리테일 업계를 변화시키고 있는 생성형 AI

선도적인 리테일 업체들은 먼 옛날 Richard Sears가 말과 마차를 몰고 다니며 오프라인 매장을 개장하던 시절 이래로 언제나 리테일 업계를 괴롭혔던 가장 큰 문제를 해결하기 위한 생성형 AI의 활용 방식을 실험해 왔습니다. 해당 기업들은 생성형 AI를 사용해 제품 요약 및 기타 웹사이트 콘텐츠를 제작하고, 고객 및 직원의 질문에 대한 대화형 응답을 제공하고, 마케팅을 개인화하고, 고객 피드백을 요약해 머천다이징 및 제품 혁신을 지원했습니다.

그러나 생성형 AI를 실험한 많은 기업들은 실망스럽다는 평가를 내렸습니다. 이는 기술 자체의 결함 때문이 아니라 생성형 AI의 훈련이 중단되면 학습도 중단되기 때문입니다. 이는 생성형 AI 모델이 부정확하거나 오해의 소지가 있는 결과를 도출하는, 이른바 '환각' 현상을 발생시키는 원인이 됩니다. 이에 리테일 업체들은 AI 모델에게 프롬프트에 대한 관련성이 높은 정보를 제공함으로써 직원 및 고객 문의에 보다 정확하게 응답할 수 있도록 지원하는 검색 증강 생성(RAG)과 같은 기술을 사용하기 시작했습니다.

본문을 통해 초기 생성형 AI의 장애물을 극복하고 선도적인 애플리케이션을 활용해 성공적인 결과를 거두고 있는 리테일 업체들의 사례를 자세히 살펴보세요.

생성형 AI란 무엇인가요?

생성형 AI는 자연어 프롬프트 또는 질문을 이해하고 텍스트나 이미지 형식으로 응답할 수 있는 인공지능의 하위 집합입니다. 또한 대량의 데이터를 수집하고 요약본을 생성할 수 있을 뿐만 아니라, 수집한 데이터를 해석하고 그에 기반한 제안을 제공할 수도 있습니다.

핵심 요점

• 생성형 AI는 리테일 업체가 주문 이력을 기반으로 자사의 고객을 더 잘 이해하고, 고객의 질문에 더욱 유용한 답변을 제공하고, 개인화된 쇼핑 목록을 생성할 수 있도록 지원합니다.
• 리테일 업체는 생성형 AI를 사용해 온라인 스토어, 카탈로그, 진열대 디스플레이용 제품 설명, 블로그 게시물, 개인화된 마케팅 이메일 등의 콘텐츠를 제작하고 있습니다.
• 리테일 업체는 생성형 AI를 사용해 소셜 미디어, 제품 리뷰 사이트, 콜센터 기록 등의 다양한 소스에서 수집한 고객 피드백을 요약해 최대화된 피드백 루프를 생성함으로써 한층 높은 차원의 '소셜 리스닝'을 구현하고 있습니다.
• 리테일 업체는 구매 프로세스에 생성형 AI 기반 챗봇을 도입해 상품 비용을 낮추고 인력을 확보하고 있습니다.
• 대형 리테일 프랜차이즈 업체는 생성형 AI를 사용해 더욱 몰입도 높은 대화형 교육 비디오를 제작하고 있습니다.

생성형 AI는 리테일 업계를 어떻게 변화시킬까요?

생성형 AI는 리테일 업체가 기존 고객을 대상으로 매출과 수익률을 극대화할 수 있도록 지원함으로써 리테일 업계의 변화에 일조합니다. 나아가 리테일 업체가 극히 뛰어난 고객 서비스를 제공해 수십 년 동안 지속되어 왔던 고객 충성도 저하 추세를 반전시키는 데도 기여합니다. 리테일 업체는 생성형 AI를 활용해 다음과 같은 이점을 누릴 수 있습니다.

