.svg)
Virtusize 데이터 과학 책임자 Arron Ritchie와의 대화
인공지능(AI)은 전 산업 분야를 변화시키고 있지만, 패션 이커머스에서는 그 중요성이 특히 큽니다. 전자제품이나 서적과 달리 의류는 착용감, 촉감, 개인 스타일 반영 여부 등 미묘한 차이가 있습니다. 이커머스 관리자에게 이러한 세부 사항을 제대로 파악하는 것은 충성 고객 확보와 값비싼 반품 사이의 차이를 만듭니다.
AI가 패션 리테일을 어떻게 변화시키고 있는지 알아보기 위해, 우리는 Virtusize 데이터 과학 책임자 Arron Ritchie를 만났습니다. 이 폭넓은 대화에서 Arron은 AI가 어떻게 발전하고 있는지, 패션 이커머스의 가장 큰 기회와 위험 요소, 그리고 데이터 준비 상태가 성공의 기반이 되는 이유에 대해 이야기합니다.
이커머스에서 AI의 부상
Q: 광범위하게 볼 때, AI의 부상이 이커머스에 어떤 영향을 미친다고 보십니까?
Arron Ritchie: 이커머스에서 AI의 부상은 다른 산업 전반에서 일어나는 현상과 유사합니다. 초기에는 머신러닝이 주로 수요 예측, 창고 최적화, 인력 효율성 같은 운영 업무에 사용되었습니다. 이러한 모델들은 기업이 더 나은 계획을 세우고, 비용을 절감하며, 이전에는 볼 수 없었던 비효율성을 발견할 수 있는 능력을 제공했습니다.
ChatGPT와 같은 대규모 언어 모델(LLM)의 최근 급증은 대화의 방향을 바꾸었습니다. 갑자기 우리는 단순히 예측 모델에 대해 이야기하는 것이 아니라, 인간과 상호작용하고, 텍스트를 생성하며, 심지어 추론을 모방할 수 있는 도구에 대해 이야기하게 되었습니다. 이러한 도구들은 반복적인 작업을 자동화하고, 개인화된 느낌의 마케팅 문구를 생성하며, 과거에는 수많은 인력과 시간이 소요되던 워크플로우에 통합되는 등 흥미로운 새로운 가능성을 열었습니다.
하지만 문제는 기본 LLM이 훌륭한 만능 재주꾼이라는 점입니다. 마치 맥가이버 칼과 같아서 많은 일을 할 수 있지만, 추가 인프라를 구축하지 않으면 특정 한 가지 일에 반드시 뛰어나지는 않습니다. 이러한 인프라는 비용이 들고, 전문 지식이 필요하며, 제대로 구축하는 데 시간이 걸립니다. 따라서 기업의 질문은 "AI를 사용해야 하는가?"가 아니라 "AI가 실제로 나에게 어떤 가치를 더해줄 수 있으며, 내 필요에 맞게 어떻게 조정할 수 있는가?"입니다.
패션 이커머스를 위한 기회
Q: 특히 패션 이커머스 분야에서 가장 큰 기회는 어디에 있다고 보십니까? Arron Ritchie: 패션 이커머스에는 매우 특별한 과제가 있습니다. 바로 오프라인 쇼핑과 온라인 쇼핑 간의 격차를 해소하는 것입니다. 매장에서는 티셔츠를 입어보고, 착용감을 확인하며, 확신을 가지고 결정할 수 있습니다. 온라인에서는 그러한 경험을 할 수 없으며, 이것이 반품률이 높고 소비자들이 구매 전에 자주 망설이는 이유입니다.
Virtusize에서 제공하는 것과 같은 디지털 피팅 솔루션은 문제 해결의 한 가지 방법이지만, 이는 시작에 불과합니다. 모든 쇼핑객은 체형, 선호도, 스타일에 있어 각기 다릅니다. 바로 여기서 개인화가 중요해집니다. 적절한 AI 모델을 사용하면 "당신은 미디엄 사이즈입니다"를 넘어 "이 셔츠는 어깨는 딱 맞지만 가슴 부분은 넉넉할 것입니다"라고 말할 수 있습니다. 이러한 통찰력은 고객의 신뢰를 높이고 온라인 쇼핑을 실제 쇼핑처럼 느끼게 합니다.
일반적인 AI 도구도 검은색 청바지를 구매한 사람에게 더 많은 검은색 제품을 추천하는 것과 같은 어느 정도의 개인화를 할 수 있습니다. 하지만 패션은 더 정교함을 요구합니다. 범용 AI를 패션에 맞게 조정하지 않고 억지로 적용하려 한다면, 토큰을 낭비하거나, 일관성 없는 결과를 얻거나, 고객에게 와닿지 않는 추천을 하게 될 것입니다. 실제 구매 데이터와 사용자 선호도에 기반한 패션 전용 모델이야말로 진정한 기회가 있는 곳입니다.
피팅을 넘어: 개인화와 쇼핑객 여정
Q: 피팅 외에 패션 이커머스 기업들이 AI로 할 수 있는 다른 일은 무엇이 있을까요?
Arron Ritchie: 개인화는 아직 완전히 활용되지 않은 엄청난 잠재력을 가지고 있습니다. 현재 대부분의 브랜드는 고객이 자사 사이트에서 무엇을 하는지만 알고 있습니다. 하지만 쇼핑객들은 고립된 공간에 머물지 않습니다. 그들은 여러 브랜드, 여러 카테고리, 때로는 여러 산업을 넘나들며 쇼핑합니다. 어떤 고객은 한 브랜드에서 재킷을 사고, 다른 브랜드에서 셔츠를, 또 다른 브랜드에서 청바지를 살 수도 있습니다. 하지만 그들이 귀사 사이트에 접속하면 다른 모든 사람과 똑같은 홈페이지를 보게 됩니다.
오프라인 매장에서는 유능한 판매원이 상황을 고려합니다. 만약 고객이 재킷 세 벌을 들고 있는 것을 본다면, 더 많은 재킷을 권하지 않을 것입니다. 대신 그 재킷에 어울리는 바지나 스웨터를 추천할 것입니다. 온라인에서는 이러한 맥락이 부족하며, AI가 이를 되살리는 다리 역할을 합니다.
