패션 바이어들은 오랫동안 업계의 조용한 트렌드세터였습니다. 즉, 욕구가 구체화되기도 전에 이를 포착하는 사람들이었죠. 하지만 이제 수익 마진이 더욱 빡빡해지고 정확한 예측이 필요해지면서, 그들은 이러한 과제를 해결하기 위해 AI에 의존하고 있습니다.

과거에는 검색 행동, 클릭 패턴, 지역별 선호도, 다양한 시장에서의 제품 성과처럼 별도 시스템에 갇혀 있던 방대한 데이터를 처리함으로써, AI는 단순한 판매 예측을 넘어 빠르게 발전하고 있습니다. 바이어와 머천다이저들은 의사 결정이 그 어느 때보다 데이터 기반이 되면서, AI가 제품 선택을 구성하고, 미세 조정하며, 확장하는 방식을 변화시키고 있다고 말합니다.

바이어들은 과거 판매 실적이나 직감에만 의존하는 대신, 전 세계 쇼핑객들이 무엇을 검색하고, 클릭하며, 저장하는지에 대한 실시간 신호를 활용할 수 있습니다. Lyst의 제품 부문 부사장인 Rich Shepherd는 "AI는 그들의 영향력을 확장해주는 도구에 가깝습니다. 최고의 바이어들은 여전히 직관에 따라 움직이지만, AI는 그 직관이 가장 잘 작용할 수 있는 지점을 더 명확하게 보여줄 뿐입니다."라고 말합니다.

럭셔리 브랜드부터 글로벌 이커머스 플랫폼에 이르기까지, 새로운 접근 방식이 자리 잡고 있습니다. AI 기반 추천 시스템과 도구가 데이터 속 패턴을 찾아내고, 인간 바이어가 그 인사이트를 해석하여 전략적 결정을 내리는 방식입니다. 이 둘의 균형을 맞추는 것이 핵심적인 경쟁 우위가 되고 있습니다.

실시간 수요 인사이트

Coach, Kate Spade, Stuart Weitzman의 모회사인 Tapestry는 내부적으로 AI를 활용하여 바이어들이 무엇을 주문할지, 재고를 얼마나 확보할지, 어디로 재고를 보낼지에 대해 더 현명한 결정을 내릴 수 있도록 지원합니다.

Tapestry의 최고 데이터 및 분석 책임자(CDAO)인 Fabio Luzzi는 "우리는 이 프로세스를 디지털화하고 빠르게 확장하려면 비즈니스 전반에 걸쳐 데이터를 쉽게 공유할 수 있는 방법을 구축해야 한다는 것을 항상 알고 있었습니다."라고 말합니다. 회사는 중앙 데이터 허브(Luzzi가 '독점 데이터 패브릭'이라고 부르는)에 투자하여 고객, 위치, 공급망 관련 데이터를 쉽게 모델링할 수 있게 했습니다. "이를 통해 프로세스 디지털화가 쉬워질 뿐만 아니라 가치 사슬의 여러 단계에서 AI를 사용하는 것도 용이해집니다."

"최고의 바이어들은 여전히 직관에 따라 움직이지만, AI는 그 직관이 가장 잘 작용할 수 있는 지점을 더 명확하게 보여줄 뿐입니다."

Coach의 구매 팀은 이미 공유 데이터 세트를 사용하여 실시간으로 지역별 구매 패턴을 비교하고, 제품이 매장에 도착하기 전에 주문량과 배송지를 조정하고 있습니다. 이러한 인사이트는 과거 판매 데이터만 보는 것보다 더 빠르고 정확하게 수요를 드러냅니다.

실질적으로, 팀원은 라이브 공유 대시보드를 열어 특정 스타일이 미국 남서부에서는 잘 팔리지만 북동부에서는 그렇지 않다는 것을 확인할 수 있습니다. 이러한 정보는 과거에는 판매 보고서를 통해 몇 주 후에나 도착했습니다. 이 신호를 통해 재고가 잘못된 창고에 쌓이기 전에 재고 배치를 조정할 수 있습니다. Luzzi는 AI를 디자인, 재고, 가격 책정을 위한 내장형 의사 결정 지원 시스템으로 보고 있으며, 분석과 상호 작용 속도를 높이는 동시에 최종 제품 및 머천다이징 결정은 인간 팀에 맡깁니다. 그는 이것이 구매 및 머천다이징 팀이 더 전략적인 업무에 집중할 시간을 확보해준다고 말합니다.

