🙋‍♀️ 진수님 안녕하세요. 먼저, 간단하게 자기 소개 부탁드려요.

안녕하세요. 저는 현재 Product 팀에서 PO 겸 SW Engineer로 일하고 있는 최진수입니다. 달파 초기, 첫 번째 프론트엔드 엔지니어로 합류해 달파 홈페이지와 AI Store처럼 눈에 보이는 것들을 만들어가기 시작하면서 PO로 직무를 전환했고, 그 이후로 쭉 PO로 일하고 있어요. 지금도 프론트엔드나 소소한 백엔드 개발 등 팀 목표 달성에 필요한 리소스가 부족할 때는 직접 개발 업무를 병행하고 있습니다. 현재는 Product 팀 소속이지만, 그동안 MAI, Life-cycle SW, LENS 등 여러 팀을 거치며 다양한 업무를 진행해왔습니다.

💁‍♀️ 요즘 달파에서 진수님의 가장 큰 고민은 무엇인가요?

저뿐만 아니라 아마 모든 달파 팀원들이 공통으로 갖고 있는 고민일텐데요. 큰 틀에서 달파가 지금보다 어떻게 더 가파르게 성장할 수 있을까가 가장 큰 고민이에요. 달파는 기술력뿐만 아니라 AI 컨설팅 같은 비즈니스 측면에서도 날카로운 무기들을 많이 갖고 있는데, 아직 그 무기들을 충분히 활용하지 못하고 있다는 아쉬움이 있어요. 어떻게 하면 달파가 가진 다양한 무기들을 잘 활용해 고객을 만족시키고, 실제 성장과 매출로 연결시킬 수 있을지를 늘 고민하고 있습니다.

Product 팀 리드로서는, 팀원들이 지치지 않고 지속적으로 재미있게 일할 수 있는 방법에 대한 고민이 많아요. Product 팀은 지원 조직의 특성상 일하다보면 상대적으로 덜 보람차거나 지치는 순간들이 찾아오기 쉬운데, 그런 시기를 어떻게 잘 이겨내고 팀 전체의 동력을 유지할 수 있을지가 늘 저의 숙제에요.

💁‍♀️ 진수님이 달파에서 어떤 마음으로 일하고 계시는지 궁금해요. 진수님만의 목표가 있나요?

제가 여러 스타트업 중 달파를 선택하고, 지금까지 거의 3년째 다니고 있는 이유는 단 하나에요. 정말 큰 성공을 이루고 싶어요. 그중에서도 스타트업을 함께 성장시켜 큰 성공을 만들어내고, 그 과정에서 제가 중요한 역할을 해내고 싶다는 욕심이 있어요.

저는 성공의 종류를 중요하게 생각하는데요. 진짜로 이루고 싶은 건 실질적인 가치를 만들어내는 스타트업을 만드는 것이에요. 일반적인 플랫폼 기업들이 가진 해자나 가치라는 게, 시간이 지나면 결국 선점 효과에 의존하는 경우가 많잖아요. 플랫폼 점유율이나 시장을 먼저 차지했다는 이점 같은 것들이요. 그런데 그런 성공은 후발 주자와 비교했을 때 큰 차별점이 없고, 개인적으로는 그리 매력적이지 않게 느껴져요.

저는 전에 없던 가치를 만드는 진정한 빅테크 기업을 꿈꿔요. B2B든 B2C든 사용자에게 전에는 없던 가치를 기술적으로 제공하는 기업. 예를 들면 OpenAI가 GPT를 통해 이전에는 존재하지 않던 가치를 만들어낸 것처럼 저도 그런 임팩트를 만들어내고 싶어요. 저는 처음 달파에 왔을 때도, 지금 이 순간에도, 달파가 전에 없던 가치를 만들어가는 회사라고 믿고 있어요. 그리고 그 여정에서 제가 의미 있는 역할을 해내고 싶어 열심히 달리고 있습니다.

💁‍♀️ 진수님은 달파 초기부터 팀 리더 역할을 수행해오셨는데요, 공유하고 싶은 인사이트가 있을까요?

달파가 제 첫 회사임에도 불구하고 꽤 이른 시점부터 리더 역할을 맡게 되면서, 정말 많은 것을 배웠어요. 돌이켜보면 미숙했던 순간도 많았고, 지금도 여전히 배워가는 중이지만, 그동안의 경험을 통해 크게 깨달은 게 두 가지 정도 있어요.

첫 번째는, 충분히 다양한 시도가 가능한 업무일수록 실무자의 의견을 따르는 것이 좋다는 점이에요. 정답이 명확하지 않거나 다양한 접근이 가능한 일의 경우, 실제로 그 업무를 수행하는 팀원의 의견을 따랐을 때 더 좋은 결과로 이어지는 경우가 많았어요. 예전에는 PO로서 큰 방향성을 잡는 데 집중하다보니, 때로는 제 의견을 우선한 적도 있었는데, 여러 시행착오를 통해 제가 틀릴 수도 있다는 걸 배웠어요. 실무자의 주도 아래 일이 진행될 때, 성과는 물론 일하는 과정에서 나오는 인사이트도 훨씬 다양해진다는 것을 느끼기도 했어요.

두 번째는, 구성원들에게 맥락을 잘 전달하는 것이 정말 중요하다는 거예요. 제가 지원 조직에 있다 보니, 전사적인 방향이나 고객사의 요청처럼 외부 요인에 의해 결정되는 일들이 꽤 많거든요. 때론 탑다운 방식으로 일이 결정되기도 하고요. 이런 경우, 단순히 결정만 전달하는 게 아니라, 그 결정이 왜 나왔는지, 우리가 어떤 조건을 고려했는지, 어떤 옵션이 있었고 왜 이걸 선택했는지 등을 충분히 공유해야한다는 것을 느꼈어요. 특히 외부의 요청이 우리 팀이 기존에 생각하던 방향과 반대될 때는, 그런 맥락을 투명하게 설명하지 않으면 팀이 얼라인이 되기 어렵더라고요. 과정을 팀원들과 함께 공유하고, 여러 옵션을 열어놓은 상태에서 팀원들과 논의한 뒤 함께 결정하고 이겨내는 방식이 훨씬 건강하다는 걸 깨달은 것 같아요.

🙆‍♀️ 달파에서 일하면서 가장 힘들고 지쳤던 순간은 언제인가요? 힘든 순간은 어떻게 극복하셨나요?

앞서 말씀드린 깨달음과 이어지는데요. 제가 의도하지 않은 상황에서 팀원들과 마찰이 생겼을 때 많이 힘들었어요. 고객사의 무리한 요청이나 전사 방향성에 따라 외부에서 정해진 일을 팀이 수행해야 할 때 저조차도 온전히 납득하지 못하는 요청인 경우도 있었는데, 그런 상황에서 리드로서 팀에 ‘해야 한다’고만 전달하다보니 결정에 대한 반감이 저 개인에게 돌아오는 순간들이 있었어요. 그럴 때 제가 의사결정한 것이 아님에도 팀원들과 갈등이 생기면 지치고 억울한 마음이 들었던 것 같아요.

지금 돌이켜보면, 모두 저의 미숙함이었던 것 같아요. 그 당시에는 억울하다는 마음이 컸는데, 제가 리드의 역할에 대한 이해가 부족했던 거죠. 결국 제가 리드라면, 팀이 받아들이기 어려운 결정일수록 그 맥락을 충분히 설명하고, 팀이 납득할 수 있도록 상황을 바꾸려는 노력도 함께 했어야 했는데, 그걸 잘 못했던 것 같아요. 단순히 ‘이건 해야 해’라고 일방적으로 전달하는 게 아니라, ‘왜 이 일을 해야 하는지’, ‘지금 상황이 어떤지’를 공유하고, 조금 힘들겠지만 함께 해내보자고 분위기를 이끌어가는 것이 훨씬 중요하다는 걸 알게됐어요. 외부 요인 때문에 생긴 일이더라도, ‘내가 결정한 건 아니니까’라는 말은 결국 변명에 불과하다는 걸 어느 순간 느낀 것 같아요.

예전에는 ‘가장 잘하는 사람이 리드가 되는 것’이라고만 생각했어요. 특히 PO 중심의 조직에서는 ‘제품 방향을 잘 잡는 사람이 리드다’라는 인식이 강했어요. 그런데 달파에서 리드로서 여러 사람들과 함께 일하며, 결국 팀이 하나의 목표를 향해 잘 화합하도록 만드는 자질이 리드에게 가장 중요하다는 것을 깨달았습니다.

🙋‍♀️ 진수님이 생각하는 달파스러움은 무엇인가요? 어떤 팀원이 달파스러운 팀원일까요?

사람마다 생각이 다를 수 있을 것 같긴 한데 제가 생각하는 달파스러움은 일을 정말 좋아하고 열심히 하는, 똑똑한 사람입니다.

팀원이 일을 좋아하지 않거나 열심히 하지 않으면 팀 전체가 영향을 받아요. 그 한 사람 때문에 없던 규칙을 만들게 되고, 일 분배나 주간 회의 때에도 ‘어떻게든 일을 하게 만들어야 하는’ 고민이 생기게 되죠. 그 코스트가 무시 못할 정도로 크다고 생각해요. 저 사람이 놀고 먹고 있지는 않나?라는 고민을 할 필요가 없는, 일에 열정 가득한 팀원들과 일할 수 있다는 건 큰 행운이라고 생각해요.

두번째로 똑똑함인데요. 제가 생각하는 똑똑함은 달파 팀이 얘기하는 PS 능력에만 국한되는 것은 아니에요. 똑똑함에도 여러 종류가 있고, 결국 함께 일할 때 느껴지는 정성적인 감각이 있다고 생각하거든요. 같이 일하면 마음이 편하고, 일을 맡기면 믿음이 가는 사람. 그런 사람이 저는 진짜 똑똑한 사람이라고 느껴요. 반대로, 마음이 불편해서 계속 체크하게 되거나 자꾸 개입하게 되는 사람은 그렇지 않은 거구요. 달파에는 각자의 방식으로 똑똑한 분들이 모여있고, 이들과 함께 큰 그림을 그리며 똑똑하게 일할 수 있다는 게 정말 좋아요.

이러한 달파스러움이 언제까지 유지될 수 있을지는 모르겠지만, 하나라도 틀어지면 팀의 분위기가 크게 달라질 수 있다고 생각해요. 그래서 개인적으로는 가능한 한 오래 이러한 달파스러움이 유지되었으면 좋겠어요. 진심으로요.

🙆‍♀️ 진수님이 팀에서 힘이 나고 신이 나는 순간은 언제인가요?

아무래도 PO이다 보니 기획적인 제안을 많이 하게 되는데요, 기획 회의 중에 팀원분들이 신나서 아이디어를 마구마구 쏟아낼 때 정말 힘이 나고 신이 나는 것 같아요. ‘우리 팀이 재미있게 일하고 있구나’, 혹은 ‘내가 기획 회의를 잘 준비했구나’ 하는 생각이 들면서요. 반대로 기획적인 제안을 했을 때, “네~ 좋아요~”만 하고 논의가 활발하지 않으면 살짝 아쉬워요. 오히려 반대 의견이 나오더라도 서로 치열하게 의견을 주고받을 때 더 큰 만족감과 즐거움을 느끼는 것 같습니다.

🙋‍♀️ 마지막으로 팀원들에게 한마디 부탁드려요!

먼저 Product Team 여러분. 요즘 정말 고생이 많으십니다. 인원 변경도 잦고 업무는 점점 많아지는 상황 속에서도 잘 버텨주셔서 감사한 마음이 커요. 제가 자주 원온원을 하지 못하지만, Product 팀에 대한 애정과 관심만큼은 늘 깊다는 걸 꼭 알아주셨으면 합니다.

달파 전체 팀원들에게는 꼭 전하고 싶은 말이 있어요. 매년 달파가 성장해가는 모습을 보며 팀이 성숙해지고 있다는 것을 느끼는데요. 다만, 예전보다 자신감이 줄어든 부분도 있는 것 같아요. ‘우리가 하면 하지’라는 정신보다 외부의 사례를 보며 분석하거나 동경하는 경우가 많아진 것 같다고 해야할까요? 돌이켜보면, 팀이 작았을 때에는 팀 전체가 미친듯이 몰입하며 ‘내가 조금 더 해서 팀 전체의 문제를 해결해야지.’ 라는 태도를 공유했던 것 같아요. 아직도 그 정신이 남아있는 팀원분들이 계시지만, 팀이 커지면서 새롭게 합류한 분들과는 그 경험을 공유하지 못해 아쉬움을 느끼고 있어요.

저는 달파만큼 뾰족한 무기를 가진 팀은 드물다고 생각해요. 달파 내부에서는 정말 날카롭고 시장을 앞서가는 논의들이 많았어요. 그리고 지금도 시장을 읽고, 논리적으로 해법을 찾고, 빠르게 실행해내는 역량이 정말 탁월한 팀이라고 생각합니다. 하지만 저희가 풀고자 하는 문제는 더 단단한 것 같습니다. 지난 2년 반 동안 치열하게 노력해왔지만 아직 명쾌한 해법을 찾지 못했으니까요. 운이 좋게도 아직 그 누구도 비즈니스의 AX를 해결하지 못했지만, 한가지 확신하는 것은 빠른 시일 내에 반드시 해결될 문제라는 것 입니다. 조금 더 치열하고, 조금 더 뾰족하게 정진해 봅시다. 함께 노력하다보면 풀리지 않던 문제들이 하나씩 풀리고 세상에 없던 가치를 만들어 낼거라 생각해요. 화이팅!

AI 스타트업 달파가 ‘백화점식’ 확장 노선을 버리고 K-소비재 산업으로 전선을 좁혔다. 지난 3년간 유통, 제조, 미디어 등 200여개 기업에 맞춤형 AI를 공급해 온 달파는 올해를 기점으로 K-뷰티, 패션, 식음료(F&B) 분야의 업무 전반을 장악하는 '에이전틱 OS'로 승부수를 던졌다. 다양한 산업군을 경험하며 쌓은 데이터를 바탕으로, AI가 성과를 가시화할 수 있는 직관적인 분야로 소비재를 정했다.

김도균 달파 대표는 “이제 에이전트가 의사결정부터 실행까지 전 과정을 완결할 수 있는 시대”라며 “단순한 기능 제공이 아니라 사람이 할 때보다 더 높은 매출 성과를 소비재 현장에서 증명해낼 것”이라고 밝혔다.

AI 에이전트로 업무 대체.. 소비재 산업 적용 본격화

김 대표는 AI 에이전트 시장이 이제 막 실제 산업 적용 단계에 진입했다고 진단했다. 그동안 AI가 질의응답이나 개발 보조 등 보조적 역할에 머물렀다면, 이제는 에이전트가 목표를 부여받고 기업 핵심 업무를 설계·수행하는 단계로 진화하고 있다는 분석이다.

그는 "기존 AI가 특정 기능을 자동화하는 수준이라면, 에이전트는 목표를 부여받고 스스로 업무를 설계하고 수행하는 것이 핵심"이라며 "가령 인플루언서 마케팅의 경우 조회수라는 목표를 주면 어떤 콘텐츠를 만들고 누구와 협업할지까지 에이전트가 스스로 판단한다"고 설명했다.

온톨로지(Ontology)와 Agent 기술력이 핵심

기업 AI 도입 과정에서의 가장 큰 과제로는 데이터와 업무 구조의 통합을 꼽았다. 기업 내 데이터가 다양한 시스템에 분산돼 있어 이를 연결하는 과정이 핵심 과제로 작용하고 있다는 설명이다. 단순한 솔루션 도입만으로는 해결이 어려운 구조적 문제라는 점도 강조됐다.

김 대표는 "기업마다 엑셀, PPT, 내부 시스템 등 데이터가 흩어져 있어 이를 하나로 연결하는 것이 가장 어렵다"며 "단순히 서비스형 소프트웨어(SaaS)를 도입하는 방식을 넘어 실제 업무 프로세스에 맞춰 AI를 설계하는 과정이 필요하다"고 말했다.