여러 웹사이트에 걸친 행동을 연관시키거나, 더 넓은 쇼핑 패턴에서 선호도를 추론할 수 있는 도구를 상상해 보세요. 쇼핑객이 버튼업 셔츠를 좋아한다는 것을 알아채고 홈페이지에서 이를 우선적으로 보여주는 시스템. 또는 특정 색상이나 핏에 대한 선호도를 감지하여 그에 맞춰 상품 구성을 조정하는 시스템. 바로 이런 지능이 온라인 쇼핑을 진정으로 개인적인 경험으로 만듭니다.
업계는 아직 그 단계에 도달하지 못했습니다. 일부 브랜드는 챗봇이나 간단한 추천 엔진을 실험하고 있지만, 더 광범위한 데이터를 통합하는 곳은 거의 없습니다. 그 이유 중 일부는 개인 정보 보호 문제이며, 또 다른 일부는 기술적 복잡성 때문입니다. 하지만 나아가야 할 방향은 분명합니다. 피상적인 제안을 넘어선, 더 맥락적이고 브랜드 간 개인화입니다.
내부 효율성: 덜 화려하지만 더 영향력 있는 AI의 측면
Q: 쇼핑객 경험 외에 AI가 이커머스 기업에 제공하는 내부적인 기회는 무엇이 있을까요?
Arron Ritchie: 내부 효율성은 화려하지 않더라도 종종 가장 큰 사업적 영향을 미칩니다. 수요 예측이 완벽한 예시입니다. 도쿄와 런던에 얼마나 많은 티셔츠를 재고로 둘지 예측할 수 있다면, 품절과 과잉 재고를 모두 피할 수 있습니다. 이는 실제로 비용을 절감하는 것입니다.
다른 분야로는 경로 최적화를 통해 배송 비용을 절감할 수 있는 물류, 그리고 AI가 더 효과적인 스케줄링을 돕는 인력 관리가 있습니다. CRM 시스템도 이점을 얻습니다. AI는 인간 팀이 놓칠 수 있는 고객 데이터의 패턴을 식별할 수 있습니다.
문제는 이러한 솔루션들이 헤드라인을 장식하지 못한다는 것입니다. 사람들은 챗봇이나 화려한 LLM이 새롭고 상호작용적이라고 느껴서 흥분합니다. 하지만 ROI(투자 수익률)를 보면 내부 시스템도 마찬가지로 중요합니다. 사실, 고객 대면 AI에만 집중하고 내부적인 측면을 무시한다면, 가치의 절반을 놓치는 것입니다.
데이터 과제
Q: 많은 기업이 AI에 뛰어들고 싶어 하지만, "데이터 준비"가 되어 있지 않다고 느낍니다. 이에 대한 당신의 견해는 어떻습니까?
Arron Ritchie: 데이터가 전부입니다. 깨끗하고 중앙 집중화되어 있으며 신뢰할 수 있는 데이터가 없다면, 모래 위에 집을 짓는 것과 같습니다. AI는 집의 가구와 장식품, 즉 화려한 부분과 같습니다. 하지만 토대는 바로 데이터입니다. 토대가 약하면 집은 무너집니다.
너무 자주 기업들은 데이터를 먼저 정비하지 않고 AI를 구현하려 합니다. 그들은 파편화된 시스템, 중복된 기록, 또는 오래된 데이터베이스를 가지고 있습니다. 그 결과는 저조한 성능과 돈 낭비입니다. AI를 생각하기 전에 먼저 물어봐야 합니다. 우리 데이터의 단일 진실 공급원이 있는가? 깨끗한가? 접근 가능한가?
만약 답이 '아니오'라면, 그것이 바로 시작점입니다. 일부 기업의 경우, 이미 정제된 대규모 데이터셋을 보유한 외부 벤더와 협력하는 것이 합리적입니다. Virtusize는 수백 개의 브랜드에 걸쳐 수년간 구매 및 핏 데이터를 수집해왔습니다. 이를 통해 새로운 기업이 구현하는 데 수년이 걸릴 정확하고 확장 가능한 모델을 구축할 수 있습니다.
Virtusize의 최신 개발 소식
Q: Virtusize는 현재 AI 및 머신러닝 측면에서 무엇에 중점을 두고 있나요?
아론 리치: 저희의 초점은 온라인 쇼핑이 오프라인 매장 쇼핑과 최대한 가깝게 느껴지도록 하는 것입니다. 저희는 항상 사이즈 추천을 제공했지만, 더 깊이 들어가고 싶었습니다. 이제 단순히 "당신은 미디엄 사이즈입니다"라고 말하는 대신, 옷이 어떻게 맞을지 보여줍니다. 어디는 딱 맞고, 어디는 여유로운지 말이죠. 직접 입어보고 "이거다!"라고 느끼는 경험을 재현하는 것입니다.
저희는 최근 머신러닝을 사용하여 신체 데이터와 개인의 핏 선호도 사이의 균형을 더 잘 맞추는 업그레이드된 핏 로직을 출시했습니다. 이전 모델들도 신체 측정값을 훌륭하게 처리했지만, 이 새로운 버전에서는 수년간의 구매 데이터를 학습시켜 카테고리, 브랜드, 스타일에 따라 진정한 "좋은 핏"이 무엇을 의미하는지 이해하도록 했습니다. 이는 사람들이 실제로 옷을 구매하고 착용하는 방식에 대한 더욱 적응적이고 현실적인 접근 방식입니다.
결과는 인상적이었습니다. A/B 테스트에서 저희는 사이즈 추천 정확도 25~40% 향상을 확인했습니다. 이는 더 많은 쇼핑객이 추천 사이즈를 선택하고, 자신감을 가지고 구매하며, 반품하지 않고 소장하는 고객이 늘어났다는 의미입니다. 이는 큰 진전이며, 저희가 데이터 기반을 먼저 마련했기 때문에 가능했습니다.
이커머스 관리자를 위한 실용적인 조언
Q: AI를 시작하려는 이커머스 관리자들에게 추천하는 실행 계획은 무엇인가요?
아론 리치: 첫째, AI가 모든 것을 해결해 줄 것이라는 과장된 주장을 믿지 마십시오. 실질적인 비즈니스 문제점을 해결하는 명확한 사용 사례부터 시작하십시오. 반품이 가장 큰 문제라면 핏 솔루션을 살펴보십시오. 재고 부족이나 과잉 재고로 손실을 초래한다면 수요 예측을 고려해 보세요. 고객 참여도가 낮다면 개인화를 생각해 보세요.