• 디스플레이 최적화. 리테일 업체는 스마트 디스플레이 장치, 판매 데이터에 대한 기존 방식의 AI 분석, 생성형 AI의 대화형 기능을 결합해 더욱 매력적인 판촉 문구와 디자인 요소를 생성함으로써 실제 매장 디스플레이의 효율성을 높일 수 있습니다.
• 매장 내 고객 서비스 개선. 모든 직원이 매장에서 고객과 소통할 수 있는 타고난 능력을 가지고 있는 것은 아니지만, 태블릿을 보유한 직원이라면 누구나 생성형 AI의 도움을 받을 수 있습니다. 직원은 태블릿이라는 도구를 사용해 고객이 찾고 있는 특정 품목을 신속하게 안내하고, 구매에 관심이 있을 만한 관련 품목을 제안할 수 있습니다. 나아가 생성형 AI는 직원이 고객에게 고객 개인에 대한 정보, 매장을 방문한 목적 등을 묻도록 유도해 더 많은 교차 판매 기회를 창출할 수도 있습니다. 예를 들어, 철물점에서 특정 인테리어 페인트를 구매하는 고객에게 해당 유형의 페인트에 적합한 페인트 브러시를 구매하도록 유도할 수 있습니다.
• 피드백 통합 및 요약. 리테일 업체는 생성형 AI를 사용해 소셜 미디어 사이트, 콜센터 및 채팅 기록, 온라인 리뷰 등 다양한 내부 및 타사 소스로부터 고객 피드백을 집계하고 분석해 수백에서 수천 개에 달하는 댓글 및 제안의 간결한 요약본을 작성할 수 있습니다. 경영진은 이러한 요약본을 통해 오프라인 및 온라인 스토어의 성과, 특히 서비스 품질에 대한 고객 만족도, 제품 선택의 폭과 깊이, 제품이 기대에 부합하는지 여부 등에 대한 정보를 더 잘 파악할 수 있습니다.
• 쇼핑 경험 개인화. 리테일 업체는 생성형 AI를 사용해 인구통계학적 그룹이 아닌 각 고객별로 맞춤화된 오퍼와 마케팅 커뮤니케이션을 신속하게, 대량으로 생성할 수 있습니다. 또한 생성형 AI는 고객의 검색 기록, 구매 행동, 선호도를 분석해 고도로 개인화된 쇼핑 경험을 제공할 수 있습니다. 리테일 업체는 개별 고객의 선호도와 행동을 이해하고 제품 추천, 프로모션, 마케팅 캠페인 등을 맞춤화해 고객 만족도와 충성도를 높일 수 있습니다. 또한 RAG 또는 업데이트된 데이터를 제공하는 다른 수단과 생성형 AI를 함께 사용해 보다 개인화된 애프터서비스를 제공할 수도 있습니다. 이를 통해 고객이 구매한 제품을 더 많이 활용할 수 있도록 돕고 반품 프로세스를 더 원활하게 만들 뿐만 아니라, 고객 경험에 대한 더 많은 피드백을 수집하고 향후 거래에 대한 관심을 유도할 수 있습니다.

리테일 업계용 생성형 AI의 이점

생성형 AI는 리테일 업체에게 운영, 고객 서비스 및 기타 다양한 분야에서 다음과 같은 이점을 제공합니다.

운영 및 비용 효율성 향상

리테일 업체는 마진율이 매우 낮은 경향이 있으므로 운영 효율성을 개선하면 수익성 향상에 큰 도움이 될 수 있습니다. 예를 들어, 리테일 업체는 생성형 AI로 온라인 및 전화 고객 서비스 상담원을 대체하거나 지원함으로써 직원이 반품 또는 교환과 같은 반복적인 업무에 할애하는 시간을 줄일 수 있습니다. 한 리테일 업체는 온라인 포털을 통해 장비 공급업체와 계약 협상을 진행하는 과정에서 기존 데이터 분석 도구 및 타사 시장 데이터의 정보를 참고하고, 생성형 AI 기반의 챗봇을 사용해 조달 비용을 3% 절감했습니다. 또한 리테일 업체들은 생성형 AI가 내장된 교육 동영상을 통해 교육생들에게 다양한 대화형 시나리오를 안내함으로써 직원들의 생산성을 높이고 이직률을 낮춰 직원 이직에 수반되는 막대한 비용을 줄이고 있다고 발표했습니다.

