2018 5-6월(합본호) 스티치픽스 CEO, 개인의 스타일을 대중에게 파는 법 카트리나 레이크(Katrina Lake)

How I Did It
스티치픽스 CEO, 개인의 스타일을 대중에게 파는 법

카트리나 레이크Katrina Lake

18_56_41_1

티치픽스의 비즈니스 모델은 간단하다. 우리는 당신이 좋아할 만한 옷과 액세서리를 보내준다. 그럼 당신은 그중에서 마음에 드는 건 갖고 마음에 안 드는 건 우리에게 돌려보낸다. 데이터과학을 활용해 우리는 이렇게 개인화된 판매를 대규모로 진행한다. 이는 전통적인 매장 및 전자상거래에서의 구매 경험을 능가한다. 고객은 전문 스타일리스트가 옷을 골라주는 걸 즐기고, 또 서비스가 편리하고 단순해서 좋아한다.

 

물론, 소비자의 눈에 단순하고 편리하게 보이게 하면서도 동시에 수익도 내고 사업도 확장하는 것은 복잡한 일이다. 특히나 패션 소매업계에서는 훨씬 더 복잡하다. 이 업계는 수많은 업체들로 붐비고 소비자 취향이 변덕스러우며 빠르게 변한다. 다른 의류업체들은 최저 가격이나 가장 빠른 배송을 통해 차별화를 시도한다. 우리는 개인화로 차별화를 한다. 우리가픽스배송이라고 부르는 각 배송은 우리가 당신만을 위해 고른 다섯 종의 옷과 액세서리 아이템이 든 상자다. 선택은 당신과 수백만 명의 다른 사용자가 준 정보를 토대로 이뤄진다. 가입할 때 당신이 작성하는 긴 설문지, 그리고 각 배송 이후 당신이 우리에게 보내는 피드백이 그 기본정보다.

 

스티치픽스는 2016 73000만 달러어치의 옷을 팔았고 2017년에는 97700만 달러어치를 팔았다. 매출의 100%는 우리가 추천하는 상품에서 나온다. 우리는 미국에 200만 명이 넘는 실제 고객을 확보하고 있으며 700개가 넘는 브랜드를 취급한다. 당신이 장바구니에 집어넣은 블라우스에 잘 어울리는 값비싼 벨트도 사라고 권유하는업셀링수법도 사용하지 않고, 전에 당신이 산 적이 있다는 이유로 특정 브랜드를 강매하지 않으며, 당신이 웹브라우저에서 구경하는 패턴을 보고 깜찍한 검은색 드레스를 살 것이라고 예측하지도 않는다. 이런 방식들은 실제 구매로 연결되는 비율이 낮다. 그 대신 우리는 데이터와 머신러닝을 인간의 전문적인 판단력과 결합해 개성 있고 개인적인 아이템을 추천해 준다.

 

데이터과학은 스티치픽스의 기업문화와 엮여 있는 정도가 아니다. 우리의 문화 그 자체다. 전통적인 조직구조에 데이터과학을 추가했다기보다는 데이터과학을 중심으로 사업을 시작했고 회사의 알고리즘을 고객의 필요에 맞춰 구축했다. 현재 80명이 넘는 데이터과학자를 고용하고 있으며 이들 중 대부분은 수학과 신경과학, 통계학, 천체물리학과 같은 정량적인 분야의 박사 학위를 갖고 있다. 데이터과학 부문은 나에게 직접 보고한다. 스티치픽스는 데이터과학 없이는 존재하지 않는다. 아주 심플하다.

