비즈니스에 데이터를 활용하기까지, 아마존닷컴

“아마존”

이 단어를 봤을 때 지구의 허파라 불리는 거대한 숲, 게임 캐릭터, 소울리스좌… 등 사람마다 혹은 업계마다 다양한 이미지가 떠오를 것입니다. 그리고 IT 업계에서 일하는 사람에게 가장 먼저 떠오르는 건 아마 미국의 거대 회사 ‘아마존닷컴(이하 아마존)’일 겁니다.

데이터 직군의 관점에서 보면, 아마존은 ‘데이터를 기가 막히게 활용한다’라고 표현할 정도로 많은 데이터를 적절한 비즈니스에 활용하고 있습니다. ‘어떻게 데이터를 더 잘 활용할 수 있을까?’를 고민하는 조직에게 좋은 레퍼런스가 될 수 있을 정도로요. 오늘은 ‘Amazoned(아마존됐다)’라는 신조어를 만들어 낼 정도로 세상에 큰 영향을 주고 있는 아마존이 데이터를 활용한 방법에 관한 이야기를 해보겠습니다.

(Online) Book broker 많은 아티클에서 아마존을 표현할 때 ‘고객 만족’, ‘플라이휠’, ‘유통 공룡’, ‘데이터’와 같은 키워드를 많이 사용합니다. 그러나 아마존이 아직 책만 판매하던 시절, 아마존은 경쟁자에게 Book broker 라고 불렸습니다. 온라인에서 책을 파는 다른 기업인 ‘Book store(이하 경쟁자)’처럼 자체 매장을 통해 판매하는 것이 아니라 판매자와 구매를 연결하는 형태의 ‘플랫폼 비즈니스’를 했기 때문입니다.

아이러니하게도 이러한 플랫폼 비즈니스 모델이 아마존으로 하여금 더 데이터에 강점을 가지게 기여했습니다. 어떤 부분에서 차이가 있었을까요?

기존의 경쟁자들이 책을 판매하는 과정을 간단하게 표현하면 아래와 같습니다.

이러한 흐름에서 기존 기업이 더 많은 매출을 만들어 내기 위해, 즉 ‘고객이 도서 구매에 지불하는 비용보다 도서 구매를 통해 얻는 가치가 더 크다’를 이루기 위해서 3가지가 필요했습니다.

더 좋고, 다양한 도서를 매장에 구비하는 것 매장 방문과 구매 과정에서 좋은 경험을 얻게 하는 것 더 낮은 가격으로 제공하는 것

반대로 아마존은 매장을 없앴기 때문에 경쟁자들보다 더 좋은 위치에 오프라인 매장을 임대하거나, 더 큰 서점에 많은 도서를 채우는 비용을 아낄 수 있었습니다. 그뿐만 아니라 출판사와 파트너십만 맺으면 도서를 쌓아 둘 필요가 없었기 때문에 더 많은 도서를 ‘구비하는 것’에서도 경쟁자보다 강점을 가질 수 있었습니다. 무엇보다 온라인으로 모든 영업 활동이 이뤄지기 때문에 그 과정들을 모두 데이터로 수집, 기록하는 것에 익숙하다는 것 또한 큰 차별점이 되었습니다.

아직 온라인 기반 운영에 익숙하지 않았던 경쟁자들은 고객에게 마케팅하기 위해 TV나 신문 같은 매스미디어를 주로 활용하였고, 큰 문제 없이 사업을 진행했습니다. 그러나 시간이 지나면서, 경기는 더 이상 호황이 아니게 되었고, 소비자들의 욕구 또한 점점 고도화되었습니다.

어린 학생과 직장인 그리고 은퇴를 앞둔 사람은 각자 다른 책을 원하는 상황이지만, 경쟁자의 광고나 쿠폰은 동일하게 제공되고 있었습니다. 그렇지만 아마존은 ‘누가, 어떤 과정을 통해, 무슨 책을 구매했다’ 라는 수집 데이터를 통해 경쟁자보다 더 고객에 맞춘 다른 혜택을 제시했습니다.

기업의 관점에서 좋은 책은 고객이 관심을 두고 많이 읽는 책, 즉 많이 팔리는 책으로 정의할 수 있습니다. 당시 아마존의 온라인 기반 서비스는 데이터를 바탕으로 고객 요구를 더 자세히 파악할 수 있었기 때문에 경쟁자들에 비해 이를 더 효과적으로 이뤄낼 수 있었습니다.

