로그인|회원가입|고객센터
Top
검색버튼 메뉴버튼

MIT Sloan Management Review

머신러닝 통한 실시간 가격 최적화, 그루폰 매출 116% 높였다

데이비드 심치-레비(David Simchi-Levi) | 237호 (2017년 11월 Issue 2)


Article at a Glance

가격 최적화를 위한 3단계 프로세스

1. 예측: 과거 매출 데이터를 기반으로 회귀트리(regression tree) 머신러닝 기술 통해 예측값 산출

2. 학습: 예측 단계에서 나온 가격을 기반으로 실제 판매량 테스트

3. 최적화: 학습 단계에서 도출된 수요-가격 곡선을 기반으로 최적화된 가격 책정

106


가격 최적화는 꽤 최근까지도 항공사나 호텔처럼 재고가 정해져 있는 일부 산업에서만 제한적으로 실행돼 왔다. 가격 최적화는 방대한 양의 데이터를 분석하고 경쟁사들의 움직임을 깊이 있게 이해해야 하는 상당히 복잡한 기술이다. 그래서 상품 수가 몇 개만 넘어가도 그 가격을 동시에 최적화할 수 있는 조직은 거의 없었다.

하지만 이런 상황이 변하고 있다. 조직 안팎에서 가용할 수 있는 데이터가 증가하고, 머신러닝(machine learning) 기술의 발전과 컴퓨터 처리 속도 향상으로 인해 이제는 다양한 분야에서 가격 최적화 기법을 폭넓게 활용하게 됐다. 필자와 동료 연구자들은 수백 개의 재고 관리 상품 가격을 지속적이면서 거의 실시간으로 최적화하는 방법을 개발했다.

이러한 가격 책정 기술을 전자상거래 회사 3곳에서 시험해 본 결과, 우리는 각 온라인 쇼핑의 매출과 시장점유율, 이익에서 두 자릿수의 성장을 이룰 수 있었다. 비록 이 기사에서는 전자상거래 업체에 대한 사례만 소개하겠지만 이 가격 최적화 기법은 전통적인 오프라인 소매점에도 효과적이었다. (최근 우리는 한 맥주 양조 회사를 대상으로 비슷한 방법을 적용했는데, 이 회사의 여러 오프라인 소매점에서 프로모션과 제품 가격을 최적화한 결과 온라인 쇼핑 때와 비슷한 성과를 얻었다.)

 

3단계 프로세스

본 기사에서 설명할 가격 예측 시스템은 3단계 프로세스로 이뤄진다.

1. 예측

최적화를 하려는 제품을 해당 제품의 판매 특성과 비슷한 제품군들과 서로 매치한다. 그런 다음, 일련의 조건문(if-then statement)으로 구성된 회귀트리(regression tree)1 라는 머신러닝 기술로 예측값을 산출한다. 연구팀이 개발한 알고리즘은 회사의 과거 매출 데이터를 가지고 조건문을 20개까지 생성할 수 있는데 일련의 조건문을 통해 수요와 가격 간의 관계가 예측된다. 그리고 이 정보를 가지고 가격이 산출된다.

2. 학습

예측 단계에서 나온 가격에 대한 실제 판매량을 테스트한다. 이를 통해 실제 판매량에 상응하는 가격 곡선을 다시 그릴 수 있다. 학습 단계가 끝나면 제품의 판매 실적을 알 수 있고, 그 정보를 가지고 수요와 가격 곡선을 조정할 수
있다.

3. 최적화

학습 단계가 완료되면 새로운 수요-가격 곡선을 가지고 수백 개의 상품에 대해, 그리고 원하는 기간에 대해 최적화된 가격을 책정할 수 있다.

 

가격 최적화 기술, 현장에 적용하기

위에서 설명한 3단계가 모든 상황에서 그대로 적용되는 것은 아니다. 가령 보스턴에 본사를 둔 루라라(Rue La La Inc.)의 경우에는 48시간 동안 진행되는 세일 기간 동안 가격 변경을 원하지 않았다. 이에 따라 연구팀은 ‘학습’ 단계를 건너뛰기로 했다. 또한 시카고에 있는 그루폰(Groupon Inc.)에서 프로젝트를 진행했을 때에는 소셜커머스라는 사업 특성상 수요 예측이 어렵다는 사실을 깨달았다. 그래서 실제 판매 실적을 통한 학습 과정에 집중했다. 지금부터 필자와 연구팀이 개발한 가격 최적화 기법을 루라라, 그루폰, B2W디지털(B2W Digital)이라는 3개의 전자상거래 사이트에 어떻게 적용했는지 그 사례들을 설명하겠다.