둘째, 직접 구축할지, 아니면 구매할지 결정하십시오. 사내 구축은 장기적인 투자를 할 준비가 되어 있고, 전담 팀과 다년간의 계획이 있을 때만 의미가 있습니다. 대부분의 기업에게 더 현명한 방법은 전문성과 데이터를 이미 갖춘 벤더와 협력하는 것입니다.
셋째, 명확한 성공 지표를 설정하십시오. 단순히 "AI를 도입했습니다"라고 말하는 데 그치지 마십시오. 질문하십시오: 반품을 10% 줄였습니까? 전환율을 5% 높였습니까? 매주 직원 시간을 몇 시간 절약했습니까? 측정할 수 없다면, 정당화할 수 없습니다.
마지막으로, 신중하되 호기심을 가지십시오. AI 분야에는 모든 문제를 해결해 줄 것이라고 약속하는 "만병통치약" 같은 주장이 많습니다. 좋은 파트너는 현실적이고, 한계를 인정하며, 장단점을 설명해 줄 것입니다. 너무 좋게 들린다면, 아마도 사실이 아닐 가능성이 높습니다.
미래 전망
Q: 패션 이커머스에서 AI의 미래에 대해 가장 기대되는 점은 무엇인가요?
아론 리치: 저를 가장 설레게 하는 것은 미지의 것들입니다. 매주 새로운 돌파구가 생겨납니다. 새로운 아키텍처, 새로운 방법, 새로운 가능성들이죠. 그중 일부는 과장된 것도 있겠지만, 결국 하나는 자리 잡고 다음 큰 도약이 될 것입니다.
패션 소매업은 데이터의 임계점에 도달하고 있으며, 이는 다른 산업의 아이디어를 적용하기 시작할 수 있다는 것을 의미합니다. 물류 분야의 수요 예측 방법이나 미디어 플랫폼의 개인화 전략 등이 될 수 있겠죠. 요점은, 이제 실험할 수 있을 만큼 충분한 데이터가 있다는 것이고, 바로 그때 진정한 혁신이 일어난다는 것입니다.
저에게 있어 즐거움은 이러한 새로운 아이디어를 실용적으로 만드는 데 있습니다. 화려한 데모나 만능 도구가 아니라, 반품을 줄이거나, 전환율을 높이거나, 온라인 쇼핑을 매장에 직접 가는 것만큼 쉽게 느끼게 하는 등 쇼핑객과 소매업체의 실제 문제를 해결하는 것이죠.
최종 요점: 지금 바로 취할 수 있는 조치
어디서부터 시작해야 할지 고민하는 이커머스 관리자라면, 여기에 오늘 바로 취할 수 있는 실질적인 단계들이 있습니다.:
- 비즈니스 고충을 점검하세요.
- 반품이 가장 큰 문제인가요? 적합한 해결책을 찾아보세요.
- 재고 관리 부실로 손해를 보고 있나요? 수요 예측 도구를 살펴보세요.
- 고객 참여도가 낮은가요? 개인화에 집중하세요.
- 데이터 준비 상태를 평가하세요.
- 깨끗하고, 중앙 집중화되어 있으며, 활용 가능한 데이터가 있나요?
- 그렇지 않다면, 고급 AI를 쫓기 전에 이것을 해결하는 것을 우선시하세요.
- 작게 시작하고 측정 가능하게 하세요.
- 집중할 하나의 사용 사례를 선택하세요.
- 명확한 성공 지표를 정의하세요(반품 10% 감소, 전환율 5% 증가 등).
- 직접 구축하기 전에 구매하세요.
- 데이터와 전문성을 모두 갖춘 검증된 공급업체와 협력하세요.
- 장기적인 투자를 할 준비가 되어 있다면 사내 팀을 고려하세요.
- 회의적이지만 호기심을 가지세요.
- 모든 것을 해결해 주겠다고 약속하는 과장된 주장은 피하세요.
- 실험하고, 결과를 측정하며, 효과적인 것을 확장하세요.
요약
AI는 만능 해결책은 아니지만, 강력한 도구 모음입니다. 패션 이커머스에서 성공적인 전략은 다음의 균형을 이룹니다. 개인화 와 운영 효율성, 데이터라는 견고한 기반 위에 구축됩니다. Arron Ritchie가 강조하듯이, 가장 현명한 접근 방식은 작게 시작하고, 실용성을 유지하며, 고객과 비즈니스 모두에게 측정 가능한 가치를 제공하는 데 끊임없이 집중하는 것입니다.
Virtusize 데이터 과학 책임자 Arron Ritchie와의 대화
인공지능(AI)은 전 산업 분야를 변화시키고 있지만, 패션 이커머스에서는 그 중요성이 특히 큽니다. 전자제품이나 서적과 달리 의류는 착용감, 촉감, 개인 스타일 반영 여부 등 미묘한 차이가 있습니다. 이커머스 관리자에게 이러한 세부 사항을 제대로 파악하는 것은 충성 고객 확보와 값비싼 반품 사이의 차이를 만듭니다.
AI가 패션 리테일을 어떻게 변화시키고 있는지 알아보기 위해, 우리는 Virtusize 데이터 과학 책임자 Arron Ritchie를 만났습니다. 이 폭넓은 대화에서 Arron은 AI가 어떻게 발전하고 있는지, 패션 이커머스의 가장 큰 기회와 위험 요소, 그리고 데이터 준비 상태가 성공의 기반이 되는 이유에 대해 이야기합니다.
이커머스에서 AI의 부상
Q: 광범위하게 볼 때, AI의 부상이 이커머스에 어떤 영향을 미친다고 보십니까?
Arron Ritchie: 이커머스에서 AI의 부상은 다른 산업 전반에서 일어나는 현상과 유사합니다. 초기에는 머신러닝이 주로 수요 예측, 창고 최적화, 인력 효율성 같은 운영 업무에 사용되었습니다. 이러한 모델들은 기업이 더 나은 계획을 세우고, 비용을 절감하며, 이전에는 볼 수 없었던 비효율성을 발견할 수 있는 능력을 제공했습니다.
ChatGPT와 같은 대규모 언어 모델(LLM)의 최근 급증은 대화의 방향을 바꾸었습니다. 갑자기 우리는 단순히 예측 모델에 대해 이야기하는 것이 아니라, 인간과 상호작용하고, 텍스트를 생성하며, 심지어 추론을 모방할 수 있는 도구에 대해 이야기하게 되었습니다. 이러한 도구들은 반복적인 작업을 자동화하고, 개인화된 느낌의 마케팅 문구를 생성하며, 과거에는 수많은 인력과 시간이 소요되던 워크플로우에 통합되는 등 흥미로운 새로운 가능성을 열었습니다.