달파는 이같은 문제를 해결하기 위해 컨설팅 기반 접근 전략을 내세우고 있다. 사전 개념검증(PoC)을 통해 고객사의 업무 구조와 데이터를 분석한 뒤 맞춤형 에이전트를 설계하는 방식이다. 기업이 기존 업무 흐름을 유지하면서도 자연스럽게 AI를 도입할 수 있도록 지원한다.

김 대표는 이를 미국의 대표 데이터 분석·AI 플랫폼 기업인 팔란티어의 비즈니스 모델과 유사한 구조로 설명했다. 소비재 기업의 브랜드 운영 전반을 AI 중심으로 재편하는 전략이다.

그는 "기업 데이터와 업무 흐름을 온톨로지 기반으로 구조화하고 이를 토대로 에이전트가 의사결정과 실행을 담당하는 방식"이라며 "여기에 소비재 산업 지식을 결합해 운영 효율을 높이고 있다"고 강조했다.

Q. 창업한 후 3년이 지났는데

3년 동안 AI 업계에 엄청나게 많은 일이 있었다. 기술이 워낙 빠르게 발전하다 보니 결국 이 흐름에 얼마나 잘 따라가느냐가 AI 기업의 경쟁력이 되는 것 같다. 우리만의 기술이나 비즈니스 방식을 고수하기보다 계속 바꿔나가고 있다. 사실 사업하면서 어려움이 없을 거라고 생각하고 시작한 건 아니다. 사업과 기술 어려움은 계속 존재하지만 어차피 예상하고 가는 것이다. 문제를 정의하고 해결하는 과정이라고 생각하며 즐기며 하고 있다.

Q. 달파는 어떤 방향으로 변화하고 있나

지난 3년간 200개 이상의 기업에 AI를 구현하며 AX(AI 전환)를 해왔다. 이제는 하나의 산업을 혁신할 때가 됐다고 보고 ‘소비재’ 분야를 선택했다. 소비재 분야에 AI를 적용해본 경험이 많기도 하지만 혁신하기 좋은 영역이기도 하다. 소비재는 데이터 기반으로 업무를 처리한다. 상당량의 업무를 아직 사람이 수행해낸다. 이를 AI Agent로 혁신할 수 있다. 또 다른 이유도 있는데 한국이 소비재 강국이라 가장 한국적인 것으로 혁신하면 자연스럽게 글로벌 회사가 될 수 있다고 봤다. 현재 K-뷰티, 패션, 푸드 브랜드들과 업무 전반을 혁신하는 문제를 해결하고 있다.

Q. 최근 AI 기술의 트렌드는 어떻게 보고 있나

챗GPT 출시 이후 1년 동안은 대화형 거대언어모델(LLM) 기술이 발전했다면 2024년부터는 채팅만으로 해결할 수 없는 업무 자동화를 수행하는 에이전트의 시대가 됐다. 단순히 질의응답을 하는 게 아니라 여러 툴을 써서 작업하는 방식이다. 최근에는 기업의 업무나 산업을 통째로 뒤바꿔버리는 시도가 많다. 미국 법무법인 같은 곳은 일하는 방식 자체가 에이전트 기반으로 바뀌고 있다. 에이전트가 의사결정하고 실행하면 사람은 그걸 확인하거나 수정하는 정도로 바뀐다. 1년 안에 디지털 데이터 상에서 일하는 사무직의 업무 방식은 다 바뀔 거라고 본다. 올해가 그 변곡점이다.

• 모두가 재미있게 으쌰으쌰하는 조직이 되는 것.
• AI를 통한 세상의 변화를 주도하는 위대한 기업이 되는 것.

우리는 어떻게 성공할 수 있는가?

• 우리의 성공에 “사람”이 핵심이 될 것임을 믿습니다.
• 두가지 요소로 다시 나누어보면, 1)뛰어난 인재가 모여, 2)뛰어난 방식으로 일하는 것이 달파를 성공으로 향하게 함을 믿습니다.

성공 방정식의 명문화 : “우리가 성공하기 위해 일하는 방식"

• 달파는 현재, 지난 3년 간의 성장을 뒤로 하고 다시 한 번 “미친 성장”을 하고자 합니다.
• 우리는 그동안 암묵적인 기준과 방식들에 대해 “좋다”라고 칭하며 일해왔습니다. 그러나, 이는 때때로 모호함과 방향성의 혼선을 야기하기도 했습니다.
• “미친 성장”을 위해 모두가 한 방향을 보고 달려나가야하는 시기인 만큼, 성공 방정식을 명문화하여 구성원간의 싱크를 맞추고자 합니다.
• 이렇게 만들어진 우리만의 성공 방정식이 바로 Dalpha Way입니다.

Dalpha Way의 선정 기준

1. 명쾌해야한다.
2. 달파가 지금껏 확인한, 우리가 함께 잘할 때의 성공 요인을 추상화한다.
3. 달파가 앞으로 더 잘해내야 할 점도 포함해야 한다.

Dalpha Way 1.0

달파의 성공을 곧 나의 성공으로 여긴다.

[Way 1] Team over Individual : 개인의 목표보다 팀의 목표를 우선하라.

[Way 2] Contribute Actively to Achieve Goals : 팀의 목표 달성에 적극적으로 기여하라.

함께 일하고 싶은 동료가 된다.

[Way 3] Earn Trust : 신뢰받는 사람이 되기 위해 노력하라.

[Way 4] Can-Do Mindset : 언제나 “할 수 있다”는 마음으로 사고하라.

[Way 5] Dive in with Joy : 즐거운 마음으로 몰입하라.

[Way 6] Create Synergy Together : 혼자가 아닌 팀으로 더 좋은 결과를 만들어라.

실행을 통해 임팩트를 만든다.

[Way 7] Dig Deep and Clarify the Problem : 문제를 끝까지 파고들어 명확히 정의하라.

[Way 8] Fast Execution : 빠른 실행을 통해 문제를 해결하라.

[Way 9] Never Quit, Always with Grit : 포기하지 않고 끈기 있게 실행하라.

막내 사원이나 인턴을 동원해 올리브영 랭킹과 수천 개의 리뷰를 수동으로 긁어모으며 밤을 지새우던 데이터 노가다의 시대는 끝났습니다.

이제 질문 한 줄이면 경쟁 브랜드의 가격 전략부터 수만 개의 리뷰 속에 숨겨진
기회요인까지 단 3초 만에 데이터로 시각화되어 펼쳐집니다.

저희가 현장에서 만난 시장의 선도 기업들은 이미 AI로 실시간으로 쏟아지는 수만 건의 리뷰와 수백개의 상세 페이지를 분석하여 상품 기획과 마케팅 기회를 선점하고 있습니다.

AI 대격변 을 맞이한 지금, 한 가지 확실한 사실은 변화를 빠르게 수용하고 AI를 도구로 활용하는 마케터만이 압도적인 정보 격차를 만들어내고 성과를 증명할 것이라는 점입니다.

방대한 올리브영 데이터를 실시간으로 읽어내는 이 챗봇으로,
그 격차를 직접 경험해보시길 바랍니다!

최근 AI 업계에서 'AI Agent'라는 용어를 자주 듣게 됩니다. ChatGPT 같은 대화형 AI를 사용해본 분들도 많지만, AI Agent는 조금 다른 개념입니다. 단순히 질문에 답하는 것을 넘어서, 스스로 판단하고 행동하는 AI를 의미하기 때문입니다.

1. AI Agent란 무엇인가?

AI Agent는 특정 목표를 달성하기 위해 스스로 계획을 세우고, 필요한 도구를 사용하며, 연속적으로 행동하는 AI 시스템입니다. "이번 달 매출 데이터를 분석해서 보고서를 만들어줘"라고 요청하면, 데이터를 찾고, 분석하고, 시각화하고, 문서로 정리하는 일련의 과정을 스스로 진행합니다.

왜 최근 주목받는가?

최근 세 가지 기술적 진전이 맞물리면서 실용화 단계에 접어들었습니다.

첫째, GPT, Gemini, Claude 같은 대규모 언어 모델이 복잡한 지시를 이해하고 논리적으로 사고하는 능력이 크게 향상되었습니다. 둘째, AI가 외부 API, 데이터베이스, 소프트웨어를 직접 호출하고 활용할 수 있게 되었습니다. 셋째, 판단이 필요한 업무까지 자동화하려는 기업들의 니즈가 커지고 있습니다.

기존 챗봇이 미리 정해진 규칙을 따른다면, AI Agent는 상황을 판단하고 여러 단계를 거쳐 목표를 달성합니다. "지난주에 주문한 제품이 언제 오나요?"라는 질문에 고객 정보를 찾고, 주문 내역을 확인하고, 배송 상태를 조회해 답변하는 식입니다.

2. 기존 AI와 무엇이 다른가?

기존 AI는 주로 정보 제공자 역할을 합니다. 질문을 받으면 답을 주고, 대화가 끝나면 맥락이 사라집니다. 반면 AI Agent는 업무 수행자에 가깝습니다. 목표가 주어지면 여러 단계를 계획하고, 중간 결과를 평가하며, 필요하면 방향을 수정합니다.

핵심 차이점

맥락 유지: AI Agent는 작업 전체의 흐름을 추적하고, 이전 단계의 결과를 다음 단계에 활용합니다. 재고 분석에서 현재 재고 확인 → 발주 필요 여부 판단 → 발주서 초안 작성까지 이어집니다.

도구 사용: 일반 AI는 텍스트 생성이 주요 기능이지만, AI Agent는 데이터베이스를 조회하고, API를 호출하고, 파일을 읽고 쓰며, 다른 소프트웨어를 실행할 수 있습니다.

연속 행동: 일반 AI는 한 번의 입력에 한 번의 출력을 제공합니다. AI Agent는 하나의 목표를 위해 여러 행동을 순차적으로 수행합니다. "경쟁사 가격 모니터링"이라는 목표가 주어지면, 웹 크롤링 → 데이터 정리 → 비교 분석 → 리포트 작성까지 자동으로 진행합니다.

실행 능력: 일반 AI는 제안만 제공하지만, AI Agent는 승인된 범위 내에서 직접 실행합니다. 광고 예산 조정이 필요하다고 판단하면 실제로 광고 플랫폼에 접속해 예산을 변경할 수 있습니다.

3. AI Agent의 실제 활용 사례

실제 사례를 보면 AI Agent의 활용 범위가 더 명확해집니다.

Amazon 리스팅 최적화: 이커머스 셀러들은 Amazon 같은 플랫폼에서 제품 상세 페이지를 최적화하는 데 많은 시간을 씁니다. 어떤 키워드를 써야 검색 순위가 올라가는지, 어떤 설명이 전환율을 높이는지 파악하기가 쉽지 않죠.

AI Agent는 먼저 동일 카테고리 Top 100 경쟁 상품을 분석합니다. 각 상품의 노출되는 경쟁사 리스트를 파악하고, 우리 제품을 구매한 사용자의 검색 패턴을 추적합니다. 그다음 경쟁 광고의 과거 성과 데이터를 수집하죠.

이 모든 정보를 바탕으로 AI Agent는 최적화된 상품 소구포인트를 자동 생성합니다. 그리고 여기서 끝나지 않습니다. 경쟁 분석을 토대로 CTR(클릭률)을 시뮬레이션하고, 실제로 2개의 K-뷰티 기업에서 평균 20% 이상의 클릭률 개선을 달성했습니다. 매주 자동으로 분석이 돌아가고, 새로운 개선안을 제시하는 피드백 루프가 구축되는 것이죠.

고객 응대 자동화: 온라인 쇼핑몰은 하루 수십 건의 문의를 처리해야 합니다. AI Agent는 문의 유형을 파악해 재고 시스템을 조회하거나, 주문 내역과 교환 정책을 확인하고, 필요하면 쿠폰을 재발급합니다. 단순히 "고객센터로 문의하세요"가 아니라 실제로 문제를 해결합니다.

재고 및 운영 모니터링: 매일 판매 데이터와 재고 수준을 모니터링하고, 과거 패턴을 분석해 발주 수량을 제안합니다. 계절성이나 프로모션 일정도 고려해 "다음 주 프로모션을 고려하면 500개 발주가 적정합니다"라는 구체적인 제안을 제공합니다.

대부분의 실무 환경에서는 AI Agent가 제안하면 사람이 최종 승인하는 구조로 운영됩니다. 완전 자동화보다는 협업 형태가 현실적입니다.

달파(Dalpha)는 이런 AI Agent를 실제 비즈니스 운영에 적용하는 솔루션을 개발하고 있습니다. Amazon 리스팅 최적화, 재고 관리, 마케팅 자동화 등 브랜드와 이커머스 현장의 반복 업무를 AI Agent로 구조화해, 실무자들이 전략적 판단에 집중할 수 있도록 돕습니다.

마무리: AI Agent는 '일을 맡길 수 있는 구조'

AI Agent는 단순한 기술 트렌드가 아닙니다. 그동안 "자동화하면 좋겠지만, 사람의 판단이 필요해서 어렵다"고 생각했던 업무들을 실제로 맡길 수 있는 구조입니다.

복잡한 의사결정이 필요한 비즈니스 영역에서, AI Agent는 실무자의 시간을 확보해주고 더 나은 판단을 할 수 있는 정보를 제공합니다. 전략 수립과 고객과의 소통은 여전히 사람의 몫이지만, 반복적이고 시간이 많이 드는 작업은 AI Agent에게 맡길 수 있습니다.

우리 회사에 AI Agent를 어떻게 적용할 수 있을지 궁금하다면, 달파와 상담해보세요.

지금까지의 글들을 통해 소비재 브랜드사가 어떻게 혁신적인 기업으로 도약할 수 있는지에 대한 정보를 전달해 드렸는데요,

이번 글에서는 Dalpha와 협업한 뷰티 브랜드 K사의 실제 사례를 통해 우리 기업이 어떻게 적용할 수 있는지에 대해 상세하게 톺아보는 시간을 가져보겠습니다.

뷰티 브랜드 K사의 월요일 아침 회의는 늘 비슷하게 시작됐습니다.

“매출 성과 자료에서 이 데이터는 왜 빠져있죠?”
“이번 달 재고 상황은 지금 어떤가요?”
“지난 캠페인 성과는 왜 이렇게 갈렸죠?”

질문은 많았지만, 명확한 답은 없었습니다.

각 팀은 각자의 자료를 들고 있었고, 회의실 한가운데에는 항상 엑셀 파일 몇 개가 띄워져 있었습니다.

그리고 회의가 끝날 때쯤이면 이런 말로 마무리되곤 했습니다.

“일단 이렇게 가보죠.”

[1] 브랜드 K사가 마주한 현실, 흩어진 데이터와 비효율적인 의사결정

브랜드 K사는 겉으로 보기에는 폭발적으로 성장하는 브랜드였습니다.

뷰티 신상품도 꾸준히 출시했고, 활발한 마케팅으로 인지도도 충분했습니다.

하지만 내부로 들어가 보면 상황은 달랐습니다.

“데이터는 많은데, 왜 결정은 항상 어려울까요?”

가장 큰 문제점은 기업에서 매번 각기 다른 데이터를 보고 의사결정을 하다 보니, 주먹구구식으로 기업 운영이 되고 있다는 지점이었습니다.

신상품 기획 담당자는 늘 같은 고민을 했습니다.

시장 리포트도 보고, 트렌드 자료도 참고했지만 막상 “이 상품을 가야 하나 말아야 하나”의 순간이 오면 결정은 늘 조심스러워졌습니다.

운영팀은 더 복잡했습니다.

재고는 SKU별로 흩어져 있었고, 마케팅팀의 다음 일정은 메신저로 물어봐야 알 수 있었습니다.

마케팅팀 역시 답답했습니다.

지난번 인플루언서 캠페인은 분명 잘 됐는데, 왜 잘 됐는지를 설명하라고 하면 말이 흐려졌습니다.

“이 인플루언서가 잘해줬던 것 같아요.”

“콘텐츠 타이밍이 좋았던 것 같기도 하고요…”

문제는 누구도 일을 대충 하고 있지 않았다는 점이었습니다.

다만, 각자의 판단이 서로 연결되지 않고 있었을 뿐이었습니다.

그렇기에, 브랜드 K사의 가장 큰 과제는

1. 흩어져 있는 데이터를 통합하여 한 눈에 볼 수 있게끔 하고
2. 이 통합된 데이터를 통해 각 부서의 의사결정을 더욱 효율적으로 할 수 있게끔 하는 것이었습니다.

