์ธํฐ๋ทฐ
ํธ๋ ๋์ค ์๋งค ๋ถ๋ฌธ์ฅ ์๋งํ ๋ํ๋ฅด – ์ธํฐ๋ทฐ ์๋ฆฌ์ฆ
아만팔 두파르, 트레던스 소매 부문장은 10년 이상의 경험을 가진 소매 분석 및 AI 전문가로서 기업의 의사 결정자에게 행동 가능한 통찰력을 제공하는 데이터 기반 솔루션을 설계하고 개발하는 전문가입니다. 그의 경력 동안, 그는 주요 소매업체의 고위급 임원들을 위한 전략적 분석 변화를 이끌었으며, 측정 가능한 비즈니스 KPI를 구동하는 AI 제품 로드맵을 구축하였으며, 분석 팀을 초기 단계에서 대규모 운영으로 확장시킴으로써 기술적인 깊이와 리더십의 다변화를 보여주었습니다.
트레던스는 데이터 과학 및 AI 솔루션 회사로서 고급 분석, 기계 학습, 및 AI 기반 의사 결정으로 비즈니스 가치를解锁하는 것을 목표로 합니다. 이 회사는 글로벌 브랜드, 특히 소매 및 소비재 업체와 협력하여 상품 관리, 공급망, 가격, 고객 경험, 및 시장 진출 운영을 포함한 복잡한 문제를 해결하고, 통찰력을 실제 결과로 변환하여 고객이 분석 및 지능 능력을 현대화하도록 지원합니다.
소매업체는 종종 수십 개의 AI 파일럿을 운영하지만, 매우 적은 수만이 전체 배포로 이동합니다. AI가 측정 가능한 비즈니스 결과를 내지 못하는 것을 방지하는 가장 일반적인 조직적 실수는 무엇입니까?
최근 MIT 솔란 연구에 따르면 95%의 AI 파일럿이 전체 배포에 실패합니다. 현실은 파일럿은 쉽지만 생산은 어렵습니다. 트레던스에서 우리는 이 격차를 일으키는 네 가지 특정 조직적 이유를 식별했습니다.
첫 번째는 최종 사용자 워크플로우를 이해하지 못하는 것입니다. 소매업체는 종종 AI를 기존의 고장난 프로세스에 삽입하는 대신 워크플로우 자체가 AI를 중심으로 재구성되어야 하는지 묻지 않습니다.
두 번째는 에이전트 AI에 대한 플랫폼 접근 방식의 부족입니다. 에이전트를 일회성 실험으로 다루는 대신, 조직은 에이전트 설계 및 개발, 배포, 모니터링, 및 거버넌스와 같은 전체 수명주기를 스트리밍해야 합니다.
세 번째는 약한 데이터 기반입니다. 파일럿을 깨끗한 플랫 파일에서 구축하는 것은 쉽지만, 확장에는 정확한 데이터가 AI 모델에 지속적으로 접근할 수 있는 강력한 실시간 기반을 필요로 합니다.
마지막으로, 우리는 IT 푸시 대비 비즈니스 풀 사이의 마찰을 보는 바입니다. 성공은 비즈니스 리더들이 AI를 측정 가능한 영향과 관련된 가치 추가로 보았을 때, 즉 IT에 의해 밀어붙여진 방해물이 아니라 발생합니다. 트레던스에서 우리의 초점은 항상 ‘마지막 마일’에서 있었으며, 여기서 우리는 통찰력 생성과 가치 실현 사이의 간격을 메웠습니다.
트레던스는 세계에서 가장 큰 소매업체 중 많은 곳과 협력하여 수조 달러의 매출을 지원합니다. 업계 전반에서 보이는 바에 따르면, AI를 성공적으로 확장하는 소매업체와 실험에 머무르는 소매업체를 구분하는 것은 무엇입니까?
트레던스에서 수조 달러의 소매 매출을 지원함으로써, 우리는 업계의 명확한 분열을 목격했습니다. 즉, AI를 일련의 별개의 실험으로 다루는 소매업체와 ‘AI 팩토리’를 구축하는 소매업체입니다. 주요 차이점은 에이전트 AI 플랫폼 기반에 대한 헌신에 있습니다. 가장 성공적인 조직은_scratch에서 구축하는 것을 중단하고, 재사용 가능한 구성 요소 라이브러리, 표준 디자인 템플릿, 및 특정 소매 사용 사례에 맞춘 사전 구축 에이전트 패턴이 특징적인 강력한 생태계에 투자합니다. 이 基盤에 성숙한 LLMOps, 풀스택 관찰 가능성, 및 내장된 책임 있는 AI(RAI) 가드레일을 추가하면 영향력이 변혁적입니다. 우리는 일반적으로 새로운 사용 사례에 대한 속도-가치가 80% 개선됨을 보는 바입니다. 이는 중대한 아키텍처 작업이 이미 완료되었기 때문입니다.