고객 충성도 증대

리테일 업체의 브랜드 충성도는 지난 수십 년 동안 줄곧 약화 일로를 걷고 있습니다. 오늘날의 리테일 업체들은 고객 유지를 위해 그 어느 때보다도 열심히 노력해야 합니다.

생성형 AI는 리테일 업체가 고객별 데이터를 활용해 고도로 타기팅된 이메일 및 기타 마케팅 자료를 대규모로 발송할 수 있도록 지원하는 유용한 도구입니다.이는 사람의 힘만으로는 불가능했던 대규모 과업입니다. 생성형 AI는 집계된 쇼핑 기록, 소셜 미디어 게시물 및 타사 데이터를 분석해 특정 고객에게 가장 잘 어필할 수 있는 마케팅 메시지가 무엇인지 파악합니다. 대량 생산된 것이 아닌 개인화된 마케팅 메시지는 브랜드 피로도를 줄이고, 콘텐츠의 관련성을 개선하고, 고객 충성도를 향상시키는 데 도움을 줄 수 있습니다.

고객 경험 개선

대부분의 리테일 업체는 높은 직원 이탈률로 인한 어려움을 겪고 있을 뿐만 아니라, 계절별로 새로운 보조 직원을 채용해야 하므로 언제나 조직적 지식을 거의 습득하지 못한 다수의 신입 직원을 관리해야만 합니다. 생성형 AI는 제품 특징과 동선에 대한 요약을 생성해 신입 직원들도 문제없이 매장에서 고객을 안내할 수 있도록 지원합니다. 또한 생성형 AI는 대화형 고객 서비스 챗봇을 지원할 뿐만 아니라 콜센터 상담원이 참고할 수 있는 고객 이력 및 제품 정보를 표시해 줍니다.

리테일 업체는 온라인 챗봇을 통해 직접적으로, 또는 매장 직원에게 AI 생성 스크립트를 제공하는 간접적인 방식으로 고객의 질문이나 불만에 응답하는 데 생성형 AI를 사용할 수도 있습니다. 두 가지 방법 모두 관련 제품 정보뿐만 아니라 구매자 경험의 전체 맥락을 고려합니다.

예를 들어, 고객이 스토어의 반품 정책에 대해 문의하는 경우 '지난달에 구입하신 그릴은 아직 보증 기간이 남아있으며, 픽업 일정을 잡아드릴 수 있습니다'라는 답변이 '상황에 따라 다릅니다' 또는 '보통 30일입니다'와 같은 답변보다 훨씬 더 도움이 될 것입니다. 또한 해당 고객과의 장기적인 관계를 구축하는 데에도 더 유리할 것입니다.

또한 리테일 업체는 주문 상태에 대한 질문에 응답하고, 티셔츠나 커피잔과 같은 맞춤형 상품에 사용할 언어 및 이미지를 제안하는 등의 작업에도 생성형 AI를 사용할 수 있습니다.

제품 개발 및 혁신 촉진

정확한 제품 수명주기 관리는 언제나 리테일 업체의 중요한 목표였지만 제대로 시행되는 경우는 많지 않았습니다. 생성형 AI가 등장하기 전까지 리테일 업체는 수많은 고객 및 최종 사용자의 피드백을 검토하고, 특정 제품에 대한 공통된 불만 사항을 찾아내고, 찾아낸 내용을 공급업체 또는 자체 브랜드 제조업체의 제품 개발 팀에 전달하는 과정에 많은 시간과 노동력을 소모해야 했습니다. 이같은 방식으로 제공되는 정기적인 피드백은 유의미한 제품 변경 또는 완전히 새로운 제품 개발로 이어질 수 있습니다.

