[ Article ]

Journal of Digital Contents Society - Vol. 26, No. 9, pp.2453-2464

ISSN: 1598-2009 (Print) 2287-738X (Online)

Print publication date 30 Sep 2025

Received 14 Aug 2025 Revised 05 Sep 2025 Accepted 11 Sep 2025

DOI: https://doi.org/10.9728/dcs.2025.26.9.2453

옴니보어를 위한 복합장르의 OTT 콘텐츠 기획 전략 연구: 넷플릭스의 AI 추천 시스템을 중심으로

박모라¹ ; 이정현²^{, *}

1동국대학교 영상대학원 영화영상제작학과 박사과정
2동국대학교 영상대학원 영화영상제작학과 연구교수

A Study on Hybrid-Genre OTT Content Development Strategies for Omnivores: Focusing on Netflix’s AI Recommendation System

Mo-Ra Park¹ ; Jung-Hyun Lee²^{, *}

1Doctoral Student, Department of Film and Video Production, Graduate School of Digital Image and Contents, Dongguk University, Seoul 04620, Korea
2Reasearch Professor, Department of Film and Video Production, Graduate School of Digital Image and Contents, Dongguk University, Seoul 04620, Korea

Correspondence to: ^*Jung-Hyun Lee E-mail: amazing9011@naver.com

Copyright ⓒ 2025 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

초록

본 연구는 OTT 플랫폼의 주요 타겟층인 옴니보어를 위해, 넷플릭스의 AI 추천 시스템을 활용한 복합장르 OTT 콘텐츠의 기획 전략을 연구하는 데에 목적이 있다. 글로벌 OTT 플랫폼의 AI 추천 시스템은 이용자의 콘텐츠 선택의 편의를 제공할 뿐만 아니라, 마케팅 도구로도 사용되며, 새로운 콘텐츠를 기획하는데 활용된다. 폭넓은 취향으로 다양한 장르를 소비하는 옴니보어에게 인기가 많은 복합장르 콘텐츠는 이러한 AI 추천 시스템을 통해 흥행 가능성이 극대화되며, 이에 따라 알고리즘 기반의 다양한 복합장르 콘텐츠가 시도되고 있다. 본 연구는 넷플릭스의 AI 추천 시스템과 이를 활용한 복합장르 콘텐츠의 성공 사례를 연구함으로써, 옴니보어를 위한 복합장르 콘텐츠 기획 전략을 도출하였다. 이를 위해 AI 추천 시스템의 알고리즘과 빅데이터의 중요성에 주목하였고, 넷플릭스의 AI 추천 시스템을 통해 알고리즘과 복합장르의 상호관계를 확인함으로써, 창작자와 알고리즘 간의 데이터 기반의 협업을 통한 복합장르 콘텐츠 기획 전략을 제시하였다. 연구결과, 이러한 데이터 기반의 복합장르 기획 전략이 옴니보어의 만족도를 높이며, 글로벌 시장을 위한 K-콘텐츠 산업의 미래성장동력이 될 수 있음을 확인하였다.

Abstract

This study examines planning strategies for hybrid-genre over-the-top (OTT) content aimed at omnivorous viewers, a significant audience segment for OTT platforms, by analyzing Netflix’s AI recommendation system. Such systems not only facilitate user convenience in content selection but also serve as marketing tools and support strategic content development through real-time big data utilization. Hybrid-genre content, highly popular among omnivores with diverse tastes, maximizes its commercial potential via algorithmic optimization, leading to greater experimentation in algorithm-driven productions. This study examines Netflix, the most active adopter of AI recommendation systems, analyzing its algorithms and successful hybrid-genre cases to propose data-driven collaborative strategies between creators and algorithms. The findings demonstrate that these strategies enhance omnivores’ satisfaction and can serve as a sustainable growth engine for the K-content industry in the global market.

Keywords:

AI Curation, Omnivore, Hybrid-Genre, Global OTT Platforms, OTT Content

키워드:

AI 추천시스템, 옴니보어, 복합장르, 글로벌 OTT 플랫폼, OTT 콘텐츠

Ⅰ. 서 론

디지털 미디어 기술의 비약적인 발달은 효율적이고, 효과적인 콘텐츠의 생산과 유통, 배급을 가능하게 했다. 특히 글로벌 OTT 플랫폼의 등장은 국가의 경계를 초월한 스트리밍 서비스를 제공한다. 덕분에 누구나 쉽게 다양한 콘텐츠를 소비할 수 있고, 언제 어디서든 즐길 수 있다. 하지만 디지털 미디어의 확산은 정보 과부하와 콘텐츠 과잉을 불러왔고, 오히려 이용자들은 선택의 피로함을 느끼고 있다. 관련 연구에 따르면 콘텐츠 과부하와 정보의 모호성, 시간 압박 등이 OTT (Over-The-Top) 이용자의 ‘선택 지연’에 유의미한 영향을 주며, 이는 곧 콘텐츠 시청 유보와 OTT 서비스 전환 의도 증가로 이어지는 것으로 나타났다[1]. 글로벌 OTT 플랫폼들은 이를 해결하기 위해 AI(Artificial Intelligence) 알고리즘(Algorithms)과 빅데이터를 기반으로 한 개인화 추천서비스로 이용자의 편의를 제공한다. 이러한 AI 추천 시스템은 이용자들의 취향과 시청 행동 패턴, 트렌드 등을 분석하여, 알고리즘 기반의 빅데이터와 필터링으로 선별한 개인화된 맞춤형 콘텐츠를 추천한다. 덕분에 이용자는 방대한 양의 정보를 일일이 수집하거나 확인하지 않고도 빠르고 쉽게 개인의 취향에 맞는 콘텐츠를 찾아 소비할 수 있다.

이렇게 글로벌 OTT 플랫폼의 이용자들은 전 세계 다양한 콘텐츠로의 접근성이 높아짐으로써 콘텐츠 소비의 폭이 넓어지고, 개인화 추천 시스템을 통해 경험하지 못했던 새로운 취향의 콘텐츠를 접하게 되면서, 다양한 취향으로 여러 장르의 콘텐츠를 소비하는 ‘옴니보어(Omnivore)’가 되어간다. 옴니보어란 잡식성이라는 뜻에서 파생한 사회학적 용어로, 여러 분야에 관심을 갖는, 특정 문화에 얽매이지 않고 폭 넓은 문화 취향을 가진 사람들을 의미한다. 이들은 기존의 인구학적 기준으로 분류된 집단의 특성을 따르지 않고, 자신의 개성과 관심에 따라 차별화된 소비패턴을 보인다[2]. 이렇게 자신만의 취향대로 다양한 장르를 폭넓게 소비하는 옴니보어의 문화 잡식성 경향은 콘텐츠 산업에서도 나타난다. OTT 플랫폼이 이용자의 문화적 취향 폭에 미치는 영향을 분석한 연구에 따르면 OTT 플랫폼의 이용자는 소비하는 장르의 수가 유의미하게 증가하며, TV시리즈 영역에서 평균적으로 약 1.2개 장르를, 영화 영역에서는 약 0.6개 장르를 더 즐기게 되는 효과가 관찰되었다[3]. 이는 OTT 플랫폼의 이용자가 다양한 장르의 콘텐츠를 소비하는 옴니보어로 진화되고 있음을 보여준다. 이러한 옴니보어의 다양한 장르에 대한 욕구는 여러 장르가 합쳐진 복합장르 콘텐츠(Hybrid Genre Content)에 대한 수요의 증가로 이어지고 있다.

이에 본 연구는 OTT 플랫폼의 전략적 타겟층인 옴니보어의 다층적 요구에 맞는 콘텐츠 제작을 위해 이러한 복합장르 콘텐츠 기획의 중요성에 주목하였다. 복합장르 콘텐츠의 경우, 개인의 취향에 맞춰 콘텐츠를 추천하는 AI 추천 시스템을 통해 더 많은 이용자에게 추천됨으로써 이용자의 선택으로 이어질 수 있는 가장 직접적인 노출이 가능하다. 이러한 이유로 본 연구는 옴니보어를 위한 유의미한 타겟팅이 가능하고, 다양한 취향을 만족시킬 수 있는, AI 추천 시스템을 활용한 복합장르로의 OTT 콘텐츠 기획 연구를 목표로 한다. OTT서비스의 AI 추천 시스템에 대한 선행연구들을 살펴보면, 대부분 알고리즘이나 역할, 이용자들의 만족도 및 이용자 경험 개선 등에 이용자를 위한 연구에 집중되어 있다. 김수빈, 반영환은 AI 추천 시스템을 통한 콘텐츠 탐색 과정의 이용자 경험 개선을 위한 연구로 서비스의 지속사용 의도를 높이는 방안을 제시하고 있다. 데이터 기반의 알고리즘이 개인 성향에 맞춘 정보만을 제공하여 한 버블 안에 비슷한 성향의 이용자를 가두는 ‘필터 버블’ 함정에 대한 문제점과 그 해결 방안으로 이용자가 직접 추천 시스템에 참여할 수 있는 방안을 제안했다[4]. 정은주, 윤재영은 OTT서비스의 AI 추천 시스템의 이용 용이성과 맞춤성이 서비스 선호도에 미치는 영향에 대해 연구함으로써, 간편하고 맞춤성 높은 AI 추천 시스템으로의 가이드 라인을 제시하고 있다[5]. 김지현, 하희정, 김서희, 정영욱은 AI 추천 시스템의 이용자 경험을 넷플릭스 사례를 중심으로 연구하였다. 데이터 수집의 불완전한 요소들을 해결하기 위해 이용자가 다양한 선택지를 직접 선택하고 편집함으로써 OTT서비스와 함께 추천 시스템을 정교화해 나가는 것이 필요하다고 보았다[6]. 복합장르에 대한 선행연구는 영화 장르의 연구를 통해 설명하며, 영화 콘텐츠를 하나의 상품으로 본다. 이원희는 영화의 공통적 특성을 설명하는 특정 범주인 장르는 이미 일반적인 패턴을 넘어서는 복합장르화 되고 있으며, 이를 위해 더 복잡한 분석이 필요하다고 보았다. 복합장르는 새로운 장르로 인식되어 더 많은 관심을 끌게 되는데, 마치 제품의 다양성이 증가하면 더 많은 고객의 유입이 가능한 것과 같은 원리로 기업들의 다양성 전략으로 분석한다[7]. 이러한 선행연구들과 같이 이용자 경험과 만족도를 높일 수 있는 서비스 방식에 대한 연구도 중요하지만, 궁극적으로 이용자의 만족도를 높이기 위해서는 이용자가 좋아할 만한 콘텐츠의 기획·제작이 선행되어야 한다. 이를 위해서는 옴니보어적 특성을 가진 이용자들을 위한 다양한 형태의 새로운 복합장르 콘텐츠 기획·제작이 필요하다. 또한, AI 추천 시스템의 정확한 이해를 통해 이를 활용한 기획전략을 연구함으로써, 이용자들이 원하는 흥미롭고 품질 좋은 콘텐츠를 취향껏 선택할 수 있도록 해야 한다. 이러한 논의들을 바탕으로 복합장르 기획 연구를 위한 AI 추천 시스템의 원리와 알고리즘을 연구하고, 이를 통해 경쟁력 있는 OTT 콘텐츠를 기획·제작할 수 있는 전략을 제시하고자 한다.