그러나 플랫폼은 소비하는 컨텍스트만큼 좋습니다. 이는 데이터 基盤에 대한 것입니다. 확장은 원시 데이터에 대한 접근만이 아니라, 강력한 의미 레이어에서 이루어져야 합니다. 여기서 강력한 메타데이터와 통일된 데이터 모델이 비즈니스에 대해 실제로 ‘이유’할 수 있도록 AI를 가능하게 합니다. 마지막으로, 진정한 리더는 이것이 기술 개선만이 아니라 문화적 개선임을 인식합니다. 그들은 ‘마지막 마일’을 연결함으로써 단순한 자동화 너머로 인간-에이전트 팀을 구축하고, 워크플로우를 재설계하여 협력자와 상인들이 디지털 대응자와 신뢰하고 협력하도록 하여, 알고리즘적 잠재력을 측정 가능한 비즈니스 현실로 전환합니다.
70% 이상의 소매 프로모션은 여전히 손익분기점을 달성하지 못합니다. AI는 어떻게 프로모션 계획, 측정, 및 실시간 최적화를 의미 있게 개선할 수 있습니까?
70%의 실패율은 지속되는 이유는 소매업체가 종종 ‘후방 미러’ 분석에 의존하기 때문입니다. 즉, 총 매출과 증분 리프트를 혼동하여, 사실상 기존에 구매할 의사가 있었던 충성 고객에게 보조금을 지불하는 것입니다. 이 순환을 깨기 위해, 우리는 설명적 보고에서 예측적 접근 방식으로 전환해야 합니다. 계획 단계에서, 우리는 결과를 시뮬레이션하고 ‘진짜 기준선’을 설정하기 위해 인과적 AI를 사용합니다. 즉, 프로모션 없이 무엇이 판매되었을지 식별하여, 소매업체가 순수한 유기적 수요에 대한 보조금을 중단하고, 순수한 신규 볼륨만을 타겟팅할 수 있도록 합니다.
측정을 위해, AI는 ‘포트폴리오 퍼즐’을 해결합니다. 즉, 할로 효과와 식품을 양화합니다. 인간 상인들은 종종 실로에서 계획하지만, AI는 범주 전체의 시각을 제공하여, 하나의 SKU에 대한 프로모션이 다른 SKU의 마진을 훔치지 않는지 확인합니다. 이는 소매업체가 범주 피를 키우는지, 또는 단지 달리 자르기만 하는지 이해하도록 도와주는 홀리스틱 측정입니다.
마지막으로, 실시간 최적화를 위해, 업계는 캠페인을 ‘비행 중’으로 모니터링하는 AI 에이전트로 이동하고 있습니다. 즉, 이벤트 후 몇 주가 지나기 전에, 이러한 에이전트는 자동으로 코스를 보정하는 것을 추천합니다. 즉, 디지털 광고 지출을 조정하거나 제안을 교환하여, 프로모션이 끝나기 전에 P&L을 구합니다. 이는 단순히 재고를 청소하는 것에서 수익성 있는 성장을 엔지니어링하는 것으로焦点을 전환합니다.
예측 오류와 재고 부족은 여전히 주요 매출 손실을引き起こ습니다. AI 기반 상품 관리 및 공급망 시스템은 전통적인 예측 접근 방식보다 더 효과적인 이유는 무엇입니까?
첫 번째 전환은 예측에서 발생합니다. 즉, 내부 기록에만 의존하는 대신 외부 데이터를 摂取하는 것입니다. 즉, 지역 날씨, 사회적 사건, 및 경제 지표와 같은 것입니다. 예측이 이러한 외부 컨텍스트를 캡처할 때, 정확도 향상은 단순히 판매 숫자를 개선하는 것만이 아닙니다. 이는 또한 재고 관리, 용량 계획, 노동 스케줄, 및 창고 운영을 실제 수요와 일치시키기 위해 하류로 최적화합니다.
두 번째 전환은 재고 부족(OOS)에서 발생합니다. 대부분의 소매업체는 여전히 정확하게 측정하지 못합니다. AI는 판매 패턴의 이상을 감지하여 ‘팬텀 재고’를 식별하고, 시스템이 품목이 재고에 있음을 생각하지만, 판매가 중단된 경우 자동으로 주기적인 카운트를 트리거합니다. 데이터 너머로, 우리는 실시간으로 선상 간격을 물리적으로 플래그하고, 백룸에서 재고를 추적하여, 제품이 건물 안에 있지만, 고객이 구매할 수 있는지 확인하기 위해 컴퓨터 비전의 부상을 보는 바입니다.
