의류 쇼핑몰 스티치 픽스(Stitch Fix)의 고객경험 디자인

의류 쇼핑몰 스티치 픽스(Stitch Fix)의 고객경험 디자인

Summary:

스티치 픽스의 고객경험 관리방법에 대해 공부했습니다.


옷 사진 없는 의류 쇼핑몰

옷 사진 하나 없이 연매출 3천억원 올린 옷쇼핑몰 기사를 읽었다. 옷을 파는 쇼핑몰인데도 옷 사진이 없단다. 말도 안 돼. 게다가 매출 규모도 크다. 어떻게 이게 가능할까.

pic1

옷 사진이 있다. 기사 제목이 참 자극적이었던 걸로.


You’ve got to try this! Stitch Fix is the personal styling service for men & women that sends handpicked clothing to your door (with free shipping & returns!).

스티치 픽스(Stitch Fix)‘는 개인 맞춤형 스타일링 서비스다. 고객에게 딱 맞는 옷을 인공지능과 전문 스타일리스트가 추천해주고 집 앞까지 무료배송해준다. 회원 수 10만 명, 연매출 2억 5천만 달러로 월 평균 1만 벌 정도를 판매하고 있다.

서비스가 어떻게 진행되는지 경험해보고자 스티치 픽스에 접속했는데 메인페이지를 지나서 성별을 선택하자 무한로딩에 걸렸다. 회원가입이라도 해보려고 했지만 역시나 무한 로딩이다. 한국에서는 접속이 안 되나보다. 크롬 확장프로그램 Browsec으로 우회해서 접속하니 로딩 문제가 해결됐다.

pic2 pic3

스티치 픽스에 이름, 이메일주소를 입력하고 나면 간단한 스타일 퀴즈에 응시해야 한다. 이 퀴즈로 개인의 키, 몸무게, 옷별(드레스, 셔츠, 브라, 바지, 허리, 신발) 신체 사이즈, 임신 여부, 옷의 품에 대한 선호도, 하체비만 여부 등 상상 이상으로 자세하게 자신에 대한 정보를 입력한다.

pic4

스타일 퀴즈는 5단계로 구성된다


  1. SIZE : 키, 몸무게, 옷별(드레스, 셔츠, 브라, 바지, 허리, 신발) 신체 사이즈, 임신 여부, 옷의 품에 대한 선호도, 하체비만 여부 등
  2. FIT/CUT : 상의/하의가 몸에 끼는 정도 선호도, 바지 스타일(스키니, 일자, 부츠컷, 와이드)과 길이 선호, 팔/어깨/등 노출 여부 등
  3. STYLE : 스타일링 샘플을 보고 실어요/무난무난/괜찮요/맘에들어요 선택, 옷 입는 습관, 자주 입는 옷 스타일의 비중 체크, 스타일링해줄 옷의 종류별 비중 선택, 악세서리 선호도, 피어싱 여부, 배송받고 싶지 않는 품목/재질/컬러 선택 등
  4. PRICE : 옷 카테고리별 지출 의향 선택(쌀수록 좋아요/$50-$100/$100-$150/$150-$200/$200 이상)
  5. MORE ABOUT YOU : 생년월일, 주직종, 부모인지 여부, SNS계정(핀터레스트, 인스타그램, 트위터, 링크드인) 입력, 기타 하고 싶은 말

pic5

스타일 퀴즈는 3단계 중 일부. 스타일링 맘에드는 지 체크하기.


굉장히 디테일한 부분까지 정보를 입력받고 있다. 그만큼 고도화된 추천 기술을 선보일테지만 입력 과정이 다소 지루했다. 설문지 항목이 모두 필수로 들어가야 한다면 스타일링 샘플이나 실제 서비스한 고객 착용샷 같은 시각적인 효과를 넣어 고객이 설문 도중 떠나지 않고 자사 서비스에 계속 집중할 수 있게 유도할 수 있을 것 같다.

이제 설문조사를 다 했으니 스타일링 제품을 배송받을 날짜를 입력하고 배송지, 결제정보 입력을 마치면 서비스 신청이 완료되는 것 같다. 그럴 것 같다고 말하는 이유는 배송날짜를 선택하고 ‘SCHEDULE YOUR FIX’ 버튼을 누르니 또 무한로딩에 걸렸기 때문이다. 아… 우회프로그램은 잘 돌아가고 있었는데 뭐가 문제인지 모르겠다. 철저히 미국 내 거주민들을 위한 서비스인가보다.

pic6 pic7

배송날짜 입력 다음 단계부터는 직접 경험해보지 못했으니 티타임즈의 기사를 인용하자면, 날짜 선택 후 20달러를 지불하면 주문이 끝난다고 한다. 주문정보를 바탕으로 인공지능이 옷을 1차로 추천하고 전문 스타일리스트가 이 가운데 5가지를 골라 배송하는 시스템이다.

고객은 배송된 5가지 스타일의 옷을 입어본 뒤 맘에 드는 옷만 골라 그 가격만큼 결제하고 나머지는 반품한다. 5개 중 1개라도 구매하면 이전에 지출한 스타일링 비용 20달러는 환불된다고 한다. 옷 한 벌의 가격은 평균 $55이고 배송상자 안에는 코디법이 담긴 스타일카드가 동봉된다.