루라라의 한정 기간 세일에 적용된 가격 최적화. 온라인 패션 소매업체인 루라라는 디자이너 의류 및 액세서리 상품들에 대해 한정 기간 세일(‘반짝 세일’)을 진행한다. 이런 반짝 세일은 한정된 수량의 상품을 정해진 기간(보통 2∼3일) 동안 대폭 할인된 가격으로 판매함으로써 고객에게 상품의 희소성과 긴급성을 고조시킨다. 루라라 사이트에 들어온 고객들은 비슷한 상품들로 구성된 컬렉션마다 진행되는 여러 ‘이벤트’를 보게 된다. 각 이벤트에는 카운트다운 타이머가 달려 있어서 고객들은 세일 종료 시점까지 시간이 얼마나 남았는지 확인할 수 있다.

루라라 프로젝트에서 힘들었던 점 중 하나는 한 번도 판매한 적 없는 신상품의 가격을 매기는 일이었다. 회사는 그런 상품들을 ‘최초 공개 상품’이라 불렀고, 루라라 매출의 대부분은 이런 신상품 판매에서 나왔다. 예컨대 한 부서에서는 기획한 최초 공개 상품들의 절반 정도가 이벤트 종료 전에 완판됐는데, 그런 상품들은 가격을 어느 정도 더 높여도 여전히 판매 실적이 좋을 것으로 보였다. 반면에 세일 기간 동안 매입한 물량의 절반도 판매되지 않은 신상품도 많은데, 그런 상품들은 가격이 지나치게 높게 책정된 게 아닌지 하는 의구심을 불러일으켰다.

원래 루라라 마케터들은 원가가산 가격결정법(cost-plus pricing, 제품 원가에 목표 이윤을 더해 가격을 책정하는 방법)에 따라 상품 가격을 책정하고 있었다. 그러나 어떤 상품은 금방 재고가 바닥나고, 또 어떤 상품은 재고가 수북이 쌓이는 경우가 많아서 회사가 이윤을 증대할 수 있는 기회를 놓치고 있음을 알 수 있었다. 루라라의 매출 및 시장점유율을 더 높이기 위해서는 일부 최초 공개 상품에는 더 높은 가격을, 다른 상품에는 더 낮은 가격을 매길 수 있는 가격 책정 알고리즘이 필요했다.

연구팀은 2단계 접근법을 이용하기로 했고, 먼저 최초 공개 상품들에 대한 수요 예측 모델부터 개발했다. 이렇게 해서 나온 수요 예측 데이터를 가격 최적화 모델에 입력해서 매출을 극대화하는 가격을 산출하고자 했다.2 수요 예측 모델을 개발하면서 가장 어려웠던 점 두 가지는 재고 부족으로 상실해 버린 판매액을 예측하는 것과 과거 판매 데이터가 없는 스타일의 패션 상품의 수요를 예측하는 것이었다.

첫 번째 난제(재고 부족으로 상실해 버린 판매액 예측)를 해결하기 위해 루라라의 과거 판매 데이터를 두 그룹으로 나눴다. 그룹1에는 할인 기간 동안 완판되지 않은 상품들의 모든 아이템과 이벤트 조합들이, 그룹2에는 재고 부족으로 더 많이 판매하지 못한 상품들의 아이템-이벤트 조합들이 각각 포함됐다.