그러나 이제 리테일 업체는 생성형 AI를 사용해 콜센터 녹취록 및 오디오 기록, 소셜 미디어 게시물, 리테일 판매 및 집계 웹사이트(예: Yelp 및 Google)에 업로드된 고객 리뷰 등을 검색하고 모든 데이터를 통합 분석해 비이성적인 폭언과 합리적인 제안을 구분할 수 있게 되었습니다. 생성형 AI를 사용하면 구분 완료된 데이터를 시기적절하고 간결하게 요약할 수 있습니다. 또한 생성형 AI 모델은 '자꾸 떨어뜨리게 되고 떨어뜨릴 때마다 부러져요!'와 같은 의견을 '손잡이를 몇 센티미터 좁혀서 인체공학적으로 만들어주세요'로 해석하는 것과 같이 요약본에 기반한 광범위한 일반화 작업을 수행하고 관련 제안을 제공할 수도 있습니다.

리테일 업계에서의 생성형 AI 사용 사례 5가지

리테일 업체들은 고객 서비스 및 고객 유지율을 개선하고, 반품률을 낮추고, 고객의 구매량을 늘리고, 마진을 향상시키기 위해 다양하고 영리한 방법으로 생성형 AI를 사용하기 시작했습니다. 대표적인 사용 사례 5가지는 다음과 같습니다.

1. 고객 경험 향상

리테일 업체는 RAG 또는 그와 유사한 기술을 통해 업데이트된 고객 데이터를 학습한 생성형 AI 기반 챗봇을 사용해 소비자의 질문에 대화식으로 상호작용할 수 있습니다. 이러한 상호작용은 전화 또는 리테일 업체의 이커머스 사이트에서 이루어지며, 고객이 검색 중인 제품, 리테일 업체의 반품 정책, 매장별 영업 시간 또는 재고 등에 관한 정보를 제공할 수 있습니다. 의사 결정 트리의 수가 제한적인 기존 AI를 사용하는 이전 세대의 챗봇과 달리, 생성형 AI 기반의 최신 챗봇은 소비자에게 거의 무제한의 대화 경로를 제공하고 더욱 복잡한 고객 문의에도 응답할 수 있습니다.

예를 들어, 대형 철물점의 생성형 AI 기반 챗봇은 고객의 집 크기와 위치를 질문한 뒤 그에 부합하는 인장 강도, 전력 프로파일, 고온 저항성을 갖춘 제품을 제안함으로써 고객이 자신의 집에 가장 적합한 유형의 조명이나 배관 설비를 선택할 수 있도록 도와줍니다. 기존 AI 챗봇도 훌륭한 제안을 제공할 수 있지만, 생성형 AI 챗봇은 더욱 뛰어난 대화 능력을 바탕으로 '밑단을 줄여주세요', '남색으로 보여주세요'와 같은 고객의 요청에도 응답할 수 있습니다. 생성형 AI 기반 가상 어시스턴트는 고객이 언짢음을 느끼는지, 문자 그대로 받아들여서는 안 되는 비꼬는 표현이나 기타 관용적 표현을 사용하는지 여부를 정확히 파악할 수 있는 능력을 강화해 나가고 있습니다. 예를 들어, 언짢아하는 목소리로 '호수에 뛰어들어!(Go jump in a lake!)'라고 말하는 고객이 본인을 귀찮게 하지 말라는 의미의 관용 표현을 사용한 것이지 문자 그대로 그런 명령을 내리는 것이 아니라는 사실을 파악할 수 있습니다.

2. 콘텐츠 생성 자동화

리테일 업체는 생성형 AI를 사용하여 이커머스 사이트와 진열대 라벨에 사용할 간결하고 매력적인 제품 설명을 작성할 수 있습니다. 프롬프트를 변경하면 블로그 마케팅용 게시물과 같은 긴 글도 작성할 수 있습니다. 예를 들어, 미국 전역에서 영업 중인 한 식료품 체인은 생성형 AI로 매장에서 판매되는 식재료를 활용한 매력적인 레시피를 작성해 블로그에 게시하고 있습니다. 챗봇을 통해서는 '라자냐를 만들기 위한 재료는 무엇인가요?'와 같은 질문을 기반으로 쇼핑 목록을 제공합니다. 리테일 업체는 생성형 AI를 사용해 글루텐 과민증이 있거나, 피스타치오 알레르기가 있거나, 된장을 좋아하지 않는 고객을 위한 개인화된 쇼핑 목록을 생성할 수도 있습니다.