에이전트 커머스는 소매 혁신의 주요 테마가 되고 있습니다. 이유 기반 AI 에이전트는 오늘날의 검색 기반 쇼핑 경험과 비교하여 제품 발견 및 전환을 어떻게 의미 있게 변경합니까?
오늘날의 검색 기반 쇼핑에서, 소비자는 여전히 대부분의 중동 작업을 수행합니다. 즉, 무엇을 찾을지 알아야 하며, 옵션을 비교하고, 끝없는 결과를 이해해야 합니다. 이유 기반 에이전트는 동적으로 ‘합성 통로’를 생성하여, 특정 의도에 따라 다중 범주 제품을 집계합니다. 예를 들어, 5개의 항목을 개별적으로 검색하는 대신, ‘건강한 아침’ 임무를 가진 쇼퍼에게, 고단백 시리얼에서 믹서기까지 모든 것을 포함하는 일관된, 임시 통로를 제공하여, 발견 피ンホ를 몇 분에서 몇 초로 축소합니다.
전환 측면에서, 이러한 에이전트는 검색 엔진보다 쇼핑 컨시어지처럼 작동합니다. 즉, 옵션을 나열하는 대신, 개방형 필요에 따라 바구니를 구축합니다. 고객이 ‘$50 이하의 4인용 저녁 식사 계획’을 요청하면, 에이전트는 재고, 가격, 및 식단 제한과 같은 이유를 통해 완전한 번들을 제안합니다. 이는 ‘신뢰 구간’을 닫습니다. 즉, 특정 제품이 사용자의 라이프스타일이나 목표와 일치한다는 이유를 설명함으로써, 에이전트는 의사 결정 마비를 줄이고, 침묵의 제품 썸네일보다 높은 전환率를 구동합니다.
마지막으로, 우리는 이것이 초 개인화된 콘텐츠로 확장하는 것을 보는 바입니다. 즉, 모든 사람에게 동일한 홈페이지 배너를 표시하는 대신, 에이전트는 현재 쇼핑 임무를 반영하는 동적 랜딩 페이지 및 시각을 생성할 수 있습니다. 그러나, 이를 확장하기 위해, 소매업체는 엄격한 브랜드 및 안전성 거버넌스를 갖춘 통일된 데이터 모델에 이러한 에이전트를 기반으로 해야 합니다. 즉, AI의 ‘창의력’이 제품이나 브랜드 음성을 위반하지 않는지 확인합니다.
많은 소매업체는 구식 데이터 아키텍처에 어려움을 겪고 있습니다. 기업은 AI 모델이 신뢰할 수 있는 추천을 제공할 수 있도록 데이터 基盤을 어떻게 현대화해야 합니까?
AI 성공의 가장 큰 장벽은 모델이 아니라 ‘데이터 스왐프’입니다. 현대화하기 위해, 소매업체는 단순히 데이터를 수집하는 대신, 통일된 의미 레이어를 구축해야 합니다. 즉, 비즈니스 논리(예: ‘순 마진’ 또는 ‘이탈’이 계산되는 방식)를 정의하고, 전사적으로 普遍적으로 접근할 수 있는 표준 ‘데이터 모델’을 구현하는 것입니다.
두 번째로, 기업은 ‘데이터 제품’ 마인드로 전환해야 합니다. 즉, 데이터를 IT의 부생산물로 다루는 대신, 데이터를 소유권, SLA, 및 엄격한 품질 모니터링(데이터 관찰 가능성)이 정의된 제품으로 다룹니다. 깨끗한, 거버넌스된 ‘골든 레코드’를 풍부한 메타데이터와 결합하면, 설명 가능성을 잠금합니다. AI는 단순히 블랙박스 추천을 내보내는 것이 아니라, 그 논리를 의미 레이어를 통해 추적할 수 있습니다.
소매업체와 CPG 회사 간의 협력은 역사적으로 단편화된 데이터와 일관되지 않은 지표에 의존해 왔습니다. 통일된 데이터 모델과 공유 AI 플랫폼은 양측 모두에게 더 강한 범주 성과를 어떻게 잠금합니까?
지금까지, 소매업체와 CPG는 동일한 고객을 서로 다른 렌즈로 바라보았으며, 각자 자신의 데이터와 인센티브를 사용했습니다. 통일된 데이터 모델은 이를 변경하여 가치 사슬 전체에 걸쳐 단일 버전의 진리를 생성합니다. 즉, 선반 성능 또는 쇼퍼 행동입니다.
