design by 슝슝 (w/Midjourney)
아래 글은 2025년 06월 11일에 발행된 뉴스레터에 실린 글입니다.
전체 뉴스레터를 보시려면 옆의 링크를 클릭하시면 됩니다. [뉴스레터 보러 가기]
메이아이로부터 소정의 원고료를 지원받고 작성된 콘텐츠입니다
언제까지 하나하나 세야 할까요?
신규 매장이나 팝업스토어가 열릴 때마다, 어김없이 마주하는 풍경이 하나 있습니다. 바로 계수기를 들고 입장하는 고객 수를 일일이 세는 직원들의 모습이죠. 뉴스나 기사에서 흔히 보는 ‘방문자 수 00명’ 같은 수치를 만들기 위해, 그동안은 사실 이 방법 외엔 뚜렷한 대안이 없었습니다. 그래서 때로는 비효율적으로 보이기까지 하는 이 작업이, 아직도 매장 현장에선 계속되고 있었던 겁니다.
사실 저도 비슷한 경험이 있습니다. 과거 대형마트에서 매장 내 진열 위치(조닝)를 변경하는 프로젝트에 참여한 적이 있었는데요. 오픈 당일 새벽부터 나가 진열을 바꾸느라 분주했지만, 이 변화가 실제로 효과가 있었는지, 심지어 고객을 조금이라도 더 끌어들였는지조차 확인하기가 무척 어려웠습니다. 결국엔 어쩔 수 없이 팀원 한 명을 전담으로 세워 해당 구역에 방문한 고객 수를 직접 세기도 했지만요. 이마저도 한두 시간 정도만 기록한 데이터를 바탕으로 전체를 추정해야 했습니다. 그 결과 아이디어는 수치로 뒷받침되지 못했고, 결국 채택되지 못하고 말았죠.
이처럼 오프라인 매장의 가장 큰 한계는, 우리가 명확하게 확인할 수 있는 지표가 사실상 ‘매출’ 하나뿐이라는 점입니다. 그런데 매출은 ‘결과’이지, ‘과정’이 아닙니다. 우리가 무언가를 개선하려면 그 결과가 어떻게 만들어졌는지를 알아야 하는데, 정작 그 과정을 들여다볼 수 없으니 무엇을, 어떻게 고쳐야 할지도 판단하기 어렵습니다. 결국 감에만 의존하여 의사결정을 하게 되고, 그만큼 성공 확률도 낮아지게 됩니다.
온라인도 고충은 있었습니다
이커머스로 자리를 옮긴 뒤에는, 데이터에 대한 갈증이 어느 정도 해소되는 것 같았습니다. 당시에도 이미 구글 애널리틱스를 비롯한 다양한 분석 도구들이 잘 갖춰져 있었고요. 최소한 ‘방문자가 몇 명인지’ 정도는 직접 세지 않아도 자동으로 확인할 수 있다는 점이 무척 신기했죠. 특히 ‘전환율’이라는 새로운 기준을 활용할 수 있다는 점이 가장 유용했습니다. 우리가 만든 변화가 고객 행동에 실제로 어떤 영향을 줬는지를 정량화된 수치로 평가할 수 있었기 때문이죠.
하지만 온라인 데이터라고 해서 완벽한 건 아니었습니다. 가장 큰 어려움은 고객의 ‘맥락’을 파악하기 어렵다는 점이었습니다. 온라인에서 수집되는 데이터는 주로 현황 파악에는 도움이 되지만, ‘왜 그런 결과가 나왔는지’를 설명하기에는 한계가 있습니다. 예를 들어 가장 자주 쓰이는 지표 중 하나인 ‘체류 시간’만 해도 그렇습니다. 고객이 콘텐츠에 만족해 오래 머물렀다고 볼 수도 있지만, 반대로 불편한 UI/UX 때문에 헤매느라 머무는 시간이 길어졌을 수도 있으니까요.
이런 점에서는 오히려 오프라인 매장이 더 나은 경우도 많습니다. 고객의 행동을 직접 눈으로 확인하고, 필요하다면 응대를 통해 바로 피드백을 얻을 수 있기 때문에 고객의 맥락이나 니즈를 보다 명확하게 파악할 수 있죠. 실제로 많은 온라인 기반 기업들도 정기적으로 오프라인에서 고객 인터뷰나 사용자 테스트를 진행합니다. 심지어 아마존 같은 글로벌 기업들은 고객의 마음을 더 깊이 이해하기 위해 다양한 오프라인 공간을 직접 운영하기도 하니까요.
