2020.6.

11

패션 기업? 데이터 기업!

스티치 픽스, 업을 재정의하다
성낙환

개인 맞춤화가 중요한 패션 산업에서도 데이터의 활용 범위나 영향력이 더욱 커지고 있다. 개인 스타일을 고려

하여 기성복을 맞춤 추천하고 이를 집으로 배송해주는 업체인 스티치 픽스가 대표적이다. 고객의 자발적 참여
를 유도해 데이터를 수집하고 데이터 과학자 중심의 인력 확보와 조직 운영을 하는 등, 스트치 픽스는 데이터
중심 기업으로서 패션 사업을 재정의해 나가고 있다.
 패션 기업? 데이터 기업! 스티치 픽스, 업을 재정의하다

빅데이터와 인공지능의 활용이 고객별 맞춤 추천을 시작으로 제품 개발, SCM, 제조,

유통 등까지 확대되고 있다. 특히 고객의 취향에 따라 선호하는 제품이 다양하게 나
타나는 패션 산업은 이러한 변화의 최전선에 위치하고 있다. 제품의 치수, 색상, 패
턴, 재질, 브랜드, 가격뿐 아니라 고객이 표현하기 어려운 제품에 대한 모호한 생각
까지 다양한 변수들을 데이터로 변환하고 분석해 활용하는 것이다. 이미 Zara나
H&M 등 패스트패션 선도 업체들은 고객의 유행 변화를 빠르게 파악
하기 위해 데이터 과학 분야에 투자를 확대하고 있으며, 아디다스는
한 걸음 더 나아가 인공지능 및 스마트팩토리를 도입, 개인 맞춤 운동
화 제작을 추진 중이다.

이러한 패션 산업에서 데이터를 사업 전면에 내세워 빠르게 성장하고

있는 대표적 기업이 스티치 픽스(Stitch Fix)다. 스티치 픽스는 기성
의류 업체들의 옷을 구매하여 창고에 보관하고 있다가, 알고리즘 분석 스티치 픽스의 박스(Fix) 구성물: 패션 아이템 5개, 개인 스타일
리스트 노트, 스타일 카드, 반품용 박스
결과와 스타일리스트의 의견을 조합해 소비자 스타일에 적합한 제품 - 기존 패션 브랜드 제품 중 고객의 취향에 맞는 5개 의류/액
세서리를 선정해 스타일 조언이 담긴 카드와 함께 박스에 담
을 선별, 우편으로 제공하는 스타트업이다. 2011년 카트리나 레이크 아 우편으로 제공
- 건당 $20의 요금 지불, 제품 구입시 전체 금액에서 제외.
(Katrina Lake)가 미국 매사추세츠에 있는 자신의 작은 아파트에서 단, 미구매 시 미반환

시작한 스티치 픽스는, 처음에는 여성 고객만을 상대했지만 남성(’16

스티치 픽스의 매출 및 영업이익률
년), 아동(’18년) 등으로 고객군을 넓혔고, ’19년에는 영국으로 진출하
1,578
는 등 사업 범위를 확대해 나가고 있다.
매출($ mil) 1,227
카트리나 레이크는 스티치 픽스의 가장 큰 성공 요소로 데이터 과학을 영업이익률(%) 977

꼽는다. 그녀는 “기존 패션 사업에 데이터 과학을 접목한 것이 아니 730

라, 데이터 과학 중심으로 패션 사업을 재정의하였다. 데이터 과학은 343

우리의 문화 자체다”라고 말했다. 데이터 분석 결과를 통해 매칭 정확 11%
9% 3% 4% 1%
도와 구매율을 높임으로써 매출 증대, 재고 감소 등 뚜렷한 성과를 내 2015 2016 2017 2018 2019
현재 실사용자 320만명, 시가총액 $25억(’20.6월 기준)
고 있기 때문이다.

