# AI가 고객의 다음 구매를 맞힌다면, 상품 정보는 무엇부터 고쳐야 할까?

_브랜드·크기·색을 AI가 읽는 방식부터 살펴보면 답이 보인다_

> 이베이 연구에서 패션의 브랜드·크기·색을 맞힌 평균 점수는 0.34였다. 고객이 자주 산 값을 보는 방식은 0.28이었다. 상품 속성 정보를 정확히 적는 일이 중요해진다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/ai-predicts-brand-size-color
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-01

AI가 고객이 다음에 살 브랜드나 크기, 색을 어느 정도 맞히는 것은 사실이다. 이베이와 벤구리온대 연구에서 패션 상품의 브랜드·크기·색을 맞힌 연구 모델의 평균 점수는 0.34였다. 다만 AI가 고객 마음을 모두 아는 것은 아니며, AI가 읽을 상품 정보가 제대로 정리돼 있어야 한다.

고객의 취향을 맞히는 AI는 상품마다 적힌 브랜드·크기·색 같은 속성 정보를 고객의 행동과 함께 읽고 배우므로, 그 정보가 비어 있거나 제각각이면 활용하기 어려워진다.

## AI가 고객의 다음 선택을 어떻게 맞히나?

연구진은 미국 이베이에서 6개월 동안 쌓인 검색·구매 기록을 사용하고, 1주일은 시험용으로 따로 떼었다. 구매가 3건 미만인 고객은 기록이 짧아 제외했고, 활동량 상위 1%도 자동 프로그램일 수 있어 제외했다.

AI가 맞혀야 하는 구매는 마지막으로 본 기록보다 24시간 이상 뒤에 일어난 구매였다. 따라서 바로 앞에서 본 상품을 그대로 사는 단순한 상황만 맞힌 것이 아니다. 몇 주나 몇 달에 걸쳐 이어지는 고객의 취향을 살펴본 것이다.

| 항목 | 내용 |
|---|---|
| 연구 주체 | 이베이·벤구리온대(2026년 9월 추천시스템 학회 워크숍) |
| 데이터 | 미국 이베이 6개월치 검색·구매 기록 + 시험용 1주 |
| 제외한 고객 | 구매 3건 미만, 활동량 상위 1% |
| 규모 | 고객 수천만 명, 구매·검색 수억 건 |
| 시험 표본 | 패션 1,000건, 전체 카테고리 20,000건 |
| 맞혀야 하는 구매 | 마지막 기록보다 24시간 이상 뒤의 구매 |
| AI 모델 크기 | 1억 3,500만 매개변수(소형 모델) |
| 읽을 수 있는 기록 길이 | 2,048토큰, 고객 약 15%는 잘림 |
| 학습에 쓴 속성값 | 2,000번 이상 나온 값만, 속성당 최대 1만 개 |

AI가 읽은 재료는 행동, 상품 제목이나 검색어, 상품 속성, 카테고리였다. 상품 속성에는 브랜드·크기·색 등이 들어간다. 결국 상품 페이지에 적어 둔 속성 정보가 고객을 이해하는 재료가 된다.

## 실제로 얼마나 잘 맞히나?

패션 상품의 브랜드·크기·색을 놓고 네 가지 방식을 비교했다. 가장 많이 팔린 값을 고르는 방식, 그 고객이 자주 산 값을 고르는 방식, 범용 AI인 제미나이에게 묻는 방식, 그리고 연구 모델이다.

| 패션 속성 | 가장 많이 팔린 값 | 그 고객이 자주 산 값 | 범용 AI(제미나이) | 연구 모델 |
|---|---|---|---|---|
| 브랜드 | 0.08 | 0.27 | 0.23 | 0.30 |
| 크기 | 0.21 | 0.33 | 0.31 | 0.38 |
| 색 | 0.26 | 0.23 | 0.25 | 0.33 |
| 평균 | 0.18 | 0.28 | 0.26 | 0.34 |

여기서 눈여겨볼 것은 브랜드다. 가장 많이 팔린 브랜드만 보면 점수가 0.08이지만, 고객이 자주 산 브랜드를 보면 0.27까지 올라간다. 고객마다 브랜드 선택이 다르다는 뜻이다.

범용 AI는 평균 0.26으로 고객이 자주 산 값을 보는 방식의 0.28보다 낮았다. 연구 모델도 평균 0.34이므로 셋 중 둘은 맞히지 못한다. 따라서 현재 연구 결과만으로 AI가 고객의 다음 구매를 정확히 안다고 말하기는 어렵다.