어떤 그룹에 속하든 각 아이템-이벤트 조합에 대해 할인 행사 기간 동안 시간대별로 발생한 판매량 비중을 계산했다. 이를 통해 행사가 시작된 후 x시간 동안 발생한 수요의 비중을 나타내는 수요 곡선이 나왔다. 다음으로 연구팀은 할인 기간에 재고가 소진되지 않은 그룹에 속한 상품들의 전체 수요 곡선들을 모아 뚜렷하게 구분되고 해석 가능한 몇 가지 유형의 곡선들로 나눴다. 클러스터 기법을 통해 모든 수요 곡선들 중에서 비슷한 구조를 가진 곡선들을 찾고, 그것들의 평균값으로 몇 개의 곡선 유형을 도출했다.

클러스터 분석 결과, 완판되지 않은 상품 그룹(그룹1)에 속한 다양한 아이템-이벤트 조합들을 총 4가지 수요 곡선으로 설명할 수 있었는데 각 곡선은 세일을 시작한 요일 및 시간과 연관돼 있다는 것을 알 수 있었다.

조기 완판된 상품들의 판매 손실분은 세일 기간에 재고가 소진되지 않은 상품들의 판매 데이터를 통해 예측할 수 있었다. 연구팀은 행사 기간에 조기 완판된 상품들의 모든 이벤트-아이템 조합을 살펴본 후 세일이 시작된 시간을 기초로 4가지 곡선 유형 중 어느 것이 가장 적절한지 확인했다. 각 상품의 재고가 바닥난 시점은 알고 있었으므로 해당 상품에 상응하는 그룹1의 수요 곡선을 보면 상품의 총수요는 바로 예측할 수 있었다. 예컨대, 어떤 조기 완판 상품이 오후 3시에 세일을 시작해 그로부터 10시간 후 재고가 바닥났다고 해보자. 오후 3시에 세일이 시작된 이벤트의 수요 곡선을 보면 이후 10시간 동안 총매출의 60%가 발생했다는 것을 알 수 있다. 따라서 이 상품의 총수요는 최초 재고량을 0.6으로 나누면 나온다.




일단 클러스터 분석으로 재고가 전부 소진된 상품들의 수요를 알게 되자 미래 수요도 충분히 예측할 수 있었다. 1960년대에 개발된 머신러닝 기법 중 하나인 회귀트리는 수요를 예측하는 데 있어서는 최상의 분석 모델로 인정돼 왔다. 이런 주장에는 2가지 근거가 있다. 첫째, 회귀트리는 과거에 판매된 모든 상품들 중에서 분석 대상으로 정한 상품의 수요를 예측하는 데 적절한 상품만을 선별해서 사용한다. 둘째, 이 모델은 특이한 가격 상황에서도 제대로 작동한다는 장점이 있다. 예를 들어 명품은 가격이 높을수록 수요가 오히려 상승하는 가격 역전 현상이 일어난다. 전통적인 선형회귀분석은 이런 기현상을 제대로 처리하지 못하는데 이는 가격이 상품 퀄리티를 상징하는 패션 및 명품의 가격을 책정하는 데 있어서는 매우 중요한 문제다.

연구팀은 루라라를 위한 새로운 가격 최적화 방정식을 개발했고, 덕분에 회사는 다음 날 예정된 세일 상품의 가격도 적시에 최적화할 수 있는 일별 최적화 알고리즘을 갖게 됐다. 연구팀은 이 가격 최적화 알고리즘이 현업에서 실제로 활용될 수 있도록 완전 자동화된 가격 결정 지원 소프트웨어를 개발했다. 매일 작동하는 이 시스템은 다음 날 개시되는 할인 행사에 맞춰 적정 가격을 제안한다.

연구팀은 루루라와 함께 6개월 동안 다양한 가격대의 총 6000개 패션 상품들을 가지고 현장 테스트를 실시했다. 그리고 이를 통한 재무적, 마케팅적 효과를 정량화했다. 그 결과 이 의사결정 지원 소프트웨어 덕분에 루루라의 매출이 10% 증대했다는 것을 알 수 있었다. 이와 같은 매출 증가는 총수익과 순이익에도 직접적인 영향을 미쳤다.

그루폰의 특가 상품들에 대한 수요 학습. 연구팀은 대형 온라인 장터인 그루폰과도 프로젝트를 진행했다. 이 회사는 지역 판매업체들이 제공하는 쿠폰 등을 통해 사이트 회원들에게 날마다 특가 상품들을 제공한다. 가령 원래는 30달러에 상당하는 한 음식점의 저녁식사권을 그루폰에서 17달러에 구입한 다음 해당 음식점에서 사용하는 것이다.