매장은 없지만, 데이터는 있다 아마존이 온라인 기반의 비즈니스로 경쟁자보다 절약할 수 있는 비용에 관해 잠깐 언급했습니다. 그러나 이러한 서비스는 오프라인에서만 경험할 수 있는 것을 제공하는 것은 어렵습니다. 서점 특유의 분위기, 짙은 새 책 냄새, 손으로 책을 만질 때의 질감, 함께 책을 고르는 고객들 같은 경험 말이죠.

이러한 상황에서 아마존은, “오프라인 경험을 최대한 비슷하게 제공한다”가 아닌 “온라인의 다른 좋은 경험으로 이를 채운다”라는 전략을 택했습니다. 플랫폼 비즈니스인 아마존은 직접 제품을 제공할 수 없고, 당연히 체험도 시켜줄 수 없었습니다. 그래서 아마존은 자신들이 가진 방대한 데이터를 바탕으로 제품 비교 서비스와 고객 리뷰라는 방법으로 고객에게 아마존을 통해서만 느낄 수 있는 경험을 제공하였습니다.

아마존 데이터를 활용한 고객 리뷰

아마존은 플랫폼으로서 다양한 회사의 제품을 판매하고 있었고, 이를 끊임없이 데이터로 수집했기 때문에 제품 비교가 가능했습니다. 또한 좋은 리뷰를 작성하는 고객의 데이터를 활용해 새로운 제품의 체험, 리뷰 기회가 주어지는 인센티브 시스템을 제공했습니다.

그렇다면 경쟁사들은 왜 아마존처럼 데이터를 활용하지 못했을까요? 여러 이유가 있겠지만, 데이터 분석가의 입장에서 크게 3가지로 예상됩니다.

오프라인의 한계로 수집할 수 있는 데이터의 종류가 적었다. 데이터를 잘 활용하는 사람보다 뛰어난 매장 경험을 제공하는 사람을 더 우대했다. IT 기술이 지금처럼 발전하지 않아서 새롭게 데이터 인프라를 만드는 것에 큰 비용이 들었다.

이러한 이유로 경쟁사들에게 데이터를 활용한 사업은 도무지 가성비가 나오지 않기 때문에 사업상의 우선순위가 낮을 수밖에 없었습니다.

반대로 아마존은 시작부터 온라인 서비스였습니다. 거의 모든 과정을 데이터로 수집할 수 있었기에 의도하지 않았더라도 다양한 데이터가 많이 쌓였고, 가진 데이터를 활용하기 위해 데이터 분석을 잘하는 전문 인력을 고용을 고려할 수 있었습니다.

데이터를 활용한 추천 시스템

창립 이후 아마존은 기술 발전에 큰 노력을 쏟았습니다. 특히 지금은 다른 많은 기업도 활용하고 있는 추천 시스템을 연구 개발하여 서비스에 적용하고, 논문까지 작성했는데요. 이런 시스템은 아마존의 고객 철학과 이어집니다.

아마존 추천 시스템의 본질은 ‘고객은 각자 다르기 때문에 그 고객에게 더 적합한 것을 제시’하는 것입니다. 그리고 추천 시스템의 성공은 고객의 구매가 늘어난 것으로 확인할 수 있었습니다. 그렇다면 아마존은 이 고객이 어떤 것을 필요로 하는지 어떻게 알 수 있을까요?

먼저 다른 기업에서 비슷하게 활용했던 추천 시스템을 살펴보겠습니다. 여전히 지금도 많은 기업에서 활용하는 방법이기도 합니다.

A가 검색하거나 구매한 제품을 산 B의 제품을 A에게 추천

A와 비슷한 데이터를 가진 그룹이 구매한 제품을 A에게 추천

A가 검색 구매한 제품의 키워드를 가진 다른 제품을 A에게 추천

그러나 이러한 방법들은 ① 데이터를 수집 및 활용하기 위한 컴퓨팅 자원이 부족했고, ② 지속해서 변하는 고객의 취향과 수요를 반영하여 그룹을 정하기 어려웠고, ③ 제품에 관한 키워드 라벨 작업이 어려운 단점이 있었습니다.

이를 해결하기 위해 아마존은 ‘행동이 비슷한 유저를 찾고, 그 유저의 아이템을 추천한다’라는 관점을 ‘유저가 검색한 아이템과 비슷한 제품을 찾고, 유저에게 추천한다’라는 관점으로 바꾸는 방법을 만들게 됩니다.

사용자가 아닌 아이템을 기준으로 추천을 하게 되면 ① 유사한 사용자를 비교하는 것에 비해 유사한 아이템을 비교하는 것이 컴퓨팅 자원을 더 적게 활용하고, ② 아이템은 사용자보다 취향이나 수요와 같은 특성이 변하지 않으며, ③ 아이템의 수많은 키워드를 고려하는 것이 아닌, ‘다른 고객도 구매’와 같이 가짓수가 정해진 행동 라벨로 활용할 수 있는 장점이 있습니다.

