FASHION CURATION
OMNI CHANNEL STRATEGY
OFFLINE FOCUSED SERVICE SUGGESTION
IMMS 신경철
탐구 영역 – 패션 서비스 기획
세부 주제 – 온라인/오프라인 데이터 상호 보완을 통한 OMNI CHANNEL 추천시스템 개발
(중고가 백화점 브랜드를 중심으로)
문제 제기 – 1. 온라인은 고객행동데이터가 모두 저장되는 반면, 오프라인은 오로지 구매데이터만 저장
2. 온라인의 고도화되는 추천시스템에 반해, 오프라인 여전히 STAFF의 경험/직관적 판매역량에 의존
3. 오프라인은 잦은 STAFF변경, 학습시스템부재 등으로 SENIOR STAFF 부재시, 급격한 매출 감소 경험
4. 마치 소개팅처럼 첫인상에 좌우되는 PURCHASE DECISION, 고객은 원하는 것을 명확히 제시하는
경우가 거의 없고, STAFF는 정보량이 적은 상태로 짧은 응대시간 내에 만족시켜야 하는 문제
OKR 설정 – “STAFF의 숙련도와 무관하게 데이터 기반 최적의 상품추천을 해줄 수 있다.”
시범운영 오프라인 매장 지정, 대조 집단과 3개월 단위 분기실적 추적
아이패드를 통해 추천시스템 실행하고 접객 후 구매전환율(C.R.), 연결구매율 등을 METRIC으로 평가
개요
패션시장은 반도체 시장의 7배의 달하는 규모에도 IT활용은 뒤처져 있다.
패션은 가장 롱테일이 많이 일어나는 산업군
‘지그재그’에 1주일에 올라오는 상품 수 만해도 7만종 (1년의 책 출판량과 비슷한 량)
같은 영화를 본 사람, 같은 책을 본 사람은 찾기 쉽지만 같은 옷을 입은 사람을 마주친 적??
같은 옷을 입은 사람을 본 적 없다는 건, 그만큼 어려운 COLLABORATIVE FILTERING
더해서 옷은 소재, 패턴, 컬러, 실루엣 등의 특성을 조합하여 설명하는 것도 무척 어렵다
키워드 검색으로 쇼핑 성공한 적?? 역시나 어려운 CONTENTS BASED FILTERING
그렇다면 패션의 추천시스템은 어떻게 발전하고 있을까?
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
1. VISUAL SEARCH & STYLE MATCHING
인식하기 어려운 상품 속성을 정교하게 추출하여 최대한 유사한 이미지를 찾는 것이 목적
색상, 패턴, 모양, 질감 등의 시각적 특징을 추출
합성곱(CNN)에서 업데이트된 GRAPH CNN 모델 제안
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
1. VISUAL SEARCH & STYLE MATCHING ( )
나와 비슷한 연령, 성별, 관심사를 가진 ‘다른 사람‘의 데이터 기반이 아닌
내가 관심있는 상품만을 기반으로 한 서비스, 모든 것이 검색에서 시작
YOU MAY ALSO LIKE → YOU MAY ALSO LIKE
CUSTOMER PURCHASE JOURNEY
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
주로 여기서 원하는 상품 찾지 못해 쇼핑포기
‘콜드스타트(COLD START)’ 문제
원하는 상품을 발견해도 예산내 최선의 선택 위해
상품 비교, 여기도 또 많은 고객이 비교할 상품 찾지 못해 이탈
1. VISUAL SEARCH & STYLE MATCHING ( )
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
주로 여기서 원하는 상품 찾지 못해 쇼핑포기
‘콜드스타트(COLD START)’ 문제
약 1000개 파트너사로부터 얻는 상품정보 기반
이미지 – CNN(합성곱 신경망) 딥러닝
상품설명/리뷰 – NLP(자연어처리)기술
상품속성 AUTO TAGGING, 탁월한 유사상품 서치
원하는 상품을 발견해도 예산내 최선의 선택 위해
상품 비교, 여기도 또 많은 고객이 비교할 상품 찾지 못해 이탈
하루에 1300만 개가 넘는 상품/코디 데이터 수집 및 학습
커스터머의 데모그래픽 정보와 행동 이력이 일부 반영
TAG기반으로 연관성 높은(벡터거리가 가까운) 상품 추천
1. VISUAL SEARCH & STYLE MATCHING ( )
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
2. 어울림, 즉 스타일링 기반 추천 (STITCH FIX)
‘나’에 대한 정보를 최대한 수집하여 콜드스타트 문제를 해결, 행동이 일어나면서
구매이력과 고객피드백 등을 지속 수집, 딥러닝 알고리즘으로 코디 생성 + 휴먼 스타일리스트가 파이널 터치
오프라인 STAFF이 하는 일과 정확히 일치, 단지 DATA SET 크기의 차이
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
2. 어울림, 즉 스타일링 기반 추천 (무신사)
이 경우, 크라우드 소싱(리뷰)기반 DATA SET 확대 방식
다수의 REAL WORLD 사례들로 추천정보의 신뢰도와 정확도는 가장 높은 수준, 하지만 엄밀히 추천은 아님
문제는 결국 다시 무슨 근거로(방법론으로) 추천을 해줄 것인가?
