만약 여러분이 "쿼리 팬아웃 (query fan-out)"에 대해 읽고 나서 제품 페이지의 아무것도 변경하지 않은 채 고개를 끄덕이기만 했다면, 이 글은 바로 여러분을 위한 것입니다. 이는 실제 PDP (Product Detail Page, 제품 상세 페이지)에 매핑해 보기 전까지는 추상적인 상태로 남아 있는 유용한 개념입니다. 이제 직접 해봅시다.

팬아웃 (fan-out)의 실제 기계적 작동 방식
누군가가 LLM (Large Language Model, 거대언어모델) 기반의 검색 또는 쇼핑 어시스턴트에게 질문을 던질 때, 시스템은 이를 단일 조회 (lookup)로 처리하는 경우가 거의 없습니다. 시스템은 질문을 여러 개의 하위 쿼리 (sub-queries)로 분해하고, 각 쿼리에 대한 구절 (passages)을 검색한 다음, 찾아낸 정보들을 종합하여 답변을 생성합니다. "150달러 미만의 평발을 위한 최고의 러닝화"라는 질문은 하나의 쿼리가 아닙니다. 이는 네 개에 더 가깝습니다: 평발을 위한 신발 추천, 가격 필터링, 비교 순위 언어, 그리고 어시스턴트가 반품 위험을 줄이려 한다면 아마도 피팅/사이즈 관련 하위 쿼리일 것입니다.

여러분의 PDP는 이 네 가지 하위 쿼리 모두에 대해 독립적으로 평가됩니다. 여러분의 콘텐츠 중 그 어떤 것도 가격이나 피팅 관련 하위 쿼리를 검색 가능한 방식으로 해결하지 못한다면, 제품 설명의 헤드라인이 아무리 잘 작성되어 있더라도 상관없습니다.

자신의 PDP를 예상되는 팬아웃에 매핑해 보기
실제 제품 하나와 그 제품에 대한 실제 고객 질문 하나를 가져와서, 어시스턴트가 하는 방식대로 수동으로 분해해 보십시오. "이 제품은 무엇을 하나요?"와 같은 질문이 아니라, 한 단계 더 깊이 들어가야 합니다. "이 제품이 민감한 피부에 좋은가요? 그리고 레티놀과 함께 사용해도 되나요?"와 같은 고객 질문은 다음과 같이 팬아웃 됩니다: 성분/배합 하위 쿼리, 피부 타입 적합성 하위 쿼리, 그리고 제품 조합/호환성 하위 쿼리.

이제 페이지를 섹션별로 점검해 보십시오. 성분 목록이 단순히 성분 표(ingredient table)로만 되어 있지 않고, 실제로 성분 배합(formulation)의 세부 사항을 산문(prose) 형태로 기술하고 있습니까? 라이프스타일 사진을 통해 암시하는 대신, 피부 타입 적합성(skin-type suitability)을 직접적으로 다루는 문장이 어디에라도 있습니까? 다른 제품 카테고리와의 호환성(compatibility)이 어디에도 언급되어 있지 않거나, 해당 정보가 이 특정 PDP와 함께 어시스턴트가 검색할 가능성이 낮은 완전히 별개의 블로그 포스트에 놓여 있지는 않습니까?

대부분의 PDP는 첫 번째 하위 쿼리(sub-query)는 통과하지만, 나머지 두 개에서는 조용히 실패합니다. 이것은 콘텐츠 품질(content quality)의 문제가 아니라 커버리지(coverage)의 문제입니다. 정보가 사이트 어딘가에는 존재할 수 있습니다. 다만 실제로 평가되고 있는 구절(passage)에 연결되어 있지 않을 뿐입니다.

실행 가능한 구조: 하위 쿼리에 인접하고 독립적인 블록으로 답변하기
해결책은 히어로 설명(hero description)을 다시 쓰는 것이 아닙니다. 페이지 하단에 짧고 직접적인 블록들을 추가하는 것이며, 각 블록은 단일한 발생 가능한 하위 쿼리를 스스로 해결할 수 있도록 구축되어야 합니다:

• 설득적이지 않고 사실을 명확하게 기술하는 배합/사양(formulation/specification) 블록
• 이미지에서 추론하는 것이 아니라 직접적인 주장으로 기술된 적합성(suitability) 블록 ("특정 피부 타입 / 사용 사례에 잘 맞음")
• "이 제품이 z와 함께 사용 가능한가/대신 사용할 수 있는가"라는 질문을 직접적으로 다루는 호환성(compatibility) 또는 비교(comparison) 블록

각 블록은 독립적으로 읽히고 완결성을 갖추어야 합니다. 특정 하위 쿼리에 대해 이 페이지에서 검색된 유일한 구절이 될 수도 있다고 가정하십시오. 점점 더 그렇게 되어가고 있기 때문입니다.

전통적인 온페이지 SEO(on-page SEO)와 다른 점
전통적인 온페이지 최적화는 주로 주제의 커버리지(topical coverage)와 페이지 어딘가에 키워드가 존재하는지에 관심을 둡니다. 팬아웃 커버리지(Fan-out coverage)는 각 별개의 하위 의도(sub-intent)에 대한 구절 수준의 완결성(passage-level completeness)에 관심을 둡니다. 페이지가 첫 번째 모델 하에서는 순위가 높을 수 있지만, 두 번째 모델 하에서는 대부분의 하위 쿼리에서 실패할 수 있습니다. 순위(ranking)는 모든 섹션이 독립적으로 작동할 필요를 요구하지 않지만, 특정 하위 쿼리에 대한 개별적인 질문 검색(question retrieval)을 해결하는 데는 필요하기 때문입니다.

만약 AI 가시성 (AI visibility)을 위해 PDP를 감사 (auditing)하고 있다면, "이 페이지가 해당 주제를 다루고 있는가"라는 질문부터 시작하지 마십시오. 대신 "만약 실제 구매자가 이 제품에 대해 던질 질문들을 분해했을 때, 그 결과로 나오는 모든 하위 쿼리 (sub-query)가 이 페이지 내에 각각 해결 가능한 블록 (resolvable block)을 가지고 있는가"라는 질문부터 시작하십시오. 이는 다른 방식의 감사이며, 일반적으로 표준적인 SEO 콘텐츠 감사 (SEO content audit)가 찾아내는 것과는 다른 격차 (gaps)를 발견하게 됩니다.