Amanpal Dhupar, Tredence 소매 부문 책임자 - 인터뷰 시리즈

아만팔 두파르트렌던스의 소매 부문 책임자는 10년 이상 기업 의사 결정권자에게 실행 가능한 인사이트를 제공하는 데이터 기반 솔루션을 설계 및 개발해 온 경험이 풍부한 소매 분석 및 AI 리더입니다. 그는 경력 전반에 걸쳐 주요 소매업체의 고위 임원을 위한 전략적 분석 혁신을 주도하고, 측정 가능한 비즈니스 KPI를 창출하는 AI 제품 로드맵을 구축했으며, 초기 단계부터 대규모 운영에 이르기까지 분석 팀을 확장해 왔습니다. 이를 통해 기술적 깊이와 리더십의 다재다능함을 모두 입증했습니다.

트레 던스 이 회사는 기업들이 고급 분석, 머신러닝, AI 기반 의사결정을 통해 비즈니스 가치를 창출할 수 있도록 지원하는 데이터 과학 및 AI 솔루션 기업입니다. 특히 소매 및 소비재 분야의 글로벌 브랜드와 협력하여 상품 기획, 공급망 관리, 가격 책정, 고객 경험, 시장 진출 전략 등 복잡한 과제를 해결하고, 인사이트를 실질적인 성과로 전환하며, 고객사의 분석 및 인텔리전스 역량을 현대화하도록 돕습니다.

소매업체들은 흔히 수십 개의 AI 파일럿 프로젝트를 진행하지만, 실제로 대규모 도입으로 이어지는 경우는 극히 드뭅니다. AI가 실질적인 비즈니스 성과로 이어지지 못하게 하는 가장 흔한 조직적 실수는 무엇일까요?

최근 MIT 솔란 연구소의 연구에 따르면 AI 파일럿 프로젝트의 95%가 본격적인 배포로 이어지지 못하는 것으로 나타났습니다. 현실은 어떨까요? 파일럿 프로젝트는 쉽지만, 실제 운영 환경 구축은 어렵습니다. 트렌던스(Tredence)는 이러한 격차를 야기하는 네 가지 구체적인 조직적 이유를 파악했습니다.

첫째는 최종 사용자 워크플로우를 제대로 이해하지 못하는 것입니다. 소매업체들은 AI를 기존의 비효율적인 프로세스에 단순히 삽입하는 데 그치는 경우가 많은데, AI를 중심으로 워크플로우 자체를 어떻게 재구상해야 하는지에 대한 고민이 필요합니다.

두 번째는 에이전트 기반 AI에 대한 플랫폼 접근 방식이 부족하다는 점입니다. 조직은 에이전트를 일회성 실험으로 취급하는 대신, 에이전트 설계 및 개발부터 배포, 모니터링 및 관리까지 전체 라이프사이클을 기업 전체에 걸쳐 간소화해야 합니다.

세 번째는 취약한 데이터 기반입니다. 깔끔한 플랫 파일로 파일럿 프로젝트를 구축하는 것은 쉽지만, 규모를 확장하려면 AI 모델이 정확한 데이터에 지속적으로 접근할 수 있는 견고한 실시간 기반이 필요합니다.

마지막으로, IT 부서의 추진력과 비즈니스 부서의 요구 사이의 마찰이 발생합니다. 성공은 비즈니스 리더들이 AI를 IT 부서에서 강요하는 방해 요소가 아닌, 측정 가능한 영향력과 연결된 부가가치로 인식할 때 비로소 가능합니다. 트렌던스는 항상 '마지막 단계'에 집중해 왔으며, 통찰력 생성과 가치 실현 사이의 간극을 메우는 데 주력해 왔습니다.

트렌던스는 전 세계 수많은 대형 소매업체와 협력하여 수조 달러 규모의 매출을 지원하고 있습니다. 업계 전반에서 관찰되는 현상을 바탕으로, AI를 성공적으로 확장하는 소매업체와 실험 단계에 머물러 있는 소매업체를 구분하는 요소는 무엇이라고 생각하십니까?

