플랫폼 비즈니스의 진짜 경쟁력은 데이터입니다. 무신사, 마켓컬리, 당근마켓은 수백만 사용자 행동 데이터를 실시간으로 수집하고 있습니다. 수집된 데이터는 개인화 추천과 자동화된 운영으로 전환되어 고객생애가치(LTV)를 극대화하고 있죠. 데이터가 어떻게 비즈니스 모델을 먹여 살리는지 구체적으로 살펴보겠습니다.
플랫폼 경제 관련 글 더 보기
#1. 플랫폼 경제 전환
#2. 가치 제안 재설계와 수익화
#3. 양면 시장 구축
#5. 지속하는 플랫폼 확장 공식무신사: 패션 취향 데이터로 큐레이션 혁명
수집하는 데이터의 종류
무신사는 사용자가 플랫폼에서 남기는 모든 흔적을 데이터화합니다. 클릭한 상품, 장바구니 담기, 구매 이력은 기본입니다. 여기에 커뮤니티 활동 데이터가 더해집니다. 어떤 스타일 사진에 좋아요를 눌렀는지, 어떤 브랜드 리뷰를 읽었는지, 코디 게시판에서 어떤 룩을 저장했는지까지 추적합니다.
무신사의 장점은 스타일 선호도 데이터를 확보하고 있다는 데 있습니다. 사용자가 스트리트, 캐주얼, 미니멀, 빈티지 중 어떤 스타일을 선호하는지 파악합니다. 이는 구매 이력만으로는 알 수 없는 취향의 깊이를 알려주는 데이터입니다.
데이터 활용: 개인화 추천 엔진
무신사 앱을 열면 메인 화면이 사람마다 다릅니다. 20대 남성 스트리트 패션 애호가에게는 나이키 덩크, 스투시 티셔츠가 노출됩니다. 30대 여성 미니멀 선호자에게는 에센셜, 르메르 같은 브랜드가 추천됩니다.
추천 알고리즘은 협업 필터링과 콘텐츠 기반 필터링을 결합합니다. '당신과 비슷한 취향의 사람들이 이런 상품을 샀어요'와 '당신이 좋아한 상품과 비슷한 스타일이에요'를 동시에 적용하는 겁니다.
개인화 추천을 받은 사용자의 구매 전환율은 일반 사용자 대비 3배 이상 높습니다. 또한 재구매율도 60% 이상으로 업계 평균 40%를 크게 상회합니다.
가격 최적화와 프로모션 자동화
무신사는 데이터를 활용해 동적 가격 전략도 구사합니다. 특정 상품의 재고 수준, 판매 속도, 계절성을 분석해 최적의 할인 시점과 폭을 결정합니다.
겨울 패딩의 경우 1월 중순 판매 속도가 떨어지기 시작하면 재고 소진을 위한 자동으로 할인을 시작합니다. 반대로 인기 한정판 스니커즈는 재고가 적을수록 가격을 유지하거나 올립니다.
프로모션도 개인화됩니다. 최근 30일간 접속했지만 구매하지 않은 사용자에게는 첫 구매 할인 쿠폰을 고가 구매 이력이 있는 VIP에게는 신상품 선구매 기회를 제공합니다.
마켓컬리: 식습관 데이터로 장바구니 예측
냉장고 안을 들여다보는 데이터
마켓컬리가 수집하는 데이터는 사용자의 식생활 전반을 보여줍니다. 우유를 얼마나 자주 사는지, 어떤 요일에 채소를 많이 사는지, 밀키트와 신선식품 비율은 어떤지 등입니다.
특히 재구매 주기 데이터가 핵심입니다. 달걀은 평균 10일마다, 우유는 7일마다, 두부는 5일마다 구매한다는 패턴을 파악합니다. 이는 각 가정의 식습관을 정확히 반영합니다.
또한 계절별, 요일별 구매 패턴도 분석합니다. 주말 전 금요일 밤에는 주말 식재료 구매가 집중되고 월요일에는 도시락 재료 구매가 많습니다. 명절 전에는 선물 세트 구매가 급증합니다.
장바구니 자동 채우기: 리필 알림
마켓컬리는 재구매 주기 데이터를 활용해 리필 알림 기능을 제공합니다. '지난번 우유 구매하신 지 7일 됐어요. 다시 주문하시겠어요?'라는 푸시 알림이 딱 필요한 타이밍에 옵니다.
이 기능의 클릭률은 30%를 넘습니다. 사용자 입장에서는 편리하고 마켓컬리는 재구매를 자동으로 유도하는 셈입니다. 월평균 구매 횟수가 4.5회로 경쟁사 대비 1.5배 높습니다.
