Read Original
#AI

MATCH란 무엇인가

MATCH란 무엇인가
01

Summary

데이터 축적을 넘어 진짜 매출을 만드는 무신사의 '의사결정 엔진' MATCH 개발기

규칙 기반 타겟팅의 한계를 넘어 AI 기반의 소재 반응 예측으로 커머스 마케팅의 판을 바꾸다

무신사가 파편화된 데이터 사일로와 마케팅 중복 피로 문제를 해결하기 위해 도입한 차세대 의사결정 레이어 MATCH를 소개합니다. 기존의 마케터 직관에 의존하는 Rule-based 타겟팅에서 탈피하여 AI 모델이 유저와 소재의 적합도를 예측하는 혁신적인 설계 과정을 다룹니다. 테크와 비즈니스의 경계를 허물며 성과 향상은 물론 조직의 일하는 방식까지 진화시킨 유기적인 협업의 결과물을 확인해 보세요.

  • 01단순 데이터 수집(CDP) 단계를 넘어 최적의 고객을 선별하는 비즈니스 '실행 및 의사결정' 레이어 정의
  • 02수동 Rule 조합에서 AI가 소재 정보와 과거 행동 데이터를 학습해 반응 유저를 자동 추천하는 패러다임 전환
  • 03데이터 적재부터 모델 학습, 서빙 API 구현까지 한 팀에서 End-to-End로 조율하는 고속 피드백 루프 아키텍처
  • 04프로모션 앱 푸시의 전면 자동 최적화 발송을 통해 클릭률과 기여 거래액 등 주요 핵심 지표의 동반 성장 견인
  • 05타겟팅 공수 최소화를 통한 마케터 업무 재정의 및 구성원의 고부가가치 전략적 업무 집중 기회 보장

RECOMMENDATION

대용량 고객 데이터를 보유하고 있음에도 마케팅 피드백 루프 구축과 사일로 격차로 고민하는 테크 리더, PM 및 데이터 사이언티스트에게 강력히 권장합니다. 특히 상용 마케팅 솔루션과 인하우스 플랫폼 구축 사이에서 정교한 아키텍처 전략적 의사결정이 필요한 조직에 유용한 실무 지침서가 될 것입니다.

The Problem

무신사와 29CM의 고객 데이터가 급증했으나 단순 축적에 그쳐 실제 매출과 가치 창출로 연결되지 못했습니다. 또한 마케팅, 추천 등 개별 조직이 사일로화된 환경에서 저마다 최적화를 수행하면서 일관되지 못한 유저 경험과 학습 데이터의 격차가 발생했습니다.

The Solution

무신사는 유저의 과거 행동 데이터와 캠페인 소재의 메타 정보를 함께 학습해 유저와 소재 간 적합도를 산출하는 머신러닝 기반 오디언스 결정 레이어 'MATCH'를 개발했습니다. 데이터 수집, 분석, 모델링, 서빙을 단일 조직 내에서 수행하는 end-to-end 피드백 루프 파이프라인을 구축했습니다.

The Result

수동으로 운영되던 프로모션 푸시 캠페인 전반을 MATCH 파이프라인으로 전환하여 발송 프로세스를 자동화했고, 타겟팅의 정교화로 앱 푸시 클릭률과 기여 거래액을 우상향시켰습니다. 단순 반복적인 타겟 추출 업무를 자동화함으로써 마케터가 기획과 전략 수립에 집중할 수 있는 업무 구조를 만들었습니다.

Trade-off

데이터가 부족한 신생 카테고리나 소규모 브랜드에 대해서는 머신러닝 모델의 학습 데이터 불균형으로 인해 노출 편향이 생기는 승자독식 문제가 우려되어 비즈니스 정책적 조율이 필요합니다. 또한 검증된 상용 솔루션 대비 자체 플랫폼 구축에 들어간 초기 리소스 비용과 시행착오가 수반되었습니다.

03

Key Concepts

Concept · 01

MATCH (Musinsa Audience Targeting & Customer Hub)

무신사가 자체 구축한 비즈니스 의사결정 레이어이자 고객 타겟팅 플랫폼입니다. 단순 데이터 축적을 넘어 고객 접점에서 최적의 타겟을 정교하게 발굴하고 마케팅 채널과 도메인 서비스에 적절히 연결하는 것을 핵심 가치로 삼습니다.

  • 기존 개별 부서의 마케팅 사일로와 수집 데이터의 파편화를 방지하기 위해 단일한 판단 기준을 제시하는 통합 허브 역할을 담당합니다.
  • 수집-모델링-서빙을 하나의 파이프라인으로 연결하여 캠페인 피드백 데이터가 고스란히 플랫폼의 성능으로 축적되는 루프를 형성합니다.
Concept · 02

소재 반응 예측 모델 (Response-Based Target Model)

유저의 행동 정보뿐 아니라 마케팅 소재(브랜드, 가격대, 카테고리 등)의 메타 속성을 복합적으로 학습하여 특정 캠페인에 가장 잘 호응할 오디언스를 스스로 정교화하는 머신러닝 모델입니다.

  • 기존의 직관적인 '30일 내 조회 유저'와 같은 수동 규칙(Rule) 설정을 완전히 대체해 AI가 유저별 소재 적합도를 직접 산출하도록 변혁했습니다.
  • 다양한 마케팅 소재가 유저 한 명에게 동시에 매칭될 때 발생하는 피로감과 채널 간 충돌을 효과적으로 방지하고 전환율을 향상시켰습니다.
Concept · 03

인박스 옵티마이저 (Inbox Optimizer)

다수의 캠페인과 알림 메시지가 동시다발적으로 생성될 때, 유저별 메시지 피로도를 정교하게 제어하기 위한 피로도 조율 엔진입니다.

  • 전송되는 캠페인 개수를 단순히 일괄 감소시키는 대신 각 유저에게 가장 필요한 메시지 조합을 계산해 전송 품질을 극대화합니다.
  • 유저가 무신사라는 브랜드를 피로감 없이 매끄럽게 경험할 수 있도록 메시징 최적화를 유도합니다.