트렌던스에서 수조 달러 규모의 소매 매출을 지원하면서 우리는 업계의 뚜렷한 양극화를 직접 목격했습니다. AI를 단편적인 실험으로 취급하는 소매업체와 산업화된 'AI 공장'을 구축하는 소매업체로 나뉘는 것입니다. 이러한 차이를 만드는 핵심 요소는 에이전트 기반 AI 플랫폼에 대한 투자입니다. 가장 성공적인 기업들은 처음부터 구축하는 대신 재사용 가능한 구성 요소 라이브러리, 표준 설계 템플릿, 특정 소매 사용 사례에 맞춰 구축된 사전 구축된 에이전트 패턴으로 구성된 강력한 생태계에 투자합니다. 이러한 기반 위에 성숙한 LLMOps, 풀스택 관찰 가능성, 그리고 내장된 책임 있는 AI(RAI) 가이드라인을 더하면 혁신적인 변화를 가져올 수 있습니다. 일반적으로 아키텍처 설계의 핵심 요소가 이미 구축되어 있기 때문에 새로운 사용 사례의 가치 실현 속도가 80% 향상됩니다.

하지만 플랫폼의 성능은 그것이 활용하는 컨텍스트에 따라 좌우되며, 이는 데이터 기반 구축으로 이어집니다. 확장을 위해서는 단순히 데이터에 접근하는 것 이상의 것이 필요합니다. 강력한 메타데이터와 통합된 데이터 모델을 통해 AI가 단순히 입력값을 처리하는 데 그치지 않고 비즈니스에 대해 '추론'할 수 있도록 하는 풍부한 의미론적 계층이 필수적입니다. 진정한 리더는 이것이 단순한 기술적 변화가 아니라 문화적 변화임을 인식하고 있습니다. 그들은 단순한 자동화를 넘어 인간과 상담원의 협업을 통해 '마지막 단계'를 해결하고, 담당자와 판매자가 디지털 파트너를 신뢰하고 협력할 수 있도록 워크플로를 재설계하여 알고리즘의 잠재력을 측정 가능한 비즈니스 현실로 전환합니다.

여전히 소매 프로모션의 70% 이상이 손익분기점을 넘지 못하고 있습니다. 인공지능(AI)은 프로모션 기획, 측정 및 실시간 최적화를 어떻게 의미 있게 개선할 수 있을까요?

70%에 달하는 실패율이 지속되는 이유는 소매업체들이 총 매출과 매출 증가분을 혼동하는 '사후 분석'에 의존하는 경우가 많기 때문입니다. 이는 결국 프로모션이 없었더라도 구매했을 충성 고객에게 비용을 지불하는 것과 다름없습니다. 이러한 악순환을 끊기 위해서는 서술형 보고 방식에서 벗어나 보다 예측적인 접근 방식으로 전환해야 합니다. 기획 단계에서 인과관계 AI를 활용하여 결과를 시뮬레이션하고 '진정한 기준선'을 설정함으로써 프로모션 없이도 정확히 어떤 제품이 판매되었을지 파악합니다. 이를 통해 소매업체는 기존 수요에 대한 비용 지출을 중단하고 신규 고객 유입에만 집중할 수 있습니다.

측정 측면에서 AI는 후광 효과와 자사 제품 간 경쟁을 정량화하여 '포트폴리오 퍼즐'을 풀어줍니다. 인간 담당자는 종종 개별적으로 계획을 세우지만, AI는 카테고리 전체를 조망할 수 있도록 지원하여 특정 SKU에 대한 프로모션이 다른 SKU의 마진을 잠식하지 않도록 합니다. 이러한 통합적인 측정은 소매업체가 해당 카테고리의 시장 규모를 성장시키고 있는지, 아니면 단순히 시장 점유율을 다르게 분배하고 있는지 파악하는 데 도움이 됩니다.

