이후, '간접 데이터 활용의 시대'가 열렸습니다. 매출, 결제 정보, 카드사 리포트 등의 데이터를 활용하기 시작했고, 이를 통해 고객 수, 매출, 기본적인 유입 흐름 정도는 알게 되었지만, 여전히 한계는 명확했습니다. 결제 데이터는 '구매자'만을 보여주고, 매장을 둘러보다 나간 수많은 고객은 사각지대에 놓여 온 것인데요. 매장 안에서의 고객 행태를 분석하는 방법은 여전히 미지의 영역으로 남아 있었죠.

이처럼 오랫동안 오프라인의 숙제로 남아 있던 문제를 해결하기 위한 노력들의 시기들을 지나, 비로소 지금 우리는 'AI 기반의 정량 분석 시대' 들어섰습니다.

방문객의 체류 시간, 동선, 성별 및 연령대를 정밀하게 측정할 수 있게 된 것이죠. 매쉬(mAsh)는 매장 안을 걷는 모든 사람의 움직임을 수집하고 해석합니다. 이제까지는 보이지 않던 '망설임'과 '이탈'까지도 숫자로 남기는 것이죠. 감각으로만 운영되던 공간을, 우리는 드디어 숫자로 말하기 시작했습니다!

방문객 수는 다양한 방식으로 활용 가능합니다. 대표적으로는, 매장 운영 전략의 기초로 삼는 방법이 있습니다. 가령, 매장을 가장 많이 찾는 사람의 성별과 연령대를 알면 이를 중심으로 상품 구성을 변경할 수 있습니다. 다른 예로는 시간대별 방문객 수를 측정해서 고객이 가장 많이 방문하는 '피크 타임'을 찾아내는 방법이 있습니다. 이 시간대에 맞춰 인력을 집중 배치하거나 프로모션 이벤트를 진행하는 등 매장 운영 효율성을 극대화하는 데 활용할 수 있죠.

체류 시간은 방문객이 전체 매장 또는 특정 구역에서 얼마나 오래 머무는지를 이야기하는 지표입니다. 단순한 시간 측정을 넘어 고객의 '관심도'를 나타내는 무언의 피드백이자, 매장 내 콘텐츠의 매력도를 가늠하는 핵심 지표로 활용되는데요. 매쉬는 특정 매대, 계산대나 피팅룸 앞에서의 체류 시간까지 정밀하게 분석합니다.

체류 시간이 길다면 고객의 흥미와 관심이 높다는 긍정적인 신호로 해석할 수 있습니다. 예를 들어, 팝업스토어에서 방문객들이 특정 포토존이나 체험형 콘텐츠에서 오랜 시간 머물렀다면 해당 콘텐츠의 성공 요인을 분석하고, 다음 기획에 반영할 수 있는 것이죠. 반대로, 방문객은 많은데 특정 매대에서의 체류 시간이 짧다면 진열 방식이 고객의 시선을 사로잡지 못했거나 상품 구성에 문제가 있음을 의미하므로 즉각적인 개선이 필요한지 검토해볼 수도 있게 됩니다.

전환율은 매장을 방문한 고객 중 '구매' 또는 '상담'과 같은 특정 목표 행동으로 이어진 고객의 비율을 의미합니다. 이를 통해 매장의 실제 성과를 가늠할 수 있죠. 겉으로는 방문객이 많아 보이더라도, 구매로 이어지는 비율이 낮다면 매출은 제자리걸음일 수밖에 없습니다. 결국 매장 운영자가 집중해야 할 과제는 단순히 사람을 불러 모으는 것이 아니라, 전환율을 올려 방문을 행동으로 전환시키는 전략을 세우는 일인 것이죠.

예를 들어, 프로모션 존을 방문한 고객 중 실제 구매까지 이어진 비율을 파악할 수 있습니다. 만약 방문객은 많았지만 전환율이 낮았다면, 프로모션 메시지가 불명확했거나 구매를 망설이게 하는 요소가 있었음을 유추하고 전략을 수정할 수 있는 것이죠. 전환율 정보는 매장 내에서 기업이 구사하고 있는 다양한 마케팅 전략이 실제 성과로 얼마나 효과적으로 이어지는지 정량적으로 알 수 있게 해주는 역할인 것입니다!

위 KPI가 매쉬가 분석하는 데이터의 전부는 아닙니다. 매장 내에서 가장 붐비는 구역과 그렇지 않은 구역을 히트맵으로 나타내고, 백화점 같은 경우는 층과 층 사이의 전환율을 볼 수 있기도 합니다. 이처럼 매쉬는 오프라인 공간의 모든 움직임을 데이터로 해석하고, 직감에 의존하던 운영 방식을 과학적인 의사결정의 영역으로 그 수준을 끌어올리며 오프라인 비즈니스의 새로운 가능성을 열어가고 있습니다.

과거 "이 동네는 유동 인구가 많아서 장사가 잘 될 것" 등의 막연한 기대로 공간의 가치를 판단했다면, 매쉬는 이 모호한 기대를 객관적인 지표로 바꿔낼 수 있죠. 매쉬의 체류 시간과 전환율 데이터는 단순히 사람들이 얼마나 지나다니는지를 넘어, '얼마나 많은 사람이 우리 공간에 흥미를 느끼고 머무는가'를 정확히 보여줍니다. 이를 통해 가령, MD(Merchandiser)들은 특정 입지의 잠재적 수익성을 정량적으로 분석하고, 합리적인 임대료 책정이나 효율적인 테넌트 믹스를 구성할 수 있지 않을까요?

또 매쉬는 오직 매출 데이터로만 고객의 행동을 간접적으로 파악하던 한계를 넘어, 동선 및 방문객 특성 데이터를 통해 오프라인에서도 온라인과 같은 'A/B 테스트'를 구현하고 있죠. 그렇다면 가령, 20대 여성 고객과 40대 남성 고객이 주로 머무는 구역을 파악하여 특정 시간대에 맞춤형 디스플레이 광고를 선보이는 방식을 구사할 수도 있을 것 같습니다. 이렇게 된다면 고객의 '반응'을 지켜보는 것을 넘어 '예측'함으로서 가능한 타깃 고객 맞춤형 리테일의 장을 열 수도 있는 것이죠!

결국 <메이아이>의 서비스 "매쉬(mAsh)"는 직감에 의존하던 오프라인 공간을 "실험 가능한 영역"으로 바꿔주고, 전략적인 운영을 가능하게 합니다. 앞으로 기업과 브랜드가 공간을 설계하고 운영하는 방식은 분명히 달라질 것 같습니다. 이제 이들에게 요구되는 능력은 데이터 수집을 넘어, 이용자의 경험 자체를 데이터화하고, 그 데이터를 바탕으로 더 깊은 인사이트를 발굴하며 공간과 콘텐츠 모두 지속적으로 발전시켜 나가는 일이겠죠. 앞으로 가장 성공적인 오프라인 공간은 단순히 "많은 매출을 올리는 공간"이 아니라, 데이터를 읽고 그 데이터를 바탕으로 "끊임없이 진화할 수 있는 똑똑한 공간"이 될 것입니다.

오프라인 공간의 무궁무진한 이야기를 데이터로 깨워낼, 메이아이의 다음 행보가 더욱 기대되는 순간입니다.