본 연구는 OTT 플랫폼의 전략적 타겟층인 옴니보어를 위해서는 복합장르 콘텐츠로의 기획이 흥행의 필수 조건이라는 가설을 바탕으로 AI 추천 시스템을 활용하여 복합장르 콘텐츠를 효과적으로 기획할 수 있는 방안을 모색하였다. 이를 위해 국내외 학자들의 문헌연구와 사례분석을 통한 질적 연구방법으로 넷플릭스의 AI 추천 시스템의 알고리즘적 유통 과정과 알고리즘을 통해 흥행에 성공한 복합장르의 사례를 분석함으로써 복합장르 OTT 콘텐츠의 흥행 요인을 연구하였다. 또한, 이용자 특성을 고려한 콘텐츠 기획 방향을 탐구함으로써 옴니보어를 위한 복합장르 콘텐츠를 기획 연구하였고, AI 추천 시스템을 활용한 성공적인 OTT 콘텐츠 기획 전략을 도출하였다. 이를 통해 정확한 이용자 타겟팅과 빅데이터를 기반의 알고리즘을 활용한 OTT 콘텐츠 기획전략을 통해 이용자와 플랫폼, 제작자 간의 상호작용을 통한 공진화를 유도함으로써 지속 가능한 콘텐츠 비즈니스 모델을 만들어 가는데 목적이 있다.

Ⅱ. 옴니보어를 위한 AI 추천 시스템과 복합장르의 이론적 배경

2-1 옴니보어를 위한 AI 추천 시스템과 문화자본론

디지털 미디어 시대의 옴니보어는 폭넓은 콘텐츠 소비성향을 가지고 있으며, 세분화되고 다양한 취향을 가진다. OTT 플랫폼은 이러한 옴니보어들의 복잡한 수요를 만족시키기 위해 AI 알고리즘을 기반으로 한 AI 추천 시스템을 적극 활용한다. AI 알고리즘은 데이터의 흐름을 수집, 정리, 구조화하고, 패턴을 식별하며, 반복 가능한 작업을 자동화한다. 이를 통해 더욱 예측적이고, 반복 가능하며, 정량적으로 검증 가능한 방식으로 정보를 처리하고 결론을 도출해낼 수 있게 한다[8]. 이는 빠르고 정확하게 빅데이터를 분석하고 필터링함으로써 이용자의 만족도를 높이는데 기여한다. AI 추천 시스템은 이용자의 취향과 시청 행동 패턴을 반영한 맞춤형 콘텐츠를 제공하는데, 이때 이용자의 옴니보어적 소비를 촉진한다. 개인화된 맞춤형 추천을 목표로 하는 AI 추천 시스템이, 오히려 이용자에게 다양한 장르의 콘텐츠를 노출시키는 역할을 하게 되면서 새로운 장르로의 탐색을 유도하기 때문이다. 즉, 디지털 환경에서의 AI 추천 시스템은 옴니보어적인 새로운 소비 구조를 창출하며, 이용자의 옴니보어적인 콘텐츠 소비 패턴에 영향을 끼친다.

전통적으로 옴니보어는 고급문화와 대중문화를 가리지 않고 다양한 문화 콘텐츠를 즐기는 계층이나 성향을 의미한다. 이러한 옴니보어의 등장은 문화 소비의 계층적 위계가 약화 되고, 다양성과 개인화가 중요해지는 현대사회의 특징을 반영한다. 특히 물리적·시간적·경제적 장벽을 크게 낮춘 디지털 미디어는 다양한 콘텐츠를 손쉽게 소비할 수 있도록 하며, 알고리즘 기반의 추천 시스템이 취향에 따른 선택 폭을 확대한다[9]. 옴니보어는 리처드 피터슨의 ‘문화적 잡식성(Cultural Omnivorousness)’ 이론에서 나온 것으로, 상류층의 문화 소비 양상이 고급문화뿐만 아니라 대중문화까지 폭넓게 소비하는 형태로 변화하고 있으며, 이렇게 엘리트 계층이 다양한 장르를 소비하는 것은 문화자본을 활용하여 사회적 지위를 재정의하는 방식이라 정의한다[10]. 문화자본(Cultural Capital)은 피에르 부르디외의 문화자본론에서 나온 개념으로 사회적 위치와 계급을 재생산하는 비경제적 자본이다. 이는 개인이 문화적 경험을 통해 습득한 지식, 태도, 취향, 심미적 감수성 등의 형태로 축적되며, 경제 자본과 마찬가지로 사회이동을 가능하게 하는 자산이다[11]. 이렇게 기존의 연구들은 옴니보어를 주로 사회적 지위와 문화자본의 확장 맥락에서 분석하고 있다. 특히, 엘리트 계층의 문화 소비 확장에 관한 연구에 집중하고 있으며, 주로 공연예술과 같은 전통 매체에서의 계층 간 소비 격차 등을 대상으로 한다. 하지만 디지털 미디어기술의 발달로 사회·경제적 자본이 필수였던 고급문화에 대한 접근성이 향상되고, 대중적 장르에 대한 인식도 재정립되면서, 옴니보어의 개념은 폭넓은 취향으로 다양한 장르를 소비하는 이용자로 확장되었다. 또한, 이들이 효율적이고, 효과적으로 디지털 미디어 콘텐츠를 소비하기 위해서는 정보 탐색 능력이나 디지털 리터러시 등 디지털 환경 내에서의 능동적인 선택 능력이 점점 더 중요해지고 있다. 이는 디지털 미디어 시대의 옴니보어를 위한 AI 추천 시스템이 갖는 의미가 매우 크다는 것을 의미한다.

현대사회에서는 전통적인 계급 구분이 아닌, 라이프스타일이나 취향, 콘텐츠 소비 방식 등으로 집단을 구분하기 때문에 문화자본은 결국 개인이나 특정 집단의 취향을 의미하며, 이는 콘텐츠 소비에 중요한 역할을 한다. 그렇기 때문에 이러한 문화자본이라 할 수 있는 이용자의 취향은 옴니보어를 형성하는 핵심 기반이 된다. 이러한 이유로 알고리즘은 이용자 프로필에 반영된 문화자본, 즉 취향을 분석해 강화하거나, 새로운 취향을 형성한다. 디지털 신호로 환원된 문화자본이 알고리즘에 의해 조정되는 것이다. 이때, 문화자본은 맞춤형 추천서비스의 대상이자 수단으로, OTT서비스의 추천 알고리즘이 활용하는 핵심 변수로 활용되며, 개인의 기호, 장르 선호도, 콘텐츠 수용력 등의 데이터로 전환된다. 이러한 문화자본은 AI에 의해 데이터로 축적되고 자동적으로 처리되며, 이용자의 콘텐츠 소비 이력이나 시청 행동 데이터를 바탕으로 문화자본을 코드화하고 분류체계를 형성하여 추천 알고리즘으로 생성된다. 특히, 넷플릭스의 알고리즘은 이용자의 취향을 취향 커뮤니티로 군집화함으로써 취향을 재조합하고 개인화한다. 이를 통해 이용자의 취향을 반영할 뿐만 아니라 반복적으로 특정 범위 내에서 콘텐츠를 제안하고 노출하여, 취향 자체를 구성하고 형성함으로써 알고리즘 기반의 취향을 생산한다. 이렇게 생산된 취향은 인간의 자연스러운 선택이 아니라, 시스템에 의해 지속적으로 측정되고, 분류, 구성, 관리되는 데이터이다. 즉, 넷플릭스는 취향을 ‘데이터’로 전환하여 관리, 조작, 수익화 함으로써 개인화의 정확도를 높이고, 이용자의 만족도를 넘어, 수익을 최대화한다[12]. 이와 같이 OTT 플랫폼의 알고리즘을 기반으로 한 AI 추천 시스템은 이용자가 기존에 경험하지 못했던 다양한 콘텐츠를 접하며 이용자의 문화 콘텐츠 소비 폭을 넓혀, 소비의 다양성을 증가시키는 새로운 방식을 제공함으로써, 다양한 취향을 가진 옴니보어가 되는 경향을 강화한다. 또한 OTT서비스에서의 취향은 이용자 뿐만 아니라 알고리즘, 기업 목표, 콘텐츠 메타데이터 등 다양한 주체의 상호작용으로 결정된다. 이는 옴니보어들의 다양한 취향을 알고리즘이 실질적으로 개입하여 영향을 주는 것을 의미한다. 취향이나 선택의 자유가 이용자에게 있는 것처럼 보이지만, 실제로는 플랫폼 알고리즘과 UI(User Interface) 설계, 비즈니스 목표가 ‘취향 형성·소비 경로’를 적극적으로 유도하기 때문이다. 특히, 옴니보어의 소비 패턴은 플랫폼 알고리즘이 설계한 범위 내에 수렴하고 있기 때문에 다양성의 한계를 가진다. 그럼에도 불구하고, 이용자는 OTT서비스의 추천 기능을 통해 자신이 미처 몰랐던 자신의 취향을 발견하거나, 비슷한 취향을 가진 이들을 통해 추천받은 새로운 장르나 콘텐츠를 통해 취향의 확장이 가능하기때문에 옴니보어에게 만족도 높은 경험을 제공하기에 충분하다.