마지막으로, 실시간 최적화를 위해 업계는 캠페인을 '진행 중' 모니터링하는 AI 에이전트로 전환하고 있습니다. 이벤트 종료 후 몇 주가 지나서야 사후 분석을 하는 대신, 이러한 에이전트는 프로모션이 끝나기 전에 손익을 개선하기 위해 디지털 광고비 조정이나 상품 교환과 같은 방향 수정 방안을 자율적으로 제안합니다. 이러한 접근 방식은 단순히 광고 인벤토리를 정리하는 데 그치지 않고 수익성 있는 성장을 이끌어내는 데 초점을 맞춥니다.

예측 오류와 재고 부족은 여전히 ​​막대한 매출 손실을 초래하고 있습니다. 인공지능 기반 상품 기획 및 공급망 시스템이 기존 예측 방식보다 더 효과적인 이유는 무엇일까요?

첫 번째 변화는 예측 분야에서 나타납니다. 인공지능(AI)은 우리가 내부적인 과거 데이터에만 의존하는 것에서 벗어나 지역 날씨, 사회적 행사, 경제 지표와 같은 외부 데이터를 활용하도록 이끌어줍니다. 예측에 이러한 외부 맥락이 반영되면 정확도가 향상되어 매출 증대뿐만 아니라 재고 관리, 생산 능력 계획, 인력 배치, 창고 운영 등 전반적인 프로세스를 최적화하여 실제 수요에 부합하도록 만들 수 있습니다.

두 번째 변화는 품절(OOS) 관리에서 나타나는데, 대부분의 소매업체는 여전히 이를 정확하게 측정하지 못하고 있습니다. AI는 판매 패턴의 이상 징후를 감지하여 이 문제를 해결합니다. 시스템이 재고가 있다고 판단하지만 실제로는 판매가 중단된 '가상 재고'를 식별하고, 자동으로 재고 실사를 실행하여 기록을 수정합니다. 데이터 분석을 넘어, 컴퓨터 비전 기술을 활용하여 실시간으로 매장 진열대의 빈 공간을 표시하고 창고 재고를 추적함으로써 제품이 단순히 '건물 안에' 있는 것이 아니라 고객이 구매할 수 있도록 항상 준비되어 있는지를 확인할 수 있게 되었습니다.

에이전트 기반 커머스는 소매 혁신의 주요 테마로 떠오르고 있습니다. 추론 기반 AI 에이전트는 오늘날의 검색 중심 쇼핑 경험과 비교하여 제품 발견 및 전환율을 어떻게 의미 있게 변화시킬 수 있을까요?

오늘날 검색 중심의 쇼핑 환경에서도 소비자는 여전히 많은 노력을 기울여야 합니다. 무엇을 찾아야 할지, 여러 옵션을 비교하고, 끝없이 쏟아지는 검색 결과를 분석해야 하기 때문입니다. 추론 기반 에이전트는 특정 의도에 따라 다양한 카테고리의 제품을 한데 모아 보여주는 맞춤형 컬렉션인 '가상 통로'를 동적으로 생성함으로써 이러한 방식을 혁신합니다. 예를 들어, '건강한 아침'을 원하는 쇼핑객에게 다섯 가지 제품을 개별적으로 검색하는 대신, 고단백 시리얼부터 믹서기까지 모든 제품이 한데 모인 임시 통로를 제공함으로써 원하는 제품을 찾는 데 걸리는 시간을 몇 분에서 몇 초로 단축할 수 있습니다.

전환율 측면에서 이러한 에이전트는 검색 엔진이라기보다는 '쇼핑 컨시어지'에 가깝습니다. 단순히 옵션만 나열하는 것이 아니라, 고객의 다양한 니즈를 바탕으로 맞춤형 상품을 적극적으로 제안합니다. 예를 들어 고객이 '50달러 미만의 4인 저녁 식사'를 요청하면, 에이전트는 재고, 가격, 식단 제약 등을 분석하여 완벽한 패키지를 제안합니다. 이러한 추론 능력은 '신뢰 격차'를 해소합니다. 특정 제품이 사용자의 라이프스타일이나 목표에 왜 적합한지 명확하게 설명함으로써, 에이전트는 고객의 결정 장애를 줄이고 단순히 제품 이미지만 보여주는 것보다 훨씬 높은 전환율을 달성합니다.

