본문 바로가기

댓글0
번역beta

Translated by kakao i

번역할 언어 선택

뷰 본문

신세계그룹

인공지능으로 매장의 고정비를 줄이는 방법

[박창현 담당의 리테일 테크] 오프라인 유통, 인간지능에서 인공지능으로 2편

76 읽음
댓글0
번역beta

Translated by kakao i

번역할 언어 선택

▶인공지능 활용의 핵심 질문, “무엇을, 얼마에, 몇 개나 팔 것인가”

▶오프라인 매장, 구색 최적화 과정으로 매출 효율 ↑

▶유통업의 본질을 바탕으로 한 인공지능 기술 필요

오프라인 유통, 인간지능에서 인공지능으로 1편에서는 빠르게 변화하는 환경에서 오프라인 리테일이 살아남기 위해선 ‘고정비와의 싸움’이 필요하다고 밝혔다. [보러가기] 고정비를 줄이려면 ①구색 최적화 ②가격 최적화 ③상품 판매 예측 ④상품 진열 자동화 ⑤노동 효율 극대화 ⑥고객 쇼핑 경험 효율화를 해야 한다. 효율화에 필요한 가장 강력한 무기는 인공지능(Artificial Intelligence)이다. 각 분야에 걸쳐 구체적으로 어떻게 인공지능 기술을 적용할지에 대해 이후 시리즈에서 살펴보도록 하자.

무엇을, 얼마에, 몇 개나 팔 것인가

인공지능 활용의 핵심 질문은 “무엇을, 얼마에, 몇 개를 팔 것인가?” 이다. 고정비 항목 중 구색(=무엇을), 가격(=얼마에), 수요(=몇 개를)는 유통업의 본질을 묻기 때문이다. 이번 글에서는 구색에 대한 부분을 인공지능을 기반으로 어떻게 효율화할 것인지에 대해 이야기해보도록 하자.

무엇을 팔 것인가
구색 최적화

구색 최적화(Assortment Planning, Assortment Optimization)란, 적절한 판매 상품을 선정하는 일련의 작업을 말한다. 아래는 SAP에서 정의하는 구색 관리 프로세스에 대한 예시다.

SAP Assortment Planning for Retail 설명에서 발췌

위 예시는 매우 복잡해 보이나, 인공지능을 기반으로 구색을 최적화하는 과정을 간단히 정리하면 아래와 같다.

1. 매장이 위치한 지역을 분류하자

우선, 과거의 영업 데이터 및 고객 데이터를 기반으로, 상권 및 점포 분류를 진행한다. 분류는 조건에 따라 다양하다. 매출 규모, 점포의 물리적 크기, 지역의 인구 구성비, 기후 조건으로도 분류가 가능하다.


인공지능 기술을 이용하여 상권 및 점포 분류하는 과정을 좀 더 세부적으로 나눠보자.


1) 상권/점포 분류에서 중요하게 생각하는 핵심 지표(KPI)선정

2) 해당 핵심지표(KPI)를 극대화하기 위한 중요 인자(Parameter) 인식

3) 중요 인자들을 기반으로 상권/점포 분류


1)번 과정은 인공지능 입장에서 보면, 가설을 수립하는 단계다. 이 핵심 지표는 하나가 아니라 카테고리별 매출 또는 이익률 등 다중으로 정의할 수 있다. 이렇게 수립한 가설에 대해 가능한 많은 수의 인자들을 대상으로 상관분석(Correlation) 및 회귀분석(Regression)을 수행한다. 해당 가설에 대해 강한 연관성을 가지면서 인과관계를 가지는 인자를 인지하는 것이 2)번 과정이다. 3)번 과정은 이를 기반으로 지도/비지도 학습을 통해 분류(Classification)를 수행한다.


세 과정을 거치기 위해선 단계별 인공지능 기술의 이해가 필요하다. 하지만 무엇보다 유통업의 본질 및 비지니스 프로세스에 대한 이해가 우선해야 한다.

2. 판매량을 예측하자

상권 및 점포 분류가 완료되었다면, 그다음은 각 상권에서 어떤 상품이 가장 많이 팔릴지를 예측해야 한다. 논리적으로 따지자면, 구색 최적화 과정 자체가 ‘돈’을 많이 벌고자 하는 지고지순한 목표를 갖는 과정이다. 특정 점포, 특정 카테고리에 어떤 상품을 배치해야 가장 많이 팔릴지를 알면 게임 끝인 게 맞다.


결국 이를 위해서는 판매량 예측이 필수다. 보통 업계에서는 이를 수요예측(Demand Forecasting)이라 부른다. 수요예측은 보통 회귀분석(Regression) 또는 시계열분석(Time Series Analysis)을 이용한다.


두 가지 분석 방법과 관련하여, 일반적으로 특정 상권에서 특정 상품의 판매량은 자기 상관성(Autocorrelation, 시간 또는 공간으로 연속된 일련의 관측치 간에 존재하는 상관관계)을 가질 확률이 높다. 이 때는 시계열분석이 더 적합할 수 있으나, 모든 상품이 항상 높은 자기 상관성을 가지지 않는다. 따라서, 상권 및 상품 특성에 따라 이를 체크하는 과정이 필요하다.

3. 상품을 분류하자

앞선 두 과정을 거치면 구색 최적화의 기본은 된 것이라 볼 수 있다. 다만, 판매량 예측의 현실성을 따져야 한다. 일반 점포의 상품 종류는 대부분 10만 개 이상이다. 각 상권에 대한 모든 카테고리 구색을 일일이 정의하고 관리하는 것은 불가능에 가깝다.


실제로는 상품간 대체성, 연관성, 대표성 등을 고려하여 특정 그룹으로 묶고, 특정 상권에 대해서는 꼭 판매해야 하는 상품 그룹과 옵션으로 판매해도 되는 상품 그룹을 구분하여 관리해야 한다.


이런 분류는 경험 있는 바이어들이 가설을 수립하는 것이 타당하다. 다만, 초기 가설을 기반으로 인공지능 기술을 활용해 관리하는 것이 일반적이다. 이 과정에서 사용하는 기술은 앞서 살펴본 분류(Classification)모델이다. 어떤 상품들을 같이 판매할 때 평균적으로 해당 상권에서 매출이 높은지 등을 핵심 지표로 하여 학습을 진행한다.


To be continued…

자, 이렇게 해서 인공지능 기술을 이용한 구색 최적화 방법에 대해 간략히 살펴보았다. 첨언하자면, 위에 설명한 과정을 패키징한 솔루션은 이미 시장에 다수 존재한다. 물론 대부분 해외 솔루션이고 가격이 미친 듯이 높지만, 리테일 관련 인공지능 솔루션을 준비 중이라면 참고하는 것이 좋다. 지피지기 차원에서 말이다.


다음 글에서는 나머지 유통업의 본질에 대한 질문, ‘얼마에 몇 개를 팔 것인가’에 대해 이야기한다.


♦ 지난 시리즈 다시 보기

박창현 이마트 S-LAB 담당

온라인과 오프라인의 경계가 없어지는 그 날을 기다리며,

May the Force be with you…

작성자 정보

신세계그룹

    실시간 인기

      번역중 Now in translation
      잠시 후 다시 시도해 주세요 Please try again in a moment