3. 마케팅 개인화

생성형 AI를 사용하는 리테일 업체는 이메일 마케팅 과정에서 기존의 인구통계학적 집단에 기반한 제안이나 '다른 고객들은 이런 제품도 구입했습니다'와 같은 개인화 수준이 낮은 제안을 제공하는 대신, 고객에게 더욱 어필할 수 있는 제목을 작성하고 각 수신자에게 정확히 맞춤화된 콘텐츠를 생성함으로써 고객의 이메일 피로도를 낮출 수 있습니다. 기존 AI 및 RAG와 결합된 생성형 AI는 수만 명에 달하는 방대한 규모의 현 고객, 과거 고객, 잠재 고객을 대상으로 고도로 개인화된 이메일을 생성할 수 있습니다. 또한 생성형 AI를 사용해 무한한 수의 A/B 테스트를 생성함으로써 실제 고객으로의 전환을 유도하는 데 가장 효과적인 콘텐츠가 무엇인지 파악할 수도 있습니다.

4. 고객 피드백 종합

리테일 업체는 생성형 AI를 사용해 고객 리뷰, 소셜 미디어 피드 및 다른 소스들의 댓글을 검토하고 요약할 수 있습니다. 고객 피드백의 간결한 요약본은 입고 대상 제품, 매장 및 웹사이트의 제품 배치 위치, 반품 처리 방법, 경험 많은 직원을 배치할 위치, (공급업체와 협력해) 기존 제품을 개선하는 방법 등에 대한 중요한 결정을 내리는 데 도움을 줍니다.

5. 생성형 AI로 기존 AI 강화

리테일 업체들은 기존 AI 애플리케이션을 강화하는 작업에도 생성형 AI를 사용하고 있습니다. 예를 들어, 리테일 업체들은 기존 AI를 바탕으로 온라인 쇼핑객이 제품의 사진을 업로드해 원하는 제품을 검색할 수 있는 서비스를 제공해 왔습니다. 그리고 이제 리테일 업체는 생성형 AI 기반 챗봇을 통해 쇼핑객과 보다 복잡하고 인간과 유사한 대화를 나눌 수 있게 되었습니다. 예를 들어, 고객이 '초록색 옷 보여줘'라고 입력하면, '밑단이 짧은 건 어떤가요?', '그 옷과 어울리는 블레이저는 갖고 계신가요?' 등의 답변을 돌려 주는 자연스러운 대화가 가능해졌습니다.

또한 리테일 업체는 생성형 AI를 사용해 기존 AI를 사용해 트렌드를 예측하던 백오피스 도구를 개선할 수 있습니다. 예를 들어, 리테일 업체는 기존의 AI 기반 데이터 분석 도구를 사용해 날씨 및 경제 보고서와 같은 소스로부터 수집한 데이터를 기반으로 트렌드를 분석해 왔습니다. 그리고 이제 생성형 AI를 사용해 소셜 미디어 피드, 고객 리뷰, 온라인 패션 잡지, 뉴스 사이트 등 보다 다양한 유형의 소스에서 데이터를 구문 분석하고 해석해 더 정확하게 트렌드를 예측할 수 있게 되었습니다.

또한 리테일 업체는 이미 공급망 중단에 대응하기 위한 배송 경로 조정에 AI를 사용하고 있지만, 생성형 AI는 뉴스 보고서, 소셜 미디어 게시물 및 기타 새로운 데이터 소스로부터 수집한 데이터의 요약본을 제공함으로써 기존의 분석을 보강해 줍니다.

리테일 업계에서 사용되는 생성형 AI의 예시

기업들이 본격적으로 생성형 AI를 사용하기 시작한 기간은 아직 길지 않지만, 리테일 업체들은 이미 생성형 AI의 수많은 이점을 신속히 깨닫고 있습니다. 구체적인 사용 사례는 다음과 같습니다.

