치군 FE + 상품군 FE 자사우대 상품 구매 비율 0.289 0.501 0 (식 3) (표 4-9) 공시 + (공시×Passive) 0.077 0.618 0 (식 6) (표 4-14) R1 정렬변경 + (R1 정렬변경 × 공시) + 처치군 FE + 상품군 FE 0.029 0.620 0

-- 128 of 136 --

128 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 선형확률모형(LPM) 분석 결과 부록 F <표 F-1> LPM 분석 결과(식 2, 식 3 관련) <표 F-2> LPM 분석 결과(식 6 관련) 주) *** p<0.01, ** p<0.05, * p<0.10 / 응답자 단위 클러스터링 표준오차 종속변수 설명변수 추정 계수 SE t-stat p N (식 2) 처치군별 비교(‘탐색 성향’ 미고려) 자사우대 상품 구매율 (표 4-8, 4-12) G2vsG1 0.045* 0.025 1.819 0.069 3,068 G3vsG1 0.026 0.025 1.076 0.282 3,068 G4vsG1 0.042* 0.025 1.682 0.093 3,068 (식 3) 처치군별 비교(‘탐색 성향’ 고려) 자사우대 상품 구매율 (표 4-9) G2 0.070** 0.035 1.999 0.046 3,068 G3 -0.024 0.032 -0.741 0.459 3,068 G4 -0.017 0.034 -0.499 0.618 3,068 G2xPassive -0.038 0.047 -0.814 0.415 3,068 G3xPassive 0.083* 0.045 1.848 0.065 3,068 G4xPassive 0.064 0.046 1.400 0.162 3,068 종속변수 설명변수 추정 계수 SE t-stat p N 자사우대 상품 구 매율 (표 4-14) 공시 클릭 -0.184*** 0.056 -3.279 0.001 1,533 정렬 변경(R1) -0.349*** 0.026 -13.417 0.000 1,533 정렬 변경(R1)×공시클릭 0.155** 0.070 2.228 0.026 1,533 총 효과 -0.028 0.041 -0.679 0.497 1,533 주) *** p<0.01, ** p<0.05, * p<0.10 / 응답자 단위 클러스터링 표준오차

-- 129 of 136 --

129 부 록 Pooled OLS 회귀모형에 대한 강건성 검정 부록 G <표 G-1> 라벨 → 탐색행동 효과 분석 : 강건성 검정(개인 고정효과 모형) (식 1: 표 4-7, 4-10, 4-11) 종속변수 설명변수 추정 계수 SE t-stat p N 최대 탐색 페이지 수 post -0.033 0.100 -0.325 0.746 6,144 최대 탐색 페이지 수 post×G2 -0.324** 0.137 -2.360 0.018 6,144 최대 탐색 페이지 수 post×G3 -0.215 0.136 -1.580 0.114 6,144 최대 탐색 페이지 수 post×G4 -0.251* 0.137 -1.830 0.067 6,144 페이지 방문 수 post -0.480*** 0.167 -2.871 0.004 6,144 페이지 방문 수 post×G2 -0.546** 0.239 -2.284 0.022 6,144 페이지 방문 수 post×G3 -0.083 0.230 -0.362 0.717 6,144 페이지 방문 수 post×G4 -0.361 0.268 -1.348 0.178 6,144 스크롤 횟수 post -2.837*** 0.767 -3.701 0.000 6,144 스크롤 횟수 post×G2 -2.020* 1.090 -1.853 0.064 6,144 스크롤 횟수 post×G3 -0.457 1.170 -0.391 0.696 6,144 스크롤 횟수 post×G4 0.708 1.219 0.581 0.561 6,144 총 클릭 수 post -0.757*** 0.289 -2.617 0.009 6,144 총 클릭 수 post×G2 -0.815* 0.425 -1.917 0.055 6,144 총 클릭 수 post×G3 0.094 0.421 0.223 0.824 6,144 총 클릭 수 post×G4 -0.026 0.470 -0.055 0.956 6,144 최하위 클릭 순위 post 0.111 7.391 0.015 0.988 6,142 최하위 클릭 순위 post×G2 -17.935* 10.298 -1.742 0.082 6,142 최하위 클릭 순위 post×G3 8.284 10.502 0.789 0.430 6,142 최하위 클릭 순위 post×G4 8.508 10.240 0.831 0.406 6,142 정렬 기준 변경 여부 post 0.000 0.013 0.000 1.000 6,144 정렬 기준 변경 여부 post×G2 -0.004 0.018 -0.213 0.832 6,144 정렬 기준 변경 여부 post×G3 -0.012 0.018 -0.642 0.521 6,144 정렬 기준 변경 여부 post×G4 0.008 0.018 0.437 0.662 6,144 필터 적용 여부 post 0.003 0.011 0.246 0.806 6,144 필터 적용 여부 post×G2 0.004 0.015 0.266 0.790 6,144 필터 적용 여부 post×G3 0.008 0.015 0.538 0.590 6,144 필터 적용 여부 post×G4 0.010 0.014 0.736 0.462 6,144 정렬기준 안내 확인 여부 post -0.004 0.010 -0.390 0.696 6,144 정렬기준 안내 확인 여부 post×G2 -0.003 0.015 -0.174 0.862 6,144 정렬기준 안내 확인 여부 post×G3 0.013 0.015 0.845 0.398 6,144 정렬기준 안내 확인 여부 post×G4 0.025* 0.014 1.788 0.074 6,144 쇼핑 소요 시간(초) post -107.425 108.242 -0.992 0.321 6,133 쇼핑 소요 시간(초) post×G2 92.679 112.792 0.822 0.411 6,133 쇼핑 소요 시간(초) post×G3 86.187 108.990 0.791 0.429 6,133 쇼핑 소요 시간(초) post×G4 -93.974 218.519 -0.430 0.667 6,133 주) *** p<0.01, ** p<0.05, * p<0.10

