2. 리테일/소비재 부문의 고객 경험 강화를 위한
기술변화 방향과 고객사례
2
김선수
AWS 사업개발 담당
소성운
크로키닷컴(주) ZIGZAG

3. 향후 2021년까지 디지털 리더의 75%가
존재하지 않았던 Disruptive market
(파괴적인 시장)을 지배 하게 된다.
Gartner, Predicts 2018: Digital Disruption – Predicting the Fundamental Shifts, 21 December 2017

4. 디지털 트랜스포메이션
디지털 기술 기반으로 기업 전반,
즉, 조직 / 프로세스 / 비즈니스모델
등을 변화시키는 경영전략
“
“

5. 고객 이해 필요
비효율적 프로세스
가격 차별화의 한계
디지털 트랜스포메이션
내부 효율성 증대
신사업 추진, 사업 차별화
새로운 기술의 활용

6. (1) 연결성 (Connectivity)
A Connected World 업무 환경에서 직원
공장 + 공급망
IoT 기기 연결
온라인 마케팅
지속적인 공급
트래킹
적시 생산온라인 판매
+ 배송
소셜 미디어

7. (2) 데이터 (Data)
BI BI AI AI
최신의 Data Lake를 구축
쏟아야하는노력의복잡성
얻어지는 비즈니스 가치

8. 디지털 트랜스포메이션
New services &
business models
Products that get
better with time
Better relationship
with customers
Increased
efficiency
Intelligent decision
making
Data driven
discipline
② 서비스 차별화, 신사업 추진
매출 향상
① 내부 효율성 강화
비용 절감

9. 최신기술 접목한 변화

10. 리테일/소비재 부문 변화 방향 예시
[C] 지능형 콜센터 서비스 구현
[D] Data Lake를 통한 내부 프로세스 개선, 고객 서비스 차별화 구현
[B] 개인 최적화 추천 / 맞춤형 서비스
[A] 블록체인 기반 Supply Chain Management 강화

11. [A] 블록체인 기반 SCM 강화
“Transparency in supply chains is increasingly important to consumers, who want to know
what is in their food and where it comes from. While Nestléhas begun to release information on
its supply chains for its 15 key commodities, blockchain enables more precise tracking. AWS
Professional Services used Amazon Managed Blockchain to enable our customers to track their
products on the blockchain from the farm all the way through to consumption. We are now able
to easily invite our partners to collaborate in our supply chain transparency efforts. ”
- Armin Nehzat, Digital Technology Manager, NestléOceania -
 커피는 어느 농장, 과정에서 왔는가?
 Roast에서 고객에게 얼마나 걸렸는가?
 어떻게 100% 유기농 인것을 보장하는가?
Farm Dry & Wash Ship Roast Grind
Package
(Label)
Retail Customer

12. [B] 개인 최적화 추천
 높은 퀄리티의 개인화 추천 서비스 제공
 고객 개인별 상황과 조건을 적용한 맞춤형 정보
- 메시지 발송 시점 (예: 저녁식사 시간 전)
- 고객 맞춤형 프로모션 (나홀로 족, 4인 가족 등)
 높은 확장성
 API 를 통해 사용자에게 개인화 기반의 추천 결과 생성
 최신 Deep Learning 알고리즘 및 다양한 개인화 기술 적용
 개인화 추천의 전체 과정을 자동화
 추천 결과 실시간 분석
Amazon.com 에서 사용하는 ML기술 기반의
실시간 개인화 및 추천 서비스인 Personalize 활용

13. [C] 지능형 콜센터 서비스 구현
Amazon Connect
실시간 및 이력 분석직능 기반의 라우팅
[Automatic Call Distribution (ACD)]
통화 녹음 고품질 음성지원
사용하기 쉽고,
필요로 하는 기능을 갖춘,
모든 규모의 비지니스를 지원하기 위한
클라우드 기반 고객 센터

14. [C] Amazon Connect의 주요 특성
쉬운 자가 설치
동적, 개인화, 자연어
컨택트 플로우
오픈 플랫폼
AWS
에코시스템
100%
cloud-based