Coach에서는 수년간의 판매 데이터가 축적된 핵심 가죽 제품과 시즌별 기본 품목들이 점점 더 자동화된 재입고 모델을 통해 처리되고 있습니다. 시스템은 재주문 시점을 알리고, 매장별 수량을 조정하며, 수동 입력 없이 지역 간 재고를 이동시킵니다. 절약되는 시간은 상당합니다. 과거에는 구매 주기의 대부분을 포트폴리오의 예측 가능한 부분을 관리하는 데 보냈던 머천다이저들은 이제 데이터가 덜 확실하고 인간의 판단이 더 중요한 카테고리에 집중할 수 있게 되었습니다.

머천다이징과 트렌드에 더 많은 시간 할애

트렌드에 민감하거나 신규 아이템의 경우는 이야기가 다릅니다. 이들의 판매는 문화적 타이밍, 미디어의 화제성, 그리고 과거 데이터만으로는 아직 예측할 수 없는 초기 신호에 달려 있습니다. Farfetch의 최고 기술 책임자(CTO)인 Luis Carvalho에 따르면, 실제로 이는 바이어들이 익숙한 제품에 대한 의사 결정에 소비하는 시간을 줄이고, 고객이 아직 자신이 원하는 것을 모르는 더 어려운 질문, 즉 분석뿐만 아니라 취향이 필요한 업무의 일부를 해결하는 데 더 많은 시간을 할애한다는 것을 의미합니다.

Carvalho는 "우리는 고객의 개별 스타일에 힘을 실어주고, 그것을 지시하지 않는다고 믿습니다."라고 말합니다. Farfetch의 개인화 엔진은 단순한 인기도가 아닌 스타일 신호를 기반으로 쇼핑객이 보는 것을 정제합니다. "데이터 처리에서 예측 모델링에 이르기까지 AI의 발전은 방대한 양의 정보를 탐색하고 각 고객을 네트워크 전반에서 가장 개인화된 제품에 연결하는 데 도움을 줍니다."

이러한 발전에는 AI가 수십억 개의 신호(검색 행동, 클릭 패턴, 제품 메타데이터, 지역별 구매 차이 등)를 인간 팀이 따라잡을 수 없는 속도로 처리하는 능력이 포함됩니다. AI 역량이 성장함에 따라 패션 종합 마켓플레이스 Lyst는 광범위한 카탈로그 순위에서 스타일 수준의 추천으로 전환하여, 취향, 가격 민감도, 상황에 따라 개별 쇼핑객에게 제품을 매칭하고 있습니다.

McQueen 해골 스카프는 여러 유명인사들이 착용하고 Charli XCX가 2025년 Glastonbury 공연 중 착용한 이후 최근 패션 트렌드로 다시 부상했습니다.
사진: Shoot Digital for Style.com/ Getty Images

Lyst의 제품 디자인 및 에디토리얼 부문 부사장인 Miyon Im은 "예전에는 머천다이징이 피드에서 처음 보게 될 6개의 제품을 결정하는 것에 불과했습니다. 하지만 AI를 사용하면 스타일링, 의상 조합, 심지어 이벤트 기반 제안에 이르기까지 더 정교해질 수 있습니다. AI를 사용하여 사무실 파티 추천과 같은 것을 만들 수 있다면, 고객의 취향, 선호도, 가격 민감도를 이해하기 때문에 모든 아이템이 적절하게 느껴질 것입니다. 그것이 미래입니다."라고 말합니다.

실제로 이는 Lyst의 머천다이저들이 검색이나 저장에서 비정상적인 traction을 얻고 있는 아이템을 포함한 정기적인 데이터 브리핑을 받는다는 것을 의미합니다. 그런 다음 추천을 하기 전에 패션 맥락에서 이를 검토합니다. 데이터가 특정 색상이나 질감의 급증을 보여줄 때, 그것이 즉시 트렌드로 게시되지는 않습니다. 인간이 그 이유를 물어봐야 합니다. 런웨이 순간이었는지, 유명인사 포착이었는지, 아니면 문화적 참조였는지 말이죠. 그 후에야 머천다이징에 추가됩니다.

데이터와 직관의 균형 맞추기

경영진들은 현재로서는 AI의 잠재력에 구조적 한계가 있다고 말합니다. 머신러닝 모델은 학습된 데이터만큼만 신뢰할 수 있으며, 패션의 역사적 편향(사이즈, 대표성, 지역, 취향 계층 등)은 쉽게 수정되기보다는 강화될 수 있습니다. 과거 판매가 좁은 사이즈 범위나 특정 인구 통계에 치우쳐 있었다면, 이러한 배제는 머신러닝 모델에서 사라지지 않고 오히려 확대됩니다. 전문가들은 AI가 여전히 패션을 형성하는 문화적 지능, 직관, 스토리텔링 본능을 대체할 수 없다고 말합니다.

