길어지는 코비드 시대, 소비자들은 이전보다 상당히 많은 시간을 온라인에서 보내고 있으며, 이 중 35%의 소비자들은 일주일에 한 번 이상 패션 관련 정보를 온라인에서 검색하고 있으며, 22%의 소비자들은 앞으로 더욱 적극적으로 온라인에서 패션 정보를 얻을 것이라고 응답했다고 한다.
그렇다면, 이런 잠재 고객들을 패션업계는 어떻게 실제 고객으로 만들고, 온라인 스토어를 재방문하고 충성도 높은 고객으로 거듭나게 할 수 있을까? 혹은 어떻게 고객들의 니즈를 찾아내고, 고객이 관심 가질만한 상품들을 추천하고, 혹은 고객의 성향이나 원하는 바를 신상품 설계 및 디자인에 적용할 수 있을까?
이에 대한 답은 예측 분석에서 찾을 수 있다. 고급통계 및 계량경제 방법론과 다양한 머신러닝 알고리즘을 통해 기업의 문제점 또는 비즈니스 목표에 대한 의미 있는 정보를 제공함으로써 비즈니스의 위험 요소를 줄여주고 의사결정에 도움을 준다. 또한 고객에 대한 이해를 높여줌으로써 고객 맞춤 서비스를 제공하거나 정확도가 높은 추천을 통해 기업이 이익을 창출할 수 있도록 해준다.
Gap은 이러한 구글 애널리틱스와 같은 예측 분석 시스템을 이용해 고객들의 온라인 검색 및 구매 행동을 분석하고, 이 결과를 옴니채널 중심의 플랫폼 비즈니스 개발과 유통망 구축, 맞춤 서비스를 제공하는 검색 및 추천시스템 등의 개발로 이어감으로써 코로나 시대에 패션 전자상거래 분야에서 2위를 차지하는 성과를 얻었다.
비슷한 사례는 미국 패션업계에서 혁신기업으로 불리는 스티치 픽스(Stitch Fix)에서도 찾아볼 수 있다. 스티치 픽스는 인공지능(Artificial Intelligence, AI)기반의 알고리즘과 빅데이터 분석을 통해 고객에게 맞춤형 스타일링 서비스를 제공한다.
이 회사의 가장 큰 경쟁력은 스티치 픽스 고객들의 개인 성향 및 선호도 자료, 과거 판매데이터와 85% 이상의 기존 고객들이 참여한 후기를 기반으로 한 고객데이터의 분석과 이를 통한 알고리즘이다.
기존의 디지털화된 정보를 바탕으로 비즈니스 모델에 최적화된 알고리즘을 통해 패션 트렌드를 예측하고, 재고 효율성을 극대화하며, 고객의 수요 및 니즈를 예측하고 맞춤형 서비스를 제공하는 스티치 픽스의 데이터 기반의 사업모델은 패션업계가 주목할 점이라 할 수 있겠다.
자동화된 추천 서비스와 함께 제공되는 스타일리스트의 큐레이션 서비스는 고객 경험과 만족을 극대화하는 또 다른 핵심 전략이다.
디지털 전환(Digital Transformati on, DT)은 코로나19 상황에도 불구하고 대한민국의 산업 전반에 걸쳐 새로운 패러다임을 촉발하고, 현재의 위기를 극복하고 보다 나은 미래로 나가기 위한 핵심 전략으로 급부상했다.
이런 변화는 패션업계에서도 감지되고 있다. 최근 한국패션산업협회는 산업통상자원부와 관련 학계가 함께 패션 산업의 디지털 전환 전략을 수립하고 추진하기 위한 ‘K패션 디지털 전환 포럼’ 정책협의회를 개최했다.
디지털 전환을 통해 기획부터 유통까지 밸류체인의 프로세스 혁신을 만들 수 있는 전략적인 시스템을 구축하려는 국내 패션 산업의 이러한 노력은 반가운 소식이 아닐 수 없다.
