머천다이징 최적화: 수요 예측, 감지 및 구성

소매유통 최적화 관련 과제 및 기회

재고 가용성 및 프로모션은 고객들의 결정에 지속적 영향을 미칩니다. 계속해서 새로운 고객 여정 및 쇼핑 경험이 등장하고 있는 리테일 업계에서 가장 중요한 것은 '실행(execution)'입니다. 소비자는 재고 부족을 용인하지 않습니다. 소비자 중 63%는 품절된 제품의 재고 충전을 기다리는 대신, 다른 브랜드를 사용할 것이라고 응답했습니다. 재고에 대한 보다 정확한 예측 및 인사이트를 확보한 리테일 업체는 매장 내 쇼핑, 온라인 구매 후 매장 픽업, 별도의 픽업 지점 활용, 기타 채널 이용 등 다양한 고객 수요 및 쇼핑 선호도에 맞춰 신속하게 태세를 전환할 수 있습니다.

소비자의 쇼핑 방식은 구매하는 제품에 따라 달라집니다. 예를 들어, 선물 쇼핑을 할 때와 계절 상품을 구매할 때의 우선순위는 서로 다릅니다. 때로는 가격이 가장 중요하지만, 때로는 가격이 전혀 중요하지 않을 수도 있습니다. 이제 리테일 업체들은 각 품목별 고객 반응을 지역 단위로 파악하고, 프로모션, 계절성, 날씨의 영향을 예측에 반영할 수 있게 되었습니다.

실시간 니즈를 기반으로 고객을 타기팅하여 개인화 수준을 향상시키는 것 또한 가능해졌습니다. 고객의 행동, 쇼핑 방식, 구독 중인 서비스에 대한 이해를 바탕으로 타기팅된 오퍼일수록 고객의 수락 가능성이 높아지고, 궁극적으로는 수익 증가에 기여하게 됩니다. 반대로 타기팅되지 않은 교차 판매 또는 상향 판매 오퍼를 지나치게 제안하면 고객 피로도가 높아지고, 알림을 무시하거나 비활성화하게 될 수도 있습니다.

고급 분석 및 머신 러닝 기술을 통한 소매유통 계획 수립 간소화

언제 어디서든 신속하게 고객의 수요를 충족할 수 있는 적재적소의 재고를 보유한 리테일 업체는 다양한 도전 과제를 극복하고 앞서 언급된 기회들을 활용할 수 있습니다.

리테일 업체는 고급 분석 및 머신 러닝 기술을 사용하여 특정 고객과 관련된 상품 및 서비스를 식별할 수 있습니다. 또한 해당 제품 및 서비스를 적절한 시점에, 적절한 채널을 통해 고객에게 제안할 수 있습니다.

리테일 업체가 Oracle Data Platform을 활용하여 예측 정확도를 개선하고, 계획 수립 절차를 간소화하고, 재고를 최적화할 수 있는 방법을 자세히 살펴보겠습니다.

본 이미지는 리테일용 Oracle Data Platform을 통한 머천다이징 최적화 방법 및 리테일 업체의 수요 예측, 감지, 형성 방법을 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

• 데이터 소스, 검색
• 수집, 변환
• 유지, 선별, 생성
• 분석, 학습, 예측
• 측정, 조치

데이터 소스, 검색 제품군에는 4가지 범주의 데이터가 포함되어 있습니다.

비즈니스 레코드 데이터는 판매 거래, 고객 데이터, 제품 데이터, 반품 거래, 공급업체, 재고, POS 시스템 데이터, 수익, 마진 데이터로 구성됩니다.

애플리케이션 데이터는 ERP, SCM, CX, WMS, Fusion SaaS, NetSuite, E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce, Workday 등의 애플리케이션으로부터 가져옵니다.

타사 데이터에는 Oracle Data Cloud에 저장된 데이터 및 소셜 데이터 등이 포함됩니다.

기술 입력 데이터에는 로그, 웹 클릭, 이벤트 스트림, 비콘 등이 포함됩니다.

수집, 변환 제품군은 4가지 기능으로 구성됩니다.

일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.

대량 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.

변경 데이터 캡처는 OCI GoldenGate를 사용합니다.