2-2 복합장르와 선도자 효과

복합장르 콘텐츠는 장르의 경계를 넘어 다양한 장르의 특징을 결합한 콘텐츠 유형으로, 옴니보어의 취향을 효과적으로 충족할 수 있는 콘텐츠 형태이다. 복합장르는 기존의 장르 분류 체계에 명확히 속하지 않지만, 소비자 경험과 감성에 따라 새로운 인식 범주로 자리 잡고 있다. 기존 장르들의 결합은 사실상 새로운 장르의 탄생을 의미하기 때문이다. 복합장르라는 하나의 새로운 콘텐츠 범주의 시작으로, 익숙하지만 낯선 콘텐츠로의 확장으로 신선함을 제공하는 것이다. 카펜터와 나카모토는 선도자 효과(Pioneering Advantage)를 통해 시장에 가장 먼저 진입한 선도자는 새로운 범주에서 핵심 속성을 정의하고 표준화함으로써 소비자의 인지 틀 내에서 우위를 확보할 수 있다고 본다. 이들의 연구에 따르면 소비자들은 제품을 기존의 인지적 분류체계를 통해 해석하며, 이러한 범주는 사회적, 산업적 맥락에서 형성되는데, 소비자는 새로운 범주를 접할 때 범주의 속성을 기준으로 선호를 형성한다[13]. 이와 마찬가지로 콘텐츠 소비자들은 명확한 장르의 정의가 어려운 복합장르의 경우, 새로운 콘텐츠 장르로 받아들이게 된다. 새로운 조합으로 탄생된 복합장르 콘텐츠는 콘텐츠의 시각적 스타일, 정서적 분위기, 서사 구조 등의 핵심 속성을 중심으로 콘텐츠를 판단하게 된다. 이는 새로운 장르나 스타일을 처음 제시한 선도콘텐츠는 새로운 기준점이 되고, 이후 유사 콘텐츠 소비에 영향을 미치게 된다. 즉, 복합장르 콘텐츠는 기존의 장르 기준에 부합하지 않는 범주 외적 존재로서, 소비자의 인지적 판단에 있어 핵심 속성이 더욱 중요한 역할을 하게 되고, 새롭게 탄생되는 각각의 복합장르 콘텐츠가 시장 내에서 새로운 기준점이 될 수 있음을 의미한다. 이에 새로운 복합장르의 탄생은 폭넓은 취향으로 다양한 콘텐츠를 원하는 옴니보어의 관심을 유도할 수 있을 뿐만 아니라, 해당 작품의 존재를 알지 못하더라도 AI 추천 시스템을 통해 더 많은 이용자에게 노출됨으로써, 흥행 확률을 높일 수 있다. AI 추천 시스템은 이용자의 시청 패턴을 분석하고, 다양한 장르의 콘텐츠 중에서 이용자가 가장 좋아할 만한 콘텐츠를 선별하여, 여러 가지 테마의 추천행을 통해 개인화된 추천 콘텐츠를 노출하는데, 이때, 복합된 각 장르를 취향으로 가진 이용자 모두가 대상이 되기 때문이다. 또한, 복합장르는 정해진 규칙이 없고, 콘텐츠의 속성에 따라 무한한 확장이 가능하기 때문에 트렌드나 시대정신을 반영한 다양한 형태의 기획을 통해 소비자들의 선호도를 전략적으로 높이는데 효과적이다.

이러한 이론적 배경을 바탕으로 정리해보자면, 문화자본이 높은 개인은 다양한 장르를 유연하게 소비하며, 이는 옴니보어적 성향과도 밀접하게 연결된다. 특히, 추천 알고리즘은 이용자의 문화자본에 반응하여 개인화된 콘텐츠를 제공하는 역할을 함으로써 옴니보어의 지속적인 사용을 유도한다. 또한, AI 추천 시스템은 이용자 중심으로 복합장르의 세분화된 속성을 분석함으로써 복합장르 소비를 활성화한다. 이로 인해 새롭게 기획되고 있는 다양한 형태의 복합장르는 선도콘텐츠로서 새로운 기준을 정립해나가고, AI 추천 시스템이 초기 소비패턴을 확산시킴으로써 더욱 강화된다. 이는 OTT 플랫폼의 AI 추천 시스템은 더 이상 단순히 이용자의 편의 제공하는 콘텐츠 추천 도구가 아닌, 콘텐츠의 유통과 배급, 그리고 홍보의 역할까지 하고 있는 것을 의미한다. 옴니보어 소비자와 문화자본 기반의 콘텐츠 소비 패턴을 이해하고 주도하는 핵심 전략 기술인 것이다. 이러한 AI 추천 시스템의 알고리즘은 취향을 생산하고 코드화함으로써 OTT플랫폼의 전략이 이용자의 선택에 큰 영향을 끼친다. 또한, 옴니보어적 소비를 더욱 촉진하여 새로운 옴니보어들을 탄생시킨다. 즉, 옴니보어는 알고리즘과 이용자, 기업 전략의 상호작용으로 형성되어가는 결과물이라 할 수 있다. 본 연구는 디지털 미디어 시대에서 확장된 옴니보어는 단순히 다양한 취향을 가진 집단이 아니라, AI 기반 추천 시스템이 만들어낸 구조적 산물로 규정한다는 점에서 기존 연구와의 차별성을 갖는다.

Ⅲ. 넷플릭스의 AI 추천 시스템과 알고리즘 기반의 기획 전략

3-1 넷플릭스 AI 추천 시스템의 가치

넷플릭스는 OTT 플랫폼 중에서 이러한 AI 추천 시스템 서비스를 가장 적극적으로 활용하고 있는 플랫폼으로, 넷플릭스는 자사 서비스를 “1억 명이 넘는 각기 다른 상품”이라고 부르며, 모든 회원에게 개인화된 추천과 썸네일을 제공한다[14]. 넷플릭스의 AI 알고리즘은 비슷한 취향의 이용자 행동을 학습한 협업 필터링과 유사 콘텐츠의 속성을 매칭한 콘텐츠 기반 필터링을 결합하여, 매우 정교한 개인화 추천을 가능하게 한다[15]. 이렇게 정교한 개인 맞춤형 서비스는 이용자들이 추천 시스템을 통해 콘텐츠를 소비하는 것이 익숙해지도록 콘텐츠 소비습관을 바꿔놓았다. 2024년 기준 약 2억 7천만 명의 유료 이용자들이 1,830억 시간의 콘텐츠를 시청하였는데, 이 중 80%의 콘텐츠를 AI 추천 시스템을 통해 선택했을 정도다[16]. 넷플릭스에서 공개한 연구 논문에 따르면, 이러한 추천 서비스는 이용자의 선택 스트레스를 줄여 이탈을 방지하고, 체류 시간과 구독 유지율을 증가시켜 사업성과에 결정적인 영향을 끼치며, 개인화 추천은 롱테일 소비 활성화에 핵심적인 역할을 한다고 본다[17]. 넷플릭스는 이러한 개인맞춤형 AI 추천 시스템을 통해 약 2.3%의 낮은 이탈률로 이용자의 구독 유지율을 향상하며, 다양한 콘텐츠로의 소비를 확대해 나가고 있다. AI 추천 시스템은 이렇게 직접적이고 실질적으로 매출 증대에 기여함으로써 연간 10억달러(USD 1 billion) 이상의 경제적 가치를 창출한다[18]. 이러한 결과는 AI 추천 시스템은 넷플릭스의 핵심 비즈니스 성장 동력이라는 점을 보여주며, 디지털 미디어 서비스 환경에서 AI 추천 시스템이 가지는 영향력이 매우 크다는 점을 시사한다.