특히 이번 포럼은 패션 산업에서의 AI 역할과 DT를 통해 패션 트렌드를 더욱 정확히 예측하고, 효율적인 자원의 배분 및 관리, 새로운 유통채널의 개발, 소비자의 니즈를 파악하고 충족시킬 수 있게 하는 시스템 구축에 대한 필요성이 강조됐다는 점에서 상당히 주목할 만하다.
하지만 단순히 새로운 기술의 도입이나 기업 정보시스템의 구축만으로 디지털 전환과 혁신을 만들어낼 수는 없다. 그렇다면 우리 패션업계는 어떻게 디지털 전환을 통해 새로운 형태의 고객경험(Customer Experience, CX)을 만들어내고 기업의 에코시스템과 밸류체인, 조직문화의 변화를 통해 디지털 혁신을 이끌어 낼 수 있을까?
세계적인 의류 브랜드인 갭(Gap)의 빅데이터를 이용한 고객 분석 및 예측을 통한 디지털전환 노력(Predicting Consumer Tastes with Big Data at Gap, HBR 2018) 사례를 통해 패션 산업의 DT 전략을 소개해보고자 한다.
1969년 미국 캘리포니아주 샌프란시스코에서 설립된 Gap은 전 세계 글로벌 패션기업으로서 올드 네이비(OLD NAVY), 갭(GAP), 바나나 리퍼블릭(BANANA REPUBLIC), 애슬레타(ATHLETA) 등의 유명 브랜드들을 통해 각각의 패션 분야에서 1위를 차지하고 있으며, 포춘500리스트에서 221위에 선정된 미국의 대표적인 패션기업이다.
그럼에도 급변하는 기업 환경과 패션 트렌드, 낮은 성장률, 다양한 대체브랜드로 인한 산업 내 경쟁 심화, 아마존으로 대표되는 온라인 유통채널의 등장, 기업 내에서 오랫동안 지속되어온 제품 분류(Product Assortment) 문제 등으로 인한 수익률 감소는 2014년 Gap의 새로운 CEO가 된 아트 펙(Art Peck)에게 큰 위협요소로 다가왔다.
소비자의 구매 방식 또한 온라인, 오프라인, 모바일 등 다양한 경로를 통해 상품을 검색하고 구매하는 옴니채널(Omni Channel)이라는 새로운 유통 형태에 맞춰 변화해왔다.
갭과 같은 글로벌 기업에도 빠르게 변하는 고객들의 니즈를 예측하고 차별화된 경험을 제공함으로써 구매행위를 이끌어내는 것은 결코 쉬운 일은 아니다.
이러한 상황에서 아트 펙은 디지털 전환을 기업의 미래 핵심전략으로 내세우고, 이에 맞춘 기업의 비전과 미션의 전환, 각 브랜드의 크리에티브 디랙터의 권한축소 및 조직개편, 빅데이터 구축 및 예측분석을 우선적으로 추진했다.
갭은 기존의 크리에이티브 디렉터가 독자적으로 가지고 있던 브랜드 디자인에 대한 전권을 여러 팀들에게 나누어 주고, 데이터 분석전문가를 고용해 데이터분석에 기반한 의사결정 구조 및 체계를 확립했다.
아트 펙이 CEO가 된 후 가장 먼저 실행한 것 중 하나인 갭 브랜드 수석 디자이너인 패트릭 로빈슨(Patrick Robinson)을 해고한 사례는 아직도 많은 논란이 되고 있다.
이 외에도 데이터마이닝(Data Mini ng)을 이용해 수집한 기업 내외의 빅데이터를 기반으로 예측분석(Predictive Analytics) 시스템을 구축하고 이를 통한 미래 패션 트렌드 분석 및 신제품 개발, 데이터 분석, 의사결정 프로세스 확립 및 제품 분류, 기업의 마케팅믹스 재구성 및 옴니채널에 기반한 유통채널의 개편 등을 추진했다.
