MATCH란 무엇인가

무신사의 MATCH(Musinsa Audience Targeting & Customer Hub)는 고객 데이터를 비즈니스 성과로 전환하는 AI 기반 타겟팅 의사결정 레이어다. 개별 채널 최적화가 전체 고객 경험을 오히려 해치는 '최적화의 역설'을 해결하기 위해 설계됐으며, 규칙 기반 타겟팅에서 AI 기반 유저-소재 적합도 예측 방식으로 패러다임을 전환했다.

핵심 포인트

MATCH는 단순 CRM이 아니라 각 채널의 의사결정을 통합하는 AI 기반 프레임워크다.
기존 규칙 방식("30일 내 나이키 조회 유저")에서 "이 소재에 가장 잘 반응할 유저를 AI가 발굴"하는 방식으로 전환했다.
소재 정보를 입력받아 유저-소재 적합도 스코어를 산출하는 모델로 타겟 추출을 자동화했다.
앱 푸시 채널에서 클릭률과 기여 거래액이 꾸준히 우상향하는 성과를 확인했다.
완전 자동화 블랙박스가 아닌, 모델·비즈니스 정책·운영이 유기적으로 연동하는 의사결정 프레임워크를 지향한다.

상세 정리

MATCH 정의: Musinsa Audience Targeting & Customer Hub의 약자. 데이터를 수익으로 전환하는 의사결정 시스템으로 정의하며, 단순 집계 도구와 구분한다.
문제 인식: "데이터는 쌓아두기만 해서는 돈이 되지 않는다"에서 출발. 각 조직이 개별 최적화를 해도 고객이 마주하는 메시지는 맥락이 없는 '일관성 격차'가 발생한다.
학습 격차: 마케팅 실험 결과가 추천 시스템으로 흐르지 않는 채널 간 데이터 사일로 문제를 지적한다.
패러다임 전환: 전통 방식은 마케터가 규칙을 정의해 유저를 추출했지만, MATCH는 소재를 입력하면 AI가 반응 가능성 높은 유저를 자동 추출한다.
오디언스 최적화 모델: 소재 정보 입력 → 유저-소재 적합도 스코어 산출 → 타겟 자동 추출. 마케터는 복잡한 규칙 대신 소재 자체를 입력으로 사용하게 됐다.
앱 푸시 채널 성과: 타겟팅 정교화로 클릭률과 기여 거래액이 우상향. 타겟 추출 업무를 시스템에 위임하고 마케터는 전략 수립에 집중할 수 있게 됐다.
팀 구성: Personalization팀은 데이터엔지니어, 데이터사이언티스트, ML엔지니어, 백엔드/프론트엔드 엔지니어가 end-to-end로 협업한다. 고객 행동 데이터 정의부터 실시간 타겟팅 API, 자동화 캠페인 생성까지 전과정을 직접 설계·운영한다.
다음 과제 1 — 승자독식 방지: 데이터가 풍부한 대형 브랜드만 모델 성능이 강화되는 현상을 해결해야 한다.
다음 과제 2 — Inbox Optimizer: 각 유저에게 최적 메시지 조합을 제공하는 '인박스 옵티마이저'를 개발해 메시지 피로도를 관리할 계획이다.
설계 원칙: 블랙박스 완전 자동화가 아닌 모델, 비즈니스 정책, 실제 운영과 검증이 유기적으로 맞물리는 의사결정 프레임워크를 지향한다.

왜 읽나AI 기반 개인화 타겟팅 시스템 설계나 ML·마케팅 자동화를 연결하려는 데이터 사이언티스트와 ML 엔지니어에게 무신사의 실제 시스템 설계 철학과 방향을 파악할 수 있는 글.

무신사 테크 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

MATCH란 무엇인가

이 글과 비슷한

[AI 해커톤 후기] AI 시대의 해커톤과 인간의 역할: AI의 계획과 사람의 전략

도구를 잘 만들었더니 Copilot 코드 리뷰가 오히려 나빠졌다 — 실제로 개선한 방법

GitHub Agentic Workflows로 크로스 레포 문서 자동화하기