패션 제품 데이터가 왜 이제까지 이런 식으로 유지되고 있는지, 그리고 AI가 어떻게 도움을 줄 수 있는지

패션에서는 시각적인 요소가 모든 것을 결정한다. 그러나 각 제품 설명 페이지 뒤에는 데이터가 존재한다. 제품 설명 페이지는 제품을 발견하고, 표시하고, 구매하고, 반품하는 모든 과정을 결정한다. 데이터가 정확하다면, 시스템이 제대로 작동한다. 그러나 데이터가 부정확하다면, hậu勤에서 고객 신뢰까지 모든 것이 영향을 받는다.

2024년 Forrester Consulting의 연구에 따르면, 83%의 전자상거래 리더들은 자신의 제품 데이터가 불완전하거나, 일관성이 없거나, 부정확하거나, 구조화되지 않았거나, 구식이라는 것을 인정했다. 그리고 이러한 영향은 백엔드에만 국한되지 않는다. 제품 데이터의 부정확성은 출시를 지연시키고, 가시성을 제한하고, 고객을 좌절시키고, 반품을 증가시킨다. 패션에서는 정밀성이 판매와 마진을 결정하기 때문에, 이는 심각한 문제가 된다.

브랜드가 더 많은 소매 채널로 확장할수록, 문제는 복잡해진다. 여러 형식 요구 사항, 이미지 표준, 분류 체계를 동시에 관리하는 것은 복잡성을 추가한다. 그러나 멀티모달 AI는 이러한 문제를 해결할 수 있는 도구로 등장하고 있다. 멀티모달 AI는 이미지와 텍스트를 모두 처리할 수 있는 모델이다.

제품 데이터가 판매를 저해할 때

디지털 소매의 모든 제품 페이지는 고객과 상호작용하는 곳이다. 패션에서는 이러한 상호작용이 정확성을 요구한다. 색상을 잘못 레이블링하거나, 재료를 생략하거나, 이미지와 설명을 일치하지 않게 하는 것은 전문성이 결여된 것으로 보인다. 또한 고객에게도 중요하다. 산업 연구에 따르면:

• 42%의 쇼핑객이 제품 정보가 불완전할 때 장바구니를 포기한다.
• 70%의 쇼핑객이 제품 설명이 도움이 되지 않거나 모호할 때 제품 페이지를 완전히 떠난다.
• 87%의 쇼핑객이 온라인 목록과 일치하지 않는 제품을 받은 후 다시 구매할 가능성이 낮다.

제품 설명이 부정확할 때, 브랜드는 반품에 의해 강타된다. 2024년 alone, 패션 부문의 42%의 반품은 잘못된 또는 불완전한 제품 정보에 기인했다. 이미 반품 비용과 낭비로 부담을 느끼는 산업에서, 이러한 영향은 무시할 수 없다.

오류가 있는 데이터는 가시성을 저하하고, 아이템을 변환하기 전에 매장한다. 이는 판매를 낮추고, 전체적으로 비용을 증가시킨다.

패션의 데이터 문제가 사라지지 않는 이유

이 문제가 इतन 널리 퍼져 있으면서, 왜 산업이 이를 해결하지 못했을까? 패션 제품 데이터는 복잡하고, 일관성이 없고, 종종 구조화되지 않았다. 또한 시장의 기대가 계속变化하고 있다.

모든 브랜드가 카탈로그를 다르게 관리한다. 일부는 수동 스프레드시트에 의존하고, 다른 일부는rigid한 내부 시스템과 씨름하며, 많은 브랜드가 복잡한 PIM 또는 ERP에 얽혀 있다. 한편, 소매업체는 자신의 규칙을 부과한다. 하나는 торсо 사진을 요구하고, 다른 하나는 흰 배경을 요구한다. 심지어 색상 이름이 잘못되면(“orange” 대신 “carrot”) 목록이 거부될 수 있다.

이러한 불일치는 엄청난 수동 작업을 의미한다. 단일 SKU는 여러 형식 패스를 통해 파트너 요구 사항을 충족해야 한다. 이를 수천 개의 제품과 수십 개의 소매 채널로 곱하면, 팀이 데이터 문제를 수정하는 데 반일을 보내는 것이 놀라운 일이 아니다.

그들이 그렇게 할 때, 시즌 출시와 성장 전략과 같은 우선순위가 뒤처진다. 목록이 주요 속성을 생략하거나 완전히 차단된다. 고객이 스크롤하거나 잘못된 기대와 함께 구매한다. 성장을 지원하기 위한 과정은 반복적인 문제의 근원이다.

