리테일 혁신: Neo4j, Oneture, 그리고 AWS로 구현하는 멀티 에이전트 스토어 어드바이저

축제 시즌에 델리의 보석 가게에 들렀다고 상상해 보세요. 카운터에는 팔찌, 목걸이, 반지 등 수백 가지 디자인이 반짝이고 있는데, 각 디자인은 무게, 순도, 스타일이 조금씩 다르죠. 고객이 목걸이를 가리키며 이렇게 묻습니다. "비슷한 디자인인데 더 가볍고 로즈 골드 마감으로 된 제품이 있나요?"

판매원은 잠시 머뭇거립니다. 아무리 경험이 많아도 수천 개의 SKU에 걸쳐 모든 디자인을 기억하는 건 불가능하니까요. 고객은 점점 초조해하며 기다립니다. 결국, 몇 번이나 왔다 갔다 한 끝에 결정을 내리지 못하고 가게를 떠나버리죠.

이번에는 벵갈루루의 번화한 신발 가게에서 같은 상황을 상상해 볼까요? 운동화와 정장이 줄지어 진열되어 있어요. 고객이 말합니다. "이 런닝화와 비슷한 스타일을 원하는데, 쿠셔닝이랑 방수 기능이 더 좋았으면 좋겠어요. 장마철에 조깅할 때 신으려고요." 직원은 머릿속으로 여러 옵션을 떠올리지만, 이렇게 복합적인 요구 사항을 기준으로 바로 필터링할 수는 없어요. 또 다른 기회를 놓치는 거죠.

이런 이야기는 흔하디 흔해요. 매일 일어나는 일이죠. 그런데도 불구하고 글로벌 소매 산업 매출은 4조 9천억 달러를 넘어섰다고 하니 (Statista, 2024), 이런 비효율성 때문에 엄청난 비용이 발생하고 있다는 걸 알 수 있어요. 연구에 따르면 고객의 70%는 구매하지 않고 그냥 나가버린다고 해요. 원하는 제품을 찾지 못해서죠. 그리고 직원의 85%는 맞춤형 조언을 제공하는 데 어려움을 겪고 있다고 합니다. 방대한 카탈로그를 다루기가 쉽지 않으니까요.

소매업은 성장하고 있지만, 여전히 개선할 부분이 많다는 거죠.

미래: 디지털 매장 자문팀

이제 상황을 바꿔서 상상해 봅시다. 똑같은 주얼리 매장에서 고객이 더 가벼운 로즈 골드 목걸이를 찾으면, 즉시 관련 디자인을 검색해 줍니다. AI는 순도, 무게, 가격 차이를 설명해주고, 근처 매장에 재고가 있는지 확인해 줍니다. 심지어 결혼 시즌에 어울리는 귀걸이까지 자연스럽게 추천해 줄 수도 있죠.

신발 가게에서는 방수 기능과 쿠셔닝이 좋은 모델을 필터링해서 보여주고, 고객이 이전에 와이드 핏 사이즈를 구매했다는 정보까지 알려주면서 가장 이상적인 두 가지 옵션을 제시합니다. 만약 재고가 없다면 선주문을 제안하거나 비슷한 가격대의 다른 제품을 추천해 줄 수도 있겠죠.

예전에는 실망스러웠을 상호 작용이 이제는 맞춤형 상담 여정으로 바뀌는 거예요. 고객은 안내받고, 이해받고, 가치 있다고 느끼게 되죠.

이것이 바로 GenAI를 활용해서 구축된 멀티 에이전트 매장 어드바이저의 비전입니다. and Amazon SageMaker, 와 함께 Neo4j Knowledge Graph, 그리고 , 소매 및 금융 서비스를 전문으로 하는 부티크 솔루션 파트너와 함께 만들어갈 미래죠.

전통적인 기술이 부족한 이유

수년 동안 소매업체들은 충성도 프로그램, 예측 Machine Learning 모델, 카탈로그 앱 등을 통해 이러한 문제점을 해결하려고 노력해 왔어요. 하지만 기존의 Machine Learning에는 분명한 한계가 있죠. Machine Learning은 "X를 구매한 고객은 Y도 구매했습니다." 라고 말할 수는 있지만, 다음과 같은 질문에는 답할 수 없어요:

• 관리하기 : 고객이 중간에 선호도를 변경하는 경우에도 문제없어요.
• 유지하기 : 이전에 플래티넘 팔찌를 요청한 고객이 이제 웨딩 주얼리 세트를 탐색할 수도 있잖아요.
• 적응하기 실시간으로: 새로운 선호나 제약이 나타날 때마다 맞춰가는 거죠.