그루폰에서는 하루에도 수천 건의 새로운 특가 상품들을 단시간에 걸쳐 판매한다. 하지만 사이트에서 거래되는 방대한 상품 옵션들과 더불어 짧은 할인 기간은 수요 예측에 걸림돌이 됐다. 그루폰은 상품 가격을 최적화할 수 있는 효과적인 수요 예측 모델을 원했지만 현실적으로 거의 불가능한 일이라는 것을 깨달았다.

이런 니즈를 충족시키기 위해 연구팀은 특가 상품이 그루폰 웹사이트에서 출시되는 시점에 맞춰 여러 예측 데이터를 생성하는 모델을 개발했다.3 이런 접근법을 택한 이유는 여러 수요 함수를 만들면 그중 하나는 실제 수요-가격 관계와 가까운 값이 나올 수 있을 것으로 예상했기 때문이다.



물론 어떤 특가 상품에 대한 판매 프로세스가 시작했을 때는 여러 수요 함수 중 과연 어떤 것이 고객들의 실제 구매 행동을 가장 잘 반영할 수 있을지 판단할 수 없었다. 이 문제를 해결하기 위해 연구팀은 특가 혜택이 제공되는 행사 기간을 학습과 가격 최적화라는 2단계로 나눴다. 학습이 진행되는 동안에는 테스트 가격을 적용한 다음 고객들의 구매 결정을 관찰했다. 이 경우에 학습 단계가 끝나면 상품의 실제 판매량을 알 수 있으므로 어떤 수요 함수가 테스트 가격에 따른 실제 매출에 가장 가까운지 확인할 수 있었다. 연구팀은 그 함수를 최종 수요-가격 함수로 삼아 두 번째 단계에서 가격을 최적화하는 데 사용했다.

이 알고리즘에는 분명한 상충 요소가 있었다. 테스트 가격을 오래 적용할 경우엔 실제 수요와 가까운 함수를 파악하는 데는 도움이 됐지만 가격을 최적화할 시간이 너무 부족했다. 반대로 테스트 가격에 대한 고객 반응을 너무 짧은 시간만 연구할 경우엔 가격 최적화를 위해 충분한 시간을 할애할 수는 있었지만 그보다 앞서 고객 수요에 대한 충분한 통찰력을 얻을 수 없었다.

이 접근법을 처음 실행했을 때에는 특가 상품마다 10개의 수요 함수를 사용했지만 이내 이 숫자로는 한참 부족하다는 것을 깨달았다. 최종적으로 연구팀은 신규 상품마다 약 100개의 수요 함수를 사용했다. 수요 함수들은 특가 혜택이 제공되는 지역이나 도시, 가격의 범위, 할인폭 등을 고려해 개발됐다.

110


하지만 최종적으로 채택한 접근방법의 경우에도 그루폰의 사업 특성상 몇 가지 한계가 있었다. 첫째, 학습을 위한 가격을 알고리즘으로 생성하는 대신에 그루폰과 판매자의 협의로 결정할 수밖에 없었다. 둘째, 그루폰은 최적화 단계에서도 가격을 5%에서 최대 30%까지만 인하할 수 있도록 허가했다. 마지막으로 판매업체에 지급되는 비용은 바꿀 수 없었다. 예를 들어, 앞서 언급한 17달러짜리 할인 식사권의 경우에는 상품당 음식점에 10달러가 지급됐다. 만약 학습 단계에서 알고리즘이 해당 식사권의 최적 가격을 15달러로 제안했을 때도 음식점에는 똑같이 10달러를 지급해야 하므로 7달러에서 5달러로 줄어들 때의 차이를 그루폰이 전부 감수할 수밖에 없었다. 달리 말해 가격을 인하함으로써 생기는 수혜는 늘 판매자 차지가 됐다. 보통 가격을 낮추면 판매량은 늘어나기 마련인데 판매업체는 판매 상품당 동일한 금액을 청구할 수 있었기 때문이다.

