재미있는 현상이 있다. 1990년대부터 e-커머스는 순조롭게 성장하고 있지만, 우리는 아직 쇼핑몰이나 매장을 방문한다. 한번의 클릭으로 주문할 수 있으며, 다음날 바로 상품이 배송되지만 여전히 매일 생활용품을 오프라인에서 구매하고 있다.
현재 온라인 과 오프라인 커머스는 공생관계에 있다. 새 TV를 구매할때 사람들은 온라인에서 제품정보를 확인하고 매장에서 구매하고 있다. 그리고 친구의 집에 있던 샹들리에 사진을 찍고 웹에서 주문한다. 온라인과 오프라인 상거래를 제로섬 게임(Zero-sum game)으로 바라보기 보다는 관계를 강화하기 위해 무엇을 해야 하는지에 관해서 찾아보는데 좋을 것 같다.
우리는 온라인 쇼핑의 경험은 더 개인화하고 감정적으로 소셜경험으로도 오프라인 쇼핑 경험에 가까워질 필요가 있다고 생각한다. 오랜기간 기술투자가로서 3가지 분야에 관심을 기울이고 있다. 전체 고객의 경험을 향상시키는 것(The overall customer experience) , 머신런닝 기술(Machine learning technologies), 사용자에게 보다 개인화된 서비스(The march toward greater personalization)를 제공하는 것이다.
대부분의 쇼핑몰 사이트의 디자인은 옛날 웹디자인으로 구성되어 있다. 사이트는 트리구조에서 사용자가 특정제품을 찾는데 여러 층의 페이지를 거치면서 찾아야 하는 불편함이 있다.
과도한 클릭을 줄이는 방법은 없을까? 즉 사용자가 원하는것을 바로 구매 할 수 있는 단계를 줄이는 것이다. 특히 즉시 구매할 수 있는 것이 만족도로 이어지는 모바일 커머스에서 더욱 중요해 지고 있다.
Google Suggest 기능은 사용자가 검색어를 입력하면 곧 바로 대안을 제시하고, 사용자는 거기에서 바로 상품을 선택할 수 있다. 상품을 찾기 위해 클릭을 최소화 할 수 있다.
왜 온라인 상거래 사이트에서는 같은 기술을 사용하지 않는 걸까? Algolia은 사용자가 검색어를 입력하면 제품을 제안하는 기능을 기존의 쇼핑몰 사이트에 추가할 수 있는 서비스 이다.
인터넷에서 찾은 빨간 스웨터를 매장에서 편안하게 구매할 수 있는 쇼핑 경험을 제공하는 방법은 두가지가 있다.
하나는 태블릿 컴퓨터를 매장 입구에 설치하여 쇼핑객 검색어 또는 제품 ID를 입력하여 스웨터의 이미지를 찾아, 그 제품이있는 곳까지의 최단의 길을 보여줄 수있다. 이것은 인터랙티브 길찾기(Wayfinding) 라는 컨셉으로 알려져있다. 두 번째 접근이 태블릿과 매장에서의 체험을 스마트 폰으로 옮기는 것이다. 사용자의 집에서 매장 진열대까지의 경로를 지도에 표시 할 수 있을 것이다.
클릭 횟수를 최대한 줄이는 이러한 기술은 온라인에서 고객 경험을 좋게 할뿐만 아니라 오프라인의 경험과의 관계를보다 강화 시킬 수 있다.
현재 e-커머스 경험에서 가장 불합리하다고 생각하는 하나 중에 광고가 항상 늦어지고있는 것이다. 내가 지금이 시점에서 보는 스마트 폰 화면의 광고는 지난주 내가 어떤 상품을 구입하기 위해 한 검색 정보를 반영하고있다. 나의 관심사와 구매 니즈가 바뀌었는데 광고 알고리즘은 여전히 과거의 정보를 기반하고 있다.
머신러닝(Machine learning)이 이 상황을 변화시킬 가능성을 가지고 있다. 머신러닝(Machine learning)은 정보를 신속하게 처리 할뿐만 아니라 쇼핑객을 포괄적으로 이해할 수 있다.
머신러닝(Machine learning) 알고리즘의 개발은 시작에 불과하다. 다음 몇 년 동안 머신러닝(Machine learning)은 대중들의 세세한 정보를 읽고 종합적으로 판단할 수있게 될 것이다. Intel Capital이 Reflektion 을 자사의 포트폴리오에 추가한 이유 다. Reflektion은 기계 학습을 활용하여 e-커머스에서 구매자에게 실시간으로 적합한 상품만을 제안해 준다.
