2016.05.11

'AI+데이터 과학자'로 패션 취향저격··· 스티치 픽스의 성공 사례

Sharon Gaudin | Computerworld

미국의 온라인 쇼핑몰 스티치 픽스(Stitch Fix)는 의류만을 판매하는 곳이 아니다. 회원들의 취향과 신체 치수에 맞춰 의류와 액세서리를 배송해 주며 서비스 비용을 받는 이 회사는 여느 쇼핑몰과는 차별화된다.


이미지 출처 : Getty Images Bank

그렇다고 스티치 픽스가 모든 회원 개개인을 위해 스타일리스트를 고용한 것은 아니다. 이 회사는 인공지능과 60명의 데이터 과학자 팀을 활용하고 있다.

2011년에 샌프란시스코에 설립된 스티치 픽스는 AI와 데이터 과학자가 만들어 내는 온라인 구독과 쇼핑 서비스로 주목받기 시작했다.

스티치 픽스의 최고 알고리즘 책임자 에릭 콜손은 “우리가 고객들에게 관련 있는 것들을 전달하고 있는데 바로 그 분야에서 세계 최고가 될 것이다”며 “우리는 기계만으로 이걸 해낼 수 없다. 또 우수 인재만으로도 해낼 수 없다. 이 둘을 결합해야 가능하다”고 말했다.

쇼핑은 번거롭지만 패션엔 관심 있는 소비자 겨냥
2,800명의 스타일리스트를 포함해 4,400명의 직원을 둔 회사 스티치 픽스는 바쁜 여성들 사이에서 인기를 끌었고, 2월에는 남성복으로 확장했다. 2월 스티치 픽스는 남성들을 위한 베타 서비스를 시작했고, 올가을 전면적으로 서비스를 출범할 예정이다.

스티치 픽스는 쇼핑을 즐기지 않거나 쇼핑할 시간이 나지 않거나 수없이 많은 셔츠, 바지, 스웨터, 재킷 등의 페이지를 들여다보기 싫은 사람들을 대상으로 나왔다.

이용자들은 온라인 스타일 프로필을 채워 넣는 것으로 시작한다. 파인 옷을 좋아하는가 막힌 옷을 좋아하는가? 유행을 따르기보단 자신만의 스타일을 고수하는 편에 가까운가? 섹스 인 더 시티 혹은 보헤미안 스타일에 가까운가? 청바지가 좋은가 드레스가 좋은가?

인간 스타일리스트와 기계 스타일리스트 모두 고객의 취향, 예산, 생활 방식에 맞는 5가지 의상 아이템과 액세서리를 고르면, 회사는 이를 고객에게 배송해 준다. 고객들은 좋아하는 것만 남기고 나머지는 돌려보내면 된다.

넷플릭스의 데이터 과학과 엔지니어링 부회장으로 일하던 콜손은 2012년 스티치 픽스에 입사하기 전 이 회사가 기본적인 분류 필터링 알고리즘만 이용하고 있다는 점에 주목했다. 만약 고객의 신체 치수가 ‘M’이면 필터가 크거나 작은 셔츠는 제외한다. 만약 노란색 옷을 싫어한다면 그런 아이템도 제외한다.

시청자에게 영화와 쇼 프로그램을 추천하는 사업을 하는 넷플릭스에서의 경험으로 콜손은 스티치 픽스가 머신러닝을 활용해 훨씬 더 많은 것을 할 수 있다는 걸 알았다.

콜손은 “넷플릭스의 제품 관리자는 ‘우리가 진짜 용감했으면 5가지 정도의 추천을 하지 않았을 것’이라고 이야기하곤 했다. 우리는 한 개만 제시하고 만약 그럴 거였으면 이용자가 온라인에 접속할 때 추천을 해야 했다”고 이야기했다. 이어서 “스티치픽스는 아주 용감해서, ‘물건 선택 걱정하지마. 우리가 골라줄게’라고 이야기한다. 이는 흥분되면서도 용감한 것이다. 이게 될까? 가능한가?”고 물었다.