그렇다면, 대체 어떻게 이 모든 것들이 가능해지게 되었고 어떤 효과가 있었을까요?

[2] 달라진 첫 번째 변화, 파편화된 데이터의 통합

브랜드 K사의 문제는 데이터가 없어서가 아니라, 데이터가 서로 연결되어 있지 않다는 점이었습니다.

판매 데이터는 ERP에, 재고 데이터는 WMS에, 마케팅 성과는 각 플랫폼에 흩어져 있었고, 각 부서는 자신이 보는 숫자만을 기준으로 판단하고 있었습니다.

결국 하나의 질문에 답하기 위해 여러 시스템을 오가며 엑셀을 맞추는 일이 일상이었습니다.

브랜드 K사가 선택한 방향은 단순한 데이터 적재가 아니었습니다.

“브랜드가 실제로 판단하는 흐름대로 데이터를 다시 엮는 것”이 핵심이었습니다.

상품, 재고, 판매, 마케팅을 각각의 숫자가 아닌 하나의 연결된 맥락으로 바라볼 수 있도록 구조를 재정의했습니다.

예를 들어 판매량은 단순 매출 수치가 아니라 마케팅 집행 → 고객 반응 → 재고 소진 속도와 연결되었고, 재고는 현재 수량이 아닌 향후 수요와 리드타임을 고려한 수량으로 해석되기 시작했습니다.

이렇게 데이터 간의 의미와 관계가 정리되자, AI는 개별 지표가 아닌 “왜 이런 결과가 나왔는지”를 설명할 수 있는 구조를 갖게 되었습니다.

이 변화 이후 브랜드 K사의 데이터는 보고용 숫자가 아니라 의사결정을 돕는 언어로 기능하기 시작했습니다.

이는 이후 발주 전략과 마케팅 방식 등을 AI로 혁신할 수 있는 출발점이 되었습니다.

[3] 달라진 두 번째 변화, 적정 재고를 유지하는 방식

데이터가 하나의 흐름으로 연결되자, 브랜드가 가장 먼저 다시 바라본 영역은 재고였습니다.

뷰티 브랜드 특성상 신제품 출시 주기가 짧고, 트렌드 변화가 빠르며, 색상·용량·라인업에 따라 SKU가 급격히 늘어나는 구조를 가지고 있었기 때문에 이 재고 관리는 브랜드 K사에게 중요한 영역이었습니다.

기존의 발주 방식은 비교적 단순했지만 문제점이 발생하였습니다.

과거 판매량을 기준으로 “이 정도면 안전하다”는 경험치에 의존해 수량을 정했고, 브랜드 K사의 재고에 큰 영향을 주는 마케팅 일정이나 인플루언서 협업은 발주 이후에 고려되는 경우가 많았습니다.

그 결과, 어떤 제품은 마케팅 직후 품절이 발생했고, 어떤 제품은 예상보다 반응이 없어서 장기 재고로 남았습니다.

AI 기반 발주량 최적화는 이전과 달리 단순히 과거 판매량만 보고 판단하지 않고 더욱 고도화된 방식으로 진행되었습니다.

제품별 판매 속도, 시즌성, 프로모션 계획, 인플루언서 콘텐츠 노출 시점, 그리고 재고 소진까지 걸리는 시간을 함께 고려했습니다.

특히 의미 있었던 변화는 “발주 시점의 판단 기준”이 달라졌다는 점입니다.

이제 발주는 “얼마나 팔렸는가”가 아니라 “앞으로 언제, 어떤 이유로 팔릴 가능성이 높은가”를 기준으로 이루어졌습니다.

그 결과 브랜드 K사는 품절과 과잉재고 사이에서 보다 안정적인 균형을 만들어낼 수 있었습니다.

[4] 달라진 세 번째 변화, 인플루언서 마케팅의 구조

발주 방식이 안정되자, 브랜드 K사는 그들의 가장 큰 강점이었음에도 그동안 가장 감에 의존하던 영역, 인플루언서 마케팅을 다시 설계하기 시작했습니다.

이전까지의 인플루언서 마케팅은 담당자의 노하우에 크게 의존했습니다.

직접 한정된 양의 인플루언서를 찾고, 팔로워 수와 기존 협업 사례를 기준으로 선별한 뒤, DM을 보내고, 결과를 정리하는 방식이 반복되었습니다.

문제는 이 과정이 너무 많은 시간과 노력을 요구하면서도, 실제 성과를 사전에 예측하기는 거의 불가능했다는 점입니다.

AI를 도입하면서 구조가 완전히 달라졌습니다.

AI는 SNS에서 방대한 인플루언서 풀을 수집하고, 콘텐츠 주제, 참여도, 팔로워 반응 패턴을 분석해 브랜드 제품과 결이 맞는 인플루언서를 선별했습니다.

또한 콘텐츠 기획 단계에서도 과거 성과가 좋았던 콘텐츠 구조와 메시지를 분석해 “어떤 포인트를 강조했을 때 반응이 높았는지”를 기반으로 콘텐츠 시놉시스를 제안하고, 예상 반응까지 예측했습니다.

DM 발송과 후속 커뮤니케이션은 자동화되었고, 담당자는 반복 작업 대신 성과를 비교하고 전략을 조정하는 역할에 집중할 수 있게 되었습니다.

인플루언서 마케팅은 더 이상 감에 의존한 시도가 아니라, 데이터와 예측을 기반으로 운영되는 하나의 시스템이 되었습니다.

[5] 숫자로 설명되지 않는 변화, 브랜드 운영 방식의 혁신

AI를 도입한 이후 브랜드 K사에서 가장 크게 달라진 점은

• “데이터를 기반으로 최적의 의사결정을 할 수 있게 되었다”와
• “왜 이런 결정을 했는지 설명할 수 있게 되었다”

는 것이었습니다.

과거에는 판매 결과가 좋으면 좋은 결정, 나쁘면 아쉬운 결정으로만 남았습니다.

하지만 그 판단의 근거는 개인의 경험과 감에 의존하는 경우가 많았습니다.

데이터가 통합되고 AI가 의사결정을 보조하면서, 이제는 의사결정을 예상 시나리오와 근거를 바탕으로 논의할 수 있게 되었습니다.

뿐만 아니라, 성과는 다음 전략을 위한 학습 데이터로 남고, 운영은 점점 정교해졌습니다.

무엇보다 큰 변화는 사람의 역할이 달라졌다는 점입니다.

반복적인 정리와 판단에서 벗어나, 담당자들은 전략과 방향성에 더 많은 시간을 쓸 수 있게 되었습니다.

결국 AI 도입의 진짜 의미는 수치 개선이 아니라, 브랜드가 일하는 방식 자체가 한 단계 진화했다는 점이었습니다.

브랜드마다 처한 상황과 운영 방식은 모두 다릅니다.

어떤 브랜드는 재고가 문제이고, 어떤 브랜드는 마케팅의 구조가 고민일 수 있습니다.

중요한 것은 정답을 그대로 가져오는 것이 아니라, 우리 브랜드의 흐름에 맞는 방식으로 AI를 설계하는 일입니다.

Dalpha와 함께 우리 브랜드는 어떻게 운영 방식을 혁신할 수 있을지 논의해보세요.

지난 시리즈에서 상품 기획, 재고 최적화, 마케팅 자동화까지 다뤘습니다. 이번에는 커머스의 마지막 단계, 실제 '판매 전환'을 극대화하는 AI 이야기입니다.

1. 온라인 판매, 왜 최적화가 어려울까요?

온라인 판매는 단순해 보이지만 실상은 복잡합니다.
노출 → 클릭 → 상세페이지 조회 → 구매로 이어지는 각 단계마다 CTR, 전환율, 객단가 같은 핵심 지표가 있고, 이걸 매일 들여다봐야 하죠.

까다로운 건 이 지표들이 서로 물려있다는 겁니다. 제목을 바꿔서 CTR은 올랐는데 전환율이 떨어지기도 하고, 가격을 낮춰 전환율은 올랐는데 마진이 너무 적어지기도 합니다. 거기다 경쟁사 프로모션, 시즌 변화, 트렌드 이동까지 겹치면 지난달 잘 먹혔던 전략이 이번 달엔 안 통하기 일쑤입니다.

AI는 이런 복잡한 변수들을 실시간으로 분석하고, 관계를 파악하고, 계속 학습하면서 최적의 전략을 찾아냅니다. 실제 브랜드들은 어떻게 활용하고 있을까요?

2. 판매 최적화 AI, 실전 사례

2-1. 리스팅 최적화: 검색 결과에서 클릭을 이끌어내는 법

고객사: 뷰티 브랜드

문제: 커머스 플랫폼에서 제품 노출은 충분하지만 클릭률(CTR)이 낮아 매출 성장 정체
목표: 검색 결과에서 고객의 클릭을 유도할 수 있는 최적의 상품 제목 제작

아마존, 쿠팡, 네이버에서 고객이 키워드를 검색하면 수십 개의 상품이 쭉 뜹니다.
이때 우리 제품이 클릭을 못 받으면 끝입니다.
한 뷰티 브랜드는 광고비를 쏟아붓고 가격도 낮췄는데 판매량이 안 늘었습니다.
노출은 되는데 클릭을 못 받고 있었던 거죠.

AI 리스팅 최적화 6단계:

1. 시장 트렌드 수집: 같은 카테고리 상위 100개 제품의 제목, 키워드, 수식어 자동 수집
2. 경쟁 구도 분석: 특정 검색어에서 함께 노출되는 경쟁 제품의 가격대, 리뷰 파악
3. 고객 심리 분석: 실제 구매로 이어진 검색어와 전환율 분석 (예: "히알루론산 세럼"보다 "건조한 피부 세럼"의 전환율이 높다면 효능 중심 소구)
4. 소구 포인트 가설 생성: 여러 방향의 제목 후보 생성
5. CTR 시뮬레이션: 각 제목 후보의 예상 CTR 시뮬레이션으로 최적안 선별
6. 피드백 루프: 실제 성과 모니터링 후 재학습으로 다음 최적화 정확도 향상

결과:

월 평균 20% 이상 매출 성장.
노출은 충분했는데 CTR만 낮았던 상황이라, CTR 개선만으로도 극적인 변화가 가능했습니다.
제품 자체가 괜찮았던 브랜드는 클릭만 늘어도 구매로 바로 이어졌죠.

2-2. 다이나믹 프라이싱: 적정 가격을 찾아가는 과정

고객사: 패션 브랜드

문제: 신규 런칭 상품의 초기 가격 설정 및 시즌별 최적 가격 조정
목표: 매출과 마진을 극대화할 수 있는 적정 가격 선정

가격 설정은 제일 민감한 의사결정입니다. 너무 높으면 고객이 떠나가고, 너무 낮으면 브랜드 이미지가 깎입니다.
한 패션 브랜드는 신상품 수십 개의 가격을 정해야 했는데, 시장에서 어떤 가격대가 먹힐지 감이 안 잡혔습니다.

AI 다이나믹 프라이싱 프로세스:

초기 가격 설정

유사 카테고리의 가격 분포와 판매량을 분석합니다. "울 혼방 오버핏 니트"의 경우:

• 유사 제품 가격 범위: 4만 9천원 ~ 9만 8천원
• 중간 가격대(6~7만원)에서 판매량 최고
• 브랜드 포지셔닝 고려 → 제안 초기 가격: 6만 9천원

런칭 후 모니터링

일별 판매량, 판매 속도, 경쟁사 가격 변동, 재고 소진 속도를 추적합니다.
처음 2주는 데이터를 모으는 기간으로, 시장 반응을 지켜보는 거죠.

시즌별 조정

이 브랜드는 초기 6만 9천원에서 판매가 더뎠고, AI가 5만 9천원으로 낮추자고 했습니다. 판매량이 확 늘었고, 시즌 중반에 6만 4천원으로 다시 올렸다가, 시즌 말에는 4만 9천원으로 재고 정리를 했습니다.

결과:

첫 시즌 평균 판매가는 유지하면서 재고 소진율 15% 개선. 시즌 말 대규모 세일 없이 적절한 타이밍의 가격 조정만으로 재고를 깔끔하게 정리할 수 있었습니다.

2-3. 프로모션 최적화: 언제, 얼마나 할인할 것인가?

고객사: 뷰티 브랜드

문제: 매달 프로모션을 진행하지만 효과가 들쭉날쭉하고 명확한 기준 없이 운영
목표: 최적의 타이밍에 최적의 할인율로 프로모션 진행해 매출과 마진 극대화

할인은 강력하지만, 잘못 쓰면 브랜드 이미지만 망가뜨립니다. 실제로 매달 프로모션을 돌렸는데 어떤 달은 대박이고 어떤 달은 별로인 경험이 있는 브랜드사가 많았습니다.

AI 프로모션 최적화의 핵심:

여러 데이터를 동시에 분석합니다:

• 재고 데이터: 현재 재고량, 입고 예정일, 유통기한
• 판매 트렌드: 최근 4주 판매량, 전년 대비 성장률
• 경쟁 환경: 경쟁사 프로모션 일정, 할인율
• 외부 요인: 시즌성, 기념일, 날씨

중요한 건 이 데이터들이 서로 물려있다는 겁니다. 재고가 많아도 경쟁사가 다음 주 대규모 할인을 계획한다면 프로모션을 앞당기는 게 낫습니다. 판매가 저조해도 시즌 피크가 곧 온다면 기다리는 게 나을 수 있고요. 더 많은 맥락을 파악할수록 AI의 판단이 정교해집니다.

실제 케이스:

AI가 아래와 같이 제안합니다:

"선크림 재고가 평균보다 40% 많고, 2주 안에 날씨가 따뜻해지고, 경쟁사가 다음 주 할인 시작할 것 같습니다. 지금 20% 할인을 걸면 재고도 빼고 시즌 피크 전에 브랜드 인지도도 올릴 수 있습니다."

3일 차에 판매가 예상보다 빨리 터지자, AI가:

"이 속도면 7일 안에 재고 다 빠집니다. 5일 차부터 15% 할인으로 줄여도 됩니다"라고 했고, 브랜드는 후반부 마진을 더 챙길 수 있었습니다.

결과:

평균 프로모션 마진율 12%p 개선, 동시에 재고 회전율도 올랐습니다. 무작정 할인하는 대신 전략적으로 프로모션을 돌린 결과였습니다.

3. 우리 브랜드는 어디서부터?

1단계: 페인 포인트 찾기

• 노출은 되는데 클릭이 안 되나요? → 리스팅 최적화
• 가격 경쟁력이 약한가요? → 가격 최적화
• 재고가 쌓이거나 프로모션 효과가 제각각인가요? → 프로모션 최적화

2단계: 최소한의 데이터 준비

• 리스팅: 제품 제목, 카테고리 정보, (있으면) CTR
• 가격: 일별 판매량과 가격, 재고 수준
• 프로모션: 과거 프로모션 이력과 성과, 재고 데이터

완벽한 데이터가 없어도 괜찮습니다. 시작하면서 하나씩 쌓아가면 됩니다.

3단계: 작게 시작

• 전체 제품을 한 번에 다 건드리지 마세요.
• 잘 팔리는 제품이나 전략 제품 몇 개로 테스트해보고, 결과 보고 확대하는 게 안전합니다.

4단계: 숫자로 확인

• CTR, 전환율, 평균 판매가, 재고 회전율 같은 핵심 지표를 정하고, 개선 효과를 숫자로 확인하세요.

마무리

온라인 판매 최적화 AI의 핵심은 '데이터로 판단하기'입니다. 시장은 빠르게 돌아가고 경쟁은 치열합니다. AI는 사람이 놓치는 패턴을 잡아내고, 여러 변수를 동시에 고려하고, 계속 배웁니다.

중요한 건 완벽하게 준비하는 게 아니라 일단 시작하는 겁니다. 제목 하나 바꾸기, 가격 1천원 조정하기, 프로모션 타이밍 일주일 앞당기기. 이런 작은 결정들이 쌓여서 연간 수억 원의 매출 차이를 만듭니다.

여러분 브랜드는 어디서부터 시작하시겠습니까?

지금 바로 우리 브랜드에 맞는 판매 최적화 전략을 확인해보세요.

