#24. 무신사가 AI를 활용해 패션 택소노미를 구축하는 방법 (1)

안녕하세요 ! 기획자 팥씨입니다.🥮

오늘은 무신사 이야기를 가져왔습니다.

 

속성을 활용한 추천 고도화 : Part 1. 무신사만의 패션 택소노미 구축기

좋은 글 나눠주신 정민 선배님 감사합니다. 🙇🏻‍♀️

 

ⓘ 무신사의 데이터프로덕트 팀은 무신사 서비스에서 발생하는 데이터를 활용해 개인화, 추천, 검색과 같은 데이터 프로덕트를 기획/개발한다고 해요. 이번 글에서는 상품의 메타데이터인 속성을 패션 도메인 관점에서 설계하고 AI 자동화를 통해 추천 서비스로 구현한 과정을 다룹니다. 그 중에서도, 무신사의 패션 택소노미 구축 과정을 소개합니다.

 

들어가기 전에..

'ⓘ 메타데이터란?'
데이터에 대한 추가 정보를 제공하는 데이터.
데이터의 속성, 구조, 의미를 설명하는 데이터.
메타데이터의 세 가지 기본 구성요소
1) 스키마 : 메타데이터의 구조를 정의하는 틀
2) 엔티티 : 데이터의 개별 단위 또는 항목 ex) 책의 제목, 저자, 출판사 
3) 속성 : 엔티티의 특성이나 값 ex) '해리 포터와 마법사의 돌'


'ⓘ 택소노미란?'
분류체계. 고객의 행동 과정을 나름의 분류체계를 통해 정리해둔 것.
"택소노미란 생물학에서 생물을 분류하기 위해 사용하던 개념이지만, 현재는 데이터 사이언스에서 널리 쓰이며 여러 용어와 개념을 범주화하고 세분화하는 분류체계를 의미합니다."
"패션 택소노미" = 패션 상품의 의미 있는 속성을 식별하고, 이 속성 정보를 표준화하여 상품의 중요한 기반 데이터로 설계하는 작업을 의미.

 

 

1. 어떤 문제가 있었나?

주관적이고 경계가 모호한 패션 분류. 같은 대상이라도 다양한 표현 방식이 존재

>> 하지만, 추천/검색 등 다양한 시스템의 메타데이터로 활용하려면 상품의 고유한 속성 정보가 일관되고, 체계적이어야 함.

 

@무신사 기술블로그 - 미디 기장을 브랜드마다 다르게 사용하고 있는 예

 

기존의 속성 정보

1. 카테고리
   1. 유사한 속성을 갖는 상품을 그룹화
   2. 유저의 편의성 중심으로 구성되어 분류의 속성/계층 혼재 (메타데이터로 활용 어려움)
2. 필터
   1. 파트너사가 상품 등록 시 선택 (소매기장, 넥라인 등 상품구성요소와 소재 특성)
   2. 가이드라인이 없어 서로 다른 해석으로 인한 오류
      1. 필터 사용률 낮아지고 -> 사용률 낮아 파트너사가 속성 기입 생략하는 악순환
      2. 주요 속성이 모두 기입된 상품 수가 의류 전체의 10% 미만
3. 태그
   1. 파트너사가 상품 등록 시 추가 입력하는 키워드
   2. 검색 데이터로 활용되어 70% 높은 입력률
      1. 임의로 입력할 수 있어 상품과 관련없는 키워드 잘못 입력, 일관된 정보 X

 

속성 정보 분산 / 체계가 비일관적 => 메타데이터로 활용하기 적합하지 않음.

해결방안
💡일관된 기준을 세우고,
💡상품 이미지를 기반으로 AI 모델에 학습시켜 상품의 속성 추출 자동화

AI 를 활용하면 많은 양의 상품 속성 신속하게 추출하고,
정보의 누락 최소화 / 일관된 데이터 유지.

 

2. 이 문제해결의 고객 (혜택을 받는 대상)

1. 최종소비자
2. 파트너사
3. 임직원 (내부 고객)

 

3. 이 일의 의미와 효과는?

 

1. 개인화 (최종소비자)
   • 상품 속성은 각 유저의 취향, 관심사 파악에 중요한 정보 제공
   • 구체적인 선호 속성 정보 -> 유저의 취향에 맞는 상품을 발견할 기회 높임
2. 설명 가능한 추천 (최종소비자, 파트너사)
   • 구조화된 상품 속성을 조합하여 추천 상품에 대한 '추천 이유'를 명시적으로 제공할 수 있음.
     • (AS-IS) 당신이 좋아할 만한 상품
     • (TO-BE) 당신이 좋아할 만한 그래픽 오버사이즈 티셔츠
     • 상품에 대한 설명 더해 "유저가 추천된 상품을 이해하고 수용할 수 있도록" 도와주며, 서비스 신뢰도 높임
3. 검색 가능성 향상 (최종소비자, 파트너사)
   • 상품의 속성 정보 커버리지 정확도 향상시켜 관련성 높은 상품의 노출 증가
   • 유저가 원하는 상품을 쉽게 찾을 수 있도록 (속성 필터링 더욱 정교하게)
4. 운영 자동화 (파트너사, 내부 임직원)
   • 수작업에 대한 운영시간과 비용 줄임
   • 오류 가능성 최소화해 일관된 데이터 확보 -> 전체 운영 효율 높임

 

4. 어떤 방식을 시도했나?