아래의 이미지는 A-E 상품과 U1-U6이라는 사용자에 대해 1은 구매, 0은 미구매라고 할 때 B의 관점에서 A와 D라는 아이템을 추천하는 아주아주 간단한 추천시스템의 예시입니다.

추천 시스템은 ‘고객에게 더 적합한 것을 제시한다’라고 했는데, 기업의 입장에서는 살짝 다른 관점으로도 볼 수 있습니다.

고객이 물건을 구매하는 건 ‘고객이 겪는 문제를 구매한 물건을 통해 해결한다’라고 생각할 수 있습니다. 이러한 상태에서 ‘고객의 문제를 더 잘 해결할 수도 있는’ 또 다른 물건을 추천하는 것은 결국 고객에게 더 좋은 경험을 만들어 낼 방법이 됩니다. 고객 경험을 최우선으로 생각하는 아마존에게, 이미 가지고 있는 데이터를 활용하는 것은 당연한 이유였을 것입니다.

데이터를 활용한 가격 책정 기업에서 ‘우리의 물건(서비스)을 얼마에 판매해야 할까?”를 정하는 건 정말 어려운 문제입니다. 너무 낮으면 이익을 낼 수 없고, 반대로 너무 높으면 고객들이 구매하지 않기 때문이죠. 아마존은 이러한 가격 책정 문제를 풀기 위해서도 데이터를 활용했습니다.

아마존은 위의 추천 시스템에서 언급했던 ① 고객이 물건을 사는 과정에서의 데이터와 ② 다른 경쟁사의 판매가격 데이터, ③ 물건의 수요 데이터 (얼마나 많은 곳에서 판매하고 있는지) ④ 현재 아마존이 보유 중인 물건의 재고 데이터 등을 사용했습니다. 조사 결과에 따르면, 아마존은 위와 같은 데이터들을 사용해서 물건의 판매가격을 수시로(하루에 약 2.5백만 번) 변경하는 것으로 알려져 있습니다.

예를 들어 출근길에 휴대폰으로 물건을 검색한 후 장바구니에 담아두고, 퇴근 이후에 집에서 PC로 구매하는 직장인에게는 밤 시간에 조금 더 가격을 올리는 정책을 취할 수 있습니다. 출근길에는 다른 경쟁사에 비해 낮은 가격을 제시하여 장바구니에 담게만 한다면 이후에는 가격을 올려도 구매를 할 것이기 때문이죠.

만약 다른 경쟁사에서 판매하지 않는 제품이라면, 가격을 어떻게 설정해도 고객이 아마존을 통해서 구매하기 때문에 조금 더 높은 가격을 정할 수 있습니다.

실제로 아마존의 고객 중엔 이러한 가격 변동을 대비하기 위해 지속해서 판매 가격을 추적하여 최저가 구매를 위한 의사결정에 활용하는 경우도 있습니다. 고객 역시 아마존의 데이터를 활용한 셈입니다.

이렇게 데이터를 활용해서 가격을 변경하면 위 그림처럼 충분히 잘 팔릴 정도의 범위에서 이익을 더 극대화할 수 있습니다. 실제로 아마존은 데이터를 활용한 실시간 가격 책정으로 매출이 25% 증가 하기도 했습니다. 경쟁자에 비해 낮은 가격을 고객에게 제공하여 더 많은 고객을 끌어오는 것은 보너스입니다.

데이터를 활용한 물류 예측 아마존이 자랑하는 데이터 중에 ‘어떤 물건이 언제, 어디로 배송되었다’라는 물류 데이터가 빠질 수 없습니다. 추가로 ‘Clickstream’이라고 불리는 고객의 행동 데이터 또한 웹을 통해서 많이 수집했습니다. 이 2개의 데이터를 잘 분석하면 시간에 따른 고객의 구매 패턴을 파악하고, 고객의 주문을 예측할 수도 있습니다.

그리고 아마존은 기대를 저버리지 않고, 이 2개의 데이터를 아주 잘 활용하는 방법으로 ‘예측 배송 (Anticipatory shipping)’이라는 시스템을 구축해 특허까지 내고 잘 활용하고 있습니다. 예측 배송은 주문이 발생하기 이전에 주문을 예측하여 배송하는 방법으로 ‘고객이 주문 이후 물건을 배송받기까지 걸리는 시간을 줄이는 것’과 ‘물건을 배송하는 과정에서 발생하는 비용을 줄이는 것’이라는 2개의 목표를 가지고 있습니다.

