People
< 알쓸패잡_패션과 IT >
머신러닝? 상품 속성도 예측 가능
머신러닝? 상품 속성도 예측 가능
김은희 l 한국오라클 컨설턴트
Sunday, Nov. 22, 2020 | 외고, mizkim@fashionbiz.co.kr
- VIEW
- 5551
패션 상품은 샤넬, 폴로, DVF처럼 디자이너 특유의 아이코닉한 스타일이 판매되기도 하고 최신 유행을 knock off 하는 자라처럼 트렌디 스타일이 판매되기도 한다. 대부분의 브랜드는 브랜드 정체성을 유지하면서 유행 요소를 접목한 스타일을 판매한다.
어반 아웃피터스의 리처드 헤인 CEO는 한 인터뷰에서 “스타일은 해마다 바뀌지만 ‘속성’은 몇 해를 지속하므로 매출을 위해서는 소비자들이 좋아할 만한 속성을 반영해야 한다”며 ‘속성’을 강조했다. 언젠가부터 데이터 영역의 단어인 속성(attribute)이 패션에 널리 사용되고 있다. 과거에는 패션 본연의 디자인 요소인 스타일(선), 컬러, 소재(재질), 퀄리티 대비 가격이라는 용어로 히트 스타일의 요소를 따졌는데 말이다.
지난달 기고에서는 품목별 판매 패턴 유형을 분류했고, 이를 신상품의 유사 스타일에 적용해 판매량 예측이 가능하다고 소개했다. 다시 말해 유사 스타일끼리는 과거의 판매 패턴을 적용해 신상품의 판매 패턴을 예측할 수 있다는 것이다.
그렇다면 유사 스타일의 기준은 무엇일까. 과거 프로젝트에서는 MD와 협의를 통해 속성의 조합을 유사 스타일이라고 정의했다. 지금은 판매 패턴 유형을 분류한 후 각 판매패턴이 무슨 스타일인지, 즉 속성의 조합이 무엇인지 밝히는 분석을 해야 한다.
이를 위해 X변수를 상품 속성, Y변수를 판매 패턴 유형으로 놓고 랜덤 포레스트(Random Forest, Decision Tree의 일종)를 사용한다. 랜덤 포레스트는 라벨(Y변수)이 주어진 데이터를 유사한 그룹으로 분류하는 지도학습(Supervised Learning)이며 스무고개처럼 작동한다.
가장 중요한 속성을 기준으로 2개의 동질한 그룹으로 분류한 후 그 다음 중요한 속성으로 2개를 분류하고 계속 반복적으로 분류해 나간다. 최종 분류된 그룹의 판매 패턴은 동질하고 나눈 기준은 속성이므로 속성의 조합이 도출되는 것이다.
이제 신상품에서 같은 속성 조합인 경우 분석에서 나온 판매 패턴을 피팅해 판매 예측을 할 수 있다. 그렇다면 현 수준의 AI는 유행을 예측할 수 있을까? 실제 미국의 패션 스타트업 스티치 픽스는 AI에 의해 고객이 좋아할 만한 스타일을 추천한다. AI가 유행을 예측할 수 있을지는 모르겠다.
패션은 디자이너의 고유한 창조의 영역이기도 하고 소비자의 심리가 크게 작용하기 때문이다. 지금까지 패션 시스템은 컬러협회에서 유행 컬러를 합의해 제시하면 프리미에르 비종이나 Pitti Filati에서 컬러와 텍스타일을 전시하고 시즌 6개월 전에 컬렉션에서 디자이너들이 패션쇼를 통해 제시하는, 이미 세팅된 구조 속에서 유행이 시작되고 전파됐다.
이런 기본적인 특성은 지금도 여전하므로 컬러협회 대신 AI가 컬러를 예측하는 것은 어려울 수 있다. 그러나 빅데이터로 가득한 온라인의 데이터를 분석해 단기적인 컬러 추세와 스타일 추세를 AI가 예측할 수 있는 시대가 온 것은 확실하다.