 

실리콘밸리와는 다른 이야기

 

우리는 전형적인 실리콘밸리의 스타트업과는 거리가 멀다. 나는 연쇄창업가가 아니다. 스티치픽스는 내가 만든 첫 번째 회사다. 하지만 나는 소매업을 경험하면서, 또 이 산업이 21세기 현대 기술과 얼마나 동떨어져 있는지를 보며 매력을 느낀다. 2000년대 초 스탠퍼드대 학부 시절과 첫 직장인 파르테논그룹Parthenon Group컨설턴트 시절 나는 여러 소매업체, 레스토랑과 함께 일했다. 이 두 가지 산업을 좋아했고 또 이 산업이 사람들에게 주는 의미를 사랑했지만, 세상이 이렇게 많이 변했음에도 불구하고 여전히 기본적으로는 1970년대 또는 정말이지 1950년대와 크게 다르지 않은 소비자경험을 제공하고 있다는 사실에 흥미를 느꼈다. 이 산업들이 어떻게 적응해 갈지 궁금했고, 내가 그 미래의 일부가 되어야겠다고 생각했다.

 

아이폰이 막 나왔을 무렵인 2007년 나는 파르테논그룹에서 나와 리더벤처스Leader Ventures라는 벤처캐피털의 직원이 됐다. 나는 여전히 소매업에 대해 생각하고 있었다. 넷플릭스가 뜨고 있을 때는 블록버스터 비디오대여점 체인의 경제성 측면에 대해 공부했다. 한 쪽에는 매장 판매를 지배하는 기업이 있었고 다른 한 쪽에는 매장 없이 판매를 지배하는 기업이 있었다. 완벽한 케이스스터디였다. 나는 정확하게 언제 저울이 기울어지는지 알 수 있었다. 넷플릭스의 시장점유율이 30%가 되는 순간, 그 지역 블록버스터 매장이 문을 닫았다. 나머지 70%의 고객은 영화를 보기 위해서는 넷플릭스를 사용해 보거나 옆 동네 블록버스터까지 가거나 둘 중에 결정을 내려야 했다. 넷플릭스를 사용해 보는 사람이 더 많았고 블록버스터는 더 큰 압박을 받았다. 또 다른 매장이 문을 닫으면 더 많은 사람들이넷플릭스를 시도해 보느냐 옆 동네 블록버스터까지 다녀오느냐의 결정에 직면했다. 걷잡을 수 없었다.

 

전략을 다시 생각하지 않으면 다른 소매업체들도 블록버스터와 같은 운명에 고통받을 것임을 알 수 있었다. 예를 들면, 지금부터 10년 후에는 사람들이 청바지를 어떤 방식으로 살까? 매장 여섯 곳에 들러서 옷걸이에 걸린 청바지를 꺼내서 다 입어보는 전통적인 방식은 아닐 것이다. 또 오늘날의 인터넷쇼핑 모델과도 또 다를 것이다. 인터넷 브라우저에 15개의 탭을 열어놓고 각각의 제품 치수를 확인하면서 다른 구매자들이 어떤 평가를 했는지 찾아보다가, 여러 벌을 산 뒤 맞지 않는 건 반품을 하는 방식일 리는 없다.

 

데이터를 사랑하는 사람으로서, 나는 데이터가 의류 구매의 경험을 개선시킬 수 있다는 사실을 알고 있었다. 결국 핏(맞음새)과 취향이라는 것도 허리둘레, 길이, 소재, 색상, 무게, 내구성, 패턴과 같은 여러 속성의 조합일 뿐이다. 모두 단지 데이터일 뿐이다. 데이터를 충분히 모으면 사람들이 어떤 옷을 원하는지 그림이 그려진다.

 

그러나 옷을 사랑하는 사람으로서, 나는 쇼핑의 인간적인 요소도 이해하고 있었다. 기대하지도 않았던 옷을 발견했을 때의 느낌과 그 옷이 몸에도, 예산에도 맞을 때의 즐거움 말이다. 나는 데이터와 인간적 경험이라는 두 가지 요소를 결합해 옷을 사는 새로운 모델을 만들어낼 수 있는 기회를 포착했다.

 

나쁜 아이디어라고?