• 한 글로벌 대형 마트 체인은 친근한 어조의 대화형 상담을 제공하는 생성형 AI 기반 챗봇을 통해 쇼핑객이 요리하려는 레시피와 일치할 뿐만 아니라, 식단 제한 사항을 준수하는 식료품을 구매할 수 있도록 돕고 있습니다. 또한 백엔드에서는 공급업체에 대한 제안 요청서를 작성하고 입찰 내역을 분석 및 요약하는 작업에 생성형 AI를 사용하고 있습니다.
• 한 온라인 전자제품 매장에서는 생성형 AI를 사용해 다양한 제품에 대한 고객 리뷰의 요약본을 제공함으로써 고객이 더 이상 개별 제품 리뷰를 일일이 읽지 않아도 되도록 만들었습니다.
• 한 온라인 의류 및 액세서리 매장은 생성형 AI 기반 챗봇을 사용해 쇼핑객의 선물 구매 과정을 지원합니다. 챗봇은 쇼핑객이 선물할 사람의 성별, 사이즈, 취미, 관심사, 쇼핑객이 선호하는 가격대 등을 질문하고 그에 걸맞는 제안을 제공합니다.
• 한 글로벌 슈퍼마켓은 공급업체 및 계약업체와의 소규모 계약 협상에 생성형 AI를 사용합니다. 기존 데이터 분석 도구를 통해 특정 품목 또는 서비스에 대한 시장을 파악하고, 생성형 AI 기반 챗봇을 통해 온라인 포털에서 공급업체와 상호 작용하고 조건을 협상합니다. 생성형 AI는 인간 간의 대화에서 발생하는 마찰을 줄여줄 뿐만 아니라, 리테일 업체의 구매팀이 보다 전략적인 거래에 집중할 수 있도록 만들어 줍니다.
• 한 온라인 쇼핑몰에서는 기존 AI 기반 분석을 통해 소규모 리테일 업체들의 가격 책정을 지원하고, 생성형 AI를 통해 제품 설명 및 제품에 관심을 보인 고객에게 전송하기 위한 대화형 후속 메시지를 작성하고 있습니다.

Oracle 솔루션 및 생성형 AI로 리테일 운영 혁신하기

리테일 업체들은 Oracle Retail AI 및 데이터 분석 솔루션을 사용해 마케팅을 세밀하게 조정하고, 더 많은 정보를 바탕으로 가격 및 재고 관련 결정을 내리고, 매장 공간 및 매장 위치를 최적화하고, 제품 설명을 개선하고, 나아가 고객에게 더 만족스러운 쇼핑 경험을 제공하고 마진율을 높이기 위한 작업들을 수행하고 있습니다.

생성형 AI는 개인화된 대화형 쇼핑 경험을 제공하고, 소비자 행동과 선호도를 더 깊이 이해하고, 재고 관리를 최적화하고, 트렌드를 예측하고, 공급망 프로세스를 간소화하기 위한 다양한 기능을 제공합니다. 스마트 리테일 업체들은 해당 기능들을 활용해 자사의 비즈니스 성장 촉진 방안을 모색하고 있습니다.

생성형 AI FAQ

대규모 리테일 업체들은 생성형 AI를 어떻게 활용하고 있나요?

대규모 리테일 업체들은 제품 설명을 생성하고, 긴 문서를 요약하고, 새로운 유형의 콘텐츠를 작성하고, 직원들이 고객을 위한 교차 판매 추천을 제공하는 등의 작업에 생성형 AI를 사용하고 있습니다.

LLM은 리테일 업계에서 어떻게 사용되고 있나요?

리테일 업체들은 LLM 및 기타 생성형 AI 애플리케이션을 사용해 효율적이고 친절한 고객 서비스를 제공합니다. 많은 경우 콜센터 상담원이 단독으로 서비스를 제공하는 것보다 빠르고 정확한 서비스를 제공할 수 있습니다.