-- 130 of 136 --

130 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 G-2> 라벨 → 자사우대 상품 구매 효과 분석 : 강건성 검정(이상치 제거) (식 4 : 표 4-8, 4-12) <표 G-3> R1 정렬변경 × R2 공시 효과 분석 : 강건성 검정(이상치 제거) (식 5 : 표 4-14) 주) *** p<0.01, ** p<0.05, * p<0.10 / 이상치는 평균±(1.96×표준편차) 범위를 벗어나는 관측치를 해당 범위의 상하한 값으로 대체하여 처리 주) *** p<0.01, ** p<0.05, * p<0.10 / 이상치는 평균±(1.96×표준편차) 범위를 벗어나는 관측치를 해당 범위의 상하한 값으로 대체하여 처리 종속변수 설명변수 추정 계수 SE t-stat p N 자사우대 상품 구매율 post×G2 0.045* 0.025 1.819 0.069 3,068 post×G3 0.026 0.025 1.076 0.282 3,068 post×G4 0.042* 0.025 1.682 0.093 3,068 종속변수 설명변수 추정 계수 SE t-stat p N 자사우대 상품 구 매율 (표 4-14) 공시 클릭 -0.184*** 0.056 -3.279 0.001 1,533 정렬 변경(R1) -0.349*** 0.026 -13.417 0.000 1,533 정렬 변경(R1)×공시클릭 0.155** 0.070 2.228 0.026 1,533 총 효과 -0.028 0.041 -0.679 0.497 1,533

-- 131 of 136 --

131 부 록 만족도 및 인식 조사에 대한 t검정 결과 부록 H <표 H-1> R1 정렬 유지 : 공시 미확인 vs. 확인 독립표본 t검정 <표 H-2> R1 정렬 변경 : 공시 미확인 vs. 확인 독립표본 t검정 <표 H-3> R2 공시 미확인 : 자사우대 구매 vs. 미구매 독립표본 t검정 측정 항목 공시 미확인(a) (n=1,072) 공시 확인(b) (n=74) 평균 차이 (b-a) t-stat p 평균 표준편차 평균 표준편차 구매 만족도 4.076 0.586 3.986 0.712 -0.090 1.259 0.208 랭킹 도움 3.737 0.871 3.284 1.067 -0.453*** 4.263 0.000 랭킹 중립성 3.674 0.800 3.176 0.881 -0.498*** 5.141 0.000 측정 항목 자사우대 미구매(a) (n=796) 자사우대 구매(b) (n=574) 평균 차이 (b-a) t-stat p 평균 표준편차 평균 표준편차 구매 만족도 4.060 0.617 4.105 0.572 0.044 -1.348 0.178 랭킹 도움 3.484 0.963 3.913 0.740 0.429*** -8.945 0.000 랭킹 중립성 3.433 0.867 3.801 0.720 0.368*** -8.309 0.000 주) *** p<0.01, ** p<0.05, * p<0.10 / 표본 : G3, G4 주) *** p<0.01, ** p<0.05, * p<0.10 / 표본 : G3, G4 측정 항목 공시 미확인(a) (n=300) 공시 확인(b) (n=90) 평균 차이 (b-a) t-stat p 평균 표준편차 평균 표준편차 구매 만족도 4.087 0.643 4.089 0.697 0.002 -0.028 0.978 랭킹 도움 3.403 0.961 3.200 1.030 -0.203* 1.731 0.084 랭킹 중립성 3.280 0.855 3.156 0.947 -0.124 1.181 0.238 주) *** p<0.01, ** p<0.05, * p<0.10 / 표본 : G3, G4

-- 132 of 136 --

132 플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 <표 H-4> R2 공시 확인 : 자사우대 구매 vs 미구매 독립표본 t검정 주) *** p<0.01, ** p<0.05, * p<0.10 / 표본 : G3, G4 측정 항목 자사우대 미구매(a) (n=128) 자사우대 구매(b) (n=35) 평균 차이 (b-a) t-stat p 평균 표준편차 평균 표준편차 구매 만족도 4.016 0.721 4.143 0.648 0.127 -0.945 0.346 랭킹 도움 3.000 0.980 4.086 0.818 1.086*** -6.003 0.000 랭킹 중립성 3.008 0.892 3.714 0.789 0.706*** -4.252 0.000

-- 133 of 136 --

-- 134 of 136 --

플랫폼의 알고리즘 기반 자사우대 행위에 관한 소비자 행동 실험 연구 발 행 처 공정거래위원회 발 행 인 위원장 주 병 기 발 행 일 2026년 6월 주 관 부 서 경제분석담당관실 집 필 경제분석담당관 김상현, 사무관 이세주 본 보고서의 내용에 관하여 문의사항이 있으시면 아래로 연락하여 주시기 바랍니다. (우) 30108 세종특별자치시 다솜3로 95 공정거래위원회(2동) Tel. 04-●●●●-4615 / Fax. 04-●●●●-5325 연 구 자 문 카이스트 경영공학부 신은철 교수 발간등록번호 11-1130000-100040-01 인 쇄 처 문중인쇄(주) Tel. 02-●●●-7764 Behavioral Experiment on Algorithmic Self-Preferencing in Digital Platform

-- 135 of 136 --

-- 136 of 136 --