연구진은 가장 최근에 산 값을 보는 방식도 시험했다. 결과는 고객이 자주 산 값을 보는 방식과 비슷했다. 고객의 브랜드나 속성 취향이 한 번의 행동에 따라 크게 흔들리기보다 비교적 안정적이라는 해석이다.

## 브랜드·크기·색만 중요한가?

연구진은 패션 외에도 전자제품, 수집품, 중고품 등이 포함된 전체 카테고리에서 여러 속성을 시험했다. 이때는 따로 학습한 30억 매개변수 모델도 비교했다.

| 속성 | 가장 많이 팔린 값 | 그 고객이 자주 산 값 | 30억 모델(따로 학습) | 연구 모델 |
|---|---|---|---|---|
| 크기 | 0.17 | 0.26 | 0.25 | 0.32 |
| 브랜드 | 0.20 | 0.29 | 0.33 | 0.35 |
| 색 | 0.31 | 0.27 | 0.26 | 0.38 |
| 스타일 | 0.26 | 0.28 | 0.38 | 0.44 |
| 리그(스포츠) | 0.32 | 0.66 | 0.72 | 0.72 |
| 선수 | 0.01 | 0.16 | 0.15 | 0.12 |
| 연도 | 0.15 | 0.18 | 0.07 | 0.19 |
| 10개 평균 | 0.20 | 0.28 | 0.30 | 0.35 |

연구 모델은 10개 속성 가운데 7개에서 가장 높거나 공동 1위였다. 리그처럼 고객의 취향이 뚜렷한 속성은 0.72로 높았지만, 선수처럼 값이 잘게 나뉘는 속성은 0.12였다.

범용 AI에 예시를 넣거나 단계별로 추론하게 하는 방법도 시험했다. 결과는 일정하지 않았다. 꾸준히 효과가 있었던 것은 속성별 통계를 질문에 넣어 주는 방법이었다.

이 결과가 사장님에게 주는 뜻은 단순하다. AI에게 똑똑하게 생각하라고 시키는 것만큼, 상품 속성을 일정한 형식으로 정리하는 일이 중요하다는 것이다.

## 상품 정보를 무엇부터 고쳐야 하나?

먼저 브랜드를 상품마다 별도 항목으로 정확하게 적는 것이 좋다. 그다음 크기와 색도 상품명에만 넣지 말고 각각 구분된 항목으로 관리하는 것이 중요하다.

색은 가게에서만 쓰는 표현보다 표준 이름을 쓰는 편이 낫다. 예를 들어 색을 임의로 만든 이름으로 적기보다 레드, 네이비 블루처럼 표준 이름으로 적는 방식이다. 크기도 숫자만 적는 것이 아니라 치수 체계를 함께 구분할 수 있게 해야 한다.

오픈AI 상품 피드에서는 브랜드가 필수 항목이고, 색과 크기는 선택 항목이다. 구글 머천트 센터에서는 의류의 색과 성별·연령대가 중요하고, 신발에는 크기도 요구된다. 상품 정보를 받는 곳마다 규칙은 다르지만, 공통으로 상품을 구분할 수 있는 속성을 따로 정리한다는 점을 볼 수 있다.

| 받는 곳 | 브랜드 | 색 | 크기 | 비고 |
|---|---|---|---|---|
| 오픈AI 상품 피드 | 필수(9개 중 하나) | 선택 | 선택(치수 체계 US·UK·EU 등) | 제목 150자·설명 5,000자 이내, 모르는 값은 비움 |
| 구글 머천트 센터(의류) | 권장 | 필수 | 신발·의류 필수 | 없으면 노출 안 됨, 표준 색 이름 |
| 네이버 쇼핑(판매자 정리 기준) | 브랜드·제조사 칸 입력 권장 | 상품명·옵션에 표기 | 옵션 최대 3개 | 공식 문서가 아니라 판매자 커뮤니티의 정리 |
| 이베이 실험 | 1만 개 값 학습 | 학습 | 학습 | 2,000번 이상 나온 값만 사용 |

이베이 연구에서도 모든 속성값을 무조건 사용한 것은 아니다. 2,000번 이상 나온 속성값만 정답 후보로 남겼고, 속성당 최대 1만 개까지 사용했다. 가게에서만 통하는 색 이름이나 애매한 표현은 이런 데이터에서 활용하기 어려울 수 있다.