Barneys New York에서 18년간 구매 결정을 감독한 패션 컨설턴트 Julie Gilhart는 "AI는 존재하며, 작업을 향상시키는 놀라운 도구입니다. 하지만 진정한 마법은 인간의 직관, 즉 데이터만으로는 복제할 수 없는 본능적인 감각에서 나옵니다. 제대로 해내는 브랜드는 창의성이 주도하도록 하고, AI는 인간의 손길을 대체하지 않고 비전을 향상시키는 도구로 사용할 것입니다."라고 말합니다.

Gilhart는 브랜드들이 더 많은 데이터 기반 도구를 채택함에 따라 분석적 신호를 창의적인 전략으로 전환할 수 있는 머천다이저라는 새로운 역할이 등장하고 있다고 말합니다. Shepherd는 "호기심이 있어야 합니다. 컴퓨터 공학 배경이 필요하지는 않지만, 사용자와 파트너를 위한 문제를 해결하기 위해 기술이 어떻게 작동하는지 이해해야 합니다."라고 말합니다.

자주 묻는 질문(FAQ)
다음은 패션 바이어와 머천다이저가 AI 시대에 어떻게 적응하고 있는지에 대한 FAQ 목록입니다.



초급 수준 질문



1 AI는 패션 구매 및 머천다이징에서 정확히 무엇을 하고 있나요?

AI는 과거 판매 데이터, 소셜 미디어 트렌드, 일기 예보와 같은 방대한 양의 데이터를 분석하여 고객이 무엇을 사고 싶어할지 예측합니다. 재고 주문량, 밀어줄 스타일, 아이템을 세일할 시기를 결정하는 데 도움을 줍니다.



2 AI가 패션 바이어와 머천다이저를 대체할까요?

아니요. AI는 그들의 업무를 더 쉽게 만들어주는 도구이지 대체하는 것이 아닙니다. 반복적인 숫자 계산과 패턴 발견을 처리하여 바이어와 머천다이저가 창의적인 결정, 공급업체 협상, 브랜드 스토리 구축에 집중할 수 있도록 해줍니다.



3 AI는 패션 트렌드 예측에 어떻게 도움이 되나요?

AI는 소셜 미디어, 런웨이 쇼, 스트리트 스타일 사진에서 수백만 개의 이미지를 스캔합니다. 인간 팀보다 훨씬 빠르게 떠오르는 색상, 실루엣, 패턴을 식별하여 바이어들에게 트렌드 예측에 대한 우위를 제공합니다.



4 머천다이저가 AI를 사용할 때의 주요 이점은 무엇인가요?

가장 큰 이점은 정확성입니다. AI는 특정 사이즈, 색상, 매장에 대한 수요를 훨씬 적은 낭비로 예측할 수 있습니다. 이는 팔리지 않은 옷에 대한 할인을 줄이고 인기 품목의 품절 공지를 줄이는 것을 의미합니다.



5 바이어로서 AI를 사용하려면 기술 전문가가 되어야 하나요?

전혀 아닙니다. 대부분의 AI 도구는 사용자 친화적인 대시보드로 설계되었습니다. AI에 코딩하는 방법이 아니라 어떤 질문을 해야 하는지 이해하면 됩니다. 핵심 기술은 AI의 추천을 해석하고 시장 지식을 바탕으로 이를 신뢰하는 방법을 배우는 것입니다.



고급 수준 질문



6 AI는 전통적인 구매 캘린더를 어떻게 변화시키고 있나요?

AI는 민첩한 구매를 가능하게 합니다. 몇 달 전에 모든 주문을 하는 대신, 바이어는 이제 AI를 사용하여 소량 배치를 실시간으로 테스트한 후 실시간 판매 데이터를 기반으로 베스트셀러를 즉시 재주문할 수 있습니다. 이는 캘린더를 경직된 시즌별 출시에서 지속적이고 반응적인 신제품 흐름으로 전환시킵니다.



7 AI는 머천다이징의 지속 가능성 목표에 도움이 될 수 있나요?

네, 상당히 도움이 됩니다. AI는 재고 수준을 최적화하여 패션 업계의 가장 큰 폐기물 문제인 과잉 생산을 줄입니다. 또한 어떤 소재가