현장 테스트에서 알고리즘은 1295개 상품에 대해 가격 인하를 제안했다. 연구팀은 2종류의 데이터로 그루폰 프로젝트의 가격 최적화 효과를 측정했다. 하나는 각 상품에 대해 그루폰이 고객들로부터 받은 총매출액(보통 업계에서는 booking이란 용어를 사용)이었고, 또 다른 데이터는 총매출액 중 상품 판매업체에 비용을 지불한 후 남는 그루폰의 수입(revenue)이었다. 거래 품목(상품이 식음료인지, 미용용품인지 등)에 따라 차이는 있었지만 평균적으로 매출액은 116%, 수입은 21.7%가 상승했다.

테스트 결과를 더 심층적으로 분석하자, 가격 인하의 효과가 판매량이 적은 할인 상품에서 더 높게 나타난다는 사실을 알 수 있었다. 일간 매출액이 중간값(median) 이하였던 상품들의 경우에는 평균 상승률이 116%나 됐지만 일간 매출액이 중앙값 이상인 상품들의 평균 상승률은 14%에 그쳤기 때문이다.

B2W디지털의 예측, 학습, 가격 최적화 사례. 연구팀이 함께 작업한 3번째 회사는 B2W디지털이었다. 브라질 리우데자네이루에 본사를 둔 이 회사는 아마존, 월마트 같은 거대 공룡들과 어깨를 나란히 하는 남미계 전자상거래 업체다. B2W는 이곳에서 취급하는 방대한 상품 포트폴리오는 물론 각 상품들의 과거 매출 데이터를 활용할 수 있고, 하루에도 몇 번씩 상품 가격을 바꿀 수 있다는 점에서 연구팀의 3단계 모델(예측, 학습, 가격 최적화)을 함께 테스트할 수 있는 절호의 기회였다. 프로젝트의 첫 단계로, 연구팀은 회사 내부는 물론 외부 데이터를 결합해 연구 대상으로 선정한 각 상품들의 수요 예측 모델을 개발했다. 내부 데이터에는 B2W 사이트로 유입된 고객 트래픽과 가격 책정 정보, 할인 정보, 광고비, B2W 웹사이트에서 거래되는 상품들과 그 가격 등이 포함됐다. 외부 데이터에는 경쟁사 사이트의 가격 책정 정보, 광고비, 기후 조건 등이 포함됐다. 루라라의 경우와 마찬가지로 이 사례에서도 회귀트리 모델4 이 수요와 가격 간의 관계를 예측하는 데 활용할 수 있는 최선의 방법으로 판명됐다.

두 번째는 학습 단계였다. 연구팀은 몇 시간 간격으로 웹사이트로 유입되는 고객 트래픽과 상품들에 대한 수요 및 경쟁사 활동들을 관찰했다. 그들은 관찰한 데이터의 변화들을 기록했고, 이를 회귀트리에도 입력함으로써 현재 시장 상황을 더 잘 반영할 수 있게 업데이트했다. 마지막으로, B2W에서 판매하는 모든 제품들에 대해 동일 시장에서 서로 경쟁하는 상품들을 중심으로 가격 최적화 분석에 들어갔다.

B2W는 2015년 8월부터 현업에 가격 최적화 시스템을 사용하기 시작했다. 학습 단계에서 개발된 새로운 수요 예측 기법이 가격 최적화 모델에 적용됐다. 이 과정에서 사람이 직접 개입된 부분은 하나도 없었다. 모든 가격들은 웹사이트로 자동 연동됐다.

연구팀은 성격이 비슷한 2가지 제품군을 가지고 최적화 모델의 성과를 비교했다. 이때 B2W의 판매업체들이 기존 방식대로 가격을 정한 상품들이 통제군이 됐고, 최적화 기법을 통해 새롭게 가격이 적용된 상품들이 실험군이 됐다. 저가 상품들의 경우에는 최적화 가격이 적용된 경우에 매출은 66%, 수익은 44%가 증대했으며 시장점유율을 대변해 줄 수 있는 판매량은 141%나 상승했다. 일상용품들은 저가 상품들만큼 놀라운 결과는 아니었지만 그래도 꽤 긍정적인 효과가 나타났다. 매출이 17%, 수익은 30% 늘었고, 판매량도 30% 증가했다.