3-2 넷플릭스 양자이론

넷플릭스만의 개인맞춤형 추천서비스는 AI 알고리즘과 인간의 지능을 결합한 하이브리드 방식으로 운영된다. 내부적으로는 이를 ‘넷플릭스 양자이론(Netflix Quantum Theory)’이라 한다. 물리학에서 더 이상 쪼갤 수 없는 최소 단위인 ‘양자(Quantum)’를 차용하여, 콘텐츠의 특성을 양자 단위로 분해한다는 뜻이다. 콘텐츠의 정보를 더 이상 쪼갤 수 없는 수준까지 세분화하여 분해하고, 이용자 정보를 수천 개의 취향 공동체로 분류하여, 재조합해 나감으로써 극도로 개인화된 맞춤형 경험을 제공하는 알고리즘 시스템 전체를 의미한다[19]. 이러한 ‘넷플릭스 양자이론’은 콘텐츠를 가장 작은 의미 단위로 세분화해야 진짜 맞춤형 추천 시스템·추천이 가능하며, 이렇게 구축된 시스템은 추천뿐 아니라 콘텐츠 기획·제작까지 혁신적으로 주도할 수 있다는 것을 보여준다.

Fig. 1.

Diagram of Netflix quantum theory

넷플릭스 AI 추천 시스템은 정교한 추천 알고리즘과 방대한 장르 태그 데이터베이스를 활용하고 있다. 알렉시스 마드리갈(Alexis C. Madrigal)이 조사한 바에 따르면, 넷플릭스는 자신들 만의 고유의 공식으로 여러 메타데이터 요소를 조합하여, 76,897개의 장르로 세분화된 ‘알트 장르(Alt-Genres)’라는 마이크로 장르를 생성한다. 이러한 마이크로 장르는 분위기, 내러티브 구조, 인물의 성격, 윤리성, 결말, 배경, 주제, 진행방식 등 세밀한 특성을 모두 태깅한 마이크로 태그(Micro Tag)로 구분된다. 이를 위해 모든 콘텐츠를 체계적으로 분석하는 전문 휴먼 태거들이 작품을 시청하고, 수천 개의 태그를 수작업으로 부여하면서 문화적 뉘앙스와 섬세함까지 함께 태깅하여 이를 데이터화 한다[20]. 넷플릭스는 이용자도 취향과 관심사에 따라 자신들만의 방식으로 분류하는데, 가입할 때 수집하는 이용자 정보뿐만 아니라, 시청 행동 데이터를 지속적으로 반영하여 분석한다. 그렇게 수집된 전 세계 약 2억 7천만 명 이상의 시청자 데이터는 지역적인 구분보다는 2,000여 개의 취향 공동체(Taste Communities)로 분류된다[21]. 그리고 100개 이상의 관심사 카테고리를 17개의 범주로 분류하여 이용자들을 관리한다 [22]. 특히, 기존 인구통계가 아닌 취향 프로필로 시청자를 분류하는데 이때 사용자는 사회적 특성을 잃고, 시청 선호에 기반한 새로운 알고리즘 정체성을 갖게 된다. 미국의 좀비(Zombie) 영화 팬이 과거의 시청 이력과 잘 맞는다면, 그 언어와 무관하게 한국의 좀비 드라마인 <킹덤(Kingdom)>도 추천받을 수 있게 되는 것이다. 이러한 알고리즘을 통한 추천 시스템은 데이터를 통해 예기치 않은 시청자와 콘텐츠를 연결할 수 있다[14]. 이러한 정밀한 콘텐츠 장르 분석과 이용자 취향 분석은 특정 작품이 여러 장르적 성격을 지닐 경우, 다양한 관심사의 시청자 집단에 동시 어필할 수 있게 해준다. 즉, 복합장르 작품은 넷플릭스 알고리즘상의 여러 마이크로장르 카테고리에 동시 속하게 되며, 이는 곧 서로 다른 취향을 가진 잠재 시청자들에게 해당 작품이 노출될 가능성을 높인다.

3-3 넷플릭스 AI 추천 시스템의 알고리즘과 옴니보어

넷플릭스 AI 추천 시스템은 사용자 경험을 만족시켜 나가기 위한 일련의 과정으로, 어떻게 사용자에게 의미 있는 콘텐츠를 제공하는가에 초점을 맞춘 전략적 기획을 통해 진행된다. 방대한 콘텐츠 라이브러리에서 사용자에게 가장 적합한 콘텐츠를 제공하여 서비스 만족도와 이용 지속성을 증대시키는 것을 목표로 한다. 이를 위해 넷플릭스는 자신들만의 체계적인 워크플로우를 구축하고 있다. 각 단계는 실시간 이용자 시청 행동 데이터의 수집, 데이터 전처리 및 특징 추출, 추천 알고리즘 모델링, 추천 후보 콘텐츠 목록 생성, 추천 엔진 계층 다중 알고리즘 병렬 처리, 개인 맞춤형 콘텐츠 순위화 및 후보 추천행 생성, 사용자 인터페이스 개인화 및 추천행 구성, 실시간 피드백을 통한 알고리즘 최적화, 지속적인 알고리즘 업데이트 등의 순서로 진행되며, 이러한 과정이 끊임없이 무한 반복되면서 개인화된 이용자 맞춤형 추천을 효과적으로 실현한다. 이러한 과정들을 통해 콘텐츠와 시청자에 대한 데이터가 쌓이면 쌓일수록 AI 큐레이션은 더욱 정교화되고, 개인화되어 만족도가 더욱 높아진다. 각 이용자들의 개인화된 콘텐츠의 추천 순위는 AI를 활용한 알고리즘을 통해 결정된다. 넷플릭스의 AI 추천 시스템은 여러 개의 알고리즘이 동시에 작동하여 각 사용자의 경험을 개인화하고 최적화할 수 있도록 구성되어 있다. 넷플릭스 추천 시스템의 주요 알고리즘은 머신러닝, 통계모델, 행렬분해(Matrix Factorization) 등 다양한 데이터 분석 기법을 사용한다[17]. 이렇게 다양한 알고리즘이 필터링한 추천 콘텐츠는 이용자가 빠르게 접할 수 있도록 각각의 테마로 구성된 추천 행의 형태로 홈 화면에 바로 노출된다. 추천행들은 각 하나의 알고리즘에 의해 구동되며, 장르를 추천하는 ‘Personalized Video Ranker’, 인기 작품을 추천하는 ‘Top-N Video Ranker’, 최근 인기작을 추천하는 ‘Trending Now Ranker’, 시청하던 콘텐츠를 쉽게 찾을 수 있는 ‘Continue Watching Ranker’, 시청한 콘텐츠와 유사한 콘텐츠를 추천하는 ‘Sims’로 구성된다. 이렇게 생성된 추천행은 ‘Page Generation Algorithms’을 통해 정렬 순서 등이 결정되면서 최적화된 맞춤형 추천페이지에 노출된다. 이러한 주요 추천 알고리즘 이외에 ‘Evidence Selection Algorithms’과 ‘Search Algorithms’이 함께 작동하여 사용자가 특정 콘텐츠를 선택하는데 도움을 준다. ‘Evidence Selection Algorithms’은 각 콘텐츠의 줄거리나 출연진, 수상내역 등의 메타데이터와 이미지 정보 중에서 가장 효과적일 것 같은 정보를 선별하여 노출함으로써 사용자의 관심을 이끌어 낸다. ‘Search Algorithms’은 사용자가 콘텐츠 타이틀과 배우 이름, 장르 등의 정보로 콘텐츠를 검색을 할 때 구동되는 별도의 알고리즘으로, 정보 검색(Information Retrieval) 기술을 활용해 해당 콘텐츠를 찾아 보여준다. 이때 검색에 실패할 경우, 추천 시스템을 활용하여 유사하거나 대체 가능한 추천 콘텐츠를 제안하거나, 입력한 두세 글자의 불완전한 쿼리(Query)를 해당 회원의 취향 정보나 시청 데이터, 검색 데이터, 메타데이터 등을 활용하여 개념을 예측하고 검색어를 추천한다[17].

Table 1.

Main algorithms in the Netflix AI recommender system

이러한 넷플릭스의 다중 알고리즘은 이용자들의 취향과 일치율 높은 콘텐츠를 제공함으로써 이용자의 만족도를 높이고 추천서비스에 대한 신뢰도를 높인다. 심지어 취향과 일치하지 않더라도 우연히 시청하게 된 추천 콘텐츠가 마음에 들 경우, 추천 시스템에 대한 신뢰도는 더욱 높아진다. 이렇게 추천 시스템에 대한 신뢰도가 높아질수록, 이용자의 콘텐츠 시청 방식과 소비습관이 바뀌게 되고, 이는 옴니보어 이용자가 점점 늘어나는 결정적인 이유가 된다. 이용자가 의식적으로 인지하지 못하는 잠재적 취향, 새로운 관심사, 숨겨진 콘텐츠 선호도를 파악한 다음, 더 폭넓고 예측 불가하며 세분화된 개인화 콘텐츠를 추천함으로써, 이전보다 더 다양한 문화적 경험과 새로운 콘텐츠를 접할 수 있기 때문이다. 이용자가 이처럼 다양한 추천을 수용하고 새로운 콘텐츠를 즐기면서 더욱 다채로운 소비패턴이 형성되면 옴니보어의 행동이 점점 강화된다. 이로 인해 알고리즘에 더 풍부한 행동 데이터가 축적된다. 이용자의 탐색적이고 다양한 시청 행동이 늘어날수록 AI 추천 시스템은 더욱 정교하게 맞춤형 추천을 제공한다. 이러한 긍정적 피드백 루프가 만들어지면서 상호 강화적 선순환적 구조가 형성되면, 플랫폼 이용 만족도와 충성도가 높아짐으로써 플랫폼의 경쟁력도 점점 강화된다.