소비재 시장에서 “제품이 좋아서 그냥 팔리는 시대”나 “광고 집행을 잘해야하는 시대”는 이미 옛날 이야기입니다.

과거에는 좋은 제품을 만들고 효율 좋은 광고를 집행하면 충분한 성공을 거둘 수 있었지만, 현재는 차별화된 마케팅을 하는 것이 기업의 성패를 좌우할 정도로 중요해지게 되었습니다.

그렇기에, 최근 소비재 브랜드들은 TV·배너 광고보다 소셜 미디어 상의 영향력 있는 개인(인플루언서)을 통한 마케팅에 집중하고 있습니다.

그 이유는 명확합니다.

• 소비자는 사람이 추천하는 콘텐츠에 더 신뢰를 느낍니다.
• 플랫폼의 알고리즘은 인플루언서 콘텐츠의 확산 속도를 높입니다.
• 브랜드가 직접 생산하는 광고보다 자연스러운 경험 공유가 더 강력한 메시지를 만들 수 있습니다.

이런 전략은 단지 보이는 노출이 아니라 콘텐츠 신뢰도와 구매 행동 연결을 목적으로 합니다.

실제로 소셜 기반 인플루언서 마케팅은 단순 노출 대비 ROI가 기존 광고보다 높은 것으로 나타나, 많은 브랜드가 중심 전략으로 채택하고 있습니다.

하나의 예시로, 카디비가 본인의 틱톡 채널에서 믹순의 스킨케어 제품을 제품을 직접 사용하고 긍정적인 경험을 공유하면서 자연스럽게 제품을 노출했습니다.

이러한 개인적 경험 기반 콘텐츠는 팔로워들의 관심을 끌며 제품 인지도를 빠르게 높였고, 주요 글로벌 온라인 채널과 오프라인 입점 판매로의 확장을 촉진했습니다.

결과적으로 소비자 신뢰도와 구매 전환이 동시에 증가하면서 판매량이 급증하는 효과를 만들었고 해당 사례는 인플루언서가 마케팅에서 주는 힘이 얼마나 큰지를 보여줍니다.

즉 인플루언서 마케팅은 단순 광고가 아닌 소비자의 일상 콘텐츠 속에서 자연스럽게 노출되고 소비 결정을 돕는 전략으로 발전했습니다.

인플루언서 마케팅의 기본 구조

대부분의 브랜드가 인플루언서 마케팅을 실행할 때 따르는 기본 흐름은 다음과 같습니다:

1. 인플루언서 수집: 소셜 채널, 플랫폼, 기존 데이터 등을 기반으로 후보 풀(Pool)을 확보합니다.
2. 필터링 및 매칭: 팔로워 특성, 콘텐츠 성향, 과거 성과 등을 고려해 시딩에 적합한 인플루언서를 선정합니다.
3. 콘텐츠 내용 구상: 캠페인 방향에 맞춰 어떤 내용으로 콘텐츠를 제작할지 기획합니다.
4. DM 발송 및 커뮤니케이션: 선정된 인플루언서에게 캠페인 내용을 전달하고, 조건·보상·일정을 협의합니다.

표면적으로는 간단해 보이지만, 실제로는 이 네 단계가 지속 가능한 성과로 이어지기 어렵다는 것이 현실입니다.

[2] 인플루언서 마케팅, 모두가 손쉽게 할 수 있는 것은 아닙니다.

인플루언서 마케팅은 많은 브랜드가 시도하지만, 모두가 성공을 거두지는 못합니다.

그 이유는 아래와 같은 구조적 문제가 존재하기 때문입니다.

1. 사람이 처리할 수 있는 정보량에 한계가 존재합니다.

인플루언서 마케팅을 준비할 때 브랜드 담당자는 다음과 같은 정보를 모두 고려해야 합니다.

• 인플루언서의 팔로워 수와 성장 추이
• 콘텐츠 톤 앤 매너
• 과거 협업 이력
• 댓글 반응과 참여율
• 브랜드 이미지와의 적합성

문제는 이 모든 정보를 사람이 직접 보고, 비교하고, 판단해야 한다는 점입니다.

결국 담당자는 제한된 시간 안에서 일부 인플루언서의 일부 정보만을 기준으로 판단하게 됩니다.

이로 인해 더 적합했을지도 모를 수많은 후보들은 애초에 검토 대상에서 제외됩니다.

2. 한정된 수량의 인플루언서에게만 접근할 수밖에 없습니다.

사람이 직접 리스트를 만들고, 콘텐츠를 확인하고, 메시지를 작성하다 보면 실제로 컨택할 수 있는 인플루언서 수는 생각보다 매우 제한적입니다.

• “이 정도면 충분하겠지”라는 감각적 판단
• DM 발송과 회신 관리에 대한 부담
• 응답이 없을 경우 다시 시도하기 어려운 현실

이런 이유로 많은 브랜드가 소수의 인플루언서에게만 반복적으로 캠페인을 요청하게 됩니다.

하지만 이는 곧 실험의 폭이 좁아지고, 성과의 변동성이 커지는 결과로 이어집니다.

3. 선정 기준이 점점 단순해집니다.

처음에는 다양한 기준을 고민하지만, 실제 실행 단계에 들어가면 판단 기준은 빠르게 단순해집니다.

• 팔로워 수가 많은지
• 최근에 뜨고 있는 인플루언서인지
• 이전에 협업 경험이 있는지

이러한 기준은 실행 효율을 높여주지만, 브랜드와 제품에 진짜로 어울리는 인플루언서를 찾는 데에는 충분하지 않습니다.

4. 결과는 남지만, 학습은 남지 않습니다

캠페인이 끝나고 나면 조회수, 좋아요 수, 댓글 수와 같은 1차원적인 결과는 얻을 수 있습니다.

하지만 이 결과가 다음 캠페인에서 어떻게 활용되어야 하는지에 대한 구조적인 정리는 이뤄지지 않습니다.

• 왜 이 인플루언서는 성과가 좋았는지
• 어떤 콘텐츠 요소가 영향을 미쳤는지
• 다음에는 무엇을 바꿔야 하는지

이 질문들은 매번 다시 처음부터 고민하게 됩니다.

결국 인플루언서 마케팅은 반복 가능한 시스템이 아니라, 반복되는 수작업으로 남게 됩니다.

[3] 사람의 한계를 넘어서는 AI 인플루언서 마케팅

AI는 이러한 Pain-Point를 단순히 “자동화”로 해결하지 않습니다.

핵심은 “사람이 하기 힘든 작업을 가능하게 하는 구조”로 마케팅 Workflow 자체를 재설계하는 데 있습니다.

1. 인플루언서 수집: AI 기반의 포괄적인 풀 확보

전통적으로 인플루언서 리스트를 수집하는 것은 시간이 오래 걸리고 누락이 많습니다.

AI 기반 크롤러를 통해 다양한 플랫폼에 존재하는 인플루언서 및 관련 정보를 다량으로 수집할 수 있습니다.

• 팔로워 수/증가율
• 업로드한 콘텐츠에 대한 정보
• 인플루언서 개인에 대한 정보 (예: 속눈썹 여부, 쌍커풀 유무 등)

상기와 같이 전략 구상에 필요한 메타 데이터를 자동으로 확보하고, AI를 활용하여 데이터를 추가합니다.

업로드한 콘텐츠 및 인플루언서 관련 정보는 AI를 통해 인플루언서가 올린 콘텐츠에서 이미지/음성을 분석하여 추출하여 활용할 수 있습니다.

2. 인플루언서 필터링 및 매칭: 다량의 풀에서 Fit한 인플루언서 매칭

수집된 인플루언서는 단순히 목록에 머물지 않습니다.

AI는 인플루언서의 메타 데이터(팔로워 특성, 콘텐츠 유형, 반응률, 과거 성과지표 등)를 기반으로 브랜드 제품과 최적의 매칭 후보를 점수화할 수 있습니다.

이를 통해 사람의 직관만으로는 놓치기 쉬운 ‘잠재력 있는 인플루언서’까지 포함해 효율적인 후보군을 선정할 수 있습니다.

3. 콘텐츠 내용 구상: 데이터 기반 인사이트

브랜드 데이터, 경쟁사 데이터, 시장 트렌드 데이터를 종합해 인기 있는 콘텐츠 시놉시스와 기획 아이디어를 제시하고, 각 콘텐츠가 어느 정도 반응을 낼지 예측하는 모델까지 적용할 수 있습니다.

해당 모델은 다음과 같은 순서대로 구성되어 조회수를 향상시킬 수 있는 콘텐츠 시놉시스를 구상합니다.

1. 틱톡/인스타그램 등의 플랫폼에서 다양한 영상을 분석하여 조회수가 높은 영상 특징을 추출
2. 1번에서 추출한 영상 특징을 바탕으로 콘텐츠 주제, 가이드, 영상 컷 등을 포함한 시놉시스를 생성
3. 조회수 예측 모델을 활용하여 최종적으로 시딩할 인플루언서와 시놉시스의 쌍을 선정

상기 방식을 통해 데이터 기반의 정교한 콘텐츠 시놉시스를 인플루언서에게 제공할 수 있습니다.

4. DM 발송: 자동화 + 인간적 커뮤니케이션 설계

시딩을 진행할 인플루언서 - 시놉시스 쌍이 완성되었다면, RPA를 통해 DM 발송 및 조건 취합을 자동화할 수 있습니다.

단순한 챗봇 수준이 아니라, 브랜드톤·캠페인 컨텍스트에 맞는 메시지 구성을 AI가 설계하여 발송합니다.

• 개인화된 메시지
• 건별 자동 트리거
• 문구 테스트 및 A/B 확률 기반 발송

이런 방식은 단순 반복 작업이 아니라 인적 자원과 시간의 낭비를 최소화합니다.

[4] 마무리하며: AI로 시작하는 브랜드 기획의 새로운 기준

인플루언서 마케팅은 이제 브랜드가 선택하는 전략이 아니라, 브랜드의 성장 동력으로 자리 잡았습니다.

AI를 잘 활용하면 사람만으로는 해결하기 어려운 작업을 데이터 기반으로 구조화할 수 있습니다.

수집 – 매칭 – 실행 – 검증의 전체 흐름이 AI Workflow로 연결될 때 브랜드 경쟁력은 한 단계 더 올라갑니다.

브랜드의 인플루언서 마케팅이 반복 가능한 성과 시스템으로 전환되길 원한다면, 이제 AI 기반 Workflow를 진지하게 고려해야 할 시점입니다.

우리 브랜드도 AI를 활용하여 똑똑하게 인플루언서 마케팅을 하고 싶다면, DALPHA와 함께 가볍게 논의해볼 수 있습니다.

브랜드 운영에서 재고 문제만큼 반복적으로 등장하는 고민도 없습니다.

신제품이 기대만큼 팔리지 않거나, 시즌이 끝나갈 때 재고가 남으면 회의 분위기는 금세 무거워집니다.

그래서 우리는 늘 이런 질문으로 돌아가곤 합니다.

“언제쯤 이 재고가 빠질까?” “이번엔 공격적으로 가서 그런 걸까?” “예측이 틀린 건가?”

하지만 이 질문들은 모두 결과를 바라보는 시각입니다.

재고는 판매와 발주의 결과물이지, 문제의 원인이 아닙니다.

재고가 남는 핵심적인 이유는, 사실 훨씬 앞 단에서 결정됩니다.

이 글에서 이야기하고 싶은 건 딱 한 가지입니다.

재고 문제의 본질은 판매가 아니라 ‘발주 방식’입니다.

악성재고가 생기는 시점은 상품이 느리게 팔리기 시작했을 때가 아니라, 이미 발주 버튼을 눌렀을 때입니다.

그렇다면 질문을 바꿔야 합니다.

“우리는 어떤 방식으로 발주하고 있길래, 매 시즌 비슷한 패턴의 재고가 반복될까?”

이 글은 그 질문의 답을

데이터 → 예측 → 발주 구조 → 자동화

네 단계에 맞춰 설명합니다.

1. 데이터가 흐르지 않으면 발주는 흔들립니다

브랜드는 “우리는 데이터 기반으로 판단한다”고 말합니다.

하지만 실제 발주 프로세스를 뜯어보면,

데이터는 대부분 여러 곳에 흩어져 있습니다.

• 판매 데이터는 플랫폼마다 다르고
• 재고는 ERP에서 확인하고
• 광고 데이터는 마케터의 리포트에 있고
• 리드타임·MOQ는 담당자 머릿속에 있고
• 프로모션 일정은 따로 전달됩니다

이 모든 것을 발주 직전에 모아서 종합적으로 판단해야 한다는 건 거의 불가능에 가깝습니다.

그래서 실제 발주는 이렇게 이루어집니다.

“최근 판매 추이로 봤을 때는…” “지난 시즌엔 이 정도 나갔으니까…” “혹시 모르니까 조금 더…”

즉, 데이터는 참고만 할 뿐, 발주는 결국 감각·경험·분위기로 결론 납니다.

문제는 바로 여기서 시작됩니다.

■ 데이터가 분산되어 있으면 판단이 일관해질 수 없다

어떤 날은 공격적으로, 어떤 날은 보수적으로, 어떤 SKU는 지난 경험이 강조되고, 어떤 SKU는 단순 추세에 의존합니다.

이렇게 되면 SKU 수백, 수천개가 있는 브랜드에서 발주는 사실상 사람에 따라 매번 달라지는 의사결정이 됩니다.

여기서 악성재고의 씨앗이 뿌려집니다.

그래서 첫 번째로 필요한 건 데이터를 더 모으는 것이 아니라,

발주 판단에 필요한 모든 데이터를 ‘한 화면’에서 보게 만드는 일입니다.

이게 없으면 그 이후 단계는 전부 흔들립니다.

2. 예측은 시작점이지, 발주를 해결하지 않습니다

많은 브랜드가 “판매량 예측 모델을 구축했다”고 말합니다.

그리고 자연스럽게 이렇게 기대합니다.

“예측이 정확해지면 발주가 안정되겠지.”

하지만 현실에서는 이런 말이 더 자주 나옵니다.

“예측은 꽤 잘 맞는데 재고는 또 남았다.” “품절 리스크는 여전히 크다.” “예측과 발주는 따로 노는 느낌이다.”

왜 이런 일이 생길까요?

이유는 간단합니다.

■ 예측은 ‘숫자’이고, 발주는 ‘판단’이다

예측이 “다음 달 130개 팔릴 것이다”라는 숫자를 주어도 현실에는 다음과 같은 제약들이 붙어 있습니다.

• MOQ 200개
• 패킹 단위 120개
• 리드타임 30일
• 창고 공간 제한
• 예산 한도
• 카테고리 전략

여기서 진짜 어려운 건 숫자가 아니라 판단입니다.

• 130개 팔릴 것 같은 SKU를 200개 발주할 것인가?
• 리드타임을 고려해 이번 달에 먼저 발주할 것인가?
• 예산을 어디에 우선 배분해야 하는가?
• 카테고리 간 균형은 어떻게 맞출 것인가?

그러니 예측이 아무리 좋아져도 발주 구조가 없으면 발주 결과는 여전히 감각에 의존합니다.

즉,

예측은 발주의 필요조건이지만, 절대로 충분조건이 아닙니다.

예측과 발주 사이에는 반드시 “구조”가 필요합니다.

3. 발주는 모델이 아니라 ‘최적화 구조’로 운영해야 합니다

많은 사람이 발주를 단순 계산 문제라고 생각합니다.

하지만 발주는 사실상 제약조건 기반 최적화 문제입니다.

예측은 그중 한 요소일 뿐입니다.

발주를 결정하는 데 고려해야 하는 요소들의 예시는 다음과 같습니다.

• 판매량 예측
• MOQ
• 패킹 단위
• 리드타임
• 채널별 소진 속도
• 재고 비용
• 공급 안정성
• 시즌 종료 시점
• 카니발리제이션
• 물류 처리 한계

이 모든 변수를 한 번에 고려해야 “지금 이 SKU를 몇 개 발주하는 게 가장 합리적인가”라는 발주량이 나옵니다.

하지만 사람은 이 모든 요소를 매주, 매일, SKU 수백 개 단위로 계산할 수 없습니다.

그래서 현실에서는 이렇게 됩니다.