하지만 문제는 기본 LLM이 훌륭한 만능 재주꾼이라는 점입니다. 마치 맥가이버 칼과 같아서 많은 일을 할 수 있지만, 추가 인프라를 구축하지 않으면 특정 한 가지 일에 반드시 뛰어나지는 않습니다. 이러한 인프라는 비용이 들고, 전문 지식이 필요하며, 제대로 구축하는 데 시간이 걸립니다. 따라서 기업의 질문은 "AI를 사용해야 하는가?"가 아니라 "AI가 실제로 나에게 어떤 가치를 더해줄 수 있으며, 내 필요에 맞게 어떻게 조정할 수 있는가?"입니다.
패션 이커머스를 위한 기회
Q: 특히 패션 이커머스 분야에서 가장 큰 기회는 어디에 있다고 보십니까? Arron Ritchie: 패션 이커머스에는 매우 특별한 과제가 있습니다. 바로 오프라인 쇼핑과 온라인 쇼핑 간의 격차를 해소하는 것입니다. 매장에서는 티셔츠를 입어보고, 착용감을 확인하며, 확신을 가지고 결정할 수 있습니다. 온라인에서는 그러한 경험을 할 수 없으며, 이것이 반품률이 높고 소비자들이 구매 전에 자주 망설이는 이유입니다.
Virtusize에서 제공하는 것과 같은 디지털 피팅 솔루션은 문제 해결의 한 가지 방법이지만, 이는 시작에 불과합니다. 모든 쇼핑객은 체형, 선호도, 스타일에 있어 각기 다릅니다. 바로 여기서 개인화가 중요해집니다. 적절한 AI 모델을 사용하면 "당신은 미디엄 사이즈입니다"를 넘어 "이 셔츠는 어깨는 딱 맞지만 가슴 부분은 넉넉할 것입니다"라고 말할 수 있습니다. 이러한 통찰력은 고객의 신뢰를 높이고 온라인 쇼핑을 실제 쇼핑처럼 느끼게 합니다.
일반적인 AI 도구도 검은색 청바지를 구매한 사람에게 더 많은 검은색 제품을 추천하는 것과 같은 어느 정도의 개인화를 할 수 있습니다. 하지만 패션은 더 정교함을 요구합니다. 범용 AI를 패션에 맞게 조정하지 않고 억지로 적용하려 한다면, 토큰을 낭비하거나, 일관성 없는 결과를 얻거나, 고객에게 와닿지 않는 추천을 하게 될 것입니다. 실제 구매 데이터와 사용자 선호도에 기반한 패션 전용 모델이야말로 진정한 기회가 있는 곳입니다.
피팅을 넘어: 개인화와 쇼핑객 여정
Q: 피팅 외에 패션 이커머스 기업들이 AI로 할 수 있는 다른 일은 무엇이 있을까요?
Arron Ritchie: 개인화는 아직 완전히 활용되지 않은 엄청난 잠재력을 가지고 있습니다. 현재 대부분의 브랜드는 고객이 자사 사이트에서 무엇을 하는지만 알고 있습니다. 하지만 쇼핑객들은 고립된 공간에 머물지 않습니다. 그들은 여러 브랜드, 여러 카테고리, 때로는 여러 산업을 넘나들며 쇼핑합니다. 어떤 고객은 한 브랜드에서 재킷을 사고, 다른 브랜드에서 셔츠를, 또 다른 브랜드에서 청바지를 살 수도 있습니다. 하지만 그들이 귀사 사이트에 접속하면 다른 모든 사람과 똑같은 홈페이지를 보게 됩니다.
오프라인 매장에서는 유능한 판매원이 상황을 고려합니다. 만약 고객이 재킷 세 벌을 들고 있는 것을 본다면, 더 많은 재킷을 권하지 않을 것입니다. 대신 그 재킷에 어울리는 바지나 스웨터를 추천할 것입니다. 온라인에서는 이러한 맥락이 부족하며, AI가 이를 되살리는 다리 역할을 합니다.
여러 웹사이트에 걸친 행동을 연관시키거나, 더 넓은 쇼핑 패턴에서 선호도를 추론할 수 있는 도구를 상상해 보세요. 쇼핑객이 버튼업 셔츠를 좋아한다는 것을 알아채고 홈페이지에서 이를 우선적으로 보여주는 시스템. 또는 특정 색상이나 핏에 대한 선호도를 감지하여 그에 맞춰 상품 구성을 조정하는 시스템. 바로 이런 지능이 온라인 쇼핑을 진정으로 개인적인 경험으로 만듭니다.
업계는 아직 그 단계에 도달하지 못했습니다. 일부 브랜드는 챗봇이나 간단한 추천 엔진을 실험하고 있지만, 더 광범위한 데이터를 통합하는 곳은 거의 없습니다. 그 이유 중 일부는 개인 정보 보호 문제이며, 또 다른 일부는 기술적 복잡성 때문입니다. 하지만 나아가야 할 방향은 분명합니다. 피상적인 제안을 넘어선, 더 맥락적이고 브랜드 간 개인화입니다.
내부 효율성: 덜 화려하지만 더 영향력 있는 AI의 측면
Q: 쇼핑객 경험 외에 AI가 이커머스 기업에 제공하는 내부적인 기회는 무엇이 있을까요?
Arron Ritchie: 내부 효율성은 화려하지 않더라도 종종 가장 큰 사업적 영향을 미칩니다. 수요 예측이 완벽한 예시입니다. 도쿄와 런던에 얼마나 많은 티셔츠를 재고로 둘지 예측할 수 있다면, 품절과 과잉 재고를 모두 피할 수 있습니다. 이는 실제로 비용을 절감하는 것입니다.
다른 분야로는 경로 최적화를 통해 배송 비용을 절감할 수 있는 물류, 그리고 AI가 더 효과적인 스케줄링을 돕는 인력 관리가 있습니다. CRM 시스템도 이점을 얻습니다. AI는 인간 팀이 놓칠 수 있는 고객 데이터의 패턴을 식별할 수 있습니다.
문제는 이러한 솔루션들이 헤드라인을 장식하지 못한다는 것입니다. 사람들은 챗봇이나 화려한 LLM이 새롭고 상호작용적이라고 느껴서 흥분합니다. 하지만 ROI(투자 수익률)를 보면 내부 시스템도 마찬가지로 중요합니다. 사실, 고객 대면 AI에만 집중하고 내부적인 측면을 무시한다면, 가치의 절반을 놓치는 것입니다.