15. 컨택트 플로우 엔진 – 고객 경험 예시
Ok, you are now
booked for a
9:00AM departure
tomorrow out of
San Francisco,
arriving in Seattle
at 11:45AM.
Can you
please
rebook me
for the
same flight
tomorrow?
Great
Thank you!Data
Dip
CRM
컨텐츠
연계
Hi Nikki Wolf,
I see your flight
was cancelled
today. How can
I help you?
고객 전화
인입

16. 자연어
Amazon Lex Chatbots
use the same technology
that powers Alexa
동적 반응
Answer customer
questions before they
are even asked
개인화
Contact flows adapt on
a per customer basis
Ok, you are now
booked for a
9:00AM departure
tomorrow out of
San Francisco,
arriving in Seattle
at 11:45AM.
Can you
please
rebook me
for the
same flight
tomorrow?
Great
Thank you!Data
Dip
CRM
컨텐츠
연계
Hi Nikki Wolf,
I see your flight
was cancelled
today. How can
I help you?
고객 전화
인입
컨택트 플로우 엔진 – 고객 경험 예시

17. [C] 오픈 플랫폼 기반의 유연성/확장성
오픈 플랫폼
S3
저장소
데이터
웨어하우스
고객
데이터베이스
데이터분석,
의사결정
인력에 대한
관리상담원 데이터
AWS
Lambda
음성 녹음
지표
컨택트
플로우
CRM 연락처 관리
패널

18. [C] Amazon Connect의 주요 고객
…

19. ① 고객 전화 대응 개선
• Streaming Call Trace Records (CTR)
• Real-time voice stream through Amazon Kinesis Video Streams
• Agent status check with the event stream
• Virtual hold enables callback queueing
• Update Attribute API adds context to calls

20. ② 서비스 품질 개선
• Amazon Simple Storage Service (Amazon S3) call storage
• Trigger actions
• Transcribe
• CTR data stream
• Update Attribute API

21. ③ 오디오 스트리밍 상담원 지원
• Amazon Simple Storage Service (Amazon S3) call storage
• Trigger actions
• Transcribe
• CTR data stream
• Update Attribute API

22. Speaker Name
Contact information
Thank You[D] 고객 사례

23. Data Analysis
On AWS
크로키닷컴㈜ 소성운
2019.10.17

24. 발표자 소개
소성운 (Yan So)
지그재그 데이터팀
AWSKRUG 데이터사이언스 운영진
#datascience
E: 13imso@gmail.com
L: https://www.linkedin.com/in/yanso

25. 이야기 할 내용
지그재그의 데이터
- 지그재그가 다루는 데이터
- 데이터팀 업무
지속가능한 데이터 분석
- Amazon EMR: 관리형 클러스터 플랫폼
- Amazon Kinesis: 실시간 데이터 처리
- AWS Glue: 데이터 카탈로그화, 통합보기
- AWS S3: 클라우드 스토리지
- Amazon Personalize: 개인화 추천 서비스

26. 지그재그의 데이터
3400개가 넘는 여성쇼핑몰
매일 10,000+ 신상품 업데이트
1600만 앱 다운로드
월간 이용자(MAU) 250만
매일 수십GB단위의 유저활동로그 적제 & 정제

27. 지그재그의 데이터
개인화 상품 추천
성과분석
쇼핑몰 랭킹, 상품 인기도 관리
유저 모니터링, 이상감지 기능
사용성 분석
결제 퍼널 분석
그외 각종 데이터 관련 업무

28. 지그재그의 데이터
개인화 상품 추천
성과분석
쇼핑몰 랭킹, 상품 인기도 관리
유저 모니터링, 이상감지 기능
사용성 분석
결제 퍼널 분석
그외 각종 데이터 관련 업무

29. 지그재그의 데이터
개인화 상품 추천
성과분석
쇼핑몰 랭킹, 상품 인기도 관리
유저 모니터링, 이상감지 기능
사용성 분석
결제 퍼널 분석
그외 각종 데이터 관련 업무