 

처음에는 직접 창업을 할 계획은 없었다. 이 아이디어를 추구하는 스타트업에 끼어들려 했다. 리더벤처스에서 일할 때 수백 명의 벤처기업가를 만나면서 나를 데려가 줄, 제대로 된 한 명이 걸리기를 희망했다. 그런데 그런 일은 일어나지 않았다. 그래서 리스크를 최소화하면서 창업하기 위한 나만의 방식으로 하버드경영대학원에 들어갔다. 거기서의 2년을 사업을 계획하고 창업하는 데 이용했다. 2011 2월에 스티치픽스 투자계약서를 받았고 4월에 내 아파트에서 첫픽스’ 박스를 배송했으며 5월에 학교를 졸업했다.

 

좋은 아이디어라 생각한 사람은 많지 않았다. 한 교수는 재고 관리가 악몽 같을 것이라 했다. 나는 모든 재고를 직접 소유하기를 원했다. 내가 파는 각 아이템을 깊이 이해하고 거기서 구조화된 데이터를 많이 뽑아내기 위해서다. 소매업에서 재고를 전부 직접 소유하는 건 무서운 일이다. 교수는 그 때문에 나의 전략이 너무 자본집약적이며 위험하다고 봤다. 하지만 결국 내가 옳았다. 데이터를 이용해 사람들이 무엇을 원하는지를 더 잘 이해함으로써 우리는 기존 많은 소매업체보다 재고를 빠르게 털 수 있었다. 맞는 물건을 맞는 사람들에게 보내줄 수 있기 때문이다. 고객이 준 현금으로 업체에 값을 치를 수 있을 정도로 재고가 빨리 회전됐다. 매우 자본 효율적인 모델이었던 셈이다.

 

벤처캐피털리스트(VC)들도 회의적이었다. 나는 옷이 든 상자와 고객 개인별로 작성된 스타일리스트의 추천 카드를 갖고 투자설명회에 들어가곤 했다. 한 번은 시작한 지 5분도 안 돼서 VC대체 누가 이런 걸 받고 싶어하는지 도저히 이해가 안 된다고 했다. 솔직한 건 좋았다. VC들은 대부분 옷으로 가득한 창고를 마음에 들어 하지 않았다. 어떤 이들은 우리가 시급을 주고 인간 스타일리스트를 고용한다는 말에 당황스러워했다. 자동화와 앱이 대세인 세상에서 이것은 매우 벤처캐피털스럽지 않은 아이디어였기 때문이다. 사업이 초기부터 성공했음에도 불구하고 시리즈 B펀딩[1] 관련 이야기에 대해서는 미지근한 반응이 나왔다. “당신 회사는 훌륭합니다. 당신의 팀은 대단하고 장사도 잘되고 있죠.” VC가 내게 말했다. “하지만 우리가 1년에 회사를 한두 개밖에 고를 수가 없는데 나와 잘 맞는 곳을 고르고 싶어요. 소매업이나 여성드레스에는 열정을 갖기가 어려워요.”

 

이해는 되지만 짜증이 났다. 스티치픽스 직원의 87%, 데이터과학자의 35%, 엔지니어의 32%가 여성이다. 반면 벤처캐피털리스트는 90% 이상 남성이다. 이런 성별 역학관계가 불리하게 작용하고 있다고 느껴졌다. 하지만 우리를 죽이지 못하는 건 우리를 더 강하게 만들어줄 뿐이다. 우리가 수익성과 자본효율성에 집중하도록 만들어줬기 때문이다. 이후 남성의류와 플러스사이즈 여성 라인과 같은 새로운 비즈니스를 론칭할 때는 투자를 받지 않고 기존 사업에서 나온 현금을 이용했다.

 

마지막으로, 업계 내에서도 부정적 의견들이 있었다. 자동으로 옷을 추천해줘서 수익을 내겠다는 건 머신러닝이 할 수 있는 일 중에서 어려운 쪽에 속하는 것이었다. 옷 입는 것에 별로 신경을 쓰지 않는다고 말하는 사람조차 사실은 신경을 쓴다. 옷의 핏과 스타일, 소재를 신경 쓰지 않는 사람은 없다. 이건 미묘함의 비즈니스인 셈이다. 이 사업이 재미있으면서도 어려운 이유다. 초기에 포커스그룹 조사에 참여한 사람들은 그들 마음에 들 옷을 우리가 골라줄 수 있다는 사실을 믿지 않았다. 그들은그게 어떻게 가능하죠? 아무 것도 맞지 않을 거예요라고 말하곤 했다.