머신러닝(Machine learning)이 정말 돌파구를 찾기 위해서는 소매점에서 얻은 고객의 상세정보를 볼 수 있어야 한다.
예를 들어, 좋아하는 온라인 의류 매장의 경우 해당 사이트는 자신이 좋아하는 셔츠의 종류를 알고 있지만 내가 다운로드 한 음악에 대해서는 아무런 정보도 가지고 있지 않다. 자신이 자주 이용는 여행 사이트는 내가 어디 여행하고 싶어하는지는 알고 있지만, 내가 읽은 이북(e-Book)이 무엇인지 모른다. 그리고 이러한 온라인 사이트는 내가 인도와 싱가포르 출장을 위하여 전자 캘린더에 예약 했는지 모른다. 온라인 사이트는 제한된 접점에서 밖에 내가 놓여져있는 상황을 알 수 없으며,이를 기반으로 제안 할 수 밖에 없다.
우리의 지난달의 삶과 개인에 관한 단편된 정보를 바탕으로 한 제안을 일단 중지하면 온라인 쇼핑 경험은 오프라인의 경험과 비슷하다는 것을 알 수있을 것이다. 즉, 우리는 우리가 어떤 생활을하고 있는지에 대한 포괄적 인 관점을 기반으로 사려 깊고 상세한 제안이 필요하다는 것이다.
실제 소매점의 개인화는 아직 진행되지 있지 않다.
이를 해결하기 위한 흥미로운 방안의 하나는 보다 정확한 신체 치수를 측정하고 상품 선택을 정의하는 것이다. 또는, 적어도 불필요로한 작업을 줄이기 이하여 해당 되지 않은 옷을 검색 결과에서 제외 할 수 있다. 측정을 바탕으로 이 셔츠는 가슴 라인이 때문에 너무 좁고, 이 청바지는 엉덩이가 충분하지 않다는 것들을 미리 알 수 있다.
고해상도의 카메라를 사용하여 정확한 측정이 가능하다. Intel의 RealSense은 이러한 3D 윤곽을 정확하게 측정 할 수있는 단말기 중 하나 다.
몇몇 기업이 계측 시장에 뛰어 들고 있다. Body Labs 는 Intel Capital의 포트폴리오에 최근 합류했다. 그들의 서비스는 1 분 이내에 3D 신체 스캔으로 치수를 측정 할 수있다. True Fit 은 옷이 각 구매자에 맞는 정도를 나타내거나 적절한 사이즈를 제안해 준다. Intervisual 는 상세한 3D 이미지에서 다른 청바지가 어떻게 사용자의 몸에 맞는지를 보여준다.
IV_Dana from Intervisual on Vimeo.
만약 매장 키오스크에서 검색 기능이나 나 스마트 폰에서 사용자의 특정 크기의 치수에 액세스 할 수 있다면 어떨까. 그 치수 정보를 기초하여 너무 크거나 너무 작거나 스웨터를 검색 결과에서 제외 할 수 있다면 어떨까? 또는 사용자의 치수에 맞는 스웨터를 제조 할 수있게된다면?
Nike의 COO는 언젠가 고객은 디지털 파일을 받아 자신의 신발을 집에 있는 3D 프린터로 만드는 미래가 올 것이라고 말하고 있다. 세계 최대의 신발 회사가 지금까지보다 적은 수의 신발을 생산하게된다. 그것이 개인화의 힘이다.
이때 개인화를위한 데이터를 누가 소유 하는가하는 문제가 나올 것이다. 어디에 정보를 저장하고 누가 그 사용권을 활용하느냐의 문제이다. 우리는 구매자 자신이 소매점이 정보를 얻는 방법과 어떻게 사용하는지에 관한 모든 컨트롤을 가져야한다고 생각한다.
세계는 개인화에 향해 나아가고 있다고 우리는 생각하고있다. 왜냐하면 소매에서 사용자가 놓여져있는 상황이 가장 중요하기 때문이다. 사용자가 현재 무엇을 읽고 무엇을 듣고 다음주 누구를 만나 다음달 어디 여행 등의 정보가 열쇠 인 것이다.
이러한 정보를 존중 한 다음 기술을 개발하는 것이 온라인 e-커머스 경험을 오프라인 쇼핑 체험에 근접하게 하는데 중요하다. 그리고 온라인과 오프라인 모두 더 편리한 것이 될 것이다.