마지막으로, 이러한 기술이 초개인화 콘텐츠로 확장되고 있는 것을 볼 수 있습니다. 에이전트형 AI는 모든 고객에게 동일한 홈페이지 배너를 보여주는 대신, 고객의 현재 쇼핑 목표를 반영하는 동적인 랜딩 페이지와 시각 자료를 생성할 수 있습니다. 그러나 이러한 기술을 확장하려면 소매업체는 AI 에이전트를 엄격한 브랜드 및 안전 관리 체계를 갖춘 통합 데이터 모델에 기반을 두어야 한다는 점을 깨닫고 있습니다. 이를 통해 AI의 '창의력'이 허황된 제품을 만들어내거나 브랜드 정체성을 훼손하는 일이 없도록 해야 합니다.

많은 소매업체들이 시대에 뒤떨어진 데이터 아키텍처로 어려움을 겪고 있습니다. 기업들은 인공지능 모델이 신뢰할 수 있고 설명 가능한 추천을 제공할 수 있도록 데이터 기반을 어떻게 현대화해야 할까요?

AI 성공의 가장 큰 장벽은 모델 자체가 아니라 그 밑에 깔린 '데이터의 늪'입니다. 현대화를 위해서는 소매업체들이 단순히 데이터를 수집하는 것을 넘어 통합된 의미론적 레이어를 구축해야 합니다. 즉, '순이익률'이나 '고객 이탈률' 계산 방식과 같은 비즈니스 로직을 한 번만 정의하고 조직 전체에 흩어져 있는 파편화된 SQL 스크립트에 숨겨두는 대신, 모든 구성원이 접근할 수 있는 표준 '데이터 모델'을 구현해야 합니다.

둘째, 기업은 '데이터 제품'이라는 사고방식으로 전환해야 합니다. 성공적인 소매업체들은 데이터를 IT 부산물로 취급하는 대신, 명확한 소유권, 서비스 수준 계약(SLA), 그리고 엄격한 품질 모니터링(데이터 관찰 가능성)을 갖춘 제품으로 다룹니다. 이렇게 깨끗하고 관리되는 '골든 레코드'에 풍부한 메타데이터를 결합하면 설명 가능성이 확보됩니다. AI는 단순히 블랙박스 추천을 내놓는 것이 아니라, 의미론적 계층을 통해 논리의 흐름을 추적할 수 있게 됩니다.

소매업체와 소비재 기업 간의 협업은 과거에는 파편화된 데이터와 일관성 없는 지표에 의존해 왔습니다. 통합 데이터 모델과 공유 AI 플랫폼은 어떻게 양측 모두에게 더 나은 카테고리 성과를 가져다줄 수 있을까요?

지금까지 소매업체와 소비재 기업은 각기 다른 데이터와 인센티브를 활용하여 동일한 고객을 서로 다른 관점에서 바라보았습니다. 통합 데이터 모델은 진열 실적이나 쇼핑객 행동 등 가치 사슬 전반에 걸쳐 단일화된 정보 소스를 구축함으로써 이러한 상황을 변화시킵니다.

양측이 동일한 AI 플랫폼을 활용하면 카테고리 수준에서 성장이나 손실을 유발하는 요인을 공동으로 파악할 수 있습니다. 가격, 프로모션, 제품 구성, 재고 부족 등 무엇이든 될 수 있습니다. 이를 통해 대화의 방향을 "내 데이터 대 네 데이터"에서 "우리가 함께 만들어갈 기회"로 전환할 수 있습니다.

그 결과 더 현명한 의사 결정, 더 빠른 실험, 그리고 궁극적으로 소매업체와 브랜드 모두에게 이익이 되는 더 높은 카테고리 성장률을 달성할 수 있습니다.

소매 미디어 네트워크가 성숙해짐에 따라, 인공지능(AI)은 소비자 신뢰를 유지하면서 타겟팅, 측정 및 폐쇄형 기여도 분석을 개선하는 데 어떤 역할을 할까요?