쇼핑몰에 옷 사진이 하나도 없다는 기사 제목이 무슨 말인지 이제 알겠다. 일반 쇼핑몰처럼 판매될 옷의 사진과 가격을 제시하고 고객이 그 제품을 카트에 담아 구매하는 방식이 아니라 내가 구매할 옷이 어떻게 생겼는지 모른 채 내 맘에 들 만한 옷을 배송받고 그 다음 결제한다 이거로군. 깜짝선물받는 기분이고 되게 기분 좋을 것 같다.

이 회사가 쇼핑몰에서 옷 사진을 없애고, 또 어떤 옷이 배달될 지도 보여주지 않는 이유는 ‘쇼핑이 너무 귀찮을 사람들을 위해서’다. 아마존, 이베이에는 수백 수천 벌의 옷이 널려있다. 하지만 블랙드레스 하나 사자고 가격대별로 다 따져보는 사람은 별로 없다.

스티치 픽스는 쇼핑할 여유가 없는 바쁜 사람들을 위한 서비스다. 어떤 옷을 사긴 사야 하는데 이 옷 저 옷 일일이 클릭해보고 상세페이지를 살펴보고 리뷰를 뒤지다가 지쳐버리는 30~40대 전후의 직장인, 아기엄마 등이 타겟층이다. 나한테 잘 어울리는, 내가 멋있어 보이는, 나에게 맞는 옷 한 벌이 필요하고 누가 잘 좀 골라줬으면 하는 사람들에게 잘 맞는다.


추천의 질

이러한 서비스가 고객의 호응을 받고 고객이 계속 주문을 하고 옷을 받아보는 선순환이 일어나게 하기 위해서는 추천을 잘 해줘야 한다. 당연하다. 고객이 구매 전 A, B 중 선택할 수 있는 권한이 없기 때문에 추천의 질이 중요하다. 스티치 픽스의 창업자인 카트리나 레이크는 넷플릭스의 부회장 에릭 콜손을 영입하고 수십명의 데이터분석가를 채용하며 추천 능력을 끌어올렸다.

이 회사는 넷플릭스의 추천 기반인 인공지능, 기계학습을 도입하여 정교한 필터링을 가능하게 했다. 기존에는 사이즈가 M일 때 필터가 크거나 작은 셔츠를 제외시키는 기본적인 필터링 알고리즘만 활용했다고 한다. 인공지능을 도입하자 이미지 학습으로 SNS에 노출된 고객의 취향을 파악하고(관련 글: 핀터레스트의 비주얼 서치 서비스 feat.인공지능) 반품이 들어오면 그 이유를 물어 다음 추천에 활용했다. 인공지능은 반품 시 최적 반품경로를 계산하는 데도 응용된다.

추천 시스템이 보다 정교해지자 소비자들 사이 입소문을 타기 시작했고 주문건수가 100건(2011년 한 달)에서 2500건(2013년)으로 증가, 2014년에는 3000만 달러 가량을 투자받았다. 현재 스티치 픽스는 고객 중 80%가 추천제품 5개 중 최소 1개를 선택하고 80%가 첫 구매 후 90일 안에 재구매를 하는 추천 정확도를 자랑한다.

1천명의 전문 스타일리스트가 원격으로 근무하기 때문에 인공지능의 1차적인 추천을 바탕으로 미흡한 점을 보완할 수 있다. 인간의 예술적 능력과 기계의 계산 능력을 결합하여 최대 효과를 이끌어낸 것이다.

pic8

스티치 픽스 운영방식

이커머스에서 성공하기

기사 마지막의 인용문이 평소보다 더 와닿았다. 누구나 고객경험을 말하지만 그 누구도 쉽게 쟁취할 수 없다. 이커머스와 서비스기획을 공부할수록 고객경험이라는 단어를 하루에 몇 번씩이고 듣는데 여전히 어렵다. 고객의 마음은 갈대 같다. 설문지 상에서 100% 드러나지 않을뿐더러 구글 애널리틱스, 태블로 등 각종 분석 툴로 요리조리 데이터를 돌려봐도 모든 고객을 만족시키는 경험을 제공하기가 쉽지 않다. 그럼에도 어떻게 고객에게 가치를 제공할 수 있을 지 고민하고 시도하는 게 내 역할이겠지.

이커머스 성공의 열쇠는 즐거운 고객 경험에 달려있다. 우리 고객에게 그 즐거움은 편한 쇼핑, 나도 미처 몰랐던 내 취향을 꿰뚫은 옷이 배송 돼오는 것이다. 고객이 직접 옷장을 채울 때보다 더 꼭 맞는 옷들로 옷장을 채워주고 싶다.

카트리나 레이크, 인포메이션 2017.1.26


Hyeyeon

A Blog about E-Commerce and Product Management

comments powered by Disqus

    rss facebook twitter github youtube mail spotify instagram linkedin google google-plus pinterest medium vimeo stackoverflow reddit quora