데이터 기반으로 고객의 Unmet 니즈 충족

구체적으로 스티치 픽스는 매칭 정확도 향상뿐만 아니라 물류·배송 최적화, 재고
관리, 수요 예측 등 각 영역에서 데이터 활용도를 높여가고 있다. 일례로 미국 내 6
곳의 창고에서 물품을 배송하기 위한 최적 경로 파악, 고객 수요와 배송지를 고려한
각 창고별 재고 관리, 계절 및 트렌드 변화에 따른 수요 예측 등의 다양한 활동에서
알고리즘과 분석 기법을 도입해 프로세스를 개선하고 있다1. 2019년 초에는 재고 최

1　배송 최적화 NP-hard Traveling Salesman Problem; 재고 관리 System Dynamic; 수요 예측 Markov Chain Models 등

LG경제연구원 1
 패션 기업? 데이터 기업! 스티치 픽스, 업을 재정의하다

적화 알고리즘을 새로 도입하여, 소비자

스티치 픽스의 데이터 분석 활용
만족도가 높아지면서 재구매율도 88%
 주문 데이터 입력  창고 배정 알고리즘
까지 높아졌다(재구매율 83%(’16년) →
고객이 자신의 스타일 고객 선호도를 기반으로
86%(’17년)). 정보를 입력하면, 전체 위치, 재고 현황 등을
고려해 배송할 창고를
고객 수요, 재고 등을
관리하는 시스템에 반영 배정
이처럼 다양한 내부 프로세스를 개선하
는 가운데, 스티치 픽스는 인간 창조의
 제품 배송과  스타일리스트-고객매칭
영역으로 여겨지는 의류 디자인 개발에 피드백 수집 알고리즘

서도 데이터 분석을 활용하고 있다. 패션 배송 받은 제품 중 고객은 고객과 스타일리스트의

구매할 제품을 선정하고, 성향을 반영하여 둘을
반품 이유 및 피드백을 매칭
쇼에서 볼 수 있는 새로운 파격적 디자인 입력
(High Fashion)은 아니지만, 기존에 인
기가 많았던 색상, 패턴, 기장, 장식, 소
재 등의 특성을 재조합해 고객들은 원하
지만 스티치 픽스의 재고 품목에는 없는
 알고리즘을 통한  알고리즘을 통한
제품(Hybrid Design)을 만들고 있다. 자 배송 경로 선정 매칭 평가
 재고 최적화 알고리즘

이동거리를 최소화하고 제공받은 제품 리스트를 고객 주문과 재고 품목

사 브랜드를 키워 다른 의류 브랜드를 대 효율성을 높일 수 있는 기반으로, 고객의 구매 등을 고려하여 선택 가능한
최적 경로 파악 가능성을 평가해 제품 리스트를
체하는 것보다, 고객의 세부 피드백을 반 스타일리스트가 제품을 스타일리스트에게 제공
최종 선정
영한 제품을 추가로 만들어 품목을 다양
화하고 고객 만족도를 높이는 것이 목표
라고 주장한다. 자료: https://algorithms-tour.stitchfix.com/#recommendation-systems

고객 자원화 통한 데이터 기반 네트워크 효과 구축

일반 대중에게 많이 팔릴 수 있는 제품을 만들기 위해 평균적이고 추세적인 고객 데이
터를 수집하는 기존 의류 업체와 달리, 스티치 픽스는 개별 고객 선호를 세분화하여
데이터를 수집하고 구매 여정의 모든 과정에서 고객 의견을 지속적으로 받아 데이터
분석 시스템을 학습, 발전시켜 나가고 있다.

실제로 고객 개인별 니즈를 파악하기 위해 회원 가입시 신체 치수, 세부 옷에 대한 핏,

선호하는 스타일 등 3가지 영역의 50여개가 넘는 상세 항목을 고객으로부터 수집하고
있다. 효과적인 데이터 수집을 위해 말로 표현하기 어려운 핏이나 세부 기장, 색상, 패
턴 등은 이미지로 구현하여 고객들이 쉽게 입력할 수 있게 하고, 여가 시간, 운동 여부,
세탁 주기, SNS 계정 등 패션 관련 라이프 스타일 항목도 수집하고 있다. 이처럼 많은
항목을 입력하는 것은 번거로운 일이지만 고객들은 더욱 정확하고 세심하게 답변할수
록 자신이 원하는 옷을 추천 받을 수 있기 때문에 자발적으로 데이터를 입력하고 있다.