그래서 종종 이런 상상을 해보기도 했습니다. 만약 고객에 대한 깊은 이해를 지닌 오프라인 매장에, 온라인이 가진 정량적이고 명확한 데이터 지표까지 더해진다면, 정말 강력한 시너지가 나지 않을까 말이죠.
AI가 새로운 기준을 제시합니다
하지만 불과 얼마 전까지만 해도, 오프라인에서 정교한 데이터 분석을 기대하는 건 현실보다는 상상에 가까운 일이었습니다. 가장 큰 걸림돌은 역시 데이터 수집에 드는 비용이었죠. 사람이 직접 고객 수를 세고, 일일이 기록해야 했기 때문에 이런 작업을 지속적으로 운영하는 건 사실상 불가능에 가까웠습니다.
그런데 최근 몇 년 사이, 리테일 현장에도 AI 기술이 본격적으로 도입되면서 상황이 크게 달라지기 시작했습니다. 특히 기존 CCTV 영상에 AI를 적용해 분석할 수 있게 되면서, 완전히 새로운 분기점을 맞이하게 됩니다.
그렇다면 AI는 오프라인에 어떤 구체적인 변화를 만들어낼 수 있을까요? 가장 핵심적인 변화는 바로, 이제 오프라인에서도 데이터 기반의 의사결정이 가능해졌다는 점입니다.
예를 들어, 매장분석 AI 솔루션을 활용하면 단순히 방문자 수를 세는 데서 그치지 않고, 방문객의 성별이나 연령대까지 추정할 수 있습니다. 사실 온라인조차도 로그인을 하지 않으면 ‘누가 방문했는지’를 정확히 파악하기 어려운데요. 오프라인에서는 상황이 더 제한적입니다. 고객이 실제로 구매를 했더라도, 모든 이가 멤버십에 가입하거나 포인트를 적립하는 것은 아니니까요. 특히 브랜드사의 경우 아예 고객 식별 수단 자체를 두지 않는 경우도 많습니다.
한 백화점도 이 지점에서 어려움을 겪고 있었다고 합니다. 매장을 리뉴얼하면서 1020세대 고객을 유치하고자 스트리트 브랜드를 입점시켰지만, 실제로 ‘젊은 고객이 얼마나 방문했는지’를 확인할 방법이 마땅치 않았던 거죠. 하지만 매장분석 AI 솔루션을 도입하면서 이 문제를 해결할 수 있었습니다. 단순히 방문객 수를 넘어서, 딥러닝 기반의 분석을 통해 성별과 연령대 분포까지 파악하게 된 건데요. 이를 통해 ‘스트리트 브랜드가 1020 고객 유입에 효과적일 것’이라는 가설을 실제 데이터로 검증할 수 있었다고 합니다. 이후에는 ‘감’이 아닌 ‘데이터’를 기반으로, 어떤 브랜드를 입점시킬지에 대한 명확한 의사결정이 가능했을 거고요.
맥락을 이해하고 변화시킵니다
오프라인에서 수집한 데이터는 단순 수치를 넘어 ‘고객의 맥락’을 이해하는 데 직접 연결될 수 있다는 점에서 더욱 큰 가치를 지닙니다. 사실 온라인에서는 사용자가 한 페이지에 머물렀다는 정보는 알 수 있어도, 그 행위의 의도까지 파악하긴 어렵습니다. 반면 오프라인에서는 고객의 물리적 행동이나 비언어적 표현을 직접 관찰할 수 있기 때문에, 어떤 고객이 어떤 목적을 가지고 어떻게 반응했는지를 훨씬 세밀하게 분류하고 분석할 수 있죠.
한 전자제품 매장 사례를 보겠습니다. 이 매장의 가장 큰 과제는, 온라인 주문 후 매장을 찾은 고객, 예컨대 픽업이나 서비스센터 방문 고객을 어떻게 하면 ‘그냥 돌려보내지 않고’ 더 머무르게 만들 수 있을까였다고 합니다. 오프라인에선 고객의 ‘방문’ 자체가 가장 큰 진입장벽이니까요.