• 많이 팔릴 것 같으면 대량 발주
• 애매하면 ‘한 박스만’ 발주
• 잘 팔리는 SKU에만 계속 물량 몰림
• 비슷한 SKU끼리 서로 잠식
• 채널별 속도 차이를 무시한 일괄 발주

이렇게 몇 번만 반복되면 재고 구조는 금방 불안정해지고 악성재고는 어느새 구석을 차지합니다.

결국, 필요한 것은 사람이 더 열심히 계산하는 것이 아니라,

브랜드의 발주 원칙을 구조화하고, 그 구조 안에서 자동으로 최적 발주량이 계산되도록 만드는 것입니다.

발주 최적화는 “AI가 대신 판단해주는 시스템”이 아니라, 브랜드의 전략을 일관되게 적용해주는 프레임워크에 가깝습니다.

4. 판단은 빠를수록 가치가 있다 — 그래서 자동화가 필요하다

여기까지 구조가 잘 잡혀도, 운영은 항상 예측보다 더 빠르게 변합니다.

• 갑작스러운 판매 상승
• 예상치 못한 공급 지연
• 채널별 속도 급변
• 경쟁사 가격 전략 변화
• 성수기/이벤트 영향

이때 판단 속도가 느리면 재고는 다시 틀리기 시작합니다. 그래서 자동화가 필요합니다.

하지만 여기서 오해하면 안 됩니다.

자동화 = 주문을 자동으로 넣어주는 시스템이 아닙니다

핵심은 “판단의 흐름”을 유지하는 것입니다.

• 예측이 업데이트되면
• 제약조건이 바뀌면
• 소진 속도가 달라지면

→ 발주 구조가 자동으로 다시 계산되어 사람이 놓치지 않도록 도와주는 것.

발주 자동화는 운영 속도에 맞춰 판단 구조를 끊기지 않게 만드는 장치입니다.

정확성보다 중요한 건 판단 속도와 일관성입니다.

5. 그렇다면 무엇부터 바꿔야 할까?

지금 당장 할 수 있는 일이 어떤게 있을까요?

1) 발주 회의에서 어떤 자료를 보고 있는지 적어보기

어떤 파일, 어떤 데이터, 어떤 질문으로 판단이 이루어지고 있는지 한 번 적어보면 브랜드의 발주 구조가 얼마나 분산되어 있는지 바로 보입니다.

2) 회의에서 반복되는 문장을 정책으로 바꾸기

“이 SKU는 조금 남아도 돼요.” “이 라인은 품절되면 안 돼요.”

이런 말들은 이미 브랜드의 운영 정책의 원형입니다.

이걸 공식 정책으로 문서화하면 발주는 더 일관된 판단 구조를 가질 수 있습니다.

3) 그 다음이 AI와 자동화

구조 없이 AI를 도입하면 “조금 더 정교하게 틀리는 시스템”이 됩니다.

구조 → 정책 → 통합 → 예측 → 최적화 → 자동화

이 순서가 지켜져야 합니다.

6. 마지막 질문: 악성재고는 언제 팔릴까?

솔직히 말하면, 아무도 확답할 수 없습니다.

너무 많은 외부 요인과 우연이 얽혀 있기 때문이죠.

하지만 더 중요한 질문은 이겁니다.

지금 이 발주 방식을 유지한다면, 내년에도 똑같은 재고 패턴이 반복되지 않을까?

재고는 운영 구조의 출력 값입니다.

출력 값을 바꾸고 싶다면 구조부터 다시 설계해야 합니다.

악성재고가 언젠가 팔리기를 기대하는 것보다, 애초에 악성재고가 나오지 않는 발주 구조를 만드는 것.

이게 재고 문제를 해결하는 가장 현실적이고 지속적인 방법입니다.

지금 우리 발주 방식, 한 번 점검해보고 싶다면

이 글을 읽으며

“이게 딱 우리 이야기 같은데…”라는 생각이 들었다면,

지금의 발주 구조가 이미 한계에 와 있다는 신호일 수 있습니다.

달파는 판매 데이터, 재고, 리드타임, MOQ, 채널별 소진 속도를 하나의 구조로 연결해

브랜드별 발주 판단 구조를 설계하고, 그 구조가 실제 운영에서 작동하도록 만드는 AI 솔루션을 만들고 있습니다.

• 지금 우리 브랜드의 발주 방식이 어디서 흔들리고 있는지
• 예측 이후 판단이 어떻게 왜곡되고 있는지
• 악성재고가 구조적으로 만들어지고 있는 지점이 어디인지

이런 부분을 데이터와 구조 관점에서 함께 짚어드립니다.

“AI 도입” 이전에, 지금의 발주 방식이 정말 합리적인지부터 확인하고 싶다면 가볍게 이야기 나눠보셔도 좋습니다.

소비재 브랜드의 경쟁력은 이제 ‘빠른 실행력’이나 ‘트렌드 감각’만으로는 충분하지 않습니다. 고객의 기대는 더 정교해졌고, 시장은 더 빠르게 변하며, 제품 생명주기는 점점 더 짧아지고 있습니다.

이런 환경에서 브랜드가 살아남기 위해서는 AI를 활용한 기획·운영 체계의 혁신이 필요합니다.

그러나 지난 포스팅에서 다루었듯 많은 브랜드가 AI 도입을 이야기하면서도, 실제로는 단편적인 자동화나 특정 작업의 효율화에서 멈추는 경우가 많습니다. 예컨대 시장조사를 요약시키는 수준, 트렌드 리포트를 뽑는 수준, 카피라이팅 보조 정도입니다.

문제는 이렇게 ‘조각 단위’의 AI 활용만으로는 브랜드 전체의 경쟁력을 끌어올리기 어렵다는 점입니다. 브랜드사는 기획 → 제조 → 유통 → 마케팅 → 판매에 이르는 고유의 Value Chain을 가지고 있습니다.

그리고 이 Value Chain은 각 단계가 서로 긴밀하게 연결되어 있어 한 단계가 흔들리면 그 뒤의 모든 단계가 영향을 받습니다. 각 Value Chain의 단계를 세밀하게 분석해보면 다음과 같은 복잡성을 지님을 알 수 있습니다.

1. 기획(Product Planning)

트렌드 분석, 아이디어 발굴, 시장 데이터 검증, 소비자 페르소나 분석, 예상 판매량 예측 등 ‘가설 수립’ 중심의 높은 난이도의 정성·정량적 업무가 혼합됩니다.

2. 제조(Production)

원단·부자재 선정, MOQ 협상, 리드타임 확인, 샘플 검토, 품질 기준 합의 등 변동성이 높고 커뮤니케이션 중심의 프로세스가 이어집니다.

3. 유통(Logistics)

입고 계획, 재고 배분, 수요 예측, 안전재고 설정 등 데이터 기반 의사결정이 필수적입니다.

4. 마케팅(Marketing)

콘텐츠 제작, 메시지 전략, 고객 타겟팅, 크리에이티브 제작 등 창의성과 데이터 분석이 동시에 요구됩니다.

5. 판매(Sales)

채널별 판매량 분석, 프로모션 효과 검증, 리뷰 분석, Next Action 결정 등 실시간성의 반복적인 의사결정이 필요합니다.

이처럼 Value Chain 전체가 유기적으로 연결되어 있기 때문에, AI의 활용 역시 ‘단일 업무 자동화’ 수준으로는 한계가 명확합니다.

AI를 진정한 생산성 도구로 활용하려면 Value Chain 전체를 Workflow 단위로 해석하고, 한 사람의 업무 단위를 A부터 Z까지 지원하는 설계가 필요합니다.

이번 포스팅에서는 Value Chain 첫 단계인 신상품 기획(Product Planning)을 집중적으로 다루며, 브랜드사에서 실제로 활용할 수 있는 AI 기반 Workflow와 그 효과를 구체적으로 살펴보겠습니다.

[2] 모든 브랜드의 시작, 신상품 기획

브랜드의 모든 활동은 신상품 기획에서 시작됩니다.

하나의 제품이 기획되는 순간부터 생산, 마케팅, 영업 전략까지 브랜드의 자원이 본격적으로 투입되고 이에 따라 성과가 좌지우지되기 때문입니다.

그렇다면 실제로 브랜드사는 어떤 방식으로 신상품을 기획할까요?
일반적으로 신상품 기획은 다음과 같은 흐름을 가지고 있습니다.

1. 트렌드 및 시장 조사

• 거시적인 카테고리 트렌드 분석
• 경쟁사 출시 상품 분석
• 카테고리별 성장/축소 추세 파악
• 고객 리뷰 및 피드백 분석
• 플랫폼별 인기 검색어와 검색량 추적

여기서 생성되는 데이터는 대부분 분절되어 있고, 수집 방식도 표준화되지 않은 경우가 많습니다.

2. 가설 도출

• “이런 제품이 시장에서 통할 것 같다”
• “이런 기능을 넣으면 차별화될 것 같다”
• “이 타겟에게는 이런 메시지가 먹힐 것 같다”

이른바 ‘가설 중심 기획’이 이루어지는데, 이는 대부분 담당자의 경험 또는 직관에 의존합니다.

3. 내부 검증 및 계획 수립

• 가설 타당성 관련 내부 논의
• 원가, 마진, 생산 가능성 검토
• 제품 포지셔닝 전략 수립
• 경쟁사 대비 차별 포인트 도출

이 단계는 특히 공수가 많이 들고 잦은 논쟁이 발생합니다.
"가설은 있는데, 왜인지 확신이 들지 않는" 상태가 반복되기 때문입니다.

4. 최종 의사결정

• “이 제품을 만들 것인가?”
• “언제 출시할 것인가?”
• “어떤 메시지로 커뮤니케이션할 것인가?”

이 과정에서 가장 많은 불확실성이 존재하며 이 불확실성이 다음 단계인 재고, 생산, 마케팅 등에 영향을 끼칩니다.

즉, 신상품 기획은 브랜드의 성패를 결정짓는 핵심 과정임에도 불구하고,

정작 이 과정은 구조화되지 않은 정보, 직관적 판단, 반복적인 수작업에 크게 의존하고 있습니다.

[3] 신상품 기획이 막연하고 어려운 근본적인 이유

위에서 언급하였듯, 신상품 기획은 다양한 요소가 얽히고 섥히는 매우 복잡한 단계입니다. 조금 더 구체적으로 신상품 기획이 왜 막연하고 어려운지에 대해서 알아보도록 하겠습니다.

트렌드 데이터는 네이버에, 경쟁사 데이터는 쿠팡/무신사 플랫폼에, 원가 정보는 내부 ERP 등 기획에 필요한 데이터가 각기 다른 위치에 흩어져 보관되고 있습니다.

각 시스템이 서로 연결되어 있지 않기에, 각각 따로 보아서는 의미 있는 결론을 내리기 어려울 뿐만 아니라 설령 데이터를 모두 본다고 하더라도 매우 큰 수작업이 발생합니다.

1. 정량 ↔ 정성 데이터가 하나의 흐름으로 연결되지 않음

• 시장 데이터는 정량 분석
• 고객 리뷰는 정성 분석
• 기획자의 인사이트는 경험 기반

이 셋이 하나의 ‘논리적인 가설’로 묶여야 하지만 대부분의 브랜드는 이 과정을 감에 의존해 진행합니다.

2. 검증 방법의 부재

가설을 만들 수는 있지만 이를 실제로 검증할 방법은 많지 않습니다.

• “시장성이 있을까?”
• “기존 고객과 Fit이 맞을까?”
• “메시지 반응은 어떨까?”

이 질문에 명확한 답을 줄 수 있는 데이터 기반 도구가 없습니다. 이러한 이유들로 인해 기획자는 결국 ‘확신 없이’ 의사결정을 내리게 됩니다.

불확실성이 누적될 경우, 신상품 기획은 ‘막연한 감’과 ‘불안한 예측’이 반복되며 좋은 기획을 하기 어렵게 됩니다.

상기 Pain-Points를 해결하는 방법은 바로 AI를 활용하여 이 과정을 자동화하고 개선하는 것입니다.

[4] AI 기반 신상품 가설 수립 및 성과 검증 방식

신상품 기획 과정은 데이터가 많지만 활용되지 못하고, 가설은 생성되지만 검증되지 않으며, 의사결정은 반복되지만 구조화되지 않습니다. AI를 활용하면 이 과정을 데이터 수집/정제 → 가설 수립 → 검증의 형태로 완전한 Workflow 구현이 가능합니다.

특히, 기획자의 감과 경험에 의존하던 영역을 데이터 기반의 반복 가능한 프로세스로 재구축할 수 있다는 점이 가장 큰 차별점이라고 볼 수 있습니다.

지금부터는 Dalpha에서 실제로 개발하였고 또 활용 중인 고객사가 효과를 본 AI 솔루션에 대해 설명드림으로써 어떻게 이 모든 것들이 가능한지를 살펴보도록 하겠습니다.

1. 내/외부 데이터 수집

맨 앞 단계에서 가장 중요한 것은 AI가 좋은 가설을 생성할 수 있도록 다양한 내/외부 데이터를 수집하는 것입니다.

데이터 수집의 경우, API나 RPA와 같은 자동화 방식으로 안정적으로 작업을 진행할 수 있습니다.

• API 연동을 통한 실시간 내/외부 데이터 수집과거 판매 데이터, 검색 트렌드, SNS 반응 등 다양하게 공개된 Open API를 연동하여 데이터가 자동으로 쌓일 수 있도록 설계합니다.
• RPA를 활용한 비정형 데이터 수집경쟁사 상품 페이지, 리뷰 등 API가 존재하지 않는 경우에는 RPA를 통해 사람이 직접 데이터를 긁어오듯이 데이터를 수집합니다.

2. 온톨로지 기반의 데이터 통합

지난 포스팅에서 다룬 온톨로지의 개념을 활용하여 AI가 이해하기 쉬운 형태로 데이터를 통합합니다.

• AI 학습 및 추론에 필요한 데이터의 의미를 정의
• 여러 데이터 간의 의미적 관계를 정의
• 브랜드 고유의 판단 기준을 규칙화하여 데이터에 주입

이 과정에서 필요할 경우 LLM 기반의 데이터 통합 AI를 활용하여 통합 과정을 더욱 정확하게 할 수 있습니다.

예를 들면, 브랜드의 플랫폼별 상품명이 모두 달라 여러 데이터 간의 의미적 관계를 정의하기 어려운 상황에서 카탈로그 매칭 AI를 통해 같은 상품 SKU로 통합하여 판매 데이터를 관리할 수 있게 되는 것입니다.

3. 통합된 데이터 기반 신상품 가설 생성

앞선 단계에서 통합된 데이터를 바탕으로 LLM 기반의 모델을 활용하여 신상품에 대한 가설을 생성합니다.

• 통합한 데이터에 대한 요약 및 인사이트 제공
• 여러 변수를 조합한 입체적인 가설 생성
• 사람이 고려하기 어려운 Blind Spot에 대한 발굴 및 반영

단순히 ChatGPT와 같은 Open LLM을 활용하는 것보다 통합된 데이터를 기반으로 가설을 생성할 수 있기 때문에 가설의 신뢰도나 전문성 측면에서 확실한 비교 우위를 가질 수 있게 됩니다.

“요즘 A 성분이 뜨기 때문에 이 성분을 포함한 제품을 만들어”라는 가설보다는, “요즘 A 성분에 대한 네이버 검색량이 N% 증가하고 있고, 경쟁사 상품 페이지를 분석하니 A 성분과 B 성분을 조합한 상품을 많이 내고 있으니, 이를 참고하여 신상품 기획을 진행해”와 같은 가설이 더욱 기획자를 서포트할 수 있는 좋은 가설이 될 수 있습니다.

4. 가설의 예상 성과 검증

가설이 생성되면 이를 바로 실행하는 것이 아니라, Simulation을 통해 실제 성과를 일정 수준 예측할 수 있습니다.

• 과거에 유사한 메타 데이터를 보유한 상품의 성과 지표를 학습하여 Simulation 실행
• 예상 판매량, 재고 회전율 등 정량 지표를 예측하는 알고리즘 적용
• 타겟 고객 페르소나 기반 LLM Simulation

이외에도 실제 예상 성과를 검증하는 방식은 무궁무진하지만, 이는 Simulation이기 때문에 성과를 맹신하는 것보다는 초도 발주/마케팅/판매 전략에 예측한 예상 성과를 반영하는 것이 중요합니다.