AI는 소매 미디어 네트워크가 성숙해짐에 따라 네 가지 핵심 영역을 혁신할 것입니다.

첫째, 타겟팅 분야에서 업계는 정적인 고객 세그먼트에서 예측 의도 기반으로 진화하고 있습니다. AI 기반 타겟팅은 검색 속도나 장바구니 구성과 같은 실시간 신호를 분석하여 쇼핑객의 니즈가 발생하는 정확한 순간을 파악함으로써, 단순히 광범위한 인구 통계학적 범주를 타겟팅하는 것이 아니라 가장 중요한 순간에 적절한 광고를 보여줍니다.

둘째, 측정 기준으로 단순 광고투자수익률(ROAS)에서 증분 광고투자수익률(iROAS)로 전환되고 있습니다. 인과관계 AI를 활용하면 광고를 통해서만 전환된 구매자와 자연적으로 전환되었을 구매자를 구분하여 미디어 지출의 실제 효과를 측정할 수 있습니다.

셋째, 특히 크리에이티브 운영 분야에서 운영 효율성이 매우 중요해지고 있습니다. 초개인화를 지원하기 위해 소매업체들은 아이디어 구상뿐 아니라 생산 규모 확대를 위해서도 생성형 AI를 활용하고 있습니다. 이를 통해 팀은 수천 가지의 동적이고 채널별 맞춤형 콘텐츠를 몇 주가 아닌 몇 분 만에 자동으로 생성할 수 있어 '콘텐츠 제작 속도'의 병목 현상을 해결할 수 있습니다.

마지막으로, 신뢰를 유지하기 위해서는 데이터 클린룸의 광범위한 도입이 필수적입니다. 이러한 환경을 통해 소매업체와 브랜드는 데이터 세트를 안전하게 매칭하여 폐쇄형 귀속 분석을 수행하고, 민감한 개인 식별 정보(PII)가 각자의 방화벽을 벗어나지 않도록 보장할 수 있습니다.

앞으로 차세대 AI 기반 소매업체를 정의할 역량은 무엇이며, 향후 5년간 경쟁력을 유지하기 위해 리더들은 지금 당장 무엇을 구축하기 시작해야 할까요?

차세대 소매업은 '디지털 전환'에서 '에이전트 전환'으로의 전환으로 정의될 것입니다. 우리는 AI 에이전트 네트워크가 협력하여 복잡한 프로세스를 실행하는 '자율 오케스트레이션' 시대로 나아가고 있습니다. 예를 들어, 공급망 에이전트가 배송 지연을 이유로 마케팅 에이전트에게 프로모션을 일시 중단하라고 자동으로 지시하는 것과 같은 방식입니다.

이를 위해 지도자들은 오늘부터 세 가지를 구축하기 시작해야 합니다.

첫째는 통합 데이터 모델입니다. 에이전트들이 같은 언어를 사용하지 않으면 협업할 수 없습니다. 따라서 데이터 기반은 단순한 저장소에서 의미론적 '신경계'로 발전해야 합니다.

두 번째는 에이전트를 위한 거버넌스 프레임워크입니다. 규모를 확장하기 전에 AI가 자율적으로 수행할 수 있는 작업과 인간의 승인이 필요한 작업을 구분하는 '작업 규칙'을 정의해야 합니다.

마침내, 과거 데이터를 보여주는 정적인 대시보드 시대는 저물고 있습니다. 이제 우리는 즉각적이고 개인화된 인사이트를 제공하는 대화형 분석으로 나아가고 있습니다. 이러한 인터페이스는 단순히 '무슨 일이 일어났는지'를 보고하는 것을 넘어, 에이전트형 AI를 활용하여 복잡한 '왜'라는 질문에 대한 추론을 통해 '다음에 무엇을 해야 하는지'에 대한 구체적인 권장 사항을 제시함으로써 인사이트와 실행 사이의 간극을 효과적으로 메워줍니다.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 트레 던스.