2 LG경제연구원
 패션 기업? 데이터 기업! 스티치 픽스, 업을 재정의하다

가입 이후에도 제품 구매 또는 반품시 물품별 사이즈, 스타일, 품질, 핏, 가격

항목에 대해 온라인 평가를 받아 고객의 정보를 보완하고 매칭 시스템에 반영한
다. 또한 취업이나 결혼 등 고객의 구매 관련 이벤트 정보도 수집하고 있다. 이
와 함께 온라인 고객 참여를 위한 스타일 셔플(Style Shuffle) 게임도 개발 활용
하고 있다. 옷 사진을 보고 좋아요 또는 싫어요를 누르는 단순한 게임으로, 아이
폰 앱을 설치하면 누구나 손쉽고 빠르게 참여할 수 있다. ’18년 3월 출시된 이
게임에 300만 가입자 중 75% 이상이 참여했으며, 이를 통해 10억 건 이상의 고
객 데이터를 수집할 수 있었다. 이렇게 축적된 고객 데이터를 기반으로 스티치
픽스는 차세대 서비스인 ‘Shop Your Looks’2를 출시할 예정이다. 더 나아가 개
별 고객 데이터의 분석 결과를 비슷한 성향을 지닌 다른 고객에게도 적용함으로
써 이용자가 늘고 데이터가 축적될수록 효용이 증대되는 네트워크 효과를 구축
하고 있다.
스타일 셔플 게임
자료: stitchfix.com

데이터 과학자 중심 인력 확보와 조직 운영

기존 패스트패션 업체는 옷을 만들어 파는 제조업체로서 데이터를 하나의 수단으로
생각한다. 즉 디자이너들이 새로운 의류를 만드는데 필요한 보조 자료로써 대중의 트
렌드나 경쟁사 제품을 파악하는데 데이터 분석을 주로 활용하고 있다. 하지만 스티치
픽스는 고객에게 기성 의류 제품을 선별해 제공하는 업체로, 데이터 분석을 통해 매
칭 정확도와 효율성을 높이는 것이 매우 중요하다. 따라서 의류를 제작하는 디자이너
보다 알고리즘을 설계하고 데이터 분석 결과로부터 인사이트를 찾아내는 데이터 과
학자가 핵심 인력이라고 할 수 있다.

실제로 경영학도 출신인 카트리나 레이크가 2012년 첫 벤처 투자금을 받고 우선 추

진한 일은, 회사를 데이터 과학자 확보가 쉬운 샌프란시스코로 옮기고 넷플릭스의 데
이터 과학 및 엔지니어링 부회장인 에릭 콜슨(Eric Colson)3을 영입한 것이다. 현재
스티치 픽스 전체 인원 6,600여명 중 석박사 학위를 지닌 125명 이상의 데이터 과학
자는 본사에 근무하고, 5,100여명에 달하는 스타일리스트는 파트 타임으로 대부분
재택 근무를 하고 있다.

또한 데이터 분석 조직을 CEO 직속으로 운영하여, 데이터 분석팀 의견이 기업 내부

에 빠르게 전파될 수 있도록 만들었다. 많은 기업들이 데이터 분석 역량을 강화하려
고 노력하지만, 대부분은 기존 IT 부서나 운영팀 산하의 한 기능 조직으로 운영하면

2　https://newsroom.stitchfix.com/news/shop-your-looks-another-way-to-shop-with-stitch-fix/
3　스티치 픽스 합류 이전 야후, 넷플릭스를 합쳐 10년 이상 데이터 분석 업무에 종사한 데이터 과학자