정리하면:

AI 기반 신상품 기획 Workflow는 다음과 같은 모듈들이 유기적으로 연결되어 실무에 도움을 줄 수 있습니다.

1. 데이터의 안정적인 수집
2. 온톨로지 기반 통합 및 정규화
3. LLM 기반의 신뢰성 높은 가설 생성
4. 예측 / Simulation 기반 사전 성과 검증

[5] 마무리하며: AI로 시작하는 브랜드 기획의 새로운 기준

신상품 기획은 더 이상 감에 의존하는 일이 아닙니다. 또한 단순 자동화로 해결되는 문제도 아닙니다.

브랜드가 AI를 통해 얻게 되는 진정한 가치는 ‘반복적인 작업의 속도’가 아니라 보다 나은 의사결정을 설계할 수 있는 구조화된 Workflow입니다.

AI는 기획자가 해야 할 모든 생각을 대신하는 도구가 아니지만 기획자가 더 잘 생각할 수 있도록 돕는 도구입니다.

지금 이 글을 읽고 있는 브랜드에게 필요한 것은 대단히 복잡한 AI 도입이 아닙니다.당장 하나의 작은 가설을 AI로 검증해보는 시도부터 시작할 수 있습니다.

만약 현재 내부적으로,

• 데이터 해석이 어렵거나
• 가설 검증이 부담되거나
• 의사결정 속도가 늦거나
• 실패 제품 비중이 높아지고 있다면

AI 기반 신상품 기획 Workflow를 충분히 검토해볼 가치가 있습니다.
Dalpha는 이미 다양한 브랜드사의 기획 과정을 AI 기반 Workflow로 전환하고 있습니다.

혹 관련하여 내부 도움이 필요하시다면 하단의 문의를 통해 연락 부탁드리겠습니다.

최근 몇 달 사이, 팔란티어의 이름이 국내에서도 유난히 자주 언급되고 있습니다.

심지어 성수에 팝업 스토어까지 열었는데, 굿즈가 순식간에 완판될 정도로 뜨거운 관심을 얻었죠.

그런데 막상 이야기해보면 이런 반응이 많습니다.

• 정작 대부분은 Palantir AIP가 무엇을 하는지 정확히 모른다.
• 온톨로지? 파운드리? AIP(AI Platform)? 소비재 브랜드사 실무자에게는 다 낯선 단어일 뿐이다.

그럼에도 누구나 한 번쯤은 이런 상상을 해봤을 겁니다.

• “우리 회사에 팔란티어 같은 시스템이 들어온다면?”
• “우리도 저런 첨단 AI로 운영할 수 있을까?”
• “그럼 마케팅/발주/재고 관리/프로모션 의사결정이 더 쉬워질까?”

오늘은 이 상상을 소비재 브랜드의 현실로 가져오는 시도를 해보려 합니다.

팔란티어 자체를 소개하려는 목적이 아니라,

왜 팔란티어가 ‘의사결정 AI’의 대표 사례가 되었고, 그 핵심 개념이 소비재 브랜드에게 왜 필요한지를 이야기하려고 합니다.

우리가 놓치고 있는 핵심은 의외로 단순합니다.

팔란티어의 진짜 힘은 ‘AI가 아니라 온톨로지’ 즉, 기업 내부 데이터를 하나의 언어로 구조화하는 능력에 있습니다.

이제 실제 도입 사례를 통해 이 구조가 어떻게 작동하는지 살펴보겠습니다.

[2] 팔란티어 도입 사례로 엿보는 ‘온톨로지 기반 의사결정 AI’

팔란티어를 이야기할 때 가장 많이 회자되는 사례가 몇 가지 있습니다.

그중 소비재 브랜드 실무자 입장에서 가장 와닿는 두 사례를 골라 정리해봤습니다.

이 사례를 읽으실 때, 온톨로지와 AIP를 이렇게 이해하시면 좋습니다.

• 온톨로지 : 회사 데이터를 현실 세계처럼 연결해둔 통합 데이터 모델
• AIP(AI Platform) : 그 온톨로지 위에서 여러 AI Agent가 뛰어노는 운영 플랫폼

1) Wendy’s — 6,400개 매장을 하나의 ‘디지털 공급망 두뇌’로 만든 방법

Wendy’s는 북미 전역에 6,400개가 넘는 햄버거 프랜차이즈 매장을 운영하는 글로벌 QSR(Quick Service Restaurant) 브랜드입니다.

하지만 그 규모만큼이나 복잡한 공급망 문제를 가지고 있었습니다.

• 문제 및 도입 배경 — 전형적인 사일로(Silo) 구조
  • 판매·재고·물류 데이터가 각각 따로 존재
  • 한정 메뉴 프로모션이 진행되면 매번, 수요 폭증 → 재고 부족 → 품절 → 매출 손실 패턴 반복
  • 문제를 인지하는 데 48–72시간이 걸림 → 이미 늦음

이 문제를 해결하기 위해 Wendy’s는 Palantir AIP + Foundry 온톨로지를 도입했습니다.

• 온톨로지와 AIP로 한 일 — 전사 데이터를 하나의 ‘의미 체계’로 통합
  • 상품–매장–물류–공급업체 데이터를, 하나의 온톨로지 모델로 정의
  • 판매량, 재고, 이동 경로, 프로모션 효과를 실시간으로 연결·시뮬레이션 (AI Agent 기반)
  • 예: 스폰지밥 콜라보 햄버거 메뉴 출시 첫 날 시뮬레이션
    • 12시간 안에 수요 폭주 감지
    • 즉각 생산·물류 재배치 제안
  • 기존 구조였다면 2~3일 걸릴 의사결정을 통합 데이터 + AI Agent 기반으로 단 몇 시간 만에 해결

• 결과 및 인사이트
  • 프로모션 중간에 제품이 품절되는 사태 선제적으로 방지
  • 매장별 재고 리스크를 “사전에” 파악 → 매출 기회 유지
  • 이 관점은 소비재 브랜드 내부의 수요 예측, 발주, 채널 믹스 조정 등에도 그대로 확장될 수 있습니다.
• 그리고 핵심은,

AI가 재고를 맞춰준 게 아니라, 온톨로지가 제품 공급망 전체를 ‘하나의 의사결정 단위’로 바꿔준 것.
그리고 그 위에서 수요 예측 AI Agent, 공급망 재배치 AI Agent 등이 마음껏 작동할 수 있도록 플랫폼을 만든 것이죠.

2) Heineken — 글로벌 공급망을 ‘24/7로 움직이는 AI 운영체계’로 만든 방법

Heineken(하이네켄)은 전 세계 190여 개국에 제품을 공급하는 세계 2위 규모의 글로벌 맥주 제조, 유통 기업입니다.

맥주를 좋아하시는 분이라면 한 번쯤은 꼭 들어보셨을 이름이죠.

이 기업이 갖고 있는 방대한 공급망은 팬데믹 이후 더 큰 불확실성에 직면했습니다.

• 문제 및 도입 배경 — 사람이 감당하기 어려운 초복잡 공급망
  • 양조장–선박–항만–미국 내 9개 물류센터–450개 디스트리뷰터로 이어지는 구조
  • 항만 적체, 트럭 부족, 양조장 가동 중단 등 공급 관련 문제가 동시다발적으로 발생
  • 엑셀/단순 대시보드 기반 운영으로는 해 문제가 터진 뒤에야 대응하는 구조에서 벗어나기 어려움
  • 결국 “내일의 문제를 오늘 미리 해결해야 한다”는 필요성이 명확해짐

Heineken은 이 문제를 해결하기 위한 파트너로 팔란티어를 선택합니다.

• 온톨로지와 AIP로 한 일 — 공급망 전체를 ‘3주 뒤 미래’로 Fast-forward
  • 생산량, 선박 위치, 항만 대기, 창고 재고 데이터를 하나의 온톨로지 모델로 연결
  • 이 기반 위에서 공급망을 3주 뒤까지 가상 Fast-forward하여 과잉/부족 지점을 사전 탐지
  • 탐지된 리스크를 해결하기 위해 3개의 AI Agent 알고리즘을 24/7 자동 실행
    • 🍺 Abu — 재고 부족 예상 시 특정 주문을 FIFO를 깨고 앞당겨 출고
    • 🚚 Dr. Dre — 항만 도착 직후 컨테이너 즉시 픽업해 지체료 방지
    • 📦 Neptune — 출발 직전 최신 수요를 반영해 Destination 자동 재조정
  • 이 모든 것이 사람이 일일이 버튼을 누르는 방식이 아니라, 온톨로지에 정의된 규칙에 따라 AI가 자동 의사결정 및 실행하는 구조

• 결과 및 인사이트
  • 품절, 과잉 재고, 항만 지체료 등 비용 요소를 사전에 제거
  • 공급망이 “터진 문제에 대응하는 구조”에서 “AI가 선제적으로 문제를 고치는 구조”로 전환
  • 조직 내부에서는 알고리즘에 별명(Abu, Dr. Dre 등)을 붙이며 AI를 실제 운영 파트너처럼 활용하는 문화 형성
  • 이 관점은 소비재 브랜드의 마케팅 예산 분배, 프로모션 플래닝, 신상품 초도 발주 등 예측과 시뮬레이션이 중요한 대부분의 의사결정에 그대로 적용될 수 있습니다.
• 그리고 핵심은,

AI가 공급망을 ‘알아서’ 자동화한 게 아니라, 온톨로지가 공급망 전체를 ‘하나의 의사결정 단위’로 재정의했고, 그 위에서 Dr.Dre와 같은 여러 AI Agent가 스스로 움직일 수 있게 된 것입니다.

[3] 온톨로지가 무엇일까? 그리고 우리 브랜드에 어떻게 적용될까?

여기까지 보면, 이런 생각이 드실 수 있습니다.

“그래, Wendy’s나 Heineken 같은 글로벌 기업 얘기니까 가능한 거 아닌가?”

하지만 온톨로지와 그 위에서 작동하는 의사결정 AI는, 규모의 문제가 아니라 구조의 문제입니다. 소비재 브랜드도 충분히 비슷한 구조를 도입할 수 있습니다.

온톨로지가 어려운 기술 용어처럼 들리지만, 소비재 브랜드의 실제 업무에 빗대어 보면 매우 간단합니다.

1) 온톨로지 = 브랜드 운영을 담고 있는 ‘데이터를 사고 구조로 재배치한 것’

온톨로지는 거창한 개념이 아닙니다. 이미 가지고 있는 브랜드 운영 데이터를, 판단 가능한 구조로 재배치하는 것에 가깝습니다.

우리가 매일 다루는 데이터만 생각해봐도 그렇습니다.

• 판매량, 재고, 리드타임, MOQ
• SKU 속성, 판매 원가, 세트 구성
• 프로모션 정보, 할인율, 인플루언서 비용, 퍼포먼스 마케팅 집행비
• 플랫폼 수수료, 마진율 등등

하지만 이 데이터들은 서로 연결되어 있지 않고, 엑셀 파일/ERP/플랫폼별 판매자 센터/팀별 대시보드 등에 흩어져 있어 “의미 없는 숫자”로 남아 있는 경우가 대부분입니다.

온톨로지는 바로 이 데이터를 의미 → 관계 → 규칙 순서로 재구성해 “브랜드가 실제로 판단하는 방식”을 데이터 위에 구현합니다.

2) 온톨로지는 데이터를 이렇게 바꿉니다

• 의미(Meaning) — ‘데이터의 진짜 뜻을 명확히 정의’
• 예시:
  • 재고 = 판매 가능 재고? 예약 재고 포함? → 판매 가능 재고로 통일!
  • 매출 = 출고 기준? 입금 기준? 플랫폼 공제 전/후? → 실제 입금 기준으로 통일!

데이터의 정의가 통일되면 AI도 동일한 의미로 이해할 수 있습니다.

• 관계(Relationships) — ‘데이터 간 연결고리를 만드는 것’
• 예시:
  • 가격 → 판매량 → 재고 → 발주량 → 공헌이익
  • CTR → 전환 → 매출 → ROAS → 재투자 여부

기존엔 엑셀 여러 개를 열어 사람이 연결했지만, 온톨로지는 연결을 시스템에 고정합니다.

• 규칙(Rules) — ‘브랜드 고유의 판단 기준을 데이터에 주입’
• 예시:
  • 발주는 리드타임·MOQ·시즌성·프로모션 계획을 함께 고려
  • 마진 기준 이하로 떨어지면 할인을 제한
  • 특정 카테고리는 회전율이 일정 이하일 때만 추가 발주 등

결국 온톨로지는 브랜드 운영이 담긴 데이터를 ‘사고 구조’로 재배치하는 작업입니다.

3) 그러면 소비재 브랜드의 운영은 어떻게 달라질까?

온톨로지가 생기면 AI는 단순 분석을 넘어, “브랜드 입장에서 보면 어떤 선택이 맞는지”를 제안할 수 있습니다.

예를 들어,

• 발주량 최적화: 판매·재고·리드타임·MOQ를 연결 → “공헌이익 기준 최적 발주량” 추천
• 프로모션 운영: 재고 압력·마진·시즌성·판매 추세 고려 → 프로모션 강도/기간 시나리오 자동 생성
• 다이나믹 프라이싱 (가격 변동 전략): 가격 변화 → 판매 변화 → 공헌이익 변화를 실시간 계산 → 상품별 최적 가격 제시
• 인플루언서·퍼포먼스 마케팅: CTR·전환률·보상비용 등의 관계를 반영 → 최적의 마케팅 믹스 추천

정리하자면,

온톨로지는 데이터를 운영의 언어로 바꾸는 작업이고, AI가 브랜드처럼 사고하게 만드는 유일한 기반입니다.

그리고 이 구조는, 팔란티어 같은 초거대 시스템이 아니어도 충분히 “우리 브랜드 버전”으로 가져올 수 있습니다.

이를 저희 달파가 만들어 내고 있습니다.

[4] 달파의 온톨로지와 AI Agent

팔란티어는 훌륭한 기준점이지만, 현실적으로 대부분의 소비재 브랜드가 곧바로 그 수준의 시스템을 도입하기는 어렵습니다.

달파는 같은 원리를 브랜드 실무 관점에서 재해석해, 국내 소비재 브랜드에 실제로 도입하고 있습니다.

1) 뷰티 브랜드 사례 — 인플루언서 마케팅을 ‘데이터 구조화 + AI Agent’로 재해석

• 데이터 통합 - 온톨로지 구축
  • 뷰티 브랜드의 인플루언서 마케팅은 인플루언서 리스트 / 캠페인별 계약 조건 / 콘텐츠 성과 지표 / 전환, 매출 및 ROAS 데이터 등이 제각각의 엑셀 파일로 흩어져 있습니다.
• AI Agent - 의사결정 지원 AI 설계
  • 온톨로지 위에서 다음과 같은 핵심 Agent들이 작동했습니다.
    • 추천 Agent: 브랜드 톤, 예산, 과거 성과 기반 최적 인플루언서 후보군 추천
    • 시놉시스 Agent: SNS 트렌드·타깃 관심사 기반 캠페인 카피, 시놉시스 자동 생성
    • 운영 Agent: 시딩 DM, 응답 정리 등 반복 작업 자동화
    • 성과 Agent: 캠페인 실적을 온톨로지에 다시 반영하여 다음 전략에 활용
• 도입 효과
  • 인플루언서 섭외 및 운영 리드타임 약 60% 단축
  • 인플루언서 선정 및 프로젝트 집행이 ‘감’ → ‘성과 예측 기반’으로 전환
  • 예산 대비 ROAS가 점진적으로 개선되는 학습 구조 확립
• 달파는 이를 하나의 온톨로지로 묶어,

"어떤 인플루언서에게 어떤 메시지를 어떤 비용으로 진행했을 때 어떤 전환율, ROAS가 나오는가”를 데이터 기반 계산이 가능한 구조로 만들었습니다.