데이터 과제
Q: 많은 기업이 AI에 뛰어들고 싶어 하지만, "데이터 준비"가 되어 있지 않다고 느낍니다. 이에 대한 당신의 견해는 어떻습니까?
Arron Ritchie: 데이터가 전부입니다. 깨끗하고 중앙 집중화되어 있으며 신뢰할 수 있는 데이터가 없다면, 모래 위에 집을 짓는 것과 같습니다. AI는 집의 가구와 장식품, 즉 화려한 부분과 같습니다. 하지만 토대는 바로 데이터입니다. 토대가 약하면 집은 무너집니다.
너무 자주 기업들은 데이터를 먼저 정비하지 않고 AI를 구현하려 합니다. 그들은 파편화된 시스템, 중복된 기록, 또는 오래된 데이터베이스를 가지고 있습니다. 그 결과는 저조한 성능과 돈 낭비입니다. AI를 생각하기 전에 먼저 물어봐야 합니다. 우리 데이터의 단일 진실 공급원이 있는가? 깨끗한가? 접근 가능한가?
만약 답이 '아니오'라면, 그것이 바로 시작점입니다. 일부 기업의 경우, 이미 정제된 대규모 데이터셋을 보유한 외부 벤더와 협력하는 것이 합리적입니다. Virtusize는 수백 개의 브랜드에 걸쳐 수년간 구매 및 핏 데이터를 수집해왔습니다. 이를 통해 새로운 기업이 구현하는 데 수년이 걸릴 정확하고 확장 가능한 모델을 구축할 수 있습니다.
Virtusize의 최신 개발 소식
Q: Virtusize는 현재 AI 및 머신러닝 측면에서 무엇에 중점을 두고 있나요?
아론 리치: 저희의 초점은 온라인 쇼핑이 오프라인 매장 쇼핑과 최대한 가깝게 느껴지도록 하는 것입니다. 저희는 항상 사이즈 추천을 제공했지만, 더 깊이 들어가고 싶었습니다. 이제 단순히 "당신은 미디엄 사이즈입니다"라고 말하는 대신, 옷이 어떻게 맞을지 보여줍니다. 어디는 딱 맞고, 어디는 여유로운지 말이죠. 직접 입어보고 "이거다!"라고 느끼는 경험을 재현하는 것입니다.
저희는 최근 머신러닝을 사용하여 신체 데이터와 개인의 핏 선호도 사이의 균형을 더 잘 맞추는 업그레이드된 핏 로직을 출시했습니다. 이전 모델들도 신체 측정값을 훌륭하게 처리했지만, 이 새로운 버전에서는 수년간의 구매 데이터를 학습시켜 카테고리, 브랜드, 스타일에 따라 진정한 "좋은 핏"이 무엇을 의미하는지 이해하도록 했습니다. 이는 사람들이 실제로 옷을 구매하고 착용하는 방식에 대한 더욱 적응적이고 현실적인 접근 방식입니다.
결과는 인상적이었습니다. A/B 테스트에서 저희는 사이즈 추천 정확도 25~40% 향상을 확인했습니다. 이는 더 많은 쇼핑객이 추천 사이즈를 선택하고, 자신감을 가지고 구매하며, 반품하지 않고 소장하는 고객이 늘어났다는 의미입니다. 이는 큰 진전이며, 저희가 데이터 기반을 먼저 마련했기 때문에 가능했습니다.
이커머스 관리자를 위한 실용적인 조언
Q: AI를 시작하려는 이커머스 관리자들에게 추천하는 실행 계획은 무엇인가요?
아론 리치: 첫째, AI가 모든 것을 해결해 줄 것이라는 과장된 주장을 믿지 마십시오. 실질적인 비즈니스 문제점을 해결하는 명확한 사용 사례부터 시작하십시오. 반품이 가장 큰 문제라면 핏 솔루션을 살펴보십시오. 재고 부족이나 과잉 재고로 손실을 초래한다면 수요 예측을 고려해 보세요. 고객 참여도가 낮다면 개인화를 생각해 보세요.
둘째, 직접 구축할지, 아니면 구매할지 결정하십시오. 사내 구축은 장기적인 투자를 할 준비가 되어 있고, 전담 팀과 다년간의 계획이 있을 때만 의미가 있습니다. 대부분의 기업에게 더 현명한 방법은 전문성과 데이터를 이미 갖춘 벤더와 협력하는 것입니다.
셋째, 명확한 성공 지표를 설정하십시오. 단순히 "AI를 도입했습니다"라고 말하는 데 그치지 마십시오. 질문하십시오: 반품을 10% 줄였습니까? 전환율을 5% 높였습니까? 매주 직원 시간을 몇 시간 절약했습니까? 측정할 수 없다면, 정당화할 수 없습니다.
마지막으로, 신중하되 호기심을 가지십시오. AI 분야에는 모든 문제를 해결해 줄 것이라고 약속하는 "만병통치약" 같은 주장이 많습니다. 좋은 파트너는 현실적이고, 한계를 인정하며, 장단점을 설명해 줄 것입니다. 너무 좋게 들린다면, 아마도 사실이 아닐 가능성이 높습니다.
미래 전망
Q: 패션 이커머스에서 AI의 미래에 대해 가장 기대되는 점은 무엇인가요?
아론 리치: 저를 가장 설레게 하는 것은 미지의 것들입니다. 매주 새로운 돌파구가 생겨납니다. 새로운 아키텍처, 새로운 방법, 새로운 가능성들이죠. 그중 일부는 과장된 것도 있겠지만, 결국 하나는 자리 잡고 다음 큰 도약이 될 것입니다.
패션 소매업은 데이터의 임계점에 도달하고 있으며, 이는 다른 산업의 아이디어를 적용하기 시작할 수 있다는 것을 의미합니다. 물류 분야의 수요 예측 방법이나 미디어 플랫폼의 개인화 전략 등이 될 수 있겠죠. 요점은, 이제 실험할 수 있을 만큼 충분한 데이터가 있다는 것이고, 바로 그때 진정한 혁신이 일어난다는 것입니다.
저에게 있어 즐거움은 이러한 새로운 아이디어를 실용적으로 만드는 데 있습니다. 화려한 데모나 만능 도구가 아니라, 반품을 줄이거나, 전환율을 높이거나, 온라인 쇼핑을 매장에 직접 가는 것만큼 쉽게 느끼게 하는 등 쇼핑객과 소매업체의 실제 문제를 해결하는 것이죠.