연구팀이 수행한 테스트 중 가격 최적화 단계의 중요성을 분명히 각인시킨 사례가 있었다. 예측과 학습 단계만 이행하고 가격 최적화 작업을 건너뛴 프리미엄 상품군의 경우였다. 이 테스트에서 실험군에 속한 프리미엄 상품들의 통제군보다 매출은 264%, 수익은 416% 감소했고, 판매량은 216% 떨어졌다. 하지만 가격 최적화 단계를 수행하자 실험군의 매출은 통제군보다 471% 상승했으며, 수익은 366%, 판매량은 391%나 증가했다.

현장 연구는 수개월에 거쳐 완료됐다. 프로젝트 수행 이후, B2W 담당자들은 새로운 가격 최적화 기술을 통해 매출과 수익, 시장점유율이 개선됐을 뿐 아니라 판매 상품의 종류도 대폭 확대됐다고 전했다. B2W는 최적화 기법으로 더 다양한 제품뿐 아니라 더 독특한 상품들을 판매하게 됐다.

 

가격 최적화를 위한 전제 조건

혁신은 새로운 기법을 발명하는 것으로 끝나지 않는다. 사람들이 실제로 그 기법을 사용하는 것도 그만큼 중요하다. 이렇게 본다면 모든 새로운 기술들은 변화관리 과정을 거쳐야 한다. 가격 최적화 기술이라고 예외가 될 순 없다. 이런 유형의 시스템들은, 그리고 어떤 빅데이터 분석 프로젝트든, 성공을 위해선 새로운 기술 그 이상이 필요하다. 또한 경영진은 조직이 새로운 기회를 통해 제대로 혜택을 누릴 수 있도록 그에 맞는 환경을 조성해야 한다. 가격 최적화 프로그램으로 성공을 달성하고자 한다면 다음 지침들을 숙지하라.

● 내부 데이터를 보완하기 위해 경쟁사들의 가격 등 외부 데이터도 적극 활용하라.

● 조직 내 여러 직무 부서들을 서로 단절시키는 벽을 부수고 조직 전체가 데이터를 공유할 수 있게 하라.

● 관련 기술을 이해하고 처리할 수 있는 데이터 분석 전문가들을 고용하라.

무엇보다 경영진은 가격 최적화 기법이 상품관리 및 영업을 담당하는 직원들의 자리를 대체하지 않을 것이라는 확신을 줌으로써 내부 저항을 극복해야 한다. 가격 최적화 기술이 상당히 유용하며 유연한 의사결정을 위한 도구라는 점은 분명하지만, 다른 지원 도구들과 마찬가지로 직원들의 역량을 대체하기보다는 그들의 역량을 더욱 강화할 때 활용도는 더 높아지기 마련이다.

현실적으로 영업 담당자들과 가격 전문가들이 조직의 모든 품목과 전체 상품들을 관리할 수 없다. 이에 따라 대부분의 조직에서는 잘 팔리는 상위 10∼20%의 상품들에 집중하게 된다. 하지만 가격 책정 자동화 능력을 갖춘 회사들은 훨씬 더 많은 상품들의 가격을 쉽게 최적화할 수 있으므로 다른 회사들보다 상품 관리 역량을 대폭 강화할 수 있다.

편집자주

이 글은 『MIT 슬론 매니지먼트 리뷰(SMR)』 2017년 가을 호에 실린 ‘The New Frontier of Price Optimization’을 번역한 것입니다.

번역 |김성아 dazzlingkim@gmail.com


데이비드 심치-레비(David Simchi-Levi)는 매사추세츠공대(MIT)의 공학시스템(engineering system) 교수이자 MIT 오퍼레이션 연구센터(MIT Operations Research Center)와 데이터·시스템·사회를 위한 MIT 연구협회(MIT Institute for Data, Systems, and Society)의 교수진으로 활동하고 있다. 이 기사에 의견이 있는 분은 http://sloanreview.mit.edu/x/59102에 접속해 남겨 주시기 바란다. 저자와의 연락을 원하시는 분은 smrfeedback@mit.edu로 e메일을 보내 주시기 바란다.

인기기사