Ⅳ. 옴니보어를 위한 복합장르의 OTT 콘텐츠 기획 전략 연구

4-1 넷플릭스의 AI 알고리즘을 기반으로 한 복합장르 콘텐츠 기획 전략

넷플릭스의 AI 알고리즘은 이용자의 이전 소비 데이터를 분석하여 개인화된 콘텐츠를 제공할 뿐만 아니라, 콘텐츠의 유통과 새로운 콘텐츠의 기획에도 영향을 준다[22]. 넷플릭스는 “우리가 하는 모든 것은 데이터에 기반한다”는 경영 철학을 바탕으로, 사용자 시청 기록, 검색 패턴, 선호 장르 등 세부적인 시청 행태 데이터를 수집·분석하여 콘텐츠 기획·제작을 위한 의사결정에 활용한다[23]. 이는 이용자가 현재 좋아할 만한 콘텐츠를 추천하는 것에 그치는 것이 아니라, 미래에 좋아할 콘텐츠를 예측하기 위해서도 사용되는 것을 의미한다. 넷플릭스의 최고 콘텐츠 책임자(Chief Content Officer)인 테드 사란도스(Ted Sarandos)에 의하면 실제 제작 및 투자 결정은 70%가 창의성, 30%가 이러한 데이터에 근거한다[24]. 넷플릭스는 2억 7천만 구독자의 하루 약 5,000억 건의 행동 로그[25]를 분석하여, 알고리즘을 기반으로 한 오리지널 콘텐츠 기획 전략을 수립한다. 이러한 압도적인 데이터 규모는 넷플릭스의 콘텐츠 기획에 데이터 중심의 알고리즘을 기반으로 한 다양한 전략을 가능하게 하는 토대이다. 이를 통해 광범위하게 인기를 얻을 수 있거나, 틈새시장을 공략할 수 있는 작품을 제작한다. 수만 개의 태그와 시청 데이터로 얻은 방대한 취향 데이터베이스를 토대로 어떤 콘텐츠를 기획·제작할지 결정하는 것이다. 이렇게 넷플릭스의 데이터와 창작의 융합을 통한 AI 알고리즘 기반 콘텐츠 기획은 다른 글로벌 OTT 플랫폼들과의 차별화된 경쟁력을 가진다.

넷플릭스의 알고리즘을 기반으로 한 콘텐츠 전략 중 하나는 복합장르 콘텐츠로의 기획이다. 여러 취향 공동체를 동시에 공략할 수 있는 복합장르 콘텐츠는 알고리즘의 노출 증폭 효과와 맞물려 전례 없는 글로벌 성공을 거두었다. 이러한 이유로 데이터 주도형 복합장르 전략은 기획·제작·마케팅·후속 수익화까지 관통할 수 있도록 진화하고 있다[17]. 넷플릭스 복합장르 콘텐츠의 가장 큰 차별점은 각각의 조합된 요소들이 넷플릭스의 추천 알고리즘과 상호작용하여 전 세계 이용자들에게 추천되며, 여러 팬덤을 동시에 사로잡기 위해 이용자별로 개인화된 맞춤형 장르 태그와 썸네일까지 각각 다른 형태로 제공함으로써 시청자 집단별 호응을 최대한 이끌어낸다[14]. 즉, 넷플릭스는 시청자 취향 데이터를 수집해 복합장르 콘텐츠를 제작하고, 복합장르의 콘텐츠를 세분화한 뒤, 알고리즘으로 이용자의 취향을 분석하여 최대한 많은 이상적 시청자에게 그 콘텐츠를 제공함으로써 콘텐츠 투자 효율성을 극대화하고 있는 것이다.

이러한 알고리즘 기반의 기획 전략은 시청 패턴과 선호도 분석을 통해 투자 위험을 최소화할 수 있다. 알고리즘을 기반으로 한 시청자별 행동 데이터를 통해 제작 전 단계에서부터 흥행 가능성이 높은 작품을 선별하고, 실패 확률이 높은 콘텐츠에 대한 과도한 투자를 방지함으로써 투자 위험을 감소시킨다. 알고리즘을 기반으로 한 데이터 분석은 제작·투자 단계뿐 아니라 마케팅, 편성, 글로벌 배급 전략까지 확장되어, 콘텐츠 생태계 전반의 효율성을 높이고, 변화하는 시청 트렌드와 글로벌 문화 다양성을 포용하는 전략적 기반이 된다. 이는 알고리즘을 기반의 데이터를 활용한 OTT 콘텐츠 기획 전략의 중요성을 시사하며, 이는 흥행을 위한 핵심 전략으로써 기획 단계의 필수적인 요소임을 보여 준다.

4-2 넷플릭스의 복합 장르 OTT 콘텐츠 성공 사례

넷플릭스는 방대한 이용자 데이터와 AI 알고리즘을 통해 시청자들의 선호를 예측함으로써 옴니보어를 위한 복합장르 콘텐츠 전략에 집중하고 있다[26]. 본 연구에서는 넷플릭스의 오리지널 콘텐츠 중에서도 기획 단계에서 알고리즘을 기반으로 복합장르 전략을 수립한 작품 중, 주목할 만한 성과를 낸 세 작품을 선정하여, 각 작품의 성공 요인을 분석하였다. 복합장르의 특성을 뚜렷이 드러내고, 서로 다른 장르의 요소들을 창의적으로 결합하여 옴니보어 시청자의 폭넓은 취향을 공략한 작품인 <오징어 게임(Squid Game)>, <기묘한 이야기(Strager Things)>, <K-POP 데몬 헌터스((K-POP Demon Hunters)>의 성공 사례를 분석하고 복합장르와 알고리즘의 상호작용을 연구함으로써 복합장르가 AI 추천 시스템을 통해 옴니보어 시청자에게 효과적으로 도달하는 메커니즘을 분석하고 종합적인 성공요인을 도출하고자 한다.

1) 넷플릭스 오리지널 시리즈 <오징어 게임>

2021년 공개된 넷플릭스 시리즈 오징어 게임은 서바이벌 스릴러, 사회극, 드라마, 액션 장르를 결합하여 만든 작품으로, 데스 게임(Death Game) 장르의 긴장감과 한국적 소재의 결합으로 전례 없는 글로벌 신드롬을 만들어냈다. 동심의 놀이와 잔혹 서바이벌, 멜로, 드라마적 휴머니티와 날카로운 사회 비판과 계급 풍자 등 다층적이고 이질적인 장르 혼합은 전 세계 다양한 문화권의 시청자들에게 신선하면서도 보편적인 공감을 불러일으켰다. 이 작품은 데이터를 기반으로 제작을 결정한 작품으로 200억 원대 제작비 대비 ‘임팩트 밸류’ 8억9,100만 달러를 예측한 내부 모델이 투자 결정을 빠르게 진행시켰다[27]. 한국 이용자의 서바이벌이나 극단적 경쟁 테마에 대한 선호도가 글로벌 평균 대비 1.8배 높다는 로그데이터가 기획 단계에 반영되었다[28]. 넷플릭스만의 알고리즘과 마케팅을 연동하여 세계적인 흥행에 성공한 작품으로, 공개 3일 차부터 Because You Watched 행렬에 사회비판·스릴러 이용자군을 우선 매칭, 30일 만에 1억 4,200만 가구 도달하는 성과를 이루었다. 또한 바이럴 급상승을 감지한 후 ‘넷플릭스 공식 밈 계정’ 생성·UGC(User Generated Content) 재배포로 소셜 신호를 다시 추천 모델에 주입함으로써 흥행을 극대화했다[28]. 넷플릭스 알고리즘은 이 작품을 국가나 언어에 관계 없이 다양한 취향 그룹에 추천하였는데, 서스펜스 범죄물을 즐긴 이용자들에게 <오징어 게임>을 적극 노출하는 등 <오징어 게임>을 북미권 등에 추천하여 초반 흥행의 시동을 걸었다[29]. 그 결과, <오징어 게임>은 알고리즘을 통한 광범위한 노출과 입소문의 선순환으로 넷플릭스 역사상 가장 많이 시청된 작품으로 남아 있으며, 시즌 1, 2는 현재까지 약 6억 뷰를 기록하였다. 시즌 3은 첫 방영 이후 3일 동안 6천만 뷰 이상을 기록하며 해당 기간 중 가장 높은 데뷔 기록으로 93개국에서 1위를 차지했다[30]. 이는 다양한 취향을 가진 이용자에게 노출된 추천 알고리즘 전략과 복합장르로의 콘텐츠 전략이 맞물려 이룩한 성과라 할 수 있다.