 

20달러의 스타일링 요금을 선불로 내야 한다는 개념도 사람들을 멈칫하게 만들었다. 물론 받은 옷 중에서 갖고 싶은 게 있으면 이 돈을 크레딧으로 사용할 수 있다. 포커스그룹 참가자들은 물었다. “아무것도 사지 않을 수도 있는데 왜 20달러를 내야 하죠?” 고객들이 우리가 골라준 아이템을 갖고 싶어질 것이라고 믿게 만들어야 했다. 그리고 그건 사실로 판명이 됐다. 데이터과학 덕분이다.

[1] Series B는 제품 또는 서비스의 가능성이 인정된 후 마케팅, 인력충원 등 시장에서 점유율을 높이기 위한 부분에 필요한 자금을 투자받는 단계

알고리즘의 등판

 

처음 시작했을 때 나의데이터과학역량은 초보 수준이었다. 나는 서베이몽키SurveyMonkey, 구글닥스Google Docs와 함께 약간의 통계기법을 사용해 고객의 선호를 추적하고 좋은 아이템을 추천하기 위해 노력했다. 사업 초창기에 나는 기본적으로 개인 스타일리스트로서 일했다. 픽스 박스를 직접 배달하기도 했다. 그러나 나의 계획은 항상 비즈니스를 확장 가능하게 하는 데이터과학 역량을 구축하는 것이었다. 우리의 추천이 효과적인 건 알고리즘이 좋기 때문이지만, 알고리즘이 좋은 건 데이터과학이 회사를 지탱해 주고 있기 때문이다.

 

머신러닝이 제대로 활용되기 위해서는 다음의 세 가지가 필수적이다.

 

데이터과학 팀은 CEO에게 직접 보고한다.대부분의 회사에서 데이터과학자들은 엔지니어링 팀의 한 부분으로 최고기술책임자(CTO)에게 보고하거나 심지어 재무 쪽에 보고를 하기도 한다. 우리 회사에서는 데이터과학이 별도 부문이다. 그리고 우리는 에릭 콜슨Eric Colson이라는 최고알고리즘책임자가 있다. 그는 전략에도 관여한다. 에릭은 2012 8월 넷플릭스에서 합류했다. 이전에 그는 우리의 자문역이었다. 그가 우리 회사에 관심을 갖게 된 건 이 일이 도전정신을 자극했기 때문이다. 넷플릭스에서 누군가가 그에게앱을 열면 바로 그 사람이 좋아할 만한 영화가 재생되도록 해보면 어떨까?”라고 말한 적이 있었다. 그건 대담하지만 위험한 아이디어였다. 하나의 추천에 올인하는 것이기 때문이다. 그는 스티치픽스가 하는 일이 바로 그런 일이라는 사실을 깨달았다. 자문역으로 우리에게 조언을 주던 시절에, 그는 휴가를 가서도 우리의 데이터를 가지고 놀고 있는 자신을 발견했다. 그래서 우리 회사에 풀타임으로 합류하기로 결정했다. 그의 합류는 우리 같은 조그만 스타트업에 엄청난 사건이었다.

 

알고리즘에 의한 추천이 얼마나 뛰어난가에 따라 매출이 결정되기 때문에 데이터과학자들이 CEO와 직접 소통하는 것이 중요하다. 우리는 또한 이런 구조가 조직 전체에 우리의 가치관과 전략방향을 공표하는 역할을 한다고 믿는다. 데이터과학은 대단히 중요하며, 마케팅과 엔지니어링과 같은 다른 부서들도 데이터과학 팀과 긴밀하게 협력을 해서 역량을 향상시킬 수 있다.