그에 따르면, 가능하다는 것이다.

2012년 말 스티치 픽스는 첫 러닝머신 알고리즘을 도입했는데 더 많은 데이터를 처리할수록 더 똑똑하게 설계되었다.

스타일리스트의 감각과 머신러닝의 대용량 정보 처리
콜손은 “기계 알고리즘으로 사람의 판단을 넓힐 수 있었다”며 “기계와 전문가 인간을 조합해야 했다. 이는 내 예상보다 더 잘 맞아떨어졌다”고 밝혔다.

현재 스티치 픽스에는 수 백 가지 알고리즘이 있다. 고객에게 제품을 조합시키는 스타일링 알고리즘, 스타일리스트와 고객을 조합하는 알고리즘, 고객이 서비스에 얼마나 만족하는지를 계산하는 알고리즘, 회사가 얼마나 많은 수와 종류의 재고를 준비해야 하는지 알아내는 알고리즘 등이다.

또 스티치 픽스는 이미지로 학습하는 알고리즘도 있어 고객의 핀터레스트 핀을 확인하고 이용자가 설명하기 어려운 취향까지도 학습한다.
 


독립적으로 활동하는 업계 애널리스트인 제프 캐건에 따르면, 스티치 픽스는 머신러닝이 기계로 진입하는 트렌드에 앞서 있다.

캐건은 스티치 픽스의 AI에 관해 “이제 시작일 뿐”이라며 “많은 새로운 사업 모델이 AI를 세상의 중심으로 하고 형성될 것이다”고 말했다. 이어서 그는 “그것이 발전적이고 멋지다는 점을 기억해야 하지만 여전히 초기단계에 머물러 있다. 이는 AI 혁명의 모델 T다. 해가 갈수록 더 커지고 좋아질 것이다”고 전했다.

 




2016.05.11

'AI+데이터 과학자'로 패션 취향저격··· 스티치 픽스의 성공 사례

Sharon Gaudin | Computerworld

미국의 온라인 쇼핑몰 스티치 픽스(Stitch Fix)는 의류만을 판매하는 곳이 아니다. 회원들의 취향과 신체 치수에 맞춰 의류와 액세서리를 배송해 주며 서비스 비용을 받는 이 회사는 여느 쇼핑몰과는 차별화된다.


이미지 출처 : Getty Images Bank

그렇다고 스티치 픽스가 모든 회원 개개인을 위해 스타일리스트를 고용한 것은 아니다. 이 회사는 인공지능과 60명의 데이터 과학자 팀을 활용하고 있다.

2011년에 샌프란시스코에 설립된 스티치 픽스는 AI와 데이터 과학자가 만들어 내는 온라인 구독과 쇼핑 서비스로 주목받기 시작했다.

스티치 픽스의 최고 알고리즘 책임자 에릭 콜손은 “우리가 고객들에게 관련 있는 것들을 전달하고 있는데 바로 그 분야에서 세계 최고가 될 것이다”며 “우리는 기계만으로 이걸 해낼 수 없다. 또 우수 인재만으로도 해낼 수 없다. 이 둘을 결합해야 가능하다”고 말했다.

쇼핑은 번거롭지만 패션엔 관심 있는 소비자 겨냥
2,800명의 스타일리스트를 포함해 4,400명의 직원을 둔 회사 스티치 픽스는 바쁜 여성들 사이에서 인기를 끌었고, 2월에는 남성복으로 확장했다. 2월 스티치 픽스는 남성들을 위한 베타 서비스를 시작했고, 올가을 전면적으로 서비스를 출범할 예정이다.

스티치 픽스는 쇼핑을 즐기지 않거나 쇼핑할 시간이 나지 않거나 수없이 많은 셔츠, 바지, 스웨터, 재킷 등의 페이지를 들여다보기 싫은 사람들을 대상으로 나왔다.