스트리밍 수집은 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서빙 데이터 저장소 및 클라우드 스토리지에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 5가지 기능으로 구성됩니다.

서빙 데이터 저장소는 Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.

관리형 Hadoop은 Oracle Big Data Service를 사용합니다.

클라우드 스토리지는 OCI Object Storage를 사용합니다.

일괄 처리는 OCI Data Flow를 사용합니다.

거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소 및 관리형 Hadoop에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

관리형 Hadoop은 서빙 데이터 저장소에 단방향으로 연결됩니다.

분석, 학습, 예측 제품군에는 2가지 기능이 연결됩니다. 서빙 데이터 저장소는 분석 및 시각화 기능, 그리고 데이터 제품, API 기능에 연결되고, 클라우드 스토리지 기능은 머신 러닝 기능에 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

분석 및 시각화는 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.

데이터 제품, API는 OCI API Gateway 및 OCI Functions을 사용합니다.

머신 러닝은 OCI Data Science, Oracle ML, Oracle ML Notebooks을 사용합니다.

스트리밍 처리는 GoldenGate Stream Analytics 및 타사 스트림 분석 솔루션을 사용합니다.

측정, 조치 제품군은 직원 및 파트너, 사물, 애플리케이션이라는 3가지 종류의 제품으로 구성됩니다.

직원 및 파트너는 과거 판매 기록 분석, 고객 세분화, 프로모션 영향 분석, 가격 영향 분석으로 구성됩니다.

애플리케이션은 경제 지표, 구매 동향, 실시간 수요 예측, 재고 예측으로 구성됩니다.

모델은 소셜 미디어 감성분석, 협업적 예측 및 수요 계획으로 구성됩니다.

3가지 주요 제품군(수집 및 변환, 유지 및 선별, 생성 및 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

리테일 업체가 수요를 예측, 감지, 형성할 수 있도록 아키텍처에 데이터를 삽입하는 3가지 주요한 방법이 있습니다.

• 해당 프로세스를 시작하기 위해서는 먼저 전반적 재고 상태를 파악해야 합니다. Oracle GoldenGate를 사용하여 전체 또는 하위 제품 라인에 대한 운영 데이터베이스로부터 거의 실시간으로 창고 재고 데이터의 변경 데이터 캡처를 수행 가능합니다.
• 이제 POS 정보와 같은 소매 수요 관련 데이터세트를 추가할 수 있습니다. 해당 데이터는 판매량 정보 외에도 판매 시간 및 위치, 환불 및 교환 관련 정보 등의 다양한 인사이트를 제공합니다. 이러한 데이터세트는 대량의 온프레미스 데이터로 구성되는 경우가 많으며, 대부분의 경우 일괄 수집이 가장 효율적인 수집 방식입니다. POS 데이터의 경우 Oracle Data Integrator를 사용하여 4시간 주기로 데이터를 수집합니다.
• 스트리밍 수집은 IoT, 머신 투 머신(M2M) 통신 등을 통해 매장 내 비콘으로부터 읽어들인 데이터를 수집하는 데 사용됩니다. 비디오 이미징 또한 같은 방식으로 사용할 수 있습니다. 또한 본 예에서는 소셜 미디어 메시지, 제1자 게시물에 대한 반응, 인기 메시지 등을 분석하여 소비자 정서를 분석하고 신속하게 대응하고자 합니다. 소셜 미디어(애플리케이션) 메시지/이벤트 데이터 수집시에는 클라우드 스토리지에 해당 데이터를 저장하기 전에 몇 가지 기본적인 변환/집계를 수행하는 옵션이 함께 제공됩니다. 추가 스트리밍 분석 기능을 사용하여 상관관계가 있는 소비자 이벤트 및 행동들을 식별하고, 식별된 패턴은 원시 데이터의 데이터 과학적 조사를 위해 OCI Data Science로 수동으로 피드백할 수 있습니다.

데이터 지속성 및 처리는 3개의 구성 요소(선택적으로 4개)에 기반합니다.