2) 넷플릭스 오리지널 시리즈 <기묘한 이야기>

2016년 첫 공개된 <기묘한 이야기>는 1980년대를 배경으로 SF(Science Fiction), 호러, 미스터리, 성장 드라마 장르를 절묘하게 융합한 시리즈이다. 이 작품은 80년대 대중문화에 대한 향수를 불러일으키는 레트로한 분위기와 음악, 청소년 주인공들의 우정과 모험을 다룬 성장 스토리, 여기에 초자연적 괴물과 정부 음모라는 호러·스릴러 요소를 한데 묶어 세대와 장르를 아우르는 재미를 창출했다. 초기 데이터 시뮬레이션을 통해 투자의사를 결정한 작품으로 기존 1980s-nostalgia 시청 패턴과 SF-호러 태그 교차 분석으로 에피소드당 600만 달러의 투자 의사를 결정했다[31]. 그 결과 <기묘한 이야기>는 넷플릭스의 대표 오리지널 시리즈로 자리 잡아, 시즌 4 공개 시점에는 전 세계 누적 시청 시간 10억 시간을 돌파하며 <오징어 게임>에 이어 역대 2위를 기록하기도 했다[32]. 또한, 연령별 주요 인기 장르인 공포, 우정, SF에 대한 니즈를 통합한 복합장르 내러티브로 2,000개의 취향 커뮤니티 중 900여 개의 커뮤니티에서 1위를 하였다[33]. 이 작품의 성공으로 주연 배우들은 세계적인 스타가 되었고, 알고리즘이 검증한 ‘동시 시청자 겹침’을 근거로 스핀오프, 게임, 공연, 애니메이션 등 IP(Intellectual Property) 확장을 결정하여 팬덤의 큰 호응을 이끌어가고 있다[34]. 이러한 성공은 알고리즘 기반 홍보 전략이 큰 몫을 했다. 넷플릭스만의 정교한 콘텐츠 분석으로 세부 장르의 태그를 여러개로 나누어 달고, 이를 각 취향의 이용자별로 맞춤형 추천을 함으로써, 마치 서로 다른 작품을 발견한 듯한 개인별 경험을 제공했다. SF 스릴러를 즐기는 이용자는 이 시리즈를 과학 판타지로 인지했고, 공포물을 좋아하는 이용자는 괴물 호러로 받아들이면서 각기 다른 취향의 이용자를 하나의 콘텐츠로 이끌었다. 또한 시청자 선호에 따라 다른 홍보 이미지와 설명을 노출하여 작품의 다양한 측면을 강조함으로써 호기심을 자극했다. 챔버형(Chamber) 썸네일과 태그 실험으로 같은 작품을 공포 취향 이용자에게는 엘의 클로즈업, 다큐 선호층에는 호퍼 경찰서장 이미지를 노출해 클릭률이 20% 증가했다[33]. 이처럼 세분화된 마케팅 메시지는 이용자 각자의 취향에 최적화하여 전달함으로써 빠른 입소문과 구전 효과를 유발했다. 이렇게 처음부터 히트를 노리고 기획된 <기묘한 이야기>는 복합장르 콘텐츠에 빅데이터 분석과 알고리즘 마케팅을 접목한 대표적인 성공한 사례이다. 이는 데이터에 기반하여 다수의 시청자층이 원하는 요소를 포함한 기획전략의 성공 가능성이 높다는 것을 의미한다.

3) 넷플릭스 애니메이션 영화 <K-POP 데몬헌터스>

2025년에 공개된 <K-POP 데몬헌터스>는 세계적인 인기를 얻고 있는 K-POP과 슈퍼히어로의 액션, 오컬트 판타지 장르를 융합한 복합장르 뮤지컬 애니메이션이다. 아이돌과 슈퍼 히어로의 신화적 결합을 통해 K-POP·애니메이션·판타지의 동시 소비층을 정밀하게 타게팅 하여 기획한 작품으로[35], 복합장르의 특성에 따라 K-POP 팬, 애니메이션·게임 팬, 가족 단위 시청자 등 서로 다른 관심사를 지닌 글로벌 옴니보어 층의 폭발적인 관심을 끌었다. 특히, 알고리즘이 음악 데이터를 시청 전환으로 재활용하는 방식으로 마케팅을 진행하였다. OST(Original Sound Track)를 선공개하여 스포티파이 차트 상위 진입 후 음악을 사전에 청취한 이용자의 홈화면에 작품의 노출을 3.2배 확대하는 방식으로, 관심도 높은 이용자에게 적극적으로 알림으로써 마케팅의 효과를 극대화했다[36]. 그 결과, 이 영화는 공개되자마자 단 3일 만에 비영어권 애니메이션 최초로 전 세계 영화 부문 1위에 올랐다[37]. 개봉 첫 4주 동안 8,030만 가구 시청이라는 성과로 이전 기록을 앞지르고 있으며, OST로 삽입된 세 곡의 K-팝 넘버는 빌보드 글로벌 차트 Top 10에 진입하는 성과를 냈다[38]. 이는 억지로 보편 취향을 노리기보다 특정 팬덤과 장르의 매력을 극대화하는 기획 전략이 통한 것으로, 독창적이고 새로운 복합장르 실험이 성공하기 위해 타겟층에 대한 뚜렷한 정의와 그들의 니즈를 정확히 파악하고 접근하였다. 또한, 사전 후킹 전략과 이를 이용한 데이터를 바탕으로 알고리즘을 전략적으로 활용함으로써 광범위한 초기 확산에 성공할 수 있었다. 이는 알고리즘을 기반으로 콘텐츠를 기획할 때, 마케팅 전략도 함께 기획함으로써 흥행을 이끌어 갈 수 있음을 의미한다.

본 연구 사례들을 종합하면, 세 작품은 모두 빅데이터를 기반으로 각기 다른 복합장르의 콘텐츠로 기획하였으며, 알고리즘을 활용하여 옴니보어 이용자들에게 전략적으로 마케팅함으로써 글로벌 시장에서 폭넓은 시청층을 확보하였다. 이는 복합장르 콘텐츠가 얼마나 폭넓은 취향 교집합을 만들어 낼 수 있는지, 그리고 알고리즘으로 이용자의 시청 참여를 극대화 할 수 있는지를 잘 보여준다. 또한, 복합장르 서사구조와 넷플릭스의 알고리즘은 상호보완적으로 작용하며 현대의 옴니보어 시청자를 효과적으로 공략하고 있음을 알 수 있다. 다층적 매력을 지니는 복합장르의 서사구조는 서로 다른 취향을 가진 다양한 시청자 집단을 유입시키고, 이용자 시청행동패턴을 기반으로 한 알고리즘은 장르 혼합의 위험을 정량화하여 투자의 허들을 낮춤으로써 소수의 취향을 다수 시장으로 확장하기 때문이다.

4-3 AI 추천 시스템을 활용한 복합장르의 기획 전략 연구

본 연구에서 분석한 사례를 통해 확인했듯이, 복합장르는 단순히 장르의 결합이 아닌 알고리즘의 전략적 설계를 통한 새로운 장르의 탄생이다. 이러한 복합장르 콘텐츠로의 기획이 성공적인 결과를 얻기 위해서는 AI 추천 시스템을 적극 활용해야 한다. 콘텐츠와 이용자의 빅데이터를 기반으로 한 알고리즘을 통해 시행착오를 줄이고, 투자 위험도를 낮추는 것이다. 이를 위한 첫 번째 기획 전략은 특정 지역, 연령, 취향 클러스터에서 어떤 장르의 조합이 참여도가 높은지 이용자들의 취향을 데이터로 확인하고 이를 참고하여 복합장르의 콘텐츠로 기획하는 것이다. 알고리즘을 통해 수집한 빅데이터는 취향뿐만 아니라 트렌드, 라이프스타일 등 다양한 형태의 사회문화적 현상과 시장의 상황을 읽어낼 수 있게 도와주며, 이를 이용하여 미래를 예측할 수도 있다. 이는 시장 상황 파악을 위해서도 중요하지만, 이를 통해 미처 생각하지 못했던 새로운 창작의 영감을 받을 수 있다는 점에서 더 유의미하다. 이용자들이 선호하는 장르들을 파악하여, 이를 새롭게 조합해 나감으로써 새로운 복합장르로의 확장이 이용자 취향의 확장으로 이어진다.

두 번째 전략은 장르 태깅의 다층적 설계와 추천을 활용하는 것이다. 기획 단계에서부터 주장르와 보조장르, 감정코드 등의 다층 구조를 미리 정의하고, 각 요소별 시청자 군의 반응 예측 모델을 사전에 개발하여 옴니보어들의 취향에 맞는 기획 전략을 수립한다. 여러 개의 장르 태그로 다중 노출이 가능한 복합장르의 특성을 활용하여, 다양한 태그로 여러 장르의 팬덤을 동시에 타켓팅 하는 것이다.

세 번째는 팬덤이 확실한 장르들의 결합이다. 이러한 전략은 글로벌 시장과 니치 시장을 동시에 공략할 수 있다. 서로 다른 장르의 팬덤을 교차 획득함으로써 잠재 시청자 풀이 넓어지기 때문에, 장르를 융합한 콘텐츠는 개별 장르만으로는 포착하지 못했던 새로운 시장을 창출하거나, 지역적 한계를 넘어 글로벌 화제성을 얻는 데 유리하다. 특히, 다양한 문화권의 시청자들도 복합장르의 신선한 조합에 호기심을 갖기 때문에, OTT 플랫폼 입장에서는 세계 시장을 노린 기획 전략으로도 효용 가치가 있다.