LG경제연구원 3
 패션 기업? 데이터 기업! 스티치 픽스, 업을 재정의하다

서 한계를 보이고 있다. 일례로 H&M은 데이터 분석 역량 강화를 위해 Advanced

Analytics & AI팀을 구성했지만, 이 조직은 IT, 물류 등과 함께 COO 산하 일개 부서
일 뿐만 아니라 책임자도 경영 컨설턴트 출신이다. 반면 스티치 픽스는 데이터 과학
자들이 CEO의 의사 결정을 바로 옆에서 지원할 수 있도록 했다. 에릭 콜슨은 ‘인공
지능이나 빅데이터 기업으로서 스티치 픽스 조직의 장점은 CAO(Chief Algorithm
Officer)가 CEO에 직접 보고하고, C-레벨 회의에 참여할 수 있는 것’이라고 밝혔다.

고객 자원화, 조직 운영방식 변화로 데이터 경쟁력 확보

빅데이터와 인공지능을 기반으로 한 디지털 트랜스포메이션이 각 산업의 화두로 부
상하는 가운데, 데이터를 중심으로 사업을 재정의하고 성과를 이끌어 낸 스티치 픽스
사례에 주목 할 필요가 있다.

첫째, 데이터 분석의 궁극적 목적은 고객의 Pain Points 극복을 통한 고객가치 창조
에 있음을 분명히 할 필요가 있다. 스티치 픽스의 주요 고객은 쇼핑 시간이 부족하거
나 스타일을 꾸미는데 익숙하지 않아 외부 기업 및 전문가로부터 제품 추천을 받으려
는 사람들이다. 비록 온라인에서 비대면 방식으로 구매하지만 이들은 오프라인 매장
직원이나 스타일리스트가 제공하는 세심한 대응을 여전히 원하는 경우가 많다. 스티
치 픽스는 고객별 제품 리스트의 일차 선별은 데이터와 알고리즘이 하더라도, 최종
물품 선정과 스타일 조언은 스타일리스트가 수행함으로써 이러한 고객 니즈를 만족
시키고 있다. 데이터에만 집중하다 정작 고객의 Pain Points는 뒷전으로 밀리지는
않았는지 주의할 필요가 있다.

둘째, 데이터 수집시 고객을 자원화할 수 있는 방안을 마련해야 한다. 고객을 자원화
할 경우 자발적 참여를 유도해 시시각각 변화하는 고객 니즈를 선제적으로 파악하고
분석이 용이한 정형화된 데이터를 수집할 수 있기 때문이다. 또한 SNS와 같이 공개된
일반 데이터로는 알기 힘든 고객의 취향 관련 상세 데이터를 수집함으로써, 다른 업체
가 보유한 데이터 대비 경쟁우위를 확보할 수도 있다. 스티치 픽스처럼 데이터 수집에
따른 고객가치(매칭 정확도 향상 등)를 명확히 이해시키고, 재미나 경쟁 요소를 도입
하여 고객이 자발적으로 데이터 수집 과정에 참여할 수 있도록 해야할 것이다.

셋째, 데이터를 통한 차별적 경쟁력 확보를 위해 조직 운영 방식의 변화도 모색할 필

요가 있다. 아직까지 많은 제조업들은 Zara, H&M처럼 제품 기획에 필요한 고객 동
향 파악의 보조 수단으로 데이터를 활용하고 있다. 게다가 데이터 분석 결과가 기존
에 알던 사실과 다르다거나 보고 절차가 길어 인사이트가 왜곡되고 반영 속도가 떨어
져 실제 고객가치 창출에 어려움을 겪고 있는 것이 현실이다. 데이터 분석의 결과물

4 LG경제연구원
 패션 기업? 데이터 기업! 스티치 픽스, 업을 재정의하다

이 경영진의 의사 결정을 직접 지원할 수 있도록 조직을 구성한 스티치 픽스와 같이,

기업들은 데이터 분석에 전향적 자세를 가지고 사업별 특성을 고려해 정확하고 바르
게 반영되도록 해야할 것이다. www.lgeri.com

LG경제연구원 5
본 보고서에 게재된 내용이 LG경제연구원의 공식 견해는 아닙니다. 본 보고서의 내용을 인용할 경우 출처를 명시하시기 바랍니다.