최종 요점: 지금 바로 취할 수 있는 조치
어디서부터 시작해야 할지 고민하는 이커머스 관리자라면, 여기에 오늘 바로 취할 수 있는 실질적인 단계들이 있습니다.:
- 비즈니스 고충을 점검하세요.
- 반품이 가장 큰 문제인가요? 적합한 해결책을 찾아보세요.
- 재고 관리 부실로 손해를 보고 있나요? 수요 예측 도구를 살펴보세요.
- 고객 참여도가 낮은가요? 개인화에 집중하세요.
- 데이터 준비 상태를 평가하세요.
- 깨끗하고, 중앙 집중화되어 있으며, 활용 가능한 데이터가 있나요?
- 그렇지 않다면, 고급 AI를 쫓기 전에 이것을 해결하는 것을 우선시하세요.
- 작게 시작하고 측정 가능하게 하세요.
- 집중할 하나의 사용 사례를 선택하세요.
- 명확한 성공 지표를 정의하세요(반품 10% 감소, 전환율 5% 증가 등).
- 직접 구축하기 전에 구매하세요.
- 데이터와 전문성을 모두 갖춘 검증된 공급업체와 협력하세요.
- 장기적인 투자를 할 준비가 되어 있다면 사내 팀을 고려하세요.
- 회의적이지만 호기심을 가지세요.
- 모든 것을 해결해 주겠다고 약속하는 과장된 주장은 피하세요.
- 실험하고, 결과를 측정하며, 효과적인 것을 확장하세요.
요약
AI는 만능 해결책은 아니지만, 강력한 도구 모음입니다. 패션 이커머스에서 성공적인 전략은 다음의 균형을 이룹니다. 개인화 와 운영 효율성, 데이터라는 견고한 기반 위에 구축됩니다. Arron Ritchie가 강조하듯이, 가장 현명한 접근 방식은 작게 시작하고, 실용성을 유지하며, 고객과 비즈니스 모두에게 측정 가능한 가치를 제공하는 데 끊임없이 집중하는 것입니다.
Virtusize 데이터 과학 책임자 Arron Ritchie와의 대화
인공지능(AI)은 전 산업 분야를 변화시키고 있지만, 패션 이커머스에서는 그 중요성이 특히 큽니다. 전자제품이나 서적과 달리 의류는 착용감, 촉감, 개인 스타일 반영 여부 등 미묘한 차이가 있습니다. 이커머스 관리자에게 이러한 세부 사항을 제대로 파악하는 것은 충성 고객 확보와 값비싼 반품 사이의 차이를 만듭니다.
AI가 패션 리테일을 어떻게 변화시키고 있는지 알아보기 위해, 우리는 Virtusize 데이터 과학 책임자 Arron Ritchie를 만났습니다. 이 폭넓은 대화에서 Arron은 AI가 어떻게 발전하고 있는지, 패션 이커머스의 가장 큰 기회와 위험 요소, 그리고 데이터 준비 상태가 성공의 기반이 되는 이유에 대해 이야기합니다.
이커머스에서 AI의 부상
Q: 광범위하게 볼 때, AI의 부상이 이커머스에 어떤 영향을 미친다고 보십니까?
Arron Ritchie: 이커머스에서 AI의 부상은 다른 산업 전반에서 일어나는 현상과 유사합니다. 초기에는 머신러닝이 주로 수요 예측, 창고 최적화, 인력 효율성 같은 운영 업무에 사용되었습니다. 이러한 모델들은 기업이 더 나은 계획을 세우고, 비용을 절감하며, 이전에는 볼 수 없었던 비효율성을 발견할 수 있는 능력을 제공했습니다.
ChatGPT와 같은 대규모 언어 모델(LLM)의 최근 급증은 대화의 방향을 바꾸었습니다. 갑자기 우리는 단순히 예측 모델에 대해 이야기하는 것이 아니라, 인간과 상호작용하고, 텍스트를 생성하며, 심지어 추론을 모방할 수 있는 도구에 대해 이야기하게 되었습니다. 이러한 도구들은 반복적인 작업을 자동화하고, 개인화된 느낌의 마케팅 문구를 생성하며, 과거에는 수많은 인력과 시간이 소요되던 워크플로우에 통합되는 등 흥미로운 새로운 가능성을 열었습니다.
하지만 문제는 기본 LLM이 훌륭한 만능 재주꾼이라는 점입니다. 마치 맥가이버 칼과 같아서 많은 일을 할 수 있지만, 추가 인프라를 구축하지 않으면 특정 한 가지 일에 반드시 뛰어나지는 않습니다. 이러한 인프라는 비용이 들고, 전문 지식이 필요하며, 제대로 구축하는 데 시간이 걸립니다. 따라서 기업의 질문은 "AI를 사용해야 하는가?"가 아니라 "AI가 실제로 나에게 어떤 가치를 더해줄 수 있으며, 내 필요에 맞게 어떻게 조정할 수 있는가?"입니다.
패션 이커머스를 위한 기회
Q: 특히 패션 이커머스 분야에서 가장 큰 기회는 어디에 있다고 보십니까? Arron Ritchie: 패션 이커머스에는 매우 특별한 과제가 있습니다. 바로 오프라인 쇼핑과 온라인 쇼핑 간의 격차를 해소하는 것입니다. 매장에서는 티셔츠를 입어보고, 착용감을 확인하며, 확신을 가지고 결정할 수 있습니다. 온라인에서는 그러한 경험을 할 수 없으며, 이것이 반품률이 높고 소비자들이 구매 전에 자주 망설이는 이유입니다.
Virtusize에서 제공하는 것과 같은 디지털 피팅 솔루션은 문제 해결의 한 가지 방법이지만, 이는 시작에 불과합니다. 모든 쇼핑객은 체형, 선호도, 스타일에 있어 각기 다릅니다. 바로 여기서 개인화가 중요해집니다. 적절한 AI 모델을 사용하면 "당신은 미디엄 사이즈입니다"를 넘어 "이 셔츠는 어깨는 딱 맞지만 가슴 부분은 넉넉할 것입니다"라고 말할 수 있습니다. 이러한 통찰력은 고객의 신뢰를 높이고 온라인 쇼핑을 실제 쇼핑처럼 느끼게 합니다.
