새로운 질문이 생기면
AI에게 그대로 물어보는 데이터 분석

카페24 기반으로 쇼핑몰을 운영하다 보면 누구나 한 번쯤 겪는 답답함이 있습니다. 주문·상품·회원·혜택, 데이터는 분명히 쌓여 있는데 정작 우리가 보고 싶은 각도로는 볼 수 없다는 점입니다. 기본 통계 화면의 지표는 정해져 있고, 조금만 다른 질문을 하려 해도 데이터를 내보내 가공하거나 외부에 의뢰해 몇 주를 기다려야 했습니다. 매번 반복되는 정기 보고서도 사람 손이 들어가는 소모적인 업무였습니다.

SEVY는 상황이 하나 더 있었습니다. 뜨개 DIY 패키지라는 특성상 유튜브 협업 작가 채널이 중요한 유입 경로인데, 카페24 통계에서는 '어느 영상이 어느 패키지의 매출로 이어졌는지'를 이어서 볼 방법이 없었습니다. 쇼핑몰 데이터와 유튜브·GA4 같은 외부 데이터를 한 자리에 놓고 보려면, 원본 데이터가 우리 손에 있어야 했습니다.

BytePlay는 카페24에 쌓이는 주문·상품·회원·혜택 데이터를 원본 구조 그대로 SEVY가 소유한 데이터베이스로 가져옵니다. 데이터가 고객사 소유의 DB에 표준 SQL 형태로 담긴다는 점이 핵심입니다.

SEVY가 실제로 한 일은 단순합니다. 이 DB에 AI 에이전트를 연결해 두고, 궁금한 것을 채팅하듯 한국어로 물어보는 것입니다. 에이전트가 SQL을 짜서 조회하고, 표와 차트가 들어간 리포트를 만들어 리포트 목록에 등록합니다. BytePlay가 함께 제공하는 테이블 구조 문서와 표준 쿼리 가이드가 AI의 참고서 역할을 해서, 결제 완료·취소 처리 같은 기준도 매번 일관되게 적용됩니다. 동기화 테이블이 추가되면 문서 링크만 건네면 AI가 읽고 분석 규칙을 갱신합니다.

예전 SEVY의 리포트는 담당자가 데이터를 내보내 가공하고, 복잡한 분석은 외부에 맡겨 몇 주를 기다리는 일이었습니다. 지금은 그 대부분이 'AI에게 한 줄로 말하기' 로 끝납니다.

장면 1. 일요일 새벽, 주말 판매 체크

대표가 던진 질문은 한 줄이었습니다. "이번 주말 판매 특이사항 있나 확인해줘." AI는 토요일 실적을 직전 3주 토요일과 비교해 '주말은 양호'라고 답하면서, 눈에 띄는 건 금요일 매출 급감이라고 짚었습니다. 대표가 "금요일은 제헌절 휴일이었어"라고 한 마디 덧붙이자, 과거 평일 휴일의 낙폭과 대조해 '정상 패턴'으로 결론을 바꿔 줬습니다. 질문 두 번에 5분. 예전이라면 월요일에 담당자가 엑셀을 열어야 알 수 있던 일입니다.

장면 2. 매주 반복되는 보고서

"지난주 보고서" — 이 한 줄이면 전주·전년 동주 대비 핵심 지표, 상품별 변동, 리텐션 채널(앱푸시·카카오 알림톡) 상태, 다음 주 액션 제안까지 담긴 리포트가 매주 같은 구성으로 만들어집니다. 지난주에 우려로 적힌 항목이 이번 주에 회복됐는지도 AI가 이어서 확인합니다. "올해 월별 보고서 만들어줘. GA4 채널별, 앱푸시 채널별, 대표용 종합 대시보드. 총 3가지"처럼 월간 보고서 여러 개도 한 번에 요청합니다. 재료가 되는 GA4 퍼널 데이터와 협업 작가 채널의 유튜브 조회수는 매일 정해진 시각에 자동으로 수집되어 DB에 쌓여 있습니다.

분석은 빨라지고, 반복 업무는 사라지고, 보고는 제때 도착합니다. 두 달여 만에 리포트 목록에는 주간·월간 보고서부터 단발 분석까지 수십 건이 같은 자리에 쌓였습니다.

장면 3. 일일 퍼널 대시보드를 말로 설계하기

"채널별 조회수, 유입수, 상세페이지 조회수, 결제수까지 — 사용자가 경험하는 모든 과정을 숫자로 시각화해서 매일 상태를 체크하려고 해." 이 한 문단에서 시작해 AI가 지표 정의를 제안하고 SEVY가 확정하는 식으로 오전 안에 설계가 끝났습니다. 결과물은 채널별로 유입→상세조회→담기→결제진입→구매를 한 줄로 보여주고, 유튜브는 협업 작가 채널 단위까지 내려가는 대시보드입니다. 그 자리에서 '앱푸시·카카오 알림톡은 유입은 작지만 전환율이 가장 높고, 유튜브는 유입 1위인데 담기율이 낮다'는 점이 보였고, 랜딩 페이지 가설이 여기서 나왔습니다.