이 매장은 우선 픽업존과 서비스센터 구역을 명확히 구분한 뒤, 해당 공간을 방문한 고객만 따로 집계하기 시작했습니다. 그리고 그중에서 어떤 고객이 더 오래 머물렀는지, 또 무엇이 체류를 유도하고 이탈을 막았는지를 분석했습니다. 그 결과를 바탕으로 진열 레이아웃을 조정하고 콘텐츠를 재배치한 결과, 실제로 업셀링 효과까지 만들어낼 수 있었다고 하죠.
이런 방식의 분석은 특히 팝업스토어처럼 ‘구매’보다는 ‘브랜드 경험’에 초점을 둔 공간에서 더 큰 효과를 발휘합니다. 단순 매출 수치만으로는 성과를 판단하기 어려운 만큼, 고객이 어떤 콘텐츠에 어떻게 반응했는지를 세밀하게 파악할 수 있는 정교한 피드백 구조가 절실하니까요.
매출이 아닌 고객 경험에 대한 분석을 통해 팝업스토어 기획은 발전될 수 있습니다아모레퍼시픽은 이러한 과제를 매장 분석 AI 기술을 통해 해결했습니다. 팝업스토어 내부 공간을 구역별로 세분화한 뒤, 각 구역에서 30초 이상 머문 고객의 비율, 즉 ‘체류 전환율’을 측정했고요. 동시에 개별 콘텐츠 중 어떤 요소에 고객들이 더 오랫동안 반응했는지도 함께 분석했습니다. 이 데이터를 바탕으로 이후 기획에서는 훨씬 더 정밀한 공간 전략을 수립할 수 있었다고 합니다.
메이아이의 매쉬(mAsh)를 소개합니다
지금까지 소개한 다양한 사례에는 두 가지 공통점이 있습니다. 하나는 오프라인에서도 이제 데이터 기반 의사결정이 가능해졌다는 점, 다른 하나는 그 변화의 중심에 CCTV 기반 매장 분석 AI 솔루션 ‘매쉬(mAsh)’가 있었다는 사실입니다.
매쉬는 작년 한 해에만 약 8,700만 명의 방문 데이터를 분석했고, 일평균 25,000시간 분량의 영상을 실시간으로 처리할 만큼 기술력을 갖췄습니다. 하루 10만 명 이상의 고객 데이터를 분석할 수 있을 정도로 고도화되어 있으며, 자체 개발한 딥러닝 알고리즘을 통해 약 95% 수준의 높은 정확도도 제공한다고 하죠.
무엇보다 매쉬는 도입이 쉽다는 점에서 주목할 만합니다. 기존 보안용 CCTV만 있다면, 별도의 장비 구축 없이도 바로 분석을 시작할 수 있거든요. 대표 기능인 ‘피플 카운팅’만 보더라도, 사람이 계수기로 직접 집계하는 방식보다 68% 저렴한 비용으로 운영이 가능하다고 하고요.
또한 매쉬가 특히 강점을 보이는 부분은 ‘현장의 맥락’을 읽는 데 필요한 세밀한 기능들을 다수 갖추고 있다는 점입니다. 예컨대 고객과 직원을 구분해 실제 상담이 이루어졌는지 여부까지 추적할 수 있고, 이는 단순 수치 이상의 인사이트를 제공하며 매장 운영의 질적 개선에 실질적인 도움이 될 수 있습니다.
우리는 오래전부터 "데이터 기반 의사결정"을 강조해 왔습니다. 하지만 정작 오프라인에서는, 쓸 수 있는 데이터를 충분히 확보하지 못하여서 그 철학을 실현하기 어려운 경우가 많았죠. 만약 오늘 이야기들이 조금이라도 공감되셨다면, 지금이야말로 오프라인 공간에 AI를 들이는 것을 진지하게 고민해 볼 타이밍일지도 모릅니다. 그리고 그 첫 번째 파트너로, 메이아이가 개발한 매쉬(mAsh)를 추천드립니다. 매장의 모든 순간을 데이터로 연결할 든든한 파트너가 되어줄 테니까요.
트렌드라이트는 국내 최대 규모의 커머스 버티컬 뉴스레터로, '사고파는 모든 것'에 대한 이야기를 다룹니다. 매주 수요일 아침, 가장 신선한 트렌드를 선별하여, 업계 전문가의 실질적인 인사이트와 함께 메일함으로 전해 드릴게요.