이용자들은 온라인 스타일 프로필을 채워 넣는 것으로 시작한다. 파인 옷을 좋아하는가 막힌 옷을 좋아하는가? 유행을 따르기보단 자신만의 스타일을 고수하는 편에 가까운가? 섹스 인 더 시티 혹은 보헤미안 스타일에 가까운가? 청바지가 좋은가 드레스가 좋은가?

인간 스타일리스트와 기계 스타일리스트 모두 고객의 취향, 예산, 생활 방식에 맞는 5가지 의상 아이템과 액세서리를 고르면, 회사는 이를 고객에게 배송해 준다. 고객들은 좋아하는 것만 남기고 나머지는 돌려보내면 된다.

넷플릭스의 데이터 과학과 엔지니어링 부회장으로 일하던 콜손은 2012년 스티치 픽스에 입사하기 전 이 회사가 기본적인 분류 필터링 알고리즘만 이용하고 있다는 점에 주목했다. 만약 고객의 신체 치수가 ‘M’이면 필터가 크거나 작은 셔츠는 제외한다. 만약 노란색 옷을 싫어한다면 그런 아이템도 제외한다.

시청자에게 영화와 쇼 프로그램을 추천하는 사업을 하는 넷플릭스에서의 경험으로 콜손은 스티치 픽스가 머신러닝을 활용해 훨씬 더 많은 것을 할 수 있다는 걸 알았다.

콜손은 “넷플릭스의 제품 관리자는 ‘우리가 진짜 용감했으면 5가지 정도의 추천을 하지 않았을 것’이라고 이야기하곤 했다. 우리는 한 개만 제시하고 만약 그럴 거였으면 이용자가 온라인에 접속할 때 추천을 해야 했다”고 이야기했다. 이어서 “스티치픽스는 아주 용감해서, ‘물건 선택 걱정하지마. 우리가 골라줄게’라고 이야기한다. 이는 흥분되면서도 용감한 것이다. 이게 될까? 가능한가?”고 물었다.

그에 따르면, 가능하다는 것이다.

2012년 말 스티치 픽스는 첫 러닝머신 알고리즘을 도입했는데 더 많은 데이터를 처리할수록 더 똑똑하게 설계되었다.

스타일리스트의 감각과 머신러닝의 대용량 정보 처리
콜손은 “기계 알고리즘으로 사람의 판단을 넓힐 수 있었다”며 “기계와 전문가 인간을 조합해야 했다. 이는 내 예상보다 더 잘 맞아떨어졌다”고 밝혔다.

현재 스티치 픽스에는 수 백 가지 알고리즘이 있다. 고객에게 제품을 조합시키는 스타일링 알고리즘, 스타일리스트와 고객을 조합하는 알고리즘, 고객이 서비스에 얼마나 만족하는지를 계산하는 알고리즘, 회사가 얼마나 많은 수와 종류의 재고를 준비해야 하는지 알아내는 알고리즘 등이다.

또 스티치 픽스는 이미지로 학습하는 알고리즘도 있어 고객의 핀터레스트 핀을 확인하고 이용자가 설명하기 어려운 취향까지도 학습한다.
 


독립적으로 활동하는 업계 애널리스트인 제프 캐건에 따르면, 스티치 픽스는 머신러닝이 기계로 진입하는 트렌드에 앞서 있다.

캐건은 스티치 픽스의 AI에 관해 “이제 시작일 뿐”이라며 “많은 새로운 사업 모델이 AI를 세상의 중심으로 하고 형성될 것이다”고 말했다. 이어서 그는 “그것이 발전적이고 멋지다는 점을 기억해야 하지만 여전히 초기단계에 머물러 있다. 이는 AI 혁명의 모델 T다. 해가 갈수록 더 커지고 좋아질 것이다”고 전했다.

 


X