예를 들어 ‘미국 LA(미국 서부)에 사는 고객이 약 4주마다 헬스용 프로틴을 구매하고 있습니다. 이때 프로틴을 만드는 생산 공장은 LA가 아닌 멀리 떨어진 미네소타(미국 북동부) 지역에 있는 걸로 가정해보겠습니다.

기존의 커머스 운영방식은 고객이 주문하면 공장에서 풀필먼트 센터로 물건을 보낸 뒤, 풀필먼트 센터에서 LA의 물류센터로 배송한 뒤 최종적으로 물류센터에서 고객의 집으로 배송하게 됩니다.

그런데 만약, ‘주문이 발생한 오늘 이후 4주 후 또 주문이 올 것이다’를 예측하여 해당 제품을 미리 ① 더 저렴한 가격에 ② 다른 물건들과 같이 묶음 배송을 통해 LA 물류센터에 넣어두면 어떨까요? 고객이 실제로 주문했을 때 풀필먼트센터에서 LA 물류센터까지로 배송된 시간만큼 기다리는 시간이 줄어들게 됩니다.

중국의 알리바바와 징동 역시 이 예측배송을 잘 활용하고 있습니다. 양 사의 데이터를 활용해 연구한 논문 에 따르면, 약 6% 정도의 물류비용 절감과 2일 정도의 대기시간이 감소했습니다. 논문에서는 예측배송은 ‘어떤 물건을 언제 몇 개를 보내야 할까?’라는 예측과 ‘몇 개의 물건을 물류센터에 어떻게 보낼 것인가’라는 최적화가 혼합된 다소 복잡한 문제라고 설명했습니다. 이에 대한 기술적인 이야기는 글이 길고 전문적이니 관련 아티클 로 대체하겠습니다.

‘미래를 예측한다’라는 특성상 주문할 것으로 예상해 배송했지만, 그만큼 주문하지 않는 경우도 발생할 수 있습니다. 재고가 모자라면 추가분이 배송되는 만큼 더 기다려야 하기 때문에 예측배송은 무조건 더 보내야 합니다. 그래서 필연적으로 재고가 남을 수밖에 없습니다.

여기서 또 한 가지 아마존의 놀라운 점은, 이러한 예측 실패로 인한 재고를 VIP 고객에게 할인한 가격(데이터를 활용한 할인 가격 책정)으로 제공하거나 선물로 무료 제공하는 방법 등으로 해결하고 있습니다. 당연히 고객 만족은 올라갈 수밖에 없습니다.

실패 경험도 아마존의 데이터 위에 설명한 일련의 사례들을 보면 아마존은 초기부터 수집한 엄청난 데이터와 아이디어로 고객 만족을 위해 노력했고, 그 결과 성공한 기업으로 보입니다. 아마존의 조직문화를 검색하면 데이터 기반의 결정, 글쓰기, 오너십, 효율성과 같은 멋진 단어들을 확인할 수 있습니다.

많은 글에서 아마존을 ‘유통 공룡’이라는 단어로 표현합니다. 여러 의미를 담고 있겠지만, 개인적으로는 이전에는 세상을 지배했지만 멸종을 피하기 위해 거대한 덩치에도 끊임없이 변화하는 기업 이라는 의미가 많이 와닿았습니다.

아마존은 끊임없이 적응하고 변화하기 위해 여러 시도를 했습니다. 당연히 드러난 성공보다 더 많은 실패를 경험했습니다. Fire phone, Amazon Restaurant, Amazon Wallet 등이 그러한 예시입니다. 심지어 아마존의 수많은 실패와 이유 등만 모은 전문 아티클 이 별도로 있을 정도입니다.

매번 최선의 의사결정을 위해 노력했지만, 아마존도 많이 실패했습니다. 그럼에도 불구하고 아마존은 ‘고객 만족’이라는 비전을 이루기 위해 끊임없이 시도했고, 실패한 많은 데이터를 활용해 성공을 만들어 낼 수 있었습니다. 실제로 Fire phone은 실패했지만, 실패한 데이터와 경험은 남아 이후 아마존 음성인식 서비스인 Alexa와 Echo Device에 활용되었습니다.

데이터 직군 또한 데이터 수집, 실험 및 지표 설계, 정확한 해석과 의미 있는 액션, 어쩌면 기술이 아닌 문화와 같은 이슈 등 다양한 문제들을 겪게 됩니다. 그래서 필연적으로 드라마틱한 성공보다 더 많은 실패를 경험하게 됩니다. 그렇지만 포기하지 않고, 실패한 경험과 데이터를 바탕으로 계속 도전한다면 또 다른 ‘아마존’이 될 수 있을 것입니다. 데이터 분석가로서 여러분과 여러분의 조직이 비즈니스에 유용한 데이터를 활용하는 로켓이 되기를 응원하며, 글을 마칩니다.