또한 '이 상품과 함께 사면 좋아요' 추천도 정교합니다. 삼겹살을 담으면 상추, 쌈장, 마늘이 자동 추천됩니다. 파스타 면을 담으면 올리브오일, 마늘, 베이컨이 뜹니다. 레시피 데이터와 구매 패턴을 결합한 결과입니다.
수요 예측으로 재고 최적화
마켓컬리가 해결해야 할 가장 큰 숙제는 신선식품 재고 관리입니다. 과일, 채소는 유통기한이 짧아 과다 재고는 곧 손실입니다. 반대로 재고가 부족하면 품절로 고객 경험이 악화됩니다.
데이터 분석으로 이 문제를 해결하고 있습니다. 과거 판매 데이터, 날씨, 요일, 행사 일정을 머신러닝 모델에 입력해 내일 판매량을 예측합니다. 예측 정확도는 85% 수준까지 올라왔습니다.
이를 통해 신선식품 폐기율을 3% 이하로 유지하면서도 품절률은 5% 미만으로 관리합니다. 경쟁사 대비 월등히 높은 수치입니다.
당근마켓: 지역 선호 데이터로 초개인화 광고
동네별로 다른 니즈 파악
당근마켓의 데이터 강점은 '초지역화'입니다. 같은 서울이라도 강남과 강북, 성북과 서초의 거래 패턴이 완전히 다릅니다. 강남에서는 명품 핸드백과 골프용품이, 노원에서는 아동 용품과 가전제품이 많이 거래됩니다.
사용자 레벨 관리는 더 세밀합니다. 어떤 카테고리를 자주 보는지, 어떤 가격대 물건을 사는지, 어떤 시간대에 활동하는지 모두 파악합니다.
또한 '관심 키워드' 데이터도 수집합니다. 사용자가 검색한 키워드, 저장한 게시물, 채팅한 상품 등을 분석해 현재 관심사를 실시간으로 업데이트합니다.
맞춤형 피드와 알림
당근마켓 홈 피드는 사람마다 다릅니다. 육아 용품을 자주 보는 사용자에게는 유아 의류, 장난감이 상위에 노출됩니다. 전자제품 관심자에게는 중고 노트북, 스마트폰이 먼저 뜹니다.
또한 '관심 키워드 알림' 기능이 있습니다. '아이패드'를 키워드로 등록하면 내 동네에 아이패드 판매 글이 올라오는 즉시 푸시 알림이 옵니다. 빠르게 연락해 좋은 물건을 먼저 선점할 수 있습니다.
이 기능 덕분에 좋은 물건은 평균 2시간 내 거래됩니다. 빠른 거래 경험이 플랫폼에 사용자를 묶어두는 핵심 동력입니다.
지역 비즈니스 광고 타기팅
당근마켓의 수익 모델인 지역 광고는 데이터 타기팅이 핵심입니다. 동네 치킨집은 반경 2km 내 사용자에게만 광고를 노출합니다. 부동산은 관심 지역을 설정한 사람에게만 보입니다.
더 나아가 행동 데이터 기반 타기팅도 가능합니다. 유아 용품 카테고리를 자주 보는 사용자에게 놀이학원 광고를 중고차를 검색한 사용자에게 정비소 광고를 노출합니다.
광고 효율이 높다 보니 지역 사업자들의 광고 단가가 계속 올라가고 있습니다. 2024년 광고 매출만 1,800억 원을 돌파할 전망입니다.
데이터 기반 성장 엔진 구축 순서
세 플랫폼의 사례에서 공통적인 데이터 전략 로드맵을 도출할 수 있습니다.
1단계: 기본 데이터 수집 인프라 구축 사
용자 행동 로그, 거래 데이터, 검색 키워드 등 기본 데이터를 빠짐없이 수집하는 시스템을 먼저 만듭니다.
2단계: 단순 대시보드로 인사이트 발견
수집한 데이터를 시각화해 팀 전체가 볼 수 있게 합니다. 여기서 비즈니스 가설을 만듭니다.
3단계: A/B 테스트로 가설 검증
데이터 기반 가설을 실제로 테스트합니다. 효과 있는 것만 본 서비스에 적용합니다.
4단계: 개인화 추천 알고리즘 도입
충분한 데이터가 쌓이면 머신러닝 기반 추천 시스템을 구축합니다.
5단계: 자동화와 최적화
가격, 프로모션, 재고 등 운영 전반을 데이터 기반으로 자동화합니다.
다음 편에서는 이들 플랫폼의 지속 성장 전략을 살펴보겠습니다. 카테고리 확장과 해외 진출 과정에서 어떻게 실험하고 학습하며 피벗 했는지 알아보려 합니다.
.jpg)
0 댓글