멀티모달 AI의 경우

이것은 멀티모달 AI가 해결하기 위해 설계된 정확한 문제이다. 전통적인 자동화 도구와 달리 구조화된 입력에 의존하는 멀티모달 시스템은 이미지와 텍스트를 모두 분석하고 이해할 수 있다.

멀티모달 AI는 사진과 제품 제목을 스캔하고, 디자인 특징을 인식하고, 소매업체가 요구하는 올바른 카테고리와 태그를 할당할 수 있다. 또한 일관성이 없는 레이블을 표준화하고, “navy”, “midnight”, “indigo”를 동일한 핵심 값으로 매핑하고, 누락된 속성을 채울 수 있다.

기술적으로, 이것은 비전-언어 모델(VLMs)에 의해 가능하다. 이러한 모델은 제품 이미지와 텍스트(제목, 설명)를 함께 분석하여 각 항목을 전체적으로 이해한다. 이러한 모델은 플랫폼 요구 사항, 실제 목록 성능, 역사적인 카탈로그 데이터에 따라 훈련된다. 시간이 지남에 따라, 이러한 모델은 소매업체의 분류 체계를 학습하고, 피드백과 결과에 따라 예측을 세분화한다.

주간에 걸쳐 수행되던 작업이 이제 몇 시간 내에 완료될 수 있다. 정확성을 희생하지 않고.

청정 데이터가 모든 것을 가속화하는 이유

제품 데이터가 완전하고, 일관적이고, 잘 조직화되어 있을 때, 모든 것이 더 원활하게 작동한다. 아이템이 올바른 검색 결과에 나타나고, 지연 없이 출시되고, 고객이 실제로 사용하는 필터에 나타난다. 온라인에서 볼 수 있는 제품이 실제로 도착하는 제품이다.

이러한 종류의 명확성은 전체 소매 운영에 구체적인 결과를 가져온다. 소매업체는 긴 협상을 거치지 않고 SKU를 온보딩할 수 있다. 시장은 자신의 표준을 충족하는 목록을 우선적으로 표시하여 가시성과 배치가 개선된다. 정보가 명확하고 일관적일 때, 쇼핑객은 더 많이 전환하고, 구매한 것을 반환할 가능성이 낮다. 심지어 지원 팀도 이익을 보는데, 해결해야 할 불만이 줄고, 혼란이 줄어든다.

번아웃 없이 확장하기

브랜드는 더 이상 자신의 사이트에서만 판매하지 않는다. 아마존, 노드스트롬, 파르페치, 블루밍데일스와 같은 시장에 생존하고 있다. 수동으로 이를 관리하는 것은 지치고, 시간이 지남에 따라 비현실적이고 지속 불가능하다.

멀티모달 AI는 브랜드가 적응형 인프라를 구축하는 것을 도와준다. 이러한 시스템은 속성을 태그하는 것만이 아니라, 시간이 지남에 따라 학습한다. 새로운 시장별 규칙이 도입되거나 제품 사진이 진화할 때, 목록을 빠르게 업데이트하고 재형식화할 수 있다.

일부 도구는 더 나아가, 규정 준수 이미지 세트를 자동으로 생성하고, 속성 범위의 격차를 식별하고, 특정 지역 시장에 대한 설명을 맞춤형으로 제공할 수 있다. 목표는 인간 팀을 대체하는 것이 아니다. 반복적이고 규칙 기반의 작업에서 팀을 해방시키고, 브랜드가 고유한 것에 집중할 수 있도록 하는 것이다.

브랜드가 창의적으로 하고, AI가 나머지를 처리하게 하기

패션은 원본이 아닌, 수동 데이터 입력에 의해繁荣하지 않는다. 데이터가 어지러우면, 심지어 가장 강력한 브랜드도 조용히 파괴될 수 있다. 기본이 올바르지 않으면, 가시성에서 전환, 유지까지 모든 것이 서서히 무너진다.

멀티모달 AI는 현실적이고, 확장 가능한 앞으로의 길을 제공한다. 브랜드가 제어를 잃지 않고 더 빠르게 움직일 수 있도록 도와주고, 오랫동안 혼란으로 정의된 비즈니스 부분에秩序를 가져온다.

패션은 빠르게 움직인다. 성공할 브랜드는 시스템이 따라잡을 수 있는 브랜드가 될 것이다.