수동 머천다이징 규칙 - "베스트셀러 표시", "카테고리별 크로스셀" - 은 사람 머천다이저가 수동으로 설정할 수 있는 한도 내에서 이커머스 매출을 제한한다. 5만 개 SKU 카탈로그를 둘러보는 쇼핑객은 방금 클릭했거나 검색했거나 장바구니에서 이탈시킨 상품과 무관하게 다른 모든 사람과 동일한 "관련 상품" 목록을 보게 된다. 이커머스를 위한 AI 상품 추천이 메우는 것이 바로 이 격차다. 방문자마다 실시간으로, 머천다이저의 추측이 아니라 실제 행동 데이터를 사용해 모든 상품 그리드, 검색 결과, 장바구니 오퍼의 순위를 다시 매기는 시스템이다.
그 효과는 이론이 아니다. IBM의 연구에 따르면 아마존 매출의 약 35%가 추천 엔진에서 발생하며, 넷플릭스는 자사의 추천 시스템이 매년 10억 달러 이상의 이탈 방지(리텐션) 효과를 낸다고 추정한다. 아래에서는 이러한 시스템의 작동 방식, 구체적인 수치가 담긴 두 가지 실제 성장 사례, 수동 대 AI 비교, 3단계 롤아웃, 그리고 개인화가 성장 전략의 일부에 불과할 때 Concat Pro가 어디에 적합한지를 다룬다.
이커머스 AI 상품 추천 스택에서 Concat Pro의 역할
Concat Pro는 상품 그리드를 재배열하는 추천 엔진 자체를 구축하지 않는다 - 그것은 전문 AI 검색 및 머천다이징 플랫폼의 몫이다. Concat Pro가 해결하는 것은 그 주변의 성장 운영(그로스옵스) 레이어이며, 실제로 제공되는 기능만을 사용한다.
- 예산을 투입하기 전에 효과를 입증한다. Growth Rate Calculator와 Conversion Rate Calculator를 사용하면 개인화 벤더와 계약하기 전에 현재 기준선 대비 예상 전환율과 매출 영향을 모델링할 수 있고, 도입 후에는 전체 매출 추세로 추측하는 대신 실제 효과를 검증할 수 있다.
- 개인화된 페이지의 크롤링 및 인용 가능성을 유지한다. 실시간으로 재정렬되는 상품 그리드와 AI가 생성한 추천 문구는 폴백 없이 클라이언트 사이드에서 렌더링될 경우 검색 봇으로부터 콘텐츠를 숨길 수 있다. SEO/GEO Agent는 개인화된 PDP가 사람 눈에 올바르게 보이는 것뿐 아니라 실제로 구글에 색인되고 AI 답변 엔진에 인용되고 있는지를 점검한다.
- 개인화 위젯이 깨뜨리는 부분을 잡아낸다. Website Agent는 실제 운영 중인 스토어프론트를 크롤링해 추천 위젯이 흔히 유발하는 페이지 속도 및 렌더링 문제를 찾아낸다. Core Web Vitals를 떨어뜨리는 느린 "함께 구매한 상품" 캐러셀은 애초에 만들려던 전환율 향상 효과를 상쇄시킨다.
- 어떤 콘텐츠가 이미 그 페이지로 구매자를 유입시키고 있는지 확인한다. Rank는 개인화된 상품 페이지로 유입되는 SEO/GEO 콘텐츠와 크리에이터 게재를 추적해, 개인화 예산이 실제로 전환되는 트래픽 소스로 향하도록 한다.
간단히 말해, 추천 엔진은 쇼핑객이 보는 것을 바꾼다. Concat Pro는 그 변화가 실제로 효과가 있는지 입증하고, 이를 뒷받침하는 트래픽이 마르지 않도록 보장한다.
AI 추천 엔진은 실제로 어떻게 작동하는가
대부분의 시스템은 다섯 단계로 운영된다. 명시적 데이터(평점, 좋아요)와 암묵적 데이터(클릭, 장바구니 이벤트, 탐색 이력)를 수집하고, 데이터 웨어하우스나 레이크하우스에 저장하고, 머신러닝으로 행동 패턴을 분석하고, 가장 관련성 높은 항목으로 필터링한 뒤, 새로운 상호작용이 들어올 때마다 지속적으로 개선한다. 협업 필터링은 유사한 사용자가 구매한 상품을 기반으로 추천하고, 콘텐츠 기반 필터링은 상품 속성을 기반으로 추천한다. 넷플릭스를 포함한 대부분의 실제 운영 시스템은 두 방식을 결합한 하이브리드 방식을 사용한다. 아래 IBM Technology의 설명 영상은 15분 이내에 그 원리를 다룬다.