양측이 동일한 AI 플랫폼에서 일할 때, 범주 수준에서 성장 또는 누수를 구동하는 것을 공동으로 식별할 수 있습니다. 이는 가격, 프로모션, 어셈블, 또는 재고 격차와 같은 모든 것이 될 수 있습니다. 이는 ‘나의 데이터 대 너의 데이터’와 같은 대화에서 ‘우리 共通의 기회’로의 전환을 의미합니다.
결과는 더 智能한 결정, 더 빠른 실험, 및 궁극적으로, 양측 모두에게ประโยชน 있는 더 높은 범주 성장입니다.
소매 미디어 네트워크가 성숙함에 따라, AI는 타겟팅, 측정, 및 폐쇄 루프 속성과 동시에 소비자 신뢰를 유지하는 데 어떻게役割을 할까요?
AI는 소매 미디어 네트워크가 성숙함에 따라 네 가지 주요 영역을 변환할 것입니다.
첫 번째는 타겟팅입니다. 즉, 업계는 정적 오디언스 세그먼트에서 예측적 의도로 진화하고 있습니다. 즉, 브라우징 속도 또는 바구니 구성과 같은 실시간 신호를 분석하여 쇼퍼의 필요에 대한 정확한 순간을 식별하여, 가장 중요할 때 올바른 광고를 표시하는 것입니다.
두 번째는 측정입니다. 즉, 기준은 단순한 광고 지출 수익률(ROAS)에서 증분 ROAS(iROAS)로 이동하고 있습니다. 즉, 인과적 AI를 활용하여, 광고에 대한 실제 영향을 측정하여, 광고로 인해 전환된 쇼퍼와 유기적으로 발생한 쇼퍼를 구분합니다.
세 번째는 운영 효율성입니다. 특히 크리에이티브 운영에서 중요합니다. 하이퍼 개인화를 지원하기 위해, 소매업체는 아이디어 생성뿐만 아니라 동적, 채널별 자산 변형을 자동으로 생성하기 위해 생성적 AI를 사용합니다. 이는 수주가 아닌 분 단위로 수천 개의 자산을 생성할 수 있도록 합니다. 이는 ‘콘텐츠 속도’의 병목 현상을 해결합니다.
마지막으로, 신뢰를 유지하는 것은 데이터 클린 룸의 광범위한 채택에 달려 있습니다. 즉, 소매업체와 브랜드가 데이터셋을 안전하게 매칭하여 폐쇄 루프 속성을 보장하는 환경을 제공합니다. 즉, 민감한 개인 식별 정보(PII)가 कभ도 해당 방화벽을 떠나지 않는다는 것을 보장합니다.
앞으로, AI 기반 소매업체의 다음 세대는 어떤 능력으로 정의될까요? 그리고, 다음 5년 동안 경쟁력을 유지하기 위해 리더는 오늘날 무엇을 구축해야 합니까?
소매의 다음 시대는 ‘디지털 변환’에서 ‘에이전트 변환’으로의 전환으로 정의될 것입니다. 즉, 복잡한 프로세스를 실행하는 에이전트 네트워크의 ‘자율 오케스트레이션’으로의 이동입니다. 즉, 공급망 에이전트가 자동으로 마케팅 에이전트에게 배송이 지연되었으므로 프로모션을 중지하도록 지시하는 것입니다.
이것을 준비하기 위해, 리더는 오늘날 세 가지 것을 구축해야 합니다.
첫 번째는 통일된 데이터 모델입니다. 즉, 에이전트가 협력하기 위해 동일한 언어를 사용해야 합니다. 즉, 데이터 基盤이 저장소 저장소에서 의미적인 ‘신경계’로 발전해야 합니다.
두 번째는 에이전트에 대한 거버넌스 프레임워크입니다. 즉, 에이전트가 자동으로 수행할 수 있는 것과 인간의 승인이 필요한 것을 정의해야 합니다.
마지막으로, 정적 대시보드가 제공하는 ‘후방 미러’ 분석의 날씨는 끝나고 있습니다. 즉, 우리는 대화형 분석으로 이동하고 있습니다. 즉, 즉각적이고 개인화된 통찰력을 제공하는 인터페이스를 제공합니다. 이는 단순히 ‘무엇이 발생했는지’를 보고하는 것만이 아니라, 에이전트 AI를 통해 복잡한 ‘왜’ 질문을 이유로 하고, 정확히 ‘무엇을 다음에 해야 하는지’에 대한 처방적 추천을 제공하여, 통찰력과 행동 사이의 간격을 효과적으로 닫습니다.
그레이트 인터뷰에 감사드립니다. 더 많은 것을 배우고 싶은 독자는 트레던스를 방문해야 합니다.