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
여전히 패션 추천은 어렵다. 하지만,
VISUAL SEARCH 기술의 지속적 발전으로
정확도 높은 CONTENTS BASED FILTERING
ZARA, UNIQLO 등의 대량생산 SPA가 생긴 이후 동일 ITEM에 대한 USER수 폭증
개선되는 COLLABORATIVE FILTERING
시작하기 앞서 – 왜 패션에서 추천이 힘들까?
잠시 무신사를 들러서 – 사례 연구 (먼저 갖춰야 할 부분들 점검)
개인적으로 FASHION CURATION 제일 현실적으로 납득되는 방식으로 하는 브랜드
“RANKING” 이라는 추천시스템을 아이코닉화, “상품 속성(features) 분류”에 진심
잠시 무신사를 들러서 – 사례 연구
개요추천 외
개인화 추천 제공
조건부 COLLABORATIVE FILTERING 을 실시간으로
제공 (배치가 얼마 단위일지는,, 물음표)
잠시 무신사를 들러서 – 사례 연구
가장 주목하는 부분은 리뷰데이터 경험을 증폭시켜주는
“내 사이즈“ 항목, 키 / 몸무게 / 스타일 취향
상세페이지 추천 항목은 정석대로
CONTENTS BASED
VISUAL SEARCH
ITEM-ITEM METHOD를 사용(YOU MAY ALSO LIKE)
또 잠시 무신사 – 새로울 것은 없지만 고도화 되어간다
무신사 2.0 시나리오 기반 추천시스템
필터버블 방지 세렌디피티요소 강화
그럼 이제 Theory 현황
오프라인 백화점 매장
판매비중
85%
점대표자, SENIOR STAFF
휴무인 월,화요일 매출비중
15% (2/7=29%)
SENIOR 외 STAFF
평균 교체주기 (정성데이터)
10개월
일평균 매장방문 객수
(정성 데이터)
10팀
제안1
먼저 무신사 수준의 온라인 데이터수집, 추천시스템을 마련해야 한다는 사전 과제
Theory 정도의 고객구매규모에서는 추천시스템 가동이 어렵다
SSF 내에는 넉넉한 고객데이터를 축적하고 있는 8세컨즈가 있다
8세컨즈에는 ‘거의 세상의 모든 옷’이 있기 때문에
(또 거의 모든 연령대의 고객이 있다)
VISUAL SEARCH & STYLE MATCHING으로
Theory 상품들과 연결하여 추천시스템을 가동할 수 있는 고객데이터 확보
제안2
먼저 무신사 수준의 온라인 데이터수집, 추천시스템을 마련해야 한다는 사전 과제
BUT 하나 무신사에서도 빠진 것이 있다면!
“키, 몸무게, 스타일 취향, 그리고 OO” 오프라인에서만 수집이 가능한 OO 데이터
제안2
온라인에 부재한 ‘체형’ 데이터
하지만 구매결정에 너무나도 중요한 FEATURE!
오프라인 매장 STAFF들을 통한 크라우드 소싱
(오프라인 판매비중 85%이상이기에 가능하다고 판단)
1차적으로 구매이력이 있는 고객데이터에 LABELING
(법에 저촉되는 내용일지는,,, 확인 필요)
체형 FEATURE가 추가된 데이터로 머신 러닝 학습하여
추천 모델 업데이트
오프라인 매장에서 추천시스템 알고리즘을 활용하여
방문 고객대상
제안2
제안3 - 번외편
온라인에선
위시리스트
장바구니
구매내역이 모두 로그가 되는데
오프라인에선
구매외엔 정보가 없다, 전체 구매의 85%나 되는데!
피팅룸과 거울앞 특정구역에 RFID인식 센서로 착용횟수(Trial) 카운팅
다시 랙에 걸게 되면 종료되는 액션으로
참고자료
핀터레스트 알고리즘 논문관련
https://www.youtube.com/watch?v=Ax3aYM0vcec
https://www.youtube.com/watch?v=m2U51AXnoC0&list=WL&index=41
무신사 알고리즘 관련 영상
서울대 AI 콜로퀴움, 패션에 AI접목하기(이상구 교수)
그 외 언급된 기업들의 홈페이지 주소는 생략