마지막으로 글로벌문화와 로컬문화의 복합장르 전략으로 새로운 장르 콘텐츠들을 개발해 나가야 한다. 다양한 문화권의 시청자와 특정 지역의 고유한 문화를 반영한 글로컬라이제이션 복합장르 전략으로 글로벌 시장에서의 경쟁력을 높일 수 있다. 글로벌 OTT 플랫폼의 경우, 전 세계 시청자를 대상으로 하기 때문에 전 세계 옴니보어 시청자들의 국가, 문화, 연령, 성별을 초월하는 다양한 취향을 동시에 충족할 수 있다. 또한, 이민, 도시화, 젠더, 세대 갈등 등 글로벌 사회에서 통용되는 이슈를 담아내면, 어느 나라 시청자라도 자신의 현실과 연결 지을 수 있다. 즉, 기획 단계에서부터 여러 문화권에서 이해되고 즐길 수 있는 서사와 캐릭터, 소재, 갈등구조를 의도적으로 설계함으로써, 플랫폼의 알고리즘이 각국 시청자에게 맞춤형 태그로 콘텐츠를 분류, 추천하게 되고, 결과적으로 작품이 다양한 국가의 옴니보어 시청자에게 동시다발적으로 노출되어, 콘텐츠 소비로 이어진다.

이처럼 AI 추천 시스템을 활용하여, 이용자의 옴니보어적 특성을 반영한 복합장르 콘텐츠로의 기획 전략은 필수적이다. 더욱 과감하고 전략적인 복합장르 콘텐츠로의 확장을 통해, 시청자의 다양한 니즈를 만족시키고 장기적인 구독자 유지와 경쟁우위를 확보할 수 있다. 또한, OTT 콘텐츠 산업의 창의적 발전과 이용자 만족도 제고를 통한 플랫폼 가치 향상에 실질적인 도움이 된다.

Ⅴ. 결 론

디지털 미디어 시대의 옴니보어 증가는 기술적 변화와 문화적 구조, 사회적 네트워크의 상호작용이 복합적으로 맞물린 결과이다. OTT 플랫폼은 옴니보어 이용자를 확산했지만, 이렇게 늘어난 옴니보어 이용자들의 특성에 맞춰 OTT서비스 또한 진화되면서 공진화하고 있다. 넷플릭스의 알고리즘은 이용자들의 시청 이력을 분석해 숨은 취향을 파악하고, 시청자가 평소 보지 않던 유형의 콘텐츠도 발견할 수 있도록 유도한다. 이를 통해 시청자들은 알고리즘의 안내에 따라 보다 잡식적이고 개방적인 소비 패턴을 갖게 되며, 플랫폼은 이용자당 콘텐츠 소비 시간이 늘어난다. 이러한 다양한 취향과 폭넓은 소비습관을 가진 옴니보어들은 복합장르 콘텐츠를 통해 콘텐츠 소비활동이 극대화 된다. 복합장르 콘텐츠는 옴니보어들이 이전에는 경험하지 못했던 새로운 장르와 참신한 스토리텔링을 발견할 수 있도록 함으로써 더 새로운 장르와 콘텐츠에 대한 욕구를 불러일으킨다. 이를 통해 옴니보어 시청자의 만족도와 구독 지속률을 높이는 데 크게 기여하며, 플랫폼 입장에서는 콘텐츠 소비의 폭과 깊이를 모두 확대하는 효과를 가져온다. 즉, 복합장르의 콘텐츠는 알고리즘을 만나 옴니보어적인 다양한 취향을 확대재생산하고, 플랫폼은 이러한 옴니보어 트렌드를 선도함으로써 자체 생태계를 만들어 가는 것이다. 이렇게 AI 추천 시스템의 알고리즘은 단순한 추천 기술을 넘어, 콘텐츠 기획과 창작, 유통 전반에 걸쳐 데이터와 창의성의 시너지를 극대화 하는 역할을 한다. 창작자는 새로운 콘텐츠의 기획을 위해 알고리즘 데이터를 기반으로 한 시청자 군별 취향 데이터를 통해 인사이트를 도출함으로써 기획과 동시에 흥행 전략을 함께 수립한다. 그리고 창작자의 예술적 감각과 경험적 직관에 더해, 데이터에 기반한 복합장르로의 기획과 세부적인 장르 태깅 및 노출 전략 등의 마케팅 전략을 수립함으로써, 복합장르의 창의성과 흥행성을 동시에 이끌어낸다. 이렇게 알고리즘을 기반으로 한 빅데이터는 창작을 위한 영감의 소재이자, 흥행을 위한 참고자료, 취향 반영을 위한 근거로 사용되며, 알고리즘은 콘텐츠가 이용자들에게 효과적으로 도달되기 위한 도구가 된다. 이러한 AI 추천 시스템은 알고리즘과 복합장르의 상호작용을 통해 더욱 진화하며, 이를 통해, 새롭고 흥미로운 콘텐츠들을 기획하고, 실험적인 시도를 할 수 있는 제작 환경이 조성되고 있다. 이는 향후 OTT 콘텐츠 기획 전략의 방향성이 새로운 복합장르로의 시도와 알고리즘 친화적 설계에 있다는 것을 의미하며, 다양한 복합장르 콘텐츠로의 기획은 지속 가능한 글로벌 슈퍼 IP 창출 및 문화 산업 전반의 혁신을 이끌 원동력이 된다. 이는 성공적인 OTT 콘텐츠의 기획을 위해서는 서사적 창의성과 알고리즘적 감응성을 동시 설계해야 하며, 알고리즘과 복합장르의 상호작용에 대한 연구가 필요함을 방증한다.

본 연구는 이러한 알고리즘과 복합장르의 상호작용을 넷플릭스의 알고리즘 기반 추천 엔진과 복합장르 성공 사례를 통해 분석하고, 세계적인 성공 요인과 옴니보어의 유입 전략을 연구함으로써 옴니보어를 위한 복합장르 콘텐츠로의 기획의 중요성을 확인하고, AI 추천 시스템을 활용한 복합장르 기획 전략을 도출하였다. 본 연구를 통해 옴니보어와 복합장르의 선순환 관계와 디지털 문화 환경의 특성을 확인하면서, 넷플릭스 AI 추천 시스템의 알고리즘이 실제 콘텐츠 기획, 유통, 소비에 미치는 영향을 실증적으로 분석했다는 데 의의가 있다. 특히, AI 추천 시스템의 구동 방식에 대한 문헌 연구와 함께, 창작자의 창의성과 데이터 기반의 기획이 상호작용하는 미래 지향적 콘텐츠 전략의 틀을 제시하였다는 점에서 학술적, 실무적으로 모두 중요한 의미를 가진다. 하지만, 넷플릭스의 AI 추천 시스템과 넷플릭스의 복합장르 콘텐츠에 국한하여 연구가 이루어졌다는 점에서 그 한계가 있다. 향후 연구에서는 타 글로벌 OTT 플랫폼들과 넷플릭스 추천 시스템의 비교 분석을 통해, 플랫폼별 알고리즘의 특징과 콘텐츠 기획 전략의 차별성 및 한계에 대한 연구가 추가적으로 필요하며, 이를 통해, 각 플랫폼 별 옴니보어 시청자를 위한 콘텐츠 기획 전략 연구를 확장해 나감으로써 성공적인 OTT 콘텐츠 기획 전략을 모색해 나가야 한다. K-콘텐츠 산업이 급변하고 있는 OTT 환경에서 옴니보어 이용자의 욕구와 알고리즘의 진화에 대응해 나가려면, 넷플릭스와 같은 글로벌 OTT 플랫폼의 빅데이터와 알고리즘을 활용할 수 있는 콘텐츠 사업자 간의 협업시스템 구축이 필요하다. 본 연구는 이러한 글로벌 OTT 플랫폼과의 협업을 통한 알고리즘 기반의 콘텐츠 기획 전략을 제시함으로써, 향후 글로벌 미디어 시장에서 K-콘텐츠의 지속 가능한 성공과 혁신에 기여하고자 한다.

Acknowledgments

본 연구는 교육부 및 한국연구재단의 4단계 BK21 사업으로 지원된 연구로서, 관계부처에 감사드립니다.