또한 구글과 협력해 구글 애널리틱스(Google Analytics)를 이용한 고객 관련 빅데이터 분석을 통해 고객들의 미래 구매 행동 및 취향을 더욱 정확하게 예측하기 위한 시스템을 구축했다.
Gap 의 product 3.0 전략
갭의 프로덕트 3.0 모델(Product 3.0)은 디지털을 기반으로 기업의 새로운 브랜드 비전 수립과 유통, 판매 및 고객 데이터베이스와 소셜미디어 데이터를 통합한 빅데이터를 구축하고, 예측분석과 구글 애널리틱스를 통한 빅데이터 분석으로 고객예측 및 마케팅믹스 전략을 수립하는 것을 골자로 한다.
갭의 프로덕트 3.0 전략의 핵심은 빅데이터 분석이다. 데이터 애널리틱스(Data Analytics)를 이용해 제품의 디자인, 유통, 판매의 전 과정을 통해 실시간으로 취합된 자료를 분석하고, 어떤 제품을 추가 주문하고 어떤 제품을 생산 중단할지 결정한다.
또한 크리에이티브 디렉터의 가장 큰 역할 중 하나였던 다음 시즌에 출시할 새로운 디자인도 빅데이터 분석을 통해 예측되고 결정되며, 그 디자인과 제품은 갭의 각 브랜드 이미지 및 비전에 맞춰 생산되고 출시된다.
빅데이터 분석을 통한 트렌드 예측 및 생산 결정은 공급 및 재고관리의 변화로도 이어졌다. 생산 공장들을 아시아에서 카리브해로 이전하고 제품개발 주기를 8~10주까지 줄였다. 또한 프로덕트 3.0은 고객 판매 데이터에 초점을 맞추었다. 구글의 검색데이터 및 ‘Voice of the Customer’ 프로그램을 통해 고객의 니즈 및 트렌드를 파악하고, 이를 신상품 설계 및 디자인에 적용했다.
이러한 갭의 디지털 전환 노력은 2016년 이후 코로나 상황에서도 순매출액을 5% 상회하는 지속 성장으로 이어졌다. 결국 디지털 기반의 빅데이터 분석을 통한 옴니채널 전략은 플랫폼 비즈니스의 성공으로 이어져 2020년 미국 내 전자상거래 규모 2위를 차지했다.
패션 비즈니스에서 빅데이터 접목을 어렵게 만드는 요소는?
브랜드 상품의 판매와 재고 데이터 분석은 매우 중요한 요소입니다. 하지만 이는 패션업계에서 쉬운 일이 아닙니다. 패션 비즈니스는 한 시즌의 복기를 채 끝마치기도 전에 다음 시즌 루틴이 시작되어 버리는 경우가 많습니다. 때문에 여전히 실무자의 경험과 거시트렌드 분석 자료에 더 의존하게 됩니다.
또한, 구매 고객에 대한 데이터는 어렵지 않게 축적할 수 있으나 브랜드에서 판매하고 있는 상품이라고 하더라도 컬러, 패턴, 하나만 바뀌어도 달라져 버리는 패션 상품의 데이터는 가공에 있어 많은 시간과 인력을 필요로 합니다. 비용을 투입해 사람을 많이 쓴다 하더라도, 저마다 상품 인식 기준이 조금씩 다르기 때문에 완성도 있는 데이터를 축적하기 쉽지 않습니다.
따라서, 패션 비즈니스에 빅데이터를 접목하기 위해서는 실시간 성의 데이터 수집과 처리가 필수적이며, 바로 여기에 인공지능의 역할이 있습니다.
옴니어스 트렌드 AI가 데이터를 읽는 방법
옴니어스의 핵심 인공지능 기술 중 하나는, 상품 이미지에서 속성 정보를 자동으로 추출하는 것입니다. 이러한 기술이 옴니어스에서 분석하는 SNS 인플루언서 데이터, 브랜드 상품 데이터와 결합되었을 때 새로운 시너지를 낳게 됩니다.