일반적인 AI 도구도 검은색 청바지를 구매한 사람에게 더 많은 검은색 제품을 추천하는 것과 같은 어느 정도의 개인화를 할 수 있습니다. 하지만 패션은 더 정교함을 요구합니다. 범용 AI를 패션에 맞게 조정하지 않고 억지로 적용하려 한다면, 토큰을 낭비하거나, 일관성 없는 결과를 얻거나, 고객에게 와닿지 않는 추천을 하게 될 것입니다. 실제 구매 데이터와 사용자 선호도에 기반한 패션 전용 모델이야말로 진정한 기회가 있는 곳입니다.
피팅을 넘어: 개인화와 쇼핑객 여정
Q: 피팅 외에 패션 이커머스 기업들이 AI로 할 수 있는 다른 일은 무엇이 있을까요?
Arron Ritchie: 개인화는 아직 완전히 활용되지 않은 엄청난 잠재력을 가지고 있습니다. 현재 대부분의 브랜드는 고객이 자사 사이트에서 무엇을 하는지만 알고 있습니다. 하지만 쇼핑객들은 고립된 공간에 머물지 않습니다. 그들은 여러 브랜드, 여러 카테고리, 때로는 여러 산업을 넘나들며 쇼핑합니다. 어떤 고객은 한 브랜드에서 재킷을 사고, 다른 브랜드에서 셔츠를, 또 다른 브랜드에서 청바지를 살 수도 있습니다. 하지만 그들이 귀사 사이트에 접속하면 다른 모든 사람과 똑같은 홈페이지를 보게 됩니다.
오프라인 매장에서는 유능한 판매원이 상황을 고려합니다. 만약 고객이 재킷 세 벌을 들고 있는 것을 본다면, 더 많은 재킷을 권하지 않을 것입니다. 대신 그 재킷에 어울리는 바지나 스웨터를 추천할 것입니다. 온라인에서는 이러한 맥락이 부족하며, AI가 이를 되살리는 다리 역할을 합니다.
여러 웹사이트에 걸친 행동을 연관시키거나, 더 넓은 쇼핑 패턴에서 선호도를 추론할 수 있는 도구를 상상해 보세요. 쇼핑객이 버튼업 셔츠를 좋아한다는 것을 알아채고 홈페이지에서 이를 우선적으로 보여주는 시스템. 또는 특정 색상이나 핏에 대한 선호도를 감지하여 그에 맞춰 상품 구성을 조정하는 시스템. 바로 이런 지능이 온라인 쇼핑을 진정으로 개인적인 경험으로 만듭니다.
업계는 아직 그 단계에 도달하지 못했습니다. 일부 브랜드는 챗봇이나 간단한 추천 엔진을 실험하고 있지만, 더 광범위한 데이터를 통합하는 곳은 거의 없습니다. 그 이유 중 일부는 개인 정보 보호 문제이며, 또 다른 일부는 기술적 복잡성 때문입니다. 하지만 나아가야 할 방향은 분명합니다. 피상적인 제안을 넘어선, 더 맥락적이고 브랜드 간 개인화입니다.
내부 효율성: 덜 화려하지만 더 영향력 있는 AI의 측면
Q: 쇼핑객 경험 외에 AI가 이커머스 기업에 제공하는 내부적인 기회는 무엇이 있을까요?
Arron Ritchie: 내부 효율성은 화려하지 않더라도 종종 가장 큰 사업적 영향을 미칩니다. 수요 예측이 완벽한 예시입니다. 도쿄와 런던에 얼마나 많은 티셔츠를 재고로 둘지 예측할 수 있다면, 품절과 과잉 재고를 모두 피할 수 있습니다. 이는 실제로 비용을 절감하는 것입니다.
다른 분야로는 경로 최적화를 통해 배송 비용을 절감할 수 있는 물류, 그리고 AI가 더 효과적인 스케줄링을 돕는 인력 관리가 있습니다. CRM 시스템도 이점을 얻습니다. AI는 인간 팀이 놓칠 수 있는 고객 데이터의 패턴을 식별할 수 있습니다.
문제는 이러한 솔루션들이 헤드라인을 장식하지 못한다는 것입니다. 사람들은 챗봇이나 화려한 LLM이 새롭고 상호작용적이라고 느껴서 흥분합니다. 하지만 ROI(투자 수익률)를 보면 내부 시스템도 마찬가지로 중요합니다. 사실, 고객 대면 AI에만 집중하고 내부적인 측면을 무시한다면, 가치의 절반을 놓치는 것입니다.
데이터 과제
Q: 많은 기업이 AI에 뛰어들고 싶어 하지만, "데이터 준비"가 되어 있지 않다고 느낍니다. 이에 대한 당신의 견해는 어떻습니까?
Arron Ritchie: 데이터가 전부입니다. 깨끗하고 중앙 집중화되어 있으며 신뢰할 수 있는 데이터가 없다면, 모래 위에 집을 짓는 것과 같습니다. AI는 집의 가구와 장식품, 즉 화려한 부분과 같습니다. 하지만 토대는 바로 데이터입니다. 토대가 약하면 집은 무너집니다.
너무 자주 기업들은 데이터를 먼저 정비하지 않고 AI를 구현하려 합니다. 그들은 파편화된 시스템, 중복된 기록, 또는 오래된 데이터베이스를 가지고 있습니다. 그 결과는 저조한 성능과 돈 낭비입니다. AI를 생각하기 전에 먼저 물어봐야 합니다. 우리 데이터의 단일 진실 공급원이 있는가? 깨끗한가? 접근 가능한가?
만약 답이 '아니오'라면, 그것이 바로 시작점입니다. 일부 기업의 경우, 이미 정제된 대규모 데이터셋을 보유한 외부 벤더와 협력하는 것이 합리적입니다. Virtusize는 수백 개의 브랜드에 걸쳐 수년간 구매 및 핏 데이터를 수집해왔습니다. 이를 통해 새로운 기업이 구현하는 데 수년이 걸릴 정확하고 확장 가능한 모델을 구축할 수 있습니다.
Virtusize의 최신 개발 소식
Q: Virtusize는 현재 AI 및 머신러닝 측면에서 무엇에 중점을 두고 있나요?
아론 리치: 저희의 초점은 온라인 쇼핑이 오프라인 매장 쇼핑과 최대한 가깝게 느껴지도록 하는 것입니다. 저희는 항상 사이즈 추천을 제공했지만, 더 깊이 들어가고 싶었습니다. 이제 단순히 "당신은 미디엄 사이즈입니다"라고 말하는 대신, 옷이 어떻게 맞을지 보여줍니다. 어디는 딱 맞고, 어디는 여유로운지 말이죠. 직접 입어보고 "이거다!"라고 느끼는 경험을 재현하는 것입니다.