References

H. Kim and J. H. Choi, “An Exploratory Study on the Factors Influencing the Intention to Switch to OTT Services: Focusing on Content Choice Deferral,” Broadcasting & Communacation, Vol. 25, No. 3, pp. 189-228, March 2024. [https://doi.org/10.22876/bnc.2024.25.3.005]
N. D. Kim, 2025 K‑Consumer Trend Insights, Seoul: Miraebooks, 2025.
S. Coavoux and A. Aussant, “The Netflix Omnivore: The Effect of Streaming Platforms on Cultural Diversity and Inequalities,” OSF, pp. 1-57, May 2024. [https://doi.org/10.31235/osf.io/dycwz]
S. B. Kim and Y. H. Pan, “OTT Service Recommendation Content Search Process User Experience Improvement Study,” Design Impact Proceedings, pp. 102-103, November 2022. https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11186792
E. J. Chung and J. Y. Yun, “User Experience Research on OTT(Over the Top) AI Curation Services,” Journal of Basic Design & Art, Vol. 21, No. 6, pp. 565-578, December 2020. [https://doi.org/10.47294/KSBDA.21.6.41]
J. H. Kim, H. J. Ha, S. H. Kim, and Y. W. Jung, “User Experience Analysis of OTT Service Content Recommendation -Focused on Netflix Case,” Journal of Integrated Design Research, Vol. 20, No. 2, pp. 73-87, June 2021. [https://doi.org/10.21195/jidr.2021.20.2.005]
W. H. Lee, “Network of Commodity Category: Social Network Analysis on Movie Genres,” Journal of Product Research, Vol. 38, No. 2, pp. 114-126, January 2020. [https://doi.org/10.36345/kacst.2020.38.2.014]
R. Roy, “Human Curation in an AI World”, IPSOS VIEWS, pp. 1-11, November 2018. https://www.ipsos.com/sites/default/files/2019-01/human_curation_in_an_ai_world.pdf
S. Weingartner, “Digital Omnivores? How Digital Media Reinforce Social Inequalities in Cultural Consumption,” New Media & Society, Vol. 23, No. 11, pp. 3370-3390, 2020. [https://doi.org/10.5167/uzh-190599]
R. A. Peterson and R. M. Kern, “Changing Highbrow Taste: From Snob to Omnivore,” American Sociological Review, Vol. 61, No. 5, pp. 900-907, October 1996. [https://doi.org/10.2307/2096460]
P. Bourdieu, Distinction: A Social Critique of the Judgement of Taste, Cambridge, MA: Harvard University Press, 2002.
Weidemann Tech. How Netflix Used Data Analytics for Launching House of Cards [Internet]. Available: https://weidemann.tech/how-netflix-used-data-analytics-for-launching-house-of-cards/, .
G. S. Carpenter and K. Nakamoto, “Consumer Preference Formation and Pioneering Advantage”, Journal of Marketing Research, Vol. 26, No. 3, pp. 285-298, August 1989. [https://doi.org/10.2307/3172901]
E. Neira, J. Clares-Gavilán, and J. Sánchez-Navarro, “Standing Up to Hollywood: The Netflix Glocal Strategy for Popularising Non-English-Language Series Worldwide,” Profesional de la Informacion, Vol. 32, No. 4, pp. 1-16, July 2023. [https://doi.org/10.3145/epi.2023.jul.09]
USC Viterbi. Netflix’s Recommendation Systems: Entertainment Made for You [Internet]. Available: https://illumin.usc.edu/netflixs-recommendation-systems-entertainment-made-for-you/#:~:text=be%20able%20to%20ignore%20it,font%20colors%2C%20sizes%2C%20and%20placements, .
Psychology Today. Netflix, Behavioral Science, and Personalization [Internet]. Available: https://www.psychologytoday.com/us/blog/emotional-behavior-behavioral-emotions/202408/netflix-behavioral-science-and-personalization, .
C. A. Gomez-Uribe and N. Hunt, “The Netflix Recommender System : Algorithms, Business Value, and Innovation,” ACM Transactions on Management Information Systems (TMIS), Vol. 6, No. 4, pp. 1-19, December 2015. [https://doi.org/10.1145/2843948]
LinkedIn. Netflix’s Billion-Dollar Secret: How Recommendation Systems Fuel Revenue and Innovation [Internet]. Available: https://www.linkedin.com/pulse/netflixs-billion-dollar-secret-how-recommendation-systems-qin-phd-7zece, .
B. Valeria, The Netflix Quantum Theory: Un Approccio sociosemiotico Al Sistema Di Raccomandazione, Master’s Thesis, University of Turin, Torino, Italy, May 2023.
The Atlantic. How Netflix Reverse-Engineered Hollywood [Internet]. Available: https://www.theatlantic.com/technology/archive/2014/01/how-netflix-reverse-engineered-hollywood/282679/, .
Hype Insight. How Netflix’s Personalization Strategy is Rewriting Marketing Principles [Internet]. Available: https://hypeinsight.com/how-netflixs-personalization-strategy-is-rewriting-marketing-principles/, .
D. Beer, Popular Culture and New Media: The Politics of Circulation, London, UK: Palgrave Macmillan, 2013. [https://doi.org/10.1057/9781137270061]
Sparknity. How Does Netflix Use Data to Transform Viewer Experience and Content Creation? [Internet]. Available: https://www.sparknify.com/post/how-does-netflix-use-data-to-transform-viewer-experience-and-content-creation#:~:text=Netflix%20collects%20a%20vast%20amount,improve%20the%20overall%20user%20experience, .
Wired. Reader Poll: Are You Binge-Watching House of Cards? [Internet]. Available: https://www.wired.com/2013/02/house-of-cards-netflix/, .
Netflix TechBlog. Evolution of the Netflix Data Pipeline [Internet]. Available: https://netflixtechblog.com/evolution-of-the-netflix-data-pipeline-da246ca36905, .
Quartz. Netflix’s Algorithm Is Force Feeding International Entertainment into Western TV Diets [Internet]. Available: https://qz.com/2073453/how-netflix-put-squid-game-in-front-of-a-western-audience, .
Bloonberg. Netflix Estimates ‘Squid Game’ Will Be Worth Almost $900 Million [Internet]. Available: https://www.bloomberg.com/news/articles/2021-10-17/squid-game-season-2-series-worth-900-million-to-netflix-so-far, .
The Hollywood Reporter. ‘Squid Game’: Netflix’s Top Exec in Asia Explains the Show’s Huge Global Appeal [Internet]. Available: https://www.hollywoodreporter.com/tv/tv-news/squid-game-secret-to-global-success-1235030008/, .
Tvrev. Netflix and Squid Game: Using Viewership Data to Win the War on Engagement [Internet]. Available: https://www.tvrev.com/news/netflix-and-squid-game-using-viewership-data-to-win-the-war-on-engagement, .
The Straits Times. New Squid Game Season Breaks Netflix Records [Internet]. Available: https://www.straitstimes.com/life/entertainment/new-squid-game-season-breaks-netflix-records, .
Acrotrend. How INSIGHT Drives Stranger Things’ Success [Internet]. Available: https://acrotrend.com/how-insight-drives-stranger-things-success/, .
Fiction Horizon. ‘Stranger Things’ Surges Past 400 Million Viewing Hours in 2025 Ahead of Season 5 [Internet]. Available: https://fictionhorizon.com/stranger-things-surges-past-400-million-viewing-hours-in-2025-ahead-of-season-5/, .
CNET. ‘Stranger Things’ Addict? Here’s How Netflix Sucked You in [Internet]. Available: https://www.cnet.com/culture/entertainment/stranger-things-addict-heres-how-netflix-sucked-you-in/, .
Foxbusiness. Netflix Greenlights ‘Stranger Things’ Spin-off Series to Help Build a Franchise [Internet]. Available: https://www.foxbusiness.com/entertainment/netflix-greenlights-stranger-things-spin-off-series-help-build-franchise, .
Marketing Assistants. Why Is KPop Demon Hunters Dominating Netflix and the Internet? [Internet]. Available: https://marketingassistants.com.au/News-Details?newsId=27&title=Why-is-KPop-Demon-Hunters-Dominating-Netflix-and-the-Internet, .
ZoomBangla News. KPop Demon Hunters Shatters Records: Animated Idols Outchart BTS, BLACKPINK on Spotify [Internet]. Available: https://inews.zoombangla.com/kpop-demon-hunters-spotify-records/, .
The Free Library. ‘KPop Demon Hunters’ Takes World by Storm, Combining K-Pop Energy with Korean Heritage [Internet]. Available: https://www.thefreelibrary.com/%27KPop+Demon+Hunters%27+takes+world+by+storm%2C+combining+K-pop+energy...-a0845132129, .
The Federalist. Why Netflix Hit KPop Demon Hunters Went Viral While Disney’s Elio Flopped [Internet]. Available: https://thefederalist.com/2025/07/29/why-netflix-hit-kpop-demon-hunters-went-viral-while-disneys-elio-flopped/#:~:text=The%20audience%20has%20simply%20taken,on%20Rotten%20Tomatoes%20to%20boot, .

저자소개

박모라(Mo-Ra Park)

2008년：중앙대학교 문과대학 민속학과 (학사)

2025년：동국대학교 영상대학원 영화영상제작학과 (석사)

2025년：동국대학교 영상대학원 영화영상제작학과 (박사과정)

2015년: 52회 대종상영화제 기획팀장

2018년: 장편영화 <하나식당> 기획

2021년: 뉴미디어가면극 <시시딱딱> 총괄 기획

2022년: 미디어아트아이스쇼 G-SHOW <Dragon Flower> 총괄 기획

2023년～2025년: 동국대학교 영상대학원 영화영상제작학과 석사

2025년～현 재: 동국대학교 영상대학원 영화영상제작학과 박사 과정

※관심분야：콘텐츠IP 비즈니스, OTT 콘텐츠 기획프로듀싱, 콘텐츠 프랜차이즈 등

이정현(Jung-Hyun Lee)

2007년：홍익대학교 영어영문학과 (학사)

2023년：동국대학교 일반대학원 영화학박사 (박사)

2018년～2024년: 영상물등급위원회 위원회 위원

※관심분야：영화학. 대중문화. OTT 등

No.	Category	Algorithm Name	Description
1	Recommendation Row	Personalized Video Ranker (PVR)	Ranks the entire catalog (or subsets such as genres) for each user, personalizing the order of content on the homepage and in rows.
2		Top-N Video Ranker	Selects the very best few personalized recommendations for each user, often for “Top Picks for You” rows.
3		Trending Now Ranker	Highlights videos that are currently trending or experiencing spikes in popularity, capturing real-time and seasonal interest.
4		Continue Watching Ranker	Organizes recently viewed titles for each user, predicting which content they want to resume or rewatch.
5		Sims (Video-Video Similarity Algorithms)	Finds and ranks videos similar to a particular title a user has watched; used for “Because You Watched⋯” rows.
6	Recommendation Page	Page Generation: Row Selection and Ranking	Selects and arranges which rows and content appear on each user’s homepage, optimizing for relevance and diversity.
7	Information	Evidence Selection Algorithms	Decide which supporting information (images, synopsis, cast, awards, etc.) to display with each recommendation to persuade engagement.
8	Information	Search Algorithms	Processes user searches for titles, actors, or genres, and recommends content even when exact matches aren’t found.