GenAI는 여기서 더 나아가요. 자연어를 이해하고, 의도를 해석하고, 맥락을 추적하죠. 다중 에이전트 설계를 통해 정보는 분산되는데요. 예를 들어, 한 에이전트는 제품 카탈로그를 전문으로 하고, 다른 에이전트는 재고를, 또 다른 에이전트는 고객 선호도를, 다른 에이전트는 자문 스토리텔링을 전문으로 하는 거예요.

이건 마치 한 명의 제너럴리스트가 아니라, 눈에 보이지 않는 전문가들로 구성된 전체 팀이 매장에 직원을 배치해서 원활하게 협력하는 것과 같은 느낌이죠.

Knowledge Graph의 장점

진짜 비밀은 바로 데이터 레이어 아래에 숨어있어요. 소매업은 단순히 SKU에 관한 것이 아니거든요. SKU가 어떻게 연결되는지에 관한 거죠. 주얼리는 순도, 무게, 디자인, 상황에 따라 분류할 수 있고, 신발은 소재, 쿠셔닝, 날씨 적합성, 브랜드 포지셔닝에 따라 분류할 수 있어요. 뷰티 제품은 색조, 궁합, 성분에 따라 분류할 수 있고요.

전통적인 데이터베이스는 여기서 어려움을 겪는데요. 은 JOIN 때문에 복잡해지고, NoSQL은 확장은 가능하지만 의미론적 깊이가 부족하죠.

Neo4j는 바로 이 부족한 부분을 채워줘요. 관계를 일류 시민으로 대우하거든요. 단순히 데이터를 저장하는 것이 아니라, 의미를 저장하는 거예요.

그래서 고객이 "더 가벼운 무게의 금 팔찌의 대안"을 물어보면, Neo4j는 다음을 탐색해요:

• 비슷한 디자인 계열
• 호환 가능한 가격대
• 계절별 수요 동향(명절 vs 평상복)
• 보완 제품(귀걸이, 펜던트)

이런 쿼리가 단위로 실행되는 건, 단일 홉 순회 덕분이에요. 시스템은 동적으로 학습하기도 하는데요. 많은 고객이 특정 운동화와 방수 스프레이를 함께 구매하기 시작하면, 이는 그래프에서 가중치가 부여된 edge가 되는 거죠.

그 결과는 정말 놀라워요:

• 정밀도가 92%의 관련성으로 향상돼요 (SQL/ML의 경우 최대 65%).
• 회상률이 3배 향상돼요. 고객이 결코 발견하지 못했을 수도 있는 대안을 제시하죠.
• 지연 시간 감소: 거의 즉각적으로 구현되어서 매장 내에서도 실행 가능하다는 점!

Amazon Bedrock + Oneture: 복잡성을 단순함으로 전환

Neo4j가 두뇌라면, Amazon Bedrock은 지저분한 인간의 음성을 실행 가능한 쿼리로 변환하는 언어 프로세서라고 할 수 있어요.

예를 들어 고객이 "장마철 조깅을 위한 방수 제품을 원하지만 너무 무겁지는 않습니다"라고 말하면, 다음과 같은 구조화된 속성으로 변환되는 거죠.

{

  "속성": ["방수복", "경량", "쿠션이 있는"],

  "기회": "스포츠",

  "우선 사항": "내구성",

  "문맥": "계절_몬순"

}코드 언어: JSON/JSON(댓글 포함) (json)

또한 고급 분석, AI/ML, GenAI 및 그래프 기반 통찰력 제공에 중점을 두고 있는데요. Oneture의 멀티 에이전트 아키텍처는 전문적인 역할을 조율해요:

• 속성을 추출하고 해석해요.
• 창고나 지점 전체의 실시간 가용성을 확인해요.
• 일상 언어의 기술적, 물질적 차이를 설명해요.
• 흐름을 관리하고, 상향 판매 시기와 신뢰 구축 시기를 알고 있죠.

이 덕분에 고객은 검색창이 아닌, 신뢰할 수 있는 조언자와 대화하고 있다는 느낌을 받게 되는 거예요.

실제 아키텍처

지금까지 설명한 내용이 어떻게 연결되는지 한번 살펴볼까요?

