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
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 프로세스본 기사에서 설명할 가격 예측 시스템은 3단계 프로세스로 이뤄진다.
1. 예측최적화를 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. 학습예측 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. 최적화학습 단계가 완료되면 새로운 수요-가격 곡선을 가지고 수백 개의 상품에 대해, 그리고 원하는 기간에 대해 최적화된 가격을 책정할 수 있다.
가격 최적화 기술, 현장에 적용하기위에서 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.
닫기