■ 김은희 l 한국오라클 컨설턴트 profile
•현 한국오라클 컨설턴트
•MIT 로지스틱스 & SCM 공학석사
•FIT 패션 바잉 & 머천다이징 전공
■ 김은희 한국오라클 컨설턴트 외고 이어보기 'Click!'
-"디지털 유통채널 시대 ‘SCM*’ 재조명"
-패션과 IT...패션에서 진화하는 머신러닝
 |
어반 아웃피터스의 리처드 헤인 CEO는 한 인터뷰에서 “스타일은 해마다 바뀌지만 ‘속성’은 몇 해를 지속하므로 매출을 위해서는 소비자들이 좋아할 만한 속성을 반영해야 한다”며 ‘속성’을 강조했다. 언젠가부터 데이터 영역의 단어인 속성(attribute)이 패션에 널리 사용되고 있다. 과거에는 패션 본연의 디자인 요소인 스타일(선), 컬러, 소재(재질), 퀄리티 대비 가격이라는 용어로 히트 스타일의 요소를 따졌는데 말이다.
지난달 기고에서는 품목별 판매 패턴 유형을 분류했고, 이를 신상품의 유사 스타일에 적용해 판매량 예측이 가능하다고 소개했다. 다시 말해 유사 스타일끼리는 과거의 판매 패턴을 적용해 신상품의 판매 패턴을 예측할 수 있다는 것이다.
그렇다면 유사 스타일의 기준은 무엇일까. 과거 프로젝트에서는 MD와 협의를 통해 속성의 조합을 유사 스타일이라고 정의했다. 지금은 판매 패턴 유형을 분류한 후 각 판매패턴이 무슨 스타일인지, 즉 속성의 조합이 무엇인지 밝히는 분석을 해야 한다.
이를 위해 X변수를 상품 속성, Y변수를 판매 패턴 유형으로 놓고 랜덤 포레스트(Random Forest, Decision Tree의 일종)를 사용한다. 랜덤 포레스트는 라벨(Y변수)이 주어진 데이터를 유사한 그룹으로 분류하는 지도학습(Supervised Learning)이며 스무고개처럼 작동한다.
가장 중요한 속성을 기준으로 2개의 동질한 그룹으로 분류한 후 그 다음 중요한 속성으로 2개를 분류하고 계속 반복적으로 분류해 나간다. 최종 분류된 그룹의 판매 패턴은 동질하고 나눈 기준은 속성이므로 속성의 조합이 도출되는 것이다.
이제 신상품에서 같은 속성 조합인 경우 분석에서 나온 판매 패턴을 피팅해 판매 예측을 할 수 있다. 그렇다면 현 수준의 AI는 유행을 예측할 수 있을까? 실제 미국의 패션 스타트업 스티치 픽스는 AI에 의해 고객이 좋아할 만한 스타일을 추천한다. AI가 유행을 예측할 수 있을지는 모르겠다.
패션은 디자이너의 고유한 창조의 영역이기도 하고 소비자의 심리가 크게 작용하기 때문이다. 지금까지 패션 시스템은 컬러협회에서 유행 컬러를 합의해 제시하면 프리미에르 비종이나 Pitti Filati에서 컬러와 텍스타일을 전시하고 시즌 6개월 전에 컬렉션에서 디자이너들이 패션쇼를 통해 제시하는, 이미 세팅된 구조 속에서 유행이 시작되고 전파됐다.
이런 기본적인 특성은 지금도 여전하므로 컬러협회 대신 AI가 컬러를 예측하는 것은 어려울 수 있다. 그러나 빅데이터로 가득한 온라인의 데이터를 분석해 단기적인 컬러 추세와 스타일 추세를 AI가 예측할 수 있는 시대가 온 것은 확실하다.
■ 김은희 l 한국오라클 컨설턴트 profile
•현 한국오라클 컨설턴트
•MIT 로지스틱스 & SCM 공학석사
•FIT 패션 바잉 & 머천다이징 전공
■ 김은희 한국오라클 컨설턴트 외고 이어보기 'Click!'
-"디지털 유통채널 시대 ‘SCM*’ 재조명"
-패션과 IT...패션에서 진화하는 머신러닝
 |
＜저작권자 ⓒ Fashionbiz , 무단전재 및 재배포 금지＞