30. 지그재그의 데이터
개인화 상품 추천
성과분석
쇼핑몰 랭킹, 상품 인기도 관리
유저 모니터링, 이상감지 기능
사용성 분석
결제 퍼널 분석
그외 각종 데이터 관련 업무

31. 지그재그의 데이터
개인화 상품 추천
성과분석
쇼핑몰 랭킹, 상품 인기도 관리
유저 모니터링, 이상감지 기능
사용성 분석
결제 퍼널 분석
그외 각종 데이터 관련 업무

32. 고민해 볼 것들
• 빅데이터 분석을 가능하게 하는 것
• 데이터 분석 인프라 구축
• Hadoop + Spark / Presto
• 데이터 통합
• 데이터 웨어하우스
• 데이터 레이크
• 지속가능한 데이터 분석을 가능하게 하는
것
• 통합된 데이터 관리
• Time/Event Driven 데이터 파이프라인
관리
• 필요한 정보를 적시적소에 전달하는 대
시보드 관리

33. 분석용 데이터 S3에 적재
데이터 분석 아키텍쳐
Amazon
S3
Amazon
S3
Amazon
S3
Amazon
RDS
Amazon
DynamoDB
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환

34. S3에 적재되는 데이터를 카탈로그화, 통합관리
데이터 분석 아키텍쳐
Amazon
S3
Amazon
S3
Amazon
S3
AWS Glue
Crawler
크롤링
크롤링
크롤링
카탈로그화
AWS Glue
Catalog
Amazon
RDS
Amazon
DynamoDB
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환

35. S3에 적재되는 데이터를 카탈로그화, 통합관리
데이터 분석 아키텍쳐
Amazon
S3
Amazon
S3
Amazon
S3
AWS Glue
Crawler
크롤링
크롤링
크롤링
카탈로그화
AWS Glue
Catalog
Amazon
RDS
Amazon
DynamoDB
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환

36. S3에 적재되는 데이터를 카탈로그화, 통합관리
데이터 분석 아키텍쳐
Amazon
S3
Amazon
S3
Amazon
S3
AWS Glue
Crawler
크롤링
크롤링
크롤링
카탈로그화
AWS Glue
Catalog
Amazon
RDS
Amazon
DynamoDB
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환

37. S3에 적재되는 데이터를 카탈로그화, 통합관리
데이터 분석 아키텍쳐
Amazon
S3
Amazon
S3
Amazon
S3
AWS Glue
Crawler
크롤링
크롤링
크롤링
카탈로그화
AWS Glue
Catalog
Amazon
RDS
Amazon
DynamoDB
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환
Datalake on AWS

38. EMR을 통한 분석
데이터 분석 아키텍쳐
AWS Glue
Crawler
크롤링
크롤링
크롤링
Amazon
EMR
카탈로그화
AWS Glue
Catalog
Amazon
RDS
Amazon
DynamoDB
Amazon
S3
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
Amazon
S3
Amazon
S3
AWS
Lambda
User
Activity
Digestion
실시간적재 데이터변환

39. EMR을 통한 분석 + Amazon Athena, QuickSight 등 확장 가능
데이터 분석 아키텍쳐
Amazon
RDS
Amazon
DynamoDB
Amazon
S3
스냅샷
Client
스냅샷
Amazon Kinesis
Data Firehose
Amazon
S3
Amazon
S3
AWS
Lambda
AWS Glue
Crawler
크롤링
크롤링
크롤링
Amazon
EMR
카탈로그화
AWS Glue
Catalog
Amazon
Athena
Amazon
QuickSight
User
Activity
Digestion
실시간적재 데이터변환

40. 데이터를 이용한 개인화 및 추천 예시
Tableau
Rstudio
Zeppelin Jupyter
Amazon
EMR
AWS Glue
Catalog
Amazon
S3
키워드 추출
- 일간/주간 인기검색어
- 급상승 검색어