## 상품 정보를 고치면 추천도 달라지나?

연구진은 이베이가 이미 운영하던 추천 순위 시스템에 고객이 특정 브랜드와 사이즈를 살 가능성을 더했다. 다른 설정은 그대로 두고 브랜드·사이즈 선호 정보만 추가했다.

| 추천 성과(운영 시스템 대비) | 개선 폭 |
|---|---|
| 첫 칸에 산 상품이 들어간 비율 | +0.6% |
| 상위 3칸 안 | +0.4% |
| 상위 5칸 안 | +0.3% |
| 추가한 정보 | 브랜드·사이즈 선호 2가지 |

추천 첫 칸에 실제 구매 상품이 들어간 비율은 0.6% 올랐다. 상위 3칸 안은 0.4%, 상위 5칸 안은 0.3% 올랐다. 큰 변화처럼 보이지 않을 수 있지만, 이미 운영하던 추천 시스템에 고객의 속성 선호를 추가한 결과라는 점이 중요하다.

다만 이 수치를 매출이 늘었다는 뜻으로 읽으면 안 된다. 연구에서 확인한 것은 추천 순위의 개선이지 매출 증가가 아니다.

## 이 연구를 우리 쇼핑몰에 그대로 적용해도 될까?

그렇게 보기는 어렵다. 이 연구는 미국 이베이 한 곳의 데이터로 진행됐고, 시험 표본은 패션 1,000건과 전체 카테고리 20,000건이었다. 구매가 3건 미만인 신규 고객도 처음부터 제외됐다.

동네 쇼핑몰은 첫 구매 고객이 많을 수 있으므로 같은 결과가 그대로 나온다고 할 수 없다. 고객 기록도 순서만 읽었고 날짜 간격이나 계절은 넣지 않았다. 예측 시점도 24시간 뒤 한 가지로 고정됐다.

그렇다고 지금 상품 정보를 대충 적어도 된다는 뜻은 아니다. 상품마다 브랜드, 표준 크기와 치수 체계, 표준 색 이름을 빠짐없이 적어 두는 것은 AI가 상품을 이해할 수 있는 기본 재료를 만드는 일이다.

오픈AI 상품 피드는 승인된 파트너만 사용할 수 있으므로 작은 쇼핑몰이라면 먼저 자기 홈페이지의 상품 페이지와 구글 머천트 센터부터 정리하는 편이 현실적이다. 실제로 9월 20일 청소기 상품을 물었을 때 삼성·LG·다이슨 공식몰 상품 링크가 답에 들어간 사례도 있다. 다만 이것은 한 번의 확인 사례이지, 모든 쇼핑몰에 적용되는 법칙은 아니다.

결국 지금 할 일은 복잡하지 않다. 상품마다 브랜드·크기·색을 빠짐없이 적고, 같은 속성에는 같은 기준을 쓰는 것이다. 앞으로 쇼핑 AI가 상품 정보를 더 많이 활용하더라도, 먼저 필요한 것은 화려한 설명보다 정확하고 정리된 상품 데이터다.

요점 ① 패션 브랜드·크기·색 예측 평균은 0.34였고, 가장 많이 팔린 값은 0.18이었다 ② 고객이 자주 산 값을 보는 방식은 0.28이었고 범용 AI는 0.26이었다 ③ 브랜드·사이즈 선호를 추천에 더하자 첫 칸 적중 비율이 0.6% 올랐다 ④ 이베이 연구는 2,000번 이상 나온 속성값을 사용했고 오픈AI 상품 피드에서는 브랜드가 필수 항목이다

## 같이 읽을 글

 

- 쇼핑 AI에 우리 상품이 한 번 나오면 된 걸까?

- AI 쇼핑 비서가 우리 상품을 고르는 기준도 바뀔까?

- 고객이 바꾼 조건을 쇼핑 챗봇은 끝까지 기억할까?

- 상품 사양은 숫자만 적으면 될까?
 

## 자료 출처

 

- DeepAffinity: Long-Term Aspect Preference Prediction in eCommerce using Small Language Models(이베이·벤구리온대, arXiv 2609.02468, 2026년 9월, 미국 이베이 6개월 기록·수천만 명, 시험 1,000건·20,000건)

- 같은 논문 HTML 본문(추천 순위 개선 수치 확인)

- Products — 상품 피드 규격(오픈AI 개발자 문서, 필수 9개 항목·색·크기·치수 체계 필드)

- How to fix: Missing value: size, color, gender, age group(구글 머천트 센터 고객센터, 의류·신발 필수 속성)

- Every Google Merchant Center Feed Attribute Explained(Store Growers, 표준 색 이름·치수 체계 정리)

- [네이버 쇼핑] 스마트스토어 공식 가이드 기준 꼭 봐야 하는 것(아이보스 판매자 커뮤니티, 상품명·브랜드·속성·옵션 3개)