신규 매장이나 팝업스토어가 열릴 때마다, 어김없이 마주하는 풍경이 하나 있습니다. 바로 계수기를 들고 입장하는 고객 수를 일일이 세는 직원들의 모습이죠. 뉴스나 기사에서 흔히 보는 ‘방문자 수 00명’ 같은 수치를 만들기 위해, 그동안은 사실 이 방법 외엔 뚜렷한 대안이 없었습니다. 그래서 때로는 비효율적으로 보이기까지 하는 이 작업이, 아직도 매장 현장에선 계속되고 있었던 겁니다.

사실 저도 비슷한 경험이 있습니다. 과거 대형마트에서 매장 내 진열 위치(조닝)를 변경하는 프로젝트에 참여한 적이 있었는데요. 오픈 당일 새벽부터 나가 진열을 바꾸느라 분주했지만, 이 변화가 실제로 효과가 있었는지, 심지어 고객을 조금이라도 더 끌어들였는지조차 확인하기가 무척 어려웠습니다. 결국엔 어쩔 수 없이 팀원 한 명을 전담으로 세워 해당 구역에 방문한 고객 수를 직접 세기도 했지만요. 이마저도 한두 시간 정도만 기록한 데이터를 바탕으로 전체를 추정해야 했습니다. 그 결과 아이디어는 수치로 뒷받침되지 못했고, 결국 채택되지 못하고 말았죠.

이처럼 오프라인 매장의 가장 큰 한계는, 우리가 명확하게 확인할 수 있는 지표가 사실상 ‘매출’ 하나뿐이라는 점입니다. 그런데 매출은 ‘결과’이지, ‘과정’이 아닙니다. 우리가 무언가를 개선하려면 그 결과가 어떻게 만들어졌는지를 알아야 하는데, 정작 그 과정을 들여다볼 수 없으니 무엇을, 어떻게 고쳐야 할지도 판단하기 어렵습니다. 결국 감에만 의존하여 의사결정을 하게 되고, 그만큼 성공 확률도 낮아지게 됩니다.

이커머스로 자리를 옮긴 뒤에는, 데이터에 대한 갈증이 어느 정도 해소되는 것 같았습니다. 당시에도 이미 구글 애널리틱스를 비롯한 다양한 분석 도구들이 잘 갖춰져 있었고요. 최소한 ‘방문자가 몇 명인지’ 정도는 직접 세지 않아도 자동으로 확인할 수 있다는 점이 무척 신기했죠. 특히 ‘전환율’이라는 새로운 기준을 활용할 수 있다는 점이 가장 유용했습니다. 우리가 만든 변화가 고객 행동에 실제로 어떤 영향을 줬는지를 정량화된 수치로 평가할 수 있었기 때문이죠.

하지만 온라인 데이터라고 해서 완벽한 건 아니었습니다. 가장 큰 어려움은 고객의 ‘맥락’을 파악하기 어렵다는 점이었습니다. 온라인에서 수집되는 데이터는 주로 현황 파악에는 도움이 되지만, ‘왜 그런 결과가 나왔는지’를 설명하기에는 한계가 있습니다. 예를 들어 가장 자주 쓰이는 지표 중 하나인 ‘체류 시간’만 해도 그렇습니다. 고객이 콘텐츠에 만족해 오래 머물렀다고 볼 수도 있지만, 반대로 불편한 UI/UX 때문에 헤매느라 머무는 시간이 길어졌을 수도 있으니까요.

이런 점에서는 오히려 오프라인 매장이 더 나은 경우도 많습니다. 고객의 행동을 직접 눈으로 확인하고, 필요하다면 응대를 통해 바로 피드백을 얻을 수 있기 때문에 고객의 맥락이나 니즈를 보다 명확하게 파악할 수 있죠. 실제로 많은 온라인 기반 기업들도 정기적으로 오프라인에서 고객 인터뷰나 사용자 테스트를 진행합니다. 심지어 아마존 같은 글로벌 기업들은 고객의 마음을 더 깊이 이해하기 위해 다양한 오프라인 공간을 직접 운영하기도 하니까요.

그래서 종종 이런 상상을 해보기도 했습니다. 만약 고객에 대한 깊은 이해를 지닌 오프라인 매장에, 온라인이 가진 정량적이고 명확한 데이터 지표까지 더해진다면, 정말 강력한 시너지가 나지 않을까 말이죠.

하지만 불과 얼마 전까지만 해도, 오프라인에서 정교한 데이터 분석을 기대하는 건 현실보다는 상상에 가까운 일이었습니다. 가장 큰 걸림돌은 역시 데이터 수집에 드는 비용이었죠. 사람이 직접 고객 수를 세고, 일일이 기록해야 했기 때문에 이런 작업을 지속적으로 운영하는 건 사실상 불가능에 가까웠습니다.

그런데 최근 몇 년 사이, 리테일 현장에도 AI 기술이 본격적으로 도입되면서 상황이 크게 달라지기 시작했습니다. 특히 기존 CCTV 영상에 AI를 적용해 분석할 수 있게 되면서, 완전히 새로운 분기점을 맞이하게 됩니다.

그렇다면 AI는 오프라인에 어떤 구체적인 변화를 만들어낼 수 있을까요? 가장 핵심적인 변화는 바로, 이제 오프라인에서도 데이터 기반의 의사결정이 가능해졌다는 점입니다.

예를 들어, 매장분석 AI 솔루션을 활용하면 단순히 방문자 수를 세는 데서 그치지 않고, 방문객의 성별이나 연령대까지 추정할 수 있습니다. 사실 온라인조차도 로그인을 하지 않으면 ‘누가 방문했는지’를 정확히 파악하기 어려운데요. 오프라인에서는 상황이 더 제한적입니다. 고객이 실제로 구매를 했더라도, 모든 이가 멤버십에 가입하거나 포인트를 적립하는 것은 아니니까요. 특히 브랜드사의 경우 아예 고객 식별 수단 자체를 두지 않는 경우도 많습니다.

한 백화점도 이 지점에서 어려움을 겪고 있었다고 합니다. 매장을 리뉴얼하면서 1020세대 고객을 유치하고자 스트리트 브랜드를 입점시켰지만, 실제로 ‘젊은 고객이 얼마나 방문했는지’를 확인할 방법이 마땅치 않았던 거죠. 하지만 매장분석 AI 솔루션을 도입하면서 이 문제를 해결할 수 있었습니다. 단순히 방문객 수를 넘어서, 딥러닝 기반의 분석을 통해 성별과 연령대 분포까지 파악하게 된 건데요. 이를 통해 ‘스트리트 브랜드가 1020 고객 유입에 효과적일 것’이라는 가설을 실제 데이터로 검증할 수 있었다고 합니다. 이후에는 ‘감’이 아닌 ‘데이터’를 기반으로, 어떤 브랜드를 입점시킬지에 대한 명확한 의사결정이 가능했을 거고요.