고객의 쿼리는 Amazon CloudFront와 API Gateway를 거쳐 MCP 서버로 전달돼요. 여기서 Amazon Bedrock은 자연어 이해를 향상시키고, Amazon SageMaker는 전문 에이전트를 실행하며, Neo4j는 실시간 Knowledge Graph 탐색을 제공하죠. Amazon ElasticCache는 세션 컨텍스트를 저장해서 연속성을 보장하고요. 그 결과, 실시간으로 맞춤형 소매 추천을 제공하는 검색, 비교, 재고 및 자문 에이전트가 매끄럽게 조율되는 거예요.

다이어그램을 보면 알겠지만, 이건 단순한 블랙박스 AI가 아니라, 전문 에이전트와 데이터 인텔리전스가 조화롭게 작동하는 시스템이에요.

모든 상호작용에서 배우기

이 시스템의 혁신적인 점은 시간이 지날수록 계속 개선된다는 거예요. 주기적인 재교육이 필요한 기존 모델과는 달리, 멀티 에이전트 매장 어드바이저는 다음 사항들을 지속적으로 학습하거든요.

• 모든 고객 상호 작용이 학습 데이터가 돼요.
• 좋은 추천은 패턴을 강화하고, 부족한 부분은 즉각적인 개선을 유도하죠.
• 몇 주에 걸쳐 시스템은 기본적인 조회부터 시작해서 자연스러운 대화, 정교한 상향 판매 및 예측 제안까지 발전하게 돼요.

사람인 동료들도 이 과정에 참여하게 되는데요. 예를 들어, 보석 판매원은 특정 팔찌가 신부 세트와 더 잘 어울리는 이유를 확인할 수 있겠죠. 신발 직원은 벵갈루루 고객이 우기철에 더 가벼운 밑창을 선호한다는 점을 지적할 수도 있고요. 이런 인간-AI 협업은 문화적, 지역적 통찰력으로 시스템을 더욱 풍부하게 만들어 줘요.

결과는 자기 개선적인 제도적 기억이라고 할 수 있어요. 예를 들어 “로즈 골드를 찾는 고객은 보통 18k 순도를 선호한다”거나 “와이드 핏 스니커즈는 장마철에 더 많이 팔린다” 같은 정보들이죠.

비즈니스 영향

다양성이 넓고 고객 기대치가 높은 인도의 소매업체에게는 그 효과가 정말 클 거예요.

• 전환율이 엄청나게 높아져요. 고객은 좌절하지 않고 필요한 것을 쉽게 찾을 수 있으니까요.
• 운영 효율성이 향상돼요. 재고가 더 스마트하게 관리되고, 불필요한 재고는 줄어들겠죠.
• 직원 생산성이 향상돼요. 직원들은 카탈로그를 암기하는 데 시간을 덜 쓰고, 관계 구축에 더 많은 시간을 할애할 수 있어요.
• 고객 충성도가 높아져요. 사람들은 자신을 이해하고 세심하게 조언해주는 곳에 다시 돌아오고 싶어하니까요.

고가의 금 주얼리, 빠르게 변화하는 신발 시장, 광범위한 뷰티 분야 등, 멀티 에이전트 매장 어드바이저는 모든 영역에서 개인화, 효율성 및 인텔리전스를 제공할 수 있어요.

소매 경험을 변화시킬 준비가 되셨나요?

소매업은 AI 기반 매장 어드바이저가 고객을 지원하는 것을 넘어, 고객을 진정으로 이해하는 새로운 시대로 나아가고 있어요. Neo4j의 Knowledge Graph, Amazon Bedrock의 생성 지능, Oneture의 멀티 에이전트 아키텍처를 통해 쇼핑 여정은 더욱 원활하고 개인화되며 효율적으로 변할 거예요. Neo4j, Amazon, 그리고 Oneture의 기술은 미래 지향적인 소매업체가 이러한 비전을 실현할 수 있도록 돕고 있죠. 이 솔루션이 여러분의 비즈니스에 어떻게 적용될 수 있을지 궁금하다면, 라이브 데모를 보거나 매장에 대한 파일럿 프로젝트에 대해 논의해보세요. 지금 Neo4j에 문의해서 고객이 매장에 들어오는 순간 어떤 경험을 하게 될지 다시 한번 상상해보세요!

• Agent
• Gen AI

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지