"패션 택소노미 구축"

4-1. 속성 체계의 범위 정하기

• 전체 상품의 47%를 차지하고 있는 '의류' 속성 체계를 우선 수립
• 그 중에서도 비즈니스와 유저에게 '의미 있는 속성'을 선별하기 위해, 다음과 같이 속성을 특성별로 구분

@무신사 - 속성 특성에 따른 구분

 

 

4-1-1. 유저의 속성 인식 관점에 따른 구분

• 보이는 속성
  • 유저가 이미지를 통해 시각적으로 파악할 수 있는 속성 정보
  • 🙆🏻‍♀️ 유저의 관심을 끌고 클릭을 유도
• 보이지 않는 속성
  • 상세 페이지 내의 설명으로 확인할 수 있는 속성
  • 🙆‍♂️ 상세 페이지에 진입한 유저가 구매 결정을 내리는 데 중요한 정보 제공

@무신사 - 속성 구분의 예시

4-1-2. 속성의 특징에 따른 구분

보이는 속성은 다시 물리적 / 감성적 속성으로 나뉨

@무신사 - 물리적 / 감성적 속성의 예시

4-2. 속성 체계 설계

4-2-1. 물리적 속성

• 상품의 실제적인 특징 나타내며, 형태적인 구성 요소와 디자인 요소 포함
• 대분류 카테고리에 따라 다르게 나타남

@무신사 - 물리적 속성 체계 구조

 

1. 서브 카테고리
   • ex. 상의 - 티셔츠, 탱크탑, 스웨트셫, 후드티셔츠, 셔츠, 블라우스, 니트, 베스트, 가디건 등
2. 구성요소
   • 상품의 각 세부적인 특징. 넥라인, 핏, 기장, 소매, 여밈방식
3. 디자인요소
   • 패턴, 부가장식, 소재 표현 등

@무신사 - 속성 + 서브카테고리 조합의 예

4-2-2. 감성적 속성

 

• 스타일 - 패션 도메인에서 유저의 취향, 상품의 디자인 의도를 파악할 수 있는 중요한 개념
• 스타일을 정의하고 분류하는 것은 물리적 속성보다 더 주관적, 상대적
  • 일반적으로 경력이 많은 전문가의 주관에 의존해 분류되어 왔음.
  • 상품 스타일을 일관적 기준 세워 AI 모델 분류 -> 강력한 임팩트 있을 것으로 기대

1. 스타일
   • 이미지에서 확인 가능한 상품 특징에 기반하여 무신사 상품 표현하는 15개의 스타일로 구분
   • 스타일과 물리적 속성의 관계를 분석하고 각 스타일의 주요 속성을 카테고리별로 정의하여 스타일 분류 기준 세움 

@무신사 - 속성에 의한 스타일 변화

 

2. TPO : 라이프스타일과 특별한 이벤트에 적합한 상품 추천

• 계절 속성과 조합하여 TPO 에 맞는 상품 제공

@무신사 - TPO에 맞는 상품 큐레이션 예

 

🥮 패션 도메인에서 중요한 것

패션 택소노미를 구축하기 위해서는 패션 도메인 관점과 개발 관점을 모두 고려하는 것이 중요함을 알게되었습니다.

• 패션 도메인 관점 : 무신사의 서비스와 상품의 특징이 잘 반영된 속성인가?
  • 무신사는 남성 상품의 비율이 높고, 스트릿 캐주얼의 상품이 주를 이루는 것이 특징
  • 현재 상품의 특징을 잘 반영해야 하고
  • 앞으로의 비즈니스 확장과 목표에 맞는 택소노미 설계 전략이 필요
• 개발 관점 : 메타데이터로서 AI 모델 학습에 적합한 속성과 속성 클래스로 구성되어 있는가?
  • 패션 도메인 관점에서만 체계를 구축한다면 지나치게 세분화되거나 / 추상적인 속성 클래스 생성하기 쉬움
  • AI 모델의 효과적인 성능을 고려한 설계가 중요

 

사이드프로젝트에서 저도 이 '필터'를 활용하고 있는데,

특히나 판단의 기준이 주관적인 것들에 대해서는 어떻게 분류해야 할지 고민이 많았습니다.

 

패션은 정말 기준을 두고 분류하는 것의 세심함 끝판왕인 것 같습니다..^^

두가지 측면을 고려하며 패션 택소노미를 구축하고,

이를 통해 업무 효율화, 개인화, 검색 가능성을 향상시킨 무신사의 사례는

프로젝트 전반에 담긴 고뇌가 인상적이었습니다.

 

다음편에서 사용자에겐 어떤 긍정적인 변화가 있었는지 알아보도록 하겠습니다.

긴 글 읽어주셔서 감사합니다 !