41. 데이터를 이용한 개인화 및 추천 예시
연령대별 키워드
- 연령대별 인기있는 키워드를 추출해도 각 연령대마다
상위 키워드는 큰 차이가 없음
- TF-IDF
(Term Frequency Inverse Document Frequency)
10대 20대 30대
크롭티
트레이닝바지
양털후리스
일자바지
하객룩
트위드
울코트
트렌치원피스
베이직자켓
가을원피스
점퍼
니트베스트

42. 데이터를 이용한 개인화 및 추천 예시
추천 키워드 상품카드 이미지 제작
- 키워드와 관련 된 상품 이미지
- 크롤링한 외부 이미지 퀄리티 체크
- 크롭핑, 리사이징 등 이미지 작업
키워드별 검수할 10개 상품
10,000개 인기키워드는 검수 이미지 100,000
장?

43. 데이터를 이용한 개인화 및 추천 예시
불가능한 작업을 가능한 작업으로
- Computer Vision + Machine Learning
Computer Vision
- 이미지 파일 포맷 변환
- 텍스트 감지
- 크롭 힌트
- 대표색상 추출
크롭&리사이즈된 이미지
선택된 그라데이션
Machine Learning
- Classification Model
input: RGB
output: Labelled Colour
최종 이미지
원본 이미지
Amazon
S3
키워드: 후드티
이미지 URL

44. 개인화 추천 시스템
• Rule-Based 시스템
• 구현하기 쉽다
• 데이터가 많아질수록 성능이 떨어지고 유지보수가 어려움
• Collaborative Filtering, Factorization Machine
• 개인화 추천을 위해 많이 사용 되는 알고리즘
• 구현을 위해 제공되는 리소스가 많아서 쉽게 적용 가능 (Amazon
Sagemaker)
• Deep Learning - Recurrent Neural Networks
• 사용자 이벤트의 연속성을 고려
• 대용량 데이터 사이즈에서도 좋은 성능을 유지

45. 개인화 추천 구현의 어려운점
• 유저 이벤트에 어떻게 실시간으로 반응 할 것인가?
• 인기상품 추천은 지루하다
• Cold Start 문제 - 신규유저, 신규상품에 대한 충분한 데이터수집까지 시
간이 걸림
• 기타 많은 이유들
• 시스템 구축의 난이도
• 빅데이터 스케일링
• 서버 리소스, 스토리지 문제
• ML 전문성

46. 🌟 Amazon Personalize 🌟
• Amazon.com 의 Machine Learning 기술을 기반으로 개인화 및 추천 기
능 제공
• 손쉽게 추천모델 생성하고 API 형태로 Endpoint를 제공함
• AutoML 기능이 제공되며 자동으로 모델 최적화가 이루어짐
• 사용자 이벤트, 클릭 등을 실시간으로 수집하고 반영함

47. 🌟 Amazon Personalize 🌟
• 목표 (~1m)
• 유저들이 한 상품 찜을 바탕으로 좋아할 만한 상품을 추천
• 데이터 준비 (~1h)
• AWS EMR + Zeppelin + S3
• 유저들의 지난 2개월간 찜한 사용자 로그 정제 => User-Item Interaction
• (가설1) 유저들의 나이를 추가하면? => Users
=> Campaign#1
• (가설2) 상품의 카테고리 정보나 가격대를 추가하면? => Item
=> Campaign#2
• 솔루션 제작 (~10h)
• 고민없이 AutoML
• 검증
• Offline Test: 추천된 상품들이 마음에 드는지 실제 유저에게 확인
• Online Test: 제공된 Solution Metric을 바탕으로 모델 비교 검증

48. 🌟 Amazon Personalize 🌟

49. 🌟 Amazon Personalize 🌟
모델 평가를 위한 Metric 제공

50. 🌟 Amazon Personalize 🌟
생성된 엔드포인트로
유저별 개인화된 상품추천 웹앱 제작
사내직원 대상
추천상품에 대한 피드백 수집