2) 패션 브랜드 사례 — 수요 예측과 발주를 ‘공헌이익 중심’ 구조로 전환

• 데이터 통합 - 온톨로지 구축
  • 패션 브랜드의 발주는 상품별 판매량 / 재고, 회전율 / 리드타임, MOQ / 시즌, 컬렉션 정보 / 원가·수수료, 반품률 등 여러 데이터가 서로 다른 시스템에 흩어져 있는 것이 문제입니다.
• AI Agent
  • 수요예측 Agent: 시즌·프로모션을 반영한 SKU별 수요 예측
  • 발주 시나리오 Agent: 리드타임·MOQ 조건에서 최적 발주안 생성
  • 발주 액션 자동화 Agent: 확정된 발주안을 토대로 내부 WMS/ERP와 연동하여 발주 액션을 자동으로 수행
• 도입 효과
  • 품절(결품) 및 과잉재고 리스크 평균 15% 감소
  • 재고 관련 비용 8~18% 절감
  • “전년도 동월 대비”가 아닌 공헌이익 기반의 데이터 의사결정 체계 정착
• 달파는 이를 SKU 단위로 통합해,

“SKU별로 언제, 얼마를 발주해야 품절·과잉 없이 공헌이익을 극대화하는가”를 계산할 수 있는 온톨로지 모델을 구축했습니다.

3) 마지막으로 : 브랜드에게 던지는 한 가지 질문

여기까지 읽으셨다면, 아마 한 번쯤은 이런 생각이 떠오르실 수 있습니다.

“우리 브랜드의 온톨로지는, 지금 어떤 모습일까?”

혹시 아직, 팀·시스템·엑셀마다 흩어진 데이터가 각자 다른 이야기만 하고 있지는 않나요?

팔란티어가 보여준 것은 초거대 시스템이라기보다, “데이터를 온톨로지로 구조화하고, 그 위에서 AI가 의사결정을 돕게 한 방식”입니다.

이 구조는 국내 소비재 브랜드에도 충분히 현실적인 형태로 가져올 수 있습니다.

달파는 소비재 브랜드의 내부 데이터를 기반으로, 브랜드 맞춤형 온톨로지와 의사결정 AI를 설계하는 AI Agents Platform을 만들고 있습니다.

만약 지금, “우리 브랜드의 온톨로지는 어떻게 설계될 수 있을까?”라는 질문이 떠오르셨다면 그 고민을 함께 풀어볼 수 있으면 좋겠습니다.

JTBC는 방송, 디지털, 뉴스를 아우르는 국내 대표 종합 미디어 그룹으로 다양한 영상 콘텐츠의 온라인 유통과 디지털 혁신에 앞장서고 있습니다.

도입 이유 : 유튜브 트렌드에 대응하는 빠른 번역

JTBC 디지털서비스팀은 트렌드에 민첩하게 대응하는 유튜브 콘텐츠 운영과 콘텐츠의 글로벌화를 위해, 적은 비용과 빠른 속도로 대응하기 위해 맞춤형 AI 솔루션으로 기업의 문제를 해결하는 DALPHA팀을 알게 되어 프로젝트를 진행하게 되었습니다.

AI 솔루션 : 자막 자동 생성 및 번역 AI

이 문제를 해결하기 위해 JTBC 디지털 서비스팀은 Dalpha와 함께 실무자가 직접 사용할 수 있는 AI 기반 자막 생성 및 번역 솔루션을 도입했습니다.

영상 원본을 업로드하면 원하는 자막 형태(한글/영어/한영 동시)를 선택하면 AI가 자동으로 자막을 생성합니다. 프로그램별 특수한 용어를 학습시켜 번역 오류를 낮추고 정확도를 높였습니다.

그 결과, 이제 JTBC 디지털 서비스팀이 원하는 시점에 즉시 간편하게 자막 작업이 가능해졌습니다.

효과 : 소요 시간 대폭 단축 및 비용 감소

AI 솔루션 도입 이후, 실무진들은 자막 번역의 품질에 대해 높은 만족도를 보이고 있습니다.

즉시 작업을 통해 콘텐츠 활용의 타이밍을 확보했습니다. 기존 외주 인력을 사용할 때는 한 편의 영상당 평균 24시간 이상 소요됐으나, AI 솔루션 도입 후에는 영상 러닝타임과 거의 동일한 시간(예: 1시간 분량 영상 = 약 1시간) 내에 작업이 끝나게 됐습니다. 이로 인해 원하는 타이밍에 콘텐츠를 즉각 업로드할 수 있게 되었습니다.

작업 속도와 더불어, 심지어 비용도 절감되었습니다. 기존 대비, 분당 단가가 약 5분의 1 수준까지 낮아졌습니다.

이처럼 JTBC 디지털 서비스팀은 맞춤형 AI 솔루션 도입을 통해 더 민첩하고 효율적인 콘텐츠 운영 환경을 갖추게 되었습니다.

콘텐츠 운영도 AI를 통해 ‘시간과 비용을 동시에 줄이는 방식’으로 개선할 수 있습니다.
지금 바로 달파와 함께 귀사만을 위한 맞춤형 AI 솔루션을 상담해보세요.

[1] AI 도입이 일상이 된 지금, 기업은 왜 더 복잡해졌을까?

최근 몇 년간 소비재 브랜드의 디지털 전환 속도는 놀라울 만큼 빠르게 진행되었습니다.

데이터 통합을 진행하고, 리뷰 분석, 수요 예측, 상담 챗봇, 광고 자동화 등 기업 내 여러 영역에서 AI가 이미 기본 기능처럼 자리 잡았습니다.

겉으로만 보면 브랜드 운영은 과거보다 훨씬 효율적으로 움직여야 합니다.

하지만 실제 실무자와 경영진의 이야기를 들어보면 생각보다 다른 현실이 펼쳐지고 있습니다.

• “데이터는 많아졌는데 판단은 더 어려워졌습니다.”
• “AI가 숫자는 보여주지만, 왜 그런지는 설명이 없습니다.”
• “예측 모델은 도입했지만, 중요한 결정은 여전히 사람이 감으로 결정합니다.”

AI를 도입했는데도 중요한 의사결정이 여전히 막히는 이유는 무엇일까요?

핵심은 다음과 같습니다.

AI는 분석과 추론은 잘하지만, 브랜드가 실제로 의사결정을 내리는 ‘고유한 사고 구조’는 알지 못하기 때문입니다.

AI는 데이터를 기반으로 패턴을 이해할 수는 있지만, 각 브랜드가 판단할 때 고려하는 기준, 우선순위, 맥락, 조건 관계 같은 운영의 논리체계는 스스로 갖추고 있지 않습니다.

그래서 AI가 도입되었음에도 불구하고, 핵심 결정은 여전히 사람의 경험과 감각에 의존하게 됩니다.

이 지점에서 문제가 시작됩니다.

[2] 데이터와 AI가 있어도 의사결정이 흔들리는 이유

앞선 블로그 시리즈에서는

• 감(感)과 데이터의 공존,
• 데이터 통합의 필요성,
• 자동화 중심 AI의 한계를 다뤄 왔습니다.

이 단계들 모두 브랜드 운영에 중요하지만, 이것만으로는 의사결정의 어려움이 해결되지 않습니다. 왜일까요?

결론은 명확합니다.

문제는 데이터의 부족이 아니라, 의사결정 방식이 구조화되어 있지 않기 때문입니다.

1) 데이터 통합이 되어도 해결되지 않는 이유

데이터가 모이면 전체적인 시야는 넓어집니다.

하지만 데이터가 많아질수록 다음 질문은 더 복잡해집니다.

• “이 많은 데이터 중 무엇을 봐야 할까?”
• “판단 기준은 무엇이어야 할까?”
• “이 상황에서 어떤 선택이 맞는 걸까?”

데이터는 재료일 뿐이고, 그 재료를 어떻게 해석해야 하는지에 대한 사고 틀이 없는 것이 문제입니다.

2) 예측 모델을 도입해도 판단이 남는 이유

예측 모델은 미래의 숫자를 보여줍니다. 그러나 중요한 질문에는 여전히 답하지 못합니다.

• “그래서 어떤 전략을 선택해야 하지?”
• “이 예측의 원인은 무엇이지?”
• “매출이 아닌 공헌이익 기준으로 보면 어떤 선택이 유리할까?”

예측이 답하지 못하는 부분이 바로 의사결정 구조의 영역입니다.

3) 자동화가 늘어날수록 복잡성이 커지는 이유

프로모션 일정, 재고 상태, 시즌성, 원자재 가격, 유통 채널 변화 등 운영을 구성하는 모든 변수는 동시에 움직입니다.

자동화는 이 복합성을 모두 반영하기 어렵기 때문에 예외 상황이 생기는 순간, 판단은 결국 사람에게 돌아오게 됩니다.

이 모든 이유는 하나의 결론으로 이어집니다.

브랜드 운영의 문제는 도구의 성능이 아니라, 사고 방식의 부재입니다. 즉, 의사결정 구조가 없는 상태에서는 어떤 AI도 충분히 활용될 수 없습니다.

[3] ‘의사결정 구조’를 구축하면 운영이 어떻게 달라질까?

의사결정 구조는 복잡한 개념이 아닙니다. 브랜드 운영을 구성하는 변수들 간의 관계와 규칙, 그리고 판단 기준을 명확히 정리해놓은 지능형 프레임워크입니다. 이 구조가 갖춰지면 운영은 완전히 달라집니다.

1) 관계 기반 판단이 가능해집니다.

판매량, 재고, 프로모션, 가격, 리드타임, 공헌이익 등 운영의 요소들은 모두 서로 연결되어 있습니다. 의사결정 구조는 이 관계를 명확히 드러내주기 때문에 독립적인 숫자가 아니라 상호작용하는 구조로 판단할 수 있습니다.

• 재고 부족 + 프로모션 일정 → 광고 예산 조정
• 리드타임 증가 + 회전율 둔화 → 발주 전략 변경
• 원가 상승 + 매출 구조 변화 → 가격 정책 재산정

즉, 한 변수의 변화를 전체 맥락 속에서 판단할 수 있습니다.

2) 시나리오 기반 비교가 가능해집니다.

운영은 단일 선택이 아니라 다층적인 옵션의 조합입니다.

• 프로모션을 연장했을 때
• 발주량을 줄였을 때
• 가격을 소폭 조정했을 때

각각의 결정이 어떤 운영 결과로 이어지는지 시나리오별로 자동으로 비교할 수 있습니다.

3) AI가 ‘전략’을 제안할 수 있습니다

의사결정 구조가 정립되면 AI는 예측 결과만 보여주는 것이 아니라 구조화된 사고를 기반으로 전략 제안까지 가능해집니다.

• 최적 발주량
• 인플루언서 시딩 최적화
• 광고 예산의 효율 재배분
• 가격 전략 추천

이 시점부터, AI는 반복 작업을 대신하는 도구를 넘어서 브랜드 운영을 함께 사고하는 동료처럼 작동합니다.

[4] 의사결정 구조는 어떻게 만들 수 있을까: Ontology의 역할

의사결정 구조를 실제로 만들기 위해서는 데이터를 단순히 모으는 것을 넘어서, 각 요소의 의미·관계·규칙을 체계적으로 구성해야 합니다.

이때 필요한 개념이 바로 Ontology(온톨로지)입니다.

Ontology는 다음과 같은 질문들을 하나의 언어로 연결하는 구조입니다.

• SKU는 무엇을 의미하는가
• 재고는 SKU와 어떻게 연결되는가
• 가격, 할인, 프로모션은 어떤 규칙 아래 작동하는가
• 회전율, 리드타임, LOT, 공헌이익은 서로 어떤 영향을 미치는가

이러한 구조 위에서 AI는 단순 계산을 넘어서 맥락과 의미를 이해하는 단계까지 도달할 수 있습니다.

*다음 블로그 글에서 이러한 Ontology가 실제 브랜드 운영에서 어떻게 작동하는지 사례 중심으로 풀어볼 예정입니다.

마무리하며 :

AI가 아무리 고도화되어도 브랜드가 실제로 어떻게 사고하고 판단해야 하는지는 아직 누구도 대신 설계해주지 않습니다.

그래서 지금 필요한 것은 더 많은 데이터도, 더 복잡한 예측 모델도 아닙니다.

브랜드가 스스로의 사고 방식을 어떤 구조로 다루고 싶은지에 대한 선택입니다.

이 선택이 정리되는 순간부터 AI는 단순한 기능이 아니라, 운영 전반을 함께 바라보는 존재가 됩니다. 그리고 그 흐름이 어디로 이어질지는 다음 글에서 조금 더 자연스럽게 이야기해보겠습니다.

저희 달파는 브랜드사가 내부에 축적된 데이터를 더 단단한 ‘운영의 언어’로 전환할 수 있도록 돕고자 합니다. 데이터를 기반으로 의사결정 구조를 만들고자 고민하신다면, 언제든 편하게 이야기나눠보면 좋겠습니다.

[1] 브랜드 경쟁력의 새로운 기반, AI의 역할

브랜드의 경쟁력은 더 이상 제품이나 감각적인 마케팅에만 머물지 않습니다.

오늘날의 시장은 훨씬 더 빠르고 복잡하게 움직이며, 소비자의 선택 기준 또한 점차 세분화되고 있습니다.

제품이 좋다고 해서, 혹은 마케팅으로 한때 주목받았다고 해서 지속적인 성장을 보장받던 시대는 끝났습니다.

이제 브랜드의 핵심 경쟁력은 ‘얼마나 빠르고 정확하게 판단하고 실행할 수 있는가’로 옮겨가고 있습니다.

이 판단의 기반에는 데이터가 있으며, 데이터를 읽고 해석하고 예측하는 지능(AI)이 있습니다.

첫 번째 포스팅에서 다뤘듯, 과거에는 경험 많은 담당자의 감(感)이 중요한 자산이었습니다. 하지만 지금의 시장은 데이터 없이 감에만 의존하기엔 너무 복잡합니다.

소비자의 반응은 하루가 다르게 바뀌고, 제품 수명 주기는 짧아졌으며, 유통 채널은 온라인을 넘어 소셜 미디어까지 확장되었습니다.

이 변화 속에서 AI는 브랜드의 ‘두 번째 두뇌’로 작동하고 있습니다.

단순히 데이터를 분석하는 수준을 넘어, 브랜드가 어떤 결정을 내려야 하는지, 어떤 선택이 이익 구조에 영향을 주는지를 함께 고민하는 존재로 자리 잡고 있습니다.

AI를 잘 활용하는 브랜드는 이미 결정의 속도와 정확도에서 경쟁사를 앞서고 있습니다. 글로벌 뷰티 브랜드 로레알은 제품 개발 단계에서부터 AI를 적극적으로 도입하고 있습니다.

AI를 통해 고객의 피부 톤, 트렌드 색상, 선호 패턴을 분석하고 이를 제품 설계와 마케팅 전략에 반영합니다. 그 결과, 새로운 제품의 시장 적합도와 출시 성공률을 동시에 끌어올렸습니다.

이처럼 AI는 더 이상 ‘기술적 도입’의 문제가 아니라, 브랜드 경쟁력의 구조적 기반이 되고 있습니다.

[2] 자동화에 그치는 AI 활용의 한계

고객 상담, 상품 추천, 리뷰 관리 등 일부 프로세스를 자동화하는 작업만으로도 기존의 메뉴얼한 작업 대비 효율화를 달성할 수는 있으나, 기업의 주요한 의사결정에 주는 도움은 크지 않습니다.

즉, 자동화 중심의 AI는 “무엇을 해야 하는가”를 알려주지 않고 이미 정해진 업무를 더 빨리, 더 많이 처리하는 데에 그치는 한계점이 존재합니다.

브랜드의 진짜 경쟁력은 단순한 효율이 아니라, 판단과 선택의 정교함에서 비롯됩니다.

예를 들어,

• ‘어떤 제품을 생산해야 할까’,
• ‘어떻게 발주량을 최적화해야 할까’,
• ‘어떤 고객군에 집중해야 할까’

같은 문제는 단순 반복이 아니라 사고의 영역입니다.

AI가 이런 의사결정에 기여하기 위해서는 사람의 사고를 모사하고 보완하는 구조가 필요합니다. 즉, 데이터를 단순히 처리하는 수준을 넘어, 데이터 간의 맥락을 이해하고 의미를 추론할 수 있어야 합니다.