수동 머천다이징 vs. AI 기반 추천
| 작업 | 수동 방식 | AI 기반 방식 |
|---|---|---|
| 상품 그리드 순위 | 고정된 "베스트셀러" 또는 "신상품" 규칙 | 방문자별 실시간 행동 기반 재정렬 |
| 크로스셀/업셀 | 고정된 "함께 구매한 상품" 목록 | 장바구니와 재고를 반영한 동적 오퍼 |
| 카탈로그 규모 | 수천 개 SKU를 넘으면 한계에 도달 | 60만+ SKU에서도 안정적으로 작동 |
| 규칙 업데이트 소요 시간 | 담당자의 수동 편집, 게시까지 수일 | 지속적이고 자동화된 재정렬 |
| 효과 입증 방식 | 전체 매출 추세로 추측 | 대조군 대비 세그먼트 단위 효과 측정 |
실제 성장 사례
Caleres(Famous Footwear, Naturalizer, Sam Edelman의 모회사)는 13개 웹사이트에서 60만 개 이상의 SKU를 아우르는 카탈로그 전체에 Coveo의 AI를 운영한다. AI 기반 검색과 추천을 도입한 후 Caleres는 매출이 전년 대비 21% 증가하고 전환율이 25% 증가했다고 밝혔다 - 수동 머천다이징 규칙으로는 따라갈 수 없었던 복잡한 멀티 브랜드 카탈로그에서 이뤄낸 성과다.
Freedom Furniture는 호주와 뉴질랜드를 대표하는 소매업체로, 카탈로그 전반의 상품 탐색 경험을 재구성하기 위해 Coveo AI를 도입했다. 이 소매업체는 출시 후 첫 30일 안에 평균 주문 금액(AOV)이 5.5% 증가한 것을 측정했다 - 추천 효과가 긴 최적화 사이클을 거치지 않고도 빠르게 나타날 수 있다는 증거다.
3단계 롤아웃
- 데이터를 점검하고 통합한다. 추천 모델이 상품 순위를 정확하게 매기기 전에, 주문 이력, 탐색 행동, 카탈로그 메타데이터가 한곳에 모여 있어야 한다.
- 하나의 영역에서 먼저 출시한다. PDP 추천이나 검색 재정렬처럼 가시성이 높은 단일 영역을 출시하고, 두 번째 영역을 추가하기 전에 최소 2주간 운영한다.
- 대조군과 비교해 측정한 뒤 확장한다. 일부 세그먼트를 보류하고 전환율과 AOV 효과를 비교하며, 계산기로 모델링한 효과가 실제 결과와 일치할 때만 예산을 확대한다.
흔한 실수
- 고객 데이터를 통합하기 전에 추천 기능을 도입해 모델이 불완전한 신호로 추측하게 만드는 것.
- 그리드, 검색, 장바구니, 이메일 등 모든 영역을 한꺼번에 출시해 어떤 변경이 효과를 냈는지 파악할 수 없게 만드는 것.
- 대조군을 생략해 "느낌상 나아졌다"가 실제 전환율 수치를 대신하게 만드는 것.
- 크롤링 가능성을 무시해 클라이언트 사이드 렌더링 추천 콘텐츠가 검색 및 AI 크롤러로부터 상품 데이터를 숨기게 만드는 것.
- 출시 후 Growth Rate Calculator를 다시 실행해 모델링한 효과가 실제와 일치하는지 확인하지 않는 것.
다음에 볼만한 자료
Shopify에 특화된 개인화 앱을 더 깊이 알아보려면 Best Shopify Live Personalization App for 2026을 참고하라. 추천 예산을 확대하기 전에 획득 측 측정 습관을 기르려면 Growth Analytics Tools for Startups를 읽어보라. 먼저 Growth Rate Calculator로 현재 수치를 계산하고, 이후 Rank에서 어떤 콘텐츠가 이미 상품 페이지로 구매자를 유입시키고 있는지 확인하라.
참고 자료
- Concat Pro -- Rank, Growth Rate Calculator, Conversion Rate Calculator, SEO/GEO Agent, Website Agent
- Coveo -- Caleres Customer Story: AI Search Boosts Revenue by 21%, Leading Brands Use Coveo AI to Transform their Ecommerce Product Discovery (Freedom Furniture AOV 데이터)
- IBM Technology -- What is an AI Recommendation Engine?