 

데이터과학이 혁신을 이뤄낸다.우리는 아무도 요청한 적이 없는 수십 개의 알고리즘을 개발했다. 데이터과학 팀이 새로운 솔루션을 만들어내고 사업적 가능성이 있는지를 판단하도록 자유롭게 놓아둔 덕분이다. 예를 들어, 아무도 데이터과학 팀에 재구매 추천 알고리즘을 개발해 달라고 공개적으로 부탁한 적이 없다.(재구매는 특정 아이템이 잘 팔려서 더 많이 재고를 확보해야 할 때 일어난다.) 우리의 알고리즘은 재구매 트렌드를 더 일찍, 더 정확하게 볼 수 있도록 도와준다. 이에 따라 재고를 보다 효율적으로 확보하고 고객 수요 급증에 대비할 수 있다. 또 이 팀은 최근 창고에서 일하는 직원들의 움직임을 추적하는 방법을 만들었고, 이에 따라 직원의 경로를 최적화하는 알고리즘을 개발했다. 많은 돈을 들여 창고 설계를 바꾸지 않아도 되게 말이다.

 

사람들은 종종 데이터과학이 우리 문화에 얼마나 뿌리 깊이 새겨져 있는지를 이해하는 데 어려움을 겪는다. 우리는 현재 많은 종류의 알고리즘을 쓰고 있으며 개발 중인 알고리즘도 많다. 개인화된 옷 추천도 당연히 머신러닝이 주도한다. 주문 처리와 재고 관리에서도 알고리즘을 사용해 자본비용을 낮추고, 재고를 적절히 관리하며 배송을 효율적으로 관리한다. 제품개발 부서는 유전학의 알고리즘을 활용해 성공하는 옷의 특성을 찾는다. 심지어 옷 디자인을 하는데도 머신러닝을 사용하기 시작했다.

 

우리의 자체 의류브랜드인 하이브리드 디자인Hybrid Designs은 어느 비 오는 날 오후에 두 명의 데이터과학자가 시장에서 제품의 틈새를 어떻게 메워야 할지에 대해 생각하다가 탄생했다. 예를 들면, 많은 40대 중반 여성고객이 어깨와 팔 위쪽만 덮는 짧은 소매 블라우스를 요청했지만 우리의 재고목록에는 그런 스타일은 없는 상황이었다. 1년이 지난 지금, 우리는 컴퓨터로 디자인된 일반 체형용, 플러스사이즈 체형용 여성의류 29가지를 보유하고 있다. 고객 니즈가 있었지만 과거엔 충족시키지 못했던 부분이다.

 

치수 데이터에도 정량적인 접근방법이 사용된다. 옷의 유형에 따라 적게는 30개에서 많게는 100개까지 치수 측정값을 기록한다. 이제는 핏이 어느 정도일 때 고객들이 조금 불편하더라도 옷을 사는지 알게 됐다. 이는 200만 명이 넘는 실제 고객 경험을 토대로 한 것이다. 남성 셔츠에서 가슴둘레와 셔츠 폭의 최적 비율도 안다. 가슴이 넓은 남성을 위해서 셔츠의 옷깃과 첫 번째 단추 사이의 거리도 재조정했다. 데이터과학 덕분이다. 27인치 길이의 바지를 입는 인구의 비율을 알고 있으며 그 비율에 따라 재고를 확보한다.

 

하지만 어떤 면에서 이건 쉬운 일이다. 진짜로 어려운 일은 필요한 시기에 필요한 색상과 필요한 크기의 드레스를 가지고 있는 것이다. 이걸 알기 위해 복잡한 수학이 필요하다. 모든 치수는 물론 고객의 성향, 계절, 장소, 과거 트렌드 등 많은 변수를 고려해야 한다.