저희는 최근 머신러닝을 사용하여 신체 데이터와 개인의 핏 선호도 사이의 균형을 더 잘 맞추는 업그레이드된 핏 로직을 출시했습니다. 이전 모델들도 신체 측정값을 훌륭하게 처리했지만, 이 새로운 버전에서는 수년간의 구매 데이터를 학습시켜 카테고리, 브랜드, 스타일에 따라 진정한 "좋은 핏"이 무엇을 의미하는지 이해하도록 했습니다. 이는 사람들이 실제로 옷을 구매하고 착용하는 방식에 대한 더욱 적응적이고 현실적인 접근 방식입니다.
결과는 인상적이었습니다. A/B 테스트에서 저희는 사이즈 추천 정확도 25~40% 향상을 확인했습니다. 이는 더 많은 쇼핑객이 추천 사이즈를 선택하고, 자신감을 가지고 구매하며, 반품하지 않고 소장하는 고객이 늘어났다는 의미입니다. 이는 큰 진전이며, 저희가 데이터 기반을 먼저 마련했기 때문에 가능했습니다.
이커머스 관리자를 위한 실용적인 조언
Q: AI를 시작하려는 이커머스 관리자들에게 추천하는 실행 계획은 무엇인가요?
아론 리치: 첫째, AI가 모든 것을 해결해 줄 것이라는 과장된 주장을 믿지 마십시오. 실질적인 비즈니스 문제점을 해결하는 명확한 사용 사례부터 시작하십시오. 반품이 가장 큰 문제라면 핏 솔루션을 살펴보십시오. 재고 부족이나 과잉 재고로 손실을 초래한다면 수요 예측을 고려해 보세요. 고객 참여도가 낮다면 개인화를 생각해 보세요.
둘째, 직접 구축할지, 아니면 구매할지 결정하십시오. 사내 구축은 장기적인 투자를 할 준비가 되어 있고, 전담 팀과 다년간의 계획이 있을 때만 의미가 있습니다. 대부분의 기업에게 더 현명한 방법은 전문성과 데이터를 이미 갖춘 벤더와 협력하는 것입니다.
셋째, 명확한 성공 지표를 설정하십시오. 단순히 "AI를 도입했습니다"라고 말하는 데 그치지 마십시오. 질문하십시오: 반품을 10% 줄였습니까? 전환율을 5% 높였습니까? 매주 직원 시간을 몇 시간 절약했습니까? 측정할 수 없다면, 정당화할 수 없습니다.
마지막으로, 신중하되 호기심을 가지십시오. AI 분야에는 모든 문제를 해결해 줄 것이라고 약속하는 "만병통치약" 같은 주장이 많습니다. 좋은 파트너는 현실적이고, 한계를 인정하며, 장단점을 설명해 줄 것입니다. 너무 좋게 들린다면, 아마도 사실이 아닐 가능성이 높습니다.
미래 전망
Q: 패션 이커머스에서 AI의 미래에 대해 가장 기대되는 점은 무엇인가요?
아론 리치: 저를 가장 설레게 하는 것은 미지의 것들입니다. 매주 새로운 돌파구가 생겨납니다. 새로운 아키텍처, 새로운 방법, 새로운 가능성들이죠. 그중 일부는 과장된 것도 있겠지만, 결국 하나는 자리 잡고 다음 큰 도약이 될 것입니다.
패션 소매업은 데이터의 임계점에 도달하고 있으며, 이는 다른 산업의 아이디어를 적용하기 시작할 수 있다는 것을 의미합니다. 물류 분야의 수요 예측 방법이나 미디어 플랫폼의 개인화 전략 등이 될 수 있겠죠. 요점은, 이제 실험할 수 있을 만큼 충분한 데이터가 있다는 것이고, 바로 그때 진정한 혁신이 일어난다는 것입니다.
저에게 있어 즐거움은 이러한 새로운 아이디어를 실용적으로 만드는 데 있습니다. 화려한 데모나 만능 도구가 아니라, 반품을 줄이거나, 전환율을 높이거나, 온라인 쇼핑을 매장에 직접 가는 것만큼 쉽게 느끼게 하는 등 쇼핑객과 소매업체의 실제 문제를 해결하는 것이죠.
최종 요점: 지금 바로 취할 수 있는 조치
어디서부터 시작해야 할지 고민하는 이커머스 관리자라면, 여기에 오늘 바로 취할 수 있는 실질적인 단계들이 있습니다.:
- 비즈니스 고충을 점검하세요.
- 반품이 가장 큰 문제인가요? 적합한 해결책을 찾아보세요.
- 재고 관리 부실로 손해를 보고 있나요? 수요 예측 도구를 살펴보세요.
- 고객 참여도가 낮은가요? 개인화에 집중하세요.
- 데이터 준비 상태를 평가하세요.
- 깨끗하고, 중앙 집중화되어 있으며, 활용 가능한 데이터가 있나요?
- 그렇지 않다면, 고급 AI를 쫓기 전에 이것을 해결하는 것을 우선시하세요.
- 작게 시작하고 측정 가능하게 하세요.
- 집중할 하나의 사용 사례를 선택하세요.
- 명확한 성공 지표를 정의하세요(반품 10% 감소, 전환율 5% 증가 등).
- 직접 구축하기 전에 구매하세요.
- 데이터와 전문성을 모두 갖춘 검증된 공급업체와 협력하세요.
- 장기적인 투자를 할 준비가 되어 있다면 사내 팀을 고려하세요.
- 회의적이지만 호기심을 가지세요.
- 모든 것을 해결해 주겠다고 약속하는 과장된 주장은 피하세요.
- 실험하고, 결과를 측정하며, 효과적인 것을 확장하세요.
요약
AI는 만능 해결책은 아니지만, 강력한 도구 모음입니다. 패션 이커머스에서 성공적인 전략은 다음의 균형을 이룹니다. 개인화 와 운영 효율성, 데이터라는 견고한 기반 위에 구축됩니다. Arron Ritchie가 강조하듯이, 가장 현명한 접근 방식은 작게 시작하고, 실용성을 유지하며, 고객과 비즈니스 모두에게 측정 가능한 가치를 제공하는 데 끊임없이 집중하는 것입니다.