장면 4. '새로운 질문'이 생겼을 때의 속도

SEVY가 실제로 던진 질문들입니다. "신상 패키지 출시 후 판매 경향 보여줘" — 출시 다음 날 아침에 시간대별 초동, 함께 담기는 부자재 결합률, 색상 선호까지. "고객 연령층 변화를 월 단위로 분석해줘" — AI가 먼저 함정을 짚었습니다. 특정 시점부터 가입 폼에서 생년월일이 필수가 되어 단순 월별 평균은 틀린 결론이 나온다는 것. 가입 코호트를 나눠 다시 분석했습니다. "패키지 연결 영상의 하루 조회수와 그날 판매량의 상관관계를 분석해줘" — 유튜브 조회수를 같은 DB에 두자 가능해진 질문으로, '즉발형이 아니라 며칠에 걸쳐 번지는 저수지형 채널'이라는 결론이 광고 집행 판단의 근거가 됐습니다. 예전이라면 외부에 의뢰해야 했을 분석을 그날 바로 확인합니다.

미리 집계된 대시보드였다면 애초에 떠올리지도 못했을 질문들이, 원본 데이터가 손안에 있으니 그날의 의사결정으로 이어집니다.

장면 5. 상위 고객 10명에서 시작된 세 갈래 액션

"이번 달 구매 회원 중 탑 10 뽑아줘" → "도매회원 빼고" → "구매 내역도 분석해줘" → "남겨줘". 네 번의 대화로 리포트 하나가 남았습니다. AI는 상위 고객이 세 유형으로 갈린다는 걸 읽어냈습니다. 동일 상품을 수십 개씩 정가로 사는 '벌크 재판매형'(도매 전환 제안), 가입 두 달 안에 골고루 쓸어담는 '신규 급성장형'(온보딩 컨택), 적립금을 알뜰히 쓰며 매달 사는 '장기 로열층'(신상 우선 안내). 여기에 '상위 고객은 부자재 비중이 훨씬 높다'는 발견이 붙어 결제 단계 부자재 추천이라는 과제까지 나왔습니다. 리포트 상단에는 AI가 '이번 달 기준 선택이라 편향이 있으니 프로모션 성과로 읽지 말라'는 경고를 직접 적어 두었습니다.

장면 6. 장바구니 데이터가 들어온 날

BytePlay가 회원 장바구니 테이블을 새로 동기화하자 SEVY는 문서 링크만 건넸습니다. AI는 명세를 실제 데이터와 대조해 이 테이블이 '구매하면 사라지는 잔존 스냅샷'이라 전환율 계산에 쓰면 안 된다는 성격부터 짚었고, "마케팅 목적으로 무엇을 해볼 수 있을까" 라는 질문에 무료배송 문턱 바로 아래 금액에 걸려 있는 회원, 한 번도 구매하지 않았는데 상당 금액을 담아 둔 가입자를 뽑아냈습니다. 그리고 발송보다 '장바구니 페이지에서 얼마 더 담으면 무료배송이라고 알려주는 온사이트 안내'가 1순위라고 정리했습니다. 브랜드 팬 리스트(핵심팬·팬·호감·이탈팬 등급, 수신동의 포함)도 같은 방식으로 뽑습니다.

기존 CRM 앱 화면에서는 만들 수 없던 조건도, 원본 데이터가 손안에 있으니 자유롭게 정의됩니다. 이렇게 추출한 오디언스는 개인정보 원본을 꺼낼 필요 없이 회원 아이디값만으로 CRM에 그대로 적용됩니다. 개인정보는 DB에 암호화·마스킹된 상태로 남아 있어, 누구에게 보낼지는 정교하게 정의하면서도 민감정보를 다룰 부담이 없습니다. 타겟이 정교해질수록 CRM 메시지의 반응률과 효율도 함께 올라갑니다.

"카페24 기반으로 쇼핑몰을 운영하면서 가장 답답했던 건, 데이터가 분명히 있는데 우리가 원하는 각도로는 못 본다는 점이었습니다. BytePlay 도입 후에는 주문·상품·회원·혜택 데이터가 원본 구조 그대로 저희 DB에 들어와 있어서, 지금은 분석을 '시킨다'기보다 '물어본다'는 느낌에 가깝습니다. 표준 SQL 데이터베이스로 받다 보니 AI 분석 도구를 그대로 연결할 수 있었고, 예전이라면 외부에 의뢰해 몇 주 걸렸을 분석이 지금은 하루면 나옵니다."

"의외로 좋았던 건 AI가 데이터의 함정을 먼저 알려준다는 점입니다. 미리 집계된 대시보드였다면 영원히 몰랐을 것들이죠. 데이터를 활용할 의지가 있는 이커머스라면 투자 대비 효과가 확실한 선택입니다."

— 강권윤 이사님, 주식회사 쎄비(SEVY) 마케팅 총괄