고객들이 선호하는 상품별 컬러, 디테일 등의 속성은 어떤 것들이 있는지, 경쟁 브랜드 상품보다 우위 또는 열위에 있는 상품들은 무엇이며, 그 면면은 어떤 것들이 있는지 굳이 사람이 일일이 분류하고 가공하지 않아도 AI가 알아서 이를 자동화해줍니다.
실제로 옴니어스 트렌드는 SNS에 자주 노출되고 마켓에서 판매되는 상품들에 대한 데이터를 실시간으로 분석하고, 이를 13가지 의류 속성으로 세분화하여 분류하고 있습니다. SNS에서 새롭게 등장한 컬러는 무엇인지, 특정 브랜드의 슬랙스 상품의 비중은 전체 팬츠에서 어느 정도인지, 인기 상품 랭킹 중 가장 많은 부분을 차지하는 패딩의 기장은 어떤지 실시간으로 분석할 수 있습니다.
옴니어스는 매주 55만장의 SNS 및 마켓 상품 이미지를 분석합니다.
태거 API를 통해 상품 속성 태그가 자동으로 입력되는 기술을 제공합니다. 판매자들이 정보를 일일이 입력하지 않아도 디테일, 스타일, 기장 등의 디테일한 정보들이 태깅됩니다. 옴니어스에서 제공하는 상품 속성 분류는 13가지 이상입니다. 태거는 판매자, 구매자 모두를 위한 B2B 솔루션입니다. 태거 고객사들은 이 서비스로 검색 효율을 4배 이상, 객단가를 10% 이상 상승하는 성과를 얻었습니다. 또한 운영비용도 90% 이상 절감한 것은 물론입니다. 검색이 간단해지므로 고객들의 만족도도 증가합니다.
더나아가 영상에서도 실시간으로 아이템을 분할해 파악하는 기술을 개발했습니다. 런웨이에 자주 등장하는 공통적인 패턴을 읽어낸다면 패션 트렌드를 파악할 수 있기에 단순 속성정보 입력을 넘어 트렌드 분석까지 AI가 잘할 수 있는 영역이 되고 있습니다.
태거의 트렌드 서비스는 SNS부터 마켓 데이터까지 방대한 정보를 자동으로 분석합니다. SNS 및 경쟁사에서 추출한 데이터를 정리해 정량적인 수치로 제공하고, 인기 아이템이나 프린트 등에 대해서는 인플루언서 포스팅 등의 정성적인 자료를 함께 전합니다. MD, 마케터, 디자이너 등 패션 회사 내부의 다양한 이해 관계자들이 원하는 데이터를 하나로 제공하기에 만족도가 높습니다.
옴니어스는 마켓 트렌드를 만드는 인플루언서 중 약 2만 명의 데이터를 수집하고 있습니다. 이들의 영향력 수준은 물론 관심사나 타깃 연령층, 성별, 활동 지역까지 파악해서 이를 바탕으로 어울리는 브랜드에 매핑하는 작업을 합니다. 그렇게 완성된 인플루언서 맵에서 실시간으로 인플루언서의 패션 사진을 수집해 공통 패턴을 찾아내고, 이 패턴에 주 단위로 순위를 매겨 매주 소비자 중심적인 트렌드 데이터를 빠르게 알려줍니다.
물론, 정성적인 수치로 내용 분석도 가능합니다. 자사 및 경쟁사의 FW/SS 시즌에 어떤 상품군이 얼마나 있는지 수치화해 비교할 수 있습니다. 아이템 종류, 색상 등 다양한 속성을 기준으로 두고 비교해볼 수 있어서 특정 브랜드의 경쟁사 대비 약점을 살피고 나아가야 할 방향을 고민하는 데 필요한 기초자료로 활용할 수 있습니다.