• 수집된 원시 데이터는 클라우드 스토리지에 저장됩니다. OCI Data Flow를 사용하여 트윗(JSON), 위치, 비콘 및 앱으로부터 수집한 센서 데이터, 지리적 매핑 데이터, 제품 참조 데이터 등 지속적 저장 처리가 완료된 스트리밍 데이터의 일괄 처리를 수행합니다. 이 처리된 데이터세트는 클라우드 스토리지로 반환돼 꾸준한 유지, 선별 및 분석에 사용되며, 궁극적으로는 서빙 데이터 저장소에 최적화된 양식으로 로딩됩니다. 아키텍처 선호도에 따라 이 과정은 Oracle Big Data Service를 관리형 Hadoop 클러스터로 사용해 수행할 수도 있습니다.
• 이제 서빙 데이터 저장소에서 선별 및 쿼리 성능에 최적화되고 관계형 양식으로 유지할 준비가 된, 처리된 데이터세트가 생성되었습니다. 해당 데이터세트를 통해 현재 가장 인기 있는 제품 및 소비자 해시태그들을 식별 및 반환할 수 있습니다. 해시태그 데이터는 엔터프라이즈 시스템의 위치, 재고, 제품 데이터로 보강 가능합니다.

분석 파트는 2가지 기술을 기반으로 구축되었습니다.

• 분석 및 시각화 서비스는 기술적 분석(히스토그램 및 차트를 통한 현재 추세 설명), 예측적 분석(미래 이벤트 예측, 추세 식별, 불확실한 결과의 확률 예측), 체방적 분석(적절한 작업 제안, 최적의 의사 결정에 기여) 등의 기능들을 활용하여 다음과 같은 질문들에 답할 수 있습니다.
  • 이 기간의 실제 판매량은 현재 적용 중인 계획 대비 어떠하였습니까?
  • 보유 재고의 소매가 기준 가치는 얼마이고, 해당 가치는 전년도 동일 기간 대비 어떻게 변화하였습니까?
  • 특정 부서의 가장 잘 팔리는 품목은 무엇입니까?
  • 최근의 프로모션은 얼마나 효과적이었습니까?
• 고급 분석의 사용 외에도 여러 머신 러닝 모델이 개발, 훈련, 배포됩니다. 이 모델들은 서빙 데이터 저장소 내에 배포된 API를 통해 액세스할 수 있으며, OCI GoldenGate 스트리밍 분석 파이프라인의 일환으로 내장할 수도 있습니다.
• 선별 및 테스트를 거친 Oracle의 고품질 데이터 및 모델에는 리테일 기업 전반에 배포하기 위한 데이터 메시 아키텍처 내에 '데이터 제품'(API) 형식으로 노출되는 거버넌스 규칙 및 정책이 포함될 수 있습니다.

소매유통 데이터 플랫폼을 통한 수익성 향상

기본 비용 및 재고 가용성과 결합된 예측 내역, 그에 따른 가격 책정 및 프로모션의 효과는 효과적인 가격 책정 및 프로모션 관련 결정의 근간이 됩니다. 재고량을 낮춤으로써 수익성 및 상품 구성 유연성을 향상시킬 수 있습니다. 보유 중인 데이터의 가치를 극대화하고, 머신 러닝, 인공 지능, 의사 결정 과학 등의 기술들을 활용한 분석 결과를 적용함으로써 고객 수요를 예측하고 다음과 같은 성과를 달성할 수 있습니다.

• 재고율을 높임으로써 매출을 향상시키고 충성도 높은 고객 기반을 확장합니다.
• 재고율을 높임으로써 브랜드 충성도를 최대 77% 향상시킵니다. 자동화된 인텔리전스에 기반한 예측을 통해 대규모의 재고 보충 및 할당 프로세스를 수행할 수 있습니다. 예측 내역 및 그와 관련된 통계적 예측 주기를 활용하여 적절한 제품을 적시, 적소에 배치할 수 있는 성공적 공급망 운영을 지원합니다. 이를 통해 리테일 업체는 전반적 재고 비용은 최소화하면서 미래의 수요 및 통계적 안전성에 기반한 재고를 계획할 수 있습니다.
• 기간 한정 세일 및 프로모션을 통해 쇼핑객들 중 최대 50%를 실제 구매자로 전환합니다. 상황에 부합하는 가정(what-if) 및 예측적 분석, 최적화되고 미래 지향적인 처방적 분석 등의 기법을 통해 도출한 예측 결과를 바탕으로 의사 결정을 수행합니다.