[3] 사람처럼 사고하는 AI 활용 방안

위에서 언급하였듯, 사람의 사고는 단순히 데이터를 계산하는 과정이 아니라 데이터를 보고,

• ‘왜 이런 일이 일어났는지’를 해석하고,
• ‘다음에는 무엇이 일어날지’를 예측하며,
• ‘어떻게 대응해야 하는지’를 판단하는 과정입니다.

AI가 사람처럼 사고한다는 것은 바로 이런 맥락적 이해와 추론의 과정을 구현하는 것을 의미하고, 이는 단순 자동화가 아닌 사고의 구조를 닮아가는 과정입니다.

예를 들어,

• 글로벌 소비재 브랜드 P&G는 제품 가격 전략에 AI를 도입했습니다.
  • AI는 단순히 경쟁사 가격을 비교하는 수준을 넘어, 계절적 요인, 지역별 수요 탄력성, 프로모션 반응률 등을 학습한 이후, 이러한 복합적인 요인을 바탕으로 ‘가격 변동이 수익 구조에 어떤 영향을 미칠지’를 시뮬레이션합니다.
  • 이 과정은 마치 숙련된 전략가가 사고하듯, 데이터를 기반으로 사고를 확장하는 형태입니다.

또 다른 예시로,

• 국내 식음료 브랜드 A사는 적정 재고량 유지를 위해 SCM 담당자처럼 사고하는 AI를 도입했습니다.
  • 기존에는 단순히 전년도 동월 판매량과 담당자의 휴먼 데이터에 의존하여 발주를 진행하였지만, AI 도입을 통해 과거 판매량, 날씨, 광고/프로모션 등 복합적인 데이터를 학습하고 적정 발주량을 예측합니다.
  • 이러한 예측 프로세스를 통해 전년도 대비 재고 비용을 비약적으로 감소시킬 수 있게 되었을 뿐만 아니라 AI로 추론한 결과가 결국 브랜드 자산으로 남아 데이터가 쌓일수록 더욱 정확한 의사결정을 할 수 있게 되었습니다.

이처럼 AI가 사고를 모사하거나 보조할 수 있을 때, 브랜드는 데이터를 통찰로 바꾸는 지능형 구조를 갖추게 됩니다.

더 이상 AI를 단순한 연산기로 보아서는 안 되며, 사람처럼 사고하고, 판단하고, 가설을 세우며, 데이터를 해석할 수 있는 ‘사고 파트너’로서 브랜드 안에 자리 잡아야 합니다.

[4] 데이터 흐름에서 시작되는 AI 워크플로우 설계

사람처럼 사고하는 AI의 출발점은 결국 데이터의 흐름입니다.

데이터는 AI의 재료이자 사고의 경로이며, 이 흐름이 단절되어 있다면 AI는 온전히 작동할 수 없습니다. 많은 브랜드가 AI 프로젝트를 실패하는 이유는, 뛰어난 모델을 사용하지 않아서가 아니라 데이터가 유기적으로 연결되어 있지 않기 때문입니다.

두 번째 포스팅에서 언급하였듯, 제품 기획 데이터, 유통 데이터, 마케팅 데이터, 고객 서비스 데이터가 서로 다른 시스템에 분리되어 존재하면 AI는 전체 맥락을 파악할 수 없고 이는 곧 “현실 왜곡”으로 이어집니다.

AI가 일부 데이터만 보고 판단하게 되면, 실제 시장의 움직임과 전혀 다른 결론을 내리게 됩니다.

따라서 AI를 제대로 활용하기 위해서는 데이터 통합과 워크플로우 설계가 필수적입니다.

기획부터 판매, 고객 피드백까지 데이터가 하나의 흐름으로 이어져야 AI가 사람처럼 사고하고, 브랜드의 판단을 보조할 수 있습니다. 이 과정을 통해 AI는 단일 기능이 아니라, ‘사고의 체계’로 작동하는 워크플로우가 됩니다.

쉽게 생각하자면, 기업 내 특정 인원이 최종 결과물을 내기까지의 사고 과정이 무엇인지를 파악하고, 이 사고 과정을 AI가 지원할 수 있는 하나의 워크플로우를 설계하는 것이라고 볼 수 있습니다.

위에서 언급한 재고 관련 예시에 대입해보자면, 단순히 LLM에게 데이터를 주입하고 적정 재고량을 추출해달라고 요청하는 것은 하나의 워크플로우로 볼 수 없습니다.

재고 담당자는 발주에 영향을 미치는 다양한 데이터를 하나의 폴더에 모아 데이터 간의 싱크를 맞추고, 적정한 재고량을 산정한 이후 실제 판매량을 기반으로 재고 과잉이나 결손이 발생하였을 때 이를 최적화하여 최종적인 결과값을 기반으로 다음 재고 분배에 이를 반영합니다.

이 과정을 인지한 상태로 AI를 통해 데이터 싱크 일원화, 재고량에 대한 시계열 예측, 실제 결과값 기반 피드백 Loop을 적용하였을 때 비로소 AI가 기업에게 큰 영향력을 미칠 수 있습니다.

[5] 마무리하며: AI는 브랜드의 사고를 설계하는 도구입니다

이제 AI는 브랜드의 ‘자동화 솔루션’이 아니라, 조직의 사고 체계를 설계하는 인프라로 자리 잡고 있으며, 더 이상 선택이 아닌, 브랜드 경쟁력의 구조적 필수 요소가 되었습니다.

그러나 AI를 단순 자동화 도구로만 이해한다면, 그 잠재력을 극히 일부만 활용하게 됩니다.

앞으로의 AI는 사람처럼 사고하고, 판단을 보완하며, 데이터를 통해 맥락을 읽어내는 존재가 되어야 합니다.

그리고 그 출발점은 ‘데이터의 흐름을 설계하는 것’입니다.

달파는 이러한 AI의 패러다임 전환 속에서, 단일 기술이 아닌 AI 워크플로우 전체를 설계하는 관점으로 브랜드의 지능화를 지원하고자 합니다.

오늘날 우리는 내비게이션 없이 운전한다는 것을 상상하기 어렵습니다.

내비게이션은 단순히 길을 알려주는 도구가 아니라, 실시간 데이터를 바탕으로 최적의 경로를 제시하는 ‘의사결정 엔진’입니다.

시시각각 변하는 교통 상황을 감지해 사고 구간을 피하도록 안내하고, 정체가 생기면 대안을 제시하며, 단속 구간에서는 미리 속도를 줄이도록 돕죠.

덕분에 우리는 돈과 시간을 절약하며 목적지에 도달할 수 있습니다.
이제 기업의 경영도 이와 다르지 않습니다.

감(感)에 의존하던 시대는 지났고, 데이터를 기반으로 판단하고 실행하는 기업만이 ‘길을 잃지 않는’ 경영을 할 수 있습니다.

지난 포스팅에서 다뤘듯, 데이터를 해석하고 행동으로 연결하는 능력은 오늘날 모든 소비재 브랜드에게 필수적인 역량입니다.

[1] 데이터는 이제 브랜드의 가장 중요한 자산

불과 몇 년 전까지만 해도 브랜드의 성패는 제품력과 마케팅 역량에 의해 결정된다고 여겨졌습니다.

하지만 이제는 다릅니다.
제품은 빠르게 복제되고, 일반적인 마케팅 방법론은 모두가 숙지하고 있는 시대가 되었습니다.

이제 진짜 차이는 누가 데이터를 더 잘 모으고, 이해하고, 활용하느냐에서 갈립니다.

구매 이력, 리뷰, 검색 트렌드, 방문 경로, 재구매 패턴, 심지어 CS 문의까지, 우리 브랜드가 고객과의 접점을 통해 쌓아온 리얼월드 데이터는 단순한 숫자의 집합이 아닙니다.

고객의 생각, 감정, 행동, 시장의 리듬이 모두 녹아 있는, 우리만의 고유한 자산입니다.

이 데이터를 제대로 통합해 읽을 수 있다면, 우리는 브랜드의 현재 상태뿐 아니라 다음에 일어날 일까지 예측할 수 있습니다.

[2] 분절된 데이터가 낳는 ‘현실 왜곡’

하지만 많은 브랜드의 현실은 이와 다릅니다.

각 부서가 각자의 도구와 시스템을 사용하면서, 데이터는 여러 곳에 쌓이지만 서로 연결되지 않습니다.

마케팅팀은 광고 데이터만, 영업팀은 매출 데이터만, SCM팀은 재고 데이터만 트래킹하는 경우가 대다수죠.

그 결과, 각 부서는 서로 다른 ‘현실’을 보게 되고, 구성원들이 노력한 결과가 부분 최적화에 머무른 채 브랜드 전체의 최적화로 이어지지 못합니다.

예를 들어볼까요?
한 소비재 브랜드의 사례입니다.

• 마케팅팀은 광고 효율을 높이기 위해 특정 제품의 프로모션 예산을 대폭 늘렸습니다. 타깃 세그먼트를 정교하게 조정한 결과, 광고 데이터 상으로는 클릭률과 도달률이 크게 상승했죠.
• 하지만 그 시점에 이미 해당 SKU의 재고는 소진 직전이었습니다.
• 마케팅팀은 실시간 재고 데이터를 볼 수 없었기에, “성과가 좋다”는 이유로 캠페인을 그대로 유지했습니다.

결과는 어땠을까요?

광고는 성공했지만, 광고를 통해 인입된 고객들은 품절로 인해 상품을 구매할 수 없었습니다. 마케팅팀의 ‘성과’가 브랜드 전체의 성과로 이어지지 못한 것이죠.

이 문제의 근본 원인은 각 팀이 서로 다른 데이터를 기반으로 움직였기 때문입니다.

마케팅팀은 광고 플랫폼 데이터를,

영업팀은 ERP의 매출 데이터를,

SCM팀은 WMS의 재고 데이터를 보고 있었습니다.

만약 이 데이터가 하나로 연결되어 있었다면,
시스템은 자동으로 “현재 재고가 빠르게 소진 중이니 광고 예산을 하향 조정하라”는 시그널을 보냈을 것입니다.

이 사례는, 데이터 통합 없이는 ‘전투에서 이기고도 전쟁에서 지는’ 비효율이 발생할 수 있다는 사실을 보여줍니다.

[3] 데이터 통합이 여는 새로운 의사결정의 시대

데이터 통합의 진짜 가치는, 단순히 현재를 보는 것에 그치지 않습니다.

데이터가 연결되면, 우리는 “앞으로 일어날 일”을 구체적인 근거를 바탕으로 예측하고 대비할 수 있는 힘을 갖게 됩니다.

예를 들어, 특정 시즌이나 프로모션 기간 동안 SKU별 판매량을 미리 예측할 수 있다면,

생산팀은 설비 가동 일정을 미리 조정하고, 구매팀은 원자재 발주를 앞당기며, 물류팀은 주요 창고의 적치 공간을 선제적으로 확보할 수 있습니다.

즉, 데이터 통합은 문제가 생긴 뒤의 ‘대응’을 문제가 생기기 전의 ‘준비’로 바꾸는 출발점입니다.

“프로모션을 일주일 연장하면 재고는 얼마나 줄어들까?”

“원가가 5% 상승하면 영업이익률은 어떻게 변할까?”

“리드타임이 3일 늘면 납기 준수율은 얼마나 떨어질까?”

데이터 통합은, 브랜드가 매일 마주하는 이런 현실적 고민들에 실시간으로 답할 수 있는 기반이 됩니다.

감에 의존하지 않고, 데이터로 예측하고 검증하는 브랜드만이 불확실성 속에서 빠르게 앞으로 나아갈 수 있습니다.

[4] 데이터 통합의 세 가지 장애물

물론, 데이터 통합은 결코 쉬운 일이 아닙니다. 대부분의 브랜드가 다음과 같은 벽에 부딪힙니다.

1. 여러 시스템에 산개된 데이터: ERP, CRM, WMS, 광고 플랫폼, POS 등 데이터가 여러 시스템에 흩어져 있습니다.
2. 데이터의 정의 불일치: 예컨대 ‘매출’의 기준이 팀마다 다릅니다. 누군가는 출고를 기준으로, 누군가는 입금을 기준으로 매출을 정의합니다.
3. 폐쇄적인 데이터 문화: 구성원들이 부서 간 데이터 공유를 꺼리거나, 데이터 통합보다는 개별 성과 관리에 집중합니다.

[5] 관건은 데이터 문화

다행히 기술은 이미 이 벽을 넘기 시작했습니다.

최근 클라우드 기반 통합 데이터 플랫폼과 ETL 자동화 기술이 빠르게 발전하면서, 과거에는 수개월 걸리던 데이터 통합 작업이 이제는 몇 주면 가능합니다.

그러나 기술보다 더 중요한 것은 조직의 문화입니다.
데이터 기반 의사결정이 전사적인 공통 언어가 되어야 합니다.

데이터를 단순히 보고하기 위한 수단이 아니라, 판단과 실행의 출발점으로 인식하는 문화가 필요합니다.

데이터를 중심에 둔다는 것은,

감이 아닌 근거로 판단하고,
문제를 사후 대응이 아닌 사전 예측으로 다루며,
부서 단위의 목표가 아닌 브랜드 전체의 최적화를 추구하겠다는 선언입니다.

이러한 사고방식이 조직에 스며들어, 모든 부서가 동일한 데이터를 보며 논의하고, 가설을 세우고, 실행을 검증할 수 있을 때 비로소 진정한 통합이 이루어집니다.

이런 데이터 중심 문화의 핵심은 ‘신뢰’입니다.
숫자에 대한 신뢰, 시스템에 대한 신뢰, 그리고 서로에 대한 신뢰 말이죠.

데이터가 정확해야 사람들은 그 데이터를 믿고 의사결정을 내릴 수 있습니다.
하지만 데이터가 불완전하거나, 팀 간 해석이 다르면 결국 다시 ‘감’으로 돌아가게 됩니다.

그래서 진정한 데이터 통합은 기술적 연결뿐 아니라 데이터 품질 관리, 표준화, 거버넌스가 함께 이루어져야 합니다.
이러한 기반이 있을 때, 조직은 데이터에 기반한 논의와 실행을 일상처럼 해낼 수 있습니다.

데이터 통합은 기술의 문제가 아니라, 신뢰의 문제이자 문화의 문제입니다.

[6] 데이터 통합으로 민첩해지는 의사결정

데이터가 통합되면, 가장 먼저 달라지는 것은 결정의 속도와 정확성입니다.

이전에는 매출 데이터를 취합하고, 재고를 확인하고, 마케팅 리포트를 받아보는 데 며칠이 걸렸습니다.

이제는 실시간 대시보드 하나로 전사의 상황을 한눈에 볼 수 있습니다.

마케팅팀은 캠페인 성과를 실시간으로 보고 즉시 예산을 조정하고,
SCM팀은 판매 급등 조짐을 감지하면 자동으로 발주를 조정하며,
경영진은 여러 시나리오를 시뮬레이션하여 즉시 결정을 내릴 수 있습니다.

데이터가 흐르는 브랜드는 더 이상 부서별로 따로 움직이며 엇박자를 내지 않습니다.
모든 부서가 같은 데이터를 보며 하나의 방향으로 빠르게 나아갑니다.

[7] 데이터 통합을 더 이상 미룰 수 없는 이유

데이터 통합을 미루는 것은, 내비게이션 없이 복잡한 도시를 운전하는 것과 같습니다.

언젠가는 목적지에 도착하겠지만, 돌아가고, 막히고, 불필요한 연료를 낭비하게 됩니다. 지금 브랜드들이 데이터 통합을 서두르는 이유는 단순합니다.

시장의 속도는 점점 빨라지고, 고객의 기대치는 점점 높아지고 있기 때문입니다.
데이터가 연결될 때, 브랜드는 더 효율적으로, 더 현명하게, 더 빠르게 움직일 수 있습니다.

이제 데이터 통합은 선택의 문제가 아니라 생존의 문제입니다.

지금 이 글을 읽는 동안 “우리 브랜드는 데이터 통합이 얼마나 잘 되어 있을까?” 라는 질문을 떠올리셨다면, 그것이 바로 변화의 시작입니다.

달파는 그 질문이 실행으로 이어지는 순간을 여러 브랜드사와 함께 만들어가고자 합니다.