 

회사에 투자할 수 있는 1달러가 주어지고 마케팅과 제품, 데이터과학 중에 선택해 투자할 수 있다면 우리는 항상 데이터과학을 선택한다. 나는 전통적인 소매업체를 변화시키기보다는 데이터과학을 중심으로 회사를 시작했다는 점이 기쁘다. 기존의 업체를 바꾸려는 시도는 실패했을 것 같다. 전통적인 소매업체가스티치픽스가 하는 방식으로 해보자라고 한다면 그건 내가지금 키가 더 크고 싶어요라고 말하는 것과 다를 바가 없다.

 

사람 또한 중요하다.내 두뇌의 분석적인 부분은 우리 회사의 알고리즘 접근방식을 사랑한다. 하지만 쇼핑은 본질적으로 개인적이고 인간적인 행위다. 그것이 인간 스타일리스트와 데이터를 합쳐야 한다고 주장하는 이유다. 스타일리스트는 알고리즘이 제시한 제품 구성을 바꾸거나 뒤엎을 수도 있어야 한다. 우리의 스타일리스트들은 디자인업계, 소매업계 등 다양한 출신배경을 갖고 있지만 모두 데이터의 중요성을 인정하며 고객에 대한 사랑과 공감을 느낀다. 인간은 어떤 면에서는 기계보다 훨씬 낫다. 앞으로도 오랫동안 그럴 것이다.

 

예컨대, 고객이 “7월에 있을 야외결혼식에 참석할 때 입을 드레스가 필요하다라는 매우 구체적인 요청을 작성하면 우리 스타일리스트는 어떤 드레스 옵션이 적당한지 바로 알 수 있다. 또 고객들은 종종 임신했다거나, 급격한 체중감량이 있었다거나, 새로운 일자리에 취직했다거나 하는 등의 세세한 사생활을 알려주기도 한다. 컴퓨터는 그 중요성을 완벽하게 이해하지 못하겠지만 스타일리스트는 그런 삶의 순간들이 얼마나 특별한 의미를 갖는지 정확히 알고 있다. 온갖 방법을 동원해 그런 상황에 맞는 옷차림을 구성하고 고객과 연락을 하며 필요하면 창의성을 발휘할 수도 있다. 이는 믿을 수 없을 정도의 브랜드 충성도를 이끌어 낸다.

 

간단하다. 좋은 사람과 좋은 알고리즘의 결합은 최고의 사람이나 최고의 알고리즘만 있을 때보다 훨씬 뛰어나다. 사람과 데이터를 경쟁시키는 게 아니다. 둘은 함께 일할 필요가 있다. 우리는 기계가 사람처럼 행동하도록 훈련을 시키는 것도 아니고 사람이 기계처럼 행동하도록 훈련을 시키는 것도 당연히 아니다. 그리고 누구나 틀릴 수 있다는 점을 인정해야 한다. 스타일리스트, 데이터과학자, 그리고 나 자신도 실패할 수 있다. 심지어 알고리즘도 그렇다. 그 실패로부터 계속 배우는 것이 중요하다.

 

 

 

믹스 & 매치

스티치픽스는나의 스타일 프로필등 고객이 적어주는 데이터와, 고객의 반응을 분석하는 일련의 알고리즘을 함께 사용한다. 또 알고리즘을 이용해 고객과 스타일리스트를 매치시켜준다. 스타일리스트는 다섯 가지 아이템이 든 상자가 배송되기 전에 검토하고 일부 교체한다. 박스를 받으면 고객은 아이템당 다섯 개의 질문에 답을 하고 추가 코멘트를 적기도 한다. 바로 그 피드백과 구매내역을 통해 시간이 지남에 따라 추천내역을 향상시킬 수 있다. 아래는 알고리즘과 스타일리스트가 고객의 첫픽스와 이후 두 번의 픽스를 어떻게 고르는지를 보여준다.

X 반품 V 구매

18_56_41_2

18_56_41_3

18_56_41_4

 

번역: 김선우 / 에디팅: 조진서

 

페이스북 트위터

2018 5-6월(합본호) 다른 아티클 보기

목록보기

무료 열람 가능 아티클 수 0/1 회원가입 | 서비스상품안내