MATCH란 무엇인가

2026년 7월 14일

팀무신사의 의사결정 레이어를 만드는 일

안녕하세요, 무신사에서 MATCH의 개인화 시스템 구축과 데이터를 비즈니스 성과로 전환하고 있는 Core Product의 Platform PM 김경민입니다. 이번 글을 통해 무신사가 만들어가는 개인화 인프라와 성과들, 그리고 그 과정에서 맞딱드렸던 문제에 대해서 이야기해보려고 합니다. :)

데이터를 쌓기만 해서는 매출로 연결되지 않습니다.

데이터는 쌓아두기만 해서는 돈이 되지 않습니다. 어떤 데이터가 진정한 '자산'이 되려면, 수익이나 비즈니스 가치를 창출할 수 있어야 합니다. 흔히 데이터를 기업의 가장 큰 자산이라고 말하지만, 활용되지 않는 데이터는 오히려 보관 비용만 발생시키는 짐이 됩니다.

무신사와 29CM는 매일 엄청난 양의 고객 행동 데이터가 생성되고 있습니다. 무신사는 이를 안정적으로 처리할 수 있는 로그 체계와 데이터 파이프라인도 갖추고 있습니다. 그러나 아무리 정교하게 수집된 데이터라도, 적절한 타이밍에 고객에게 활용되지 못하면 한 건의 매출도 만들 수 없습니다.

고로, 데이터는 축적과 분석을 넘어 실행(Engagement)으로 나아가야합니다. 이런 실행을 위해 수많은 변수를 사람이 직접 수기로 결정하게 된다면 모든 변수를 고려하는데 한계가 존재할 수 밖에 없습니다. 다시 말해, 실행을 위해서는 최적의 답을 결정하는 '비즈니스 의사결정 엔진'이 반드시 필요합니다.

이것이 무신사가 단순히 정보를 모아두는 허브를 넘어, **비즈니스 의사결정 레이어로서의 MATCH(Musinsa Audience Targeting & Customer Hub)**를 구축한 이유입니다. 우리는 왜 수집과 분석을 넘어 '실행'이라는 별도의 레이어를 분리해야만 했을까요? 그리고 이 시스템이 무신사의 의사결정 속도를 어떻게 바꾸고 있을까요? 이번 글에서는 그 이야기를 다뤄보려고 합니다.

최적화의 역설 --- 각자의 최선이 반드시 전체의 최선이 아닐 수 있다

MATCH의 출발점은 지금과 사뭇 달랐습니다. 처음 이 문제를 마주했을 때 던져진 질문은 생각보다 단순했습니다.

"CDP(Customer Data Platform)가 필요한가, 필요하다면 어떤 형태여야 하는가."

초기에는 여러 곳에 파편화된 고객 데이터를 한곳에 모으고, 이를 바로 활용할 수 있도록 단순히 서빙해 주는 것만으로도 많은 문제가 풀릴 것이라는 기대가 있었습니다. 마케팅 니즈로 시작된 프로젝트였기에, CRM(Customer Relationship Management) 마케팅 워크플로우와 발송 도구들을 직접 따라가며 실무의 흐름을 깊이 파악해 나갔습니다.

하지만 마케터들의 실무 흐름을 직접 따라가며 마주한 현실은 생각과 사뭇 달랐습니다.

"그래서 이 데이터를 가지고 어떻게 매출을 만들어낼 것인가?"

무신사와 29CM의 비즈니스 규모가 커질수록 이 질문은 더 무거워졌습니다. 온라인과 오프라인, 무신사와 29CM, 플랫폼 안의 메시지·배너·상품·혜택까지. 고객이 만나는 접점이 폭발적으로 늘어날수록, 데이터를 단순 '보유'하는 것보다 그 수많은 맥락과 접점들을 어떻게 최적화해서 비즈니스 임팩트를 극대화 할 것인지가 우리의 더 본질적인 숙제가 되었습니다.

더 나아가 기존의 최적화의 한계도 극복해야 했습니다. 무신사의 각 조직은 이미 저마다의 영역에서 최적화를 훌륭히 해내고 있습니다. CRM은 CRM대로, 배너는 배너대로, 추천 시스템은 추천 시스템대로 고유의 지표를 끌어올리기 위해 가설을 세우고 실험하며 모델을 다듬습니다. 하지만 역설적이게도, 이 개별 최적화는 정교해졌지만 전체 고객 경험에는 여전히 두 가지 갭이 발생했습니다.

첫 번째는 일관성의 격차입니다. 개별 캠페인이 독립적으로 아무리 잘 설계되었을지라도, 한 유저가 특정 시점에 강력한 할인 메시지를 받은 직후, 바로 다음에 감도 높은 브랜드 콘텐츠를 제안받는 현상이 생길 수 있습니다. 유저 입장에서는 맥락 있는 흐름이 아니라, 파편화된 노출을 연속해서 마주할 뿐입니다.
두 번째는 구조적 단절이 만드는 학습의 격차입니다. 마케팅 실험에서 얻은 귀중한 인사이트가 추천 시스템으로 흐르지 않고, 반대도 마찬가지입니다. 결국 동일한 유저를 다루면서도, 각 시스템의 학습 데이터가 저마다의 사일로(Silo) 안에 갇혀 있는 셈입니다.

결국 도메인을 가로질러 의사결정과 피드백을 연결하는 별도의 레이어가 필요하다는 결론에 이르렀습니다. 다시 말해, 기존 CDP가 해결하지 못했던 본질은 데이터 수집의 부재가 아니라, 바로 이 '결정'의 영역이었습니다.

그래서 우리는 "결정"을 다룬다

MATCH는 이 '결정'을 시스템으로 해결하기 위해 설계되었습니다. Musinsa Audience Targeting and Customer Hub라는 이름 그대로, 단순히 데이터를 한데 모아두는 창고에 그치지 않고, 적합한 오디언스를 발굴해 각 고객 접점에서 최적의 비즈니스 의사결정으로 연결하는 레이어를 지향합니다. 작년 7월 저녁 9시 30분에 찍은 사진. 다들 치열하게 고민했었다.

오디언스: 결정의 최소 단위이자 핵심

개인화된 메시지, 매력적인 소재, 완벽한 노출 타이밍 등 마케팅 성과를 높이는 요소는 다양합니다. 하지만 이 모든 결정을 적용할 최종 대상인 '오디언스'가 모호하다면 그 어떤 노력도 비즈니스 성과로 이어지지 못합니다. 아무리 정교한 인공지능 모델과 강력한 서빙 인프라를 갖추었더라도, 타깃이 부정확하면 기술은 힘을 잃고 맙니다. MATCH가 오디언스를 정교하게 가다듬는 작업에 가장 먼저, 가장 깊게 집중한 이유도 바로 이 때문입니다.

기존의 오디언스는 단순히 '규칙(Rule)의 집합'이었습니다. "최근 30일 내 나이키 상품을 조회한 유저", "지난 시즌 세일 기간에 구매한 유저"처럼 마케터가 직접 조건을 정의하고 유저를 추출하는 구조였습니다. 직관적이고 설명하기 쉽지만, 조건을 어떻게 조합하느냐에 따라 결과가 판이하게 달라지는 한계가 있었습니다. 어떤 시그널이 실제 구매 전환과 연결될지 사전에 규칙으로만 정의하기란 불가능에 가깝기 때문입니다.

Rule-based 방식에서는 특정 유저가 동일 시간대에 배정된 다수의 소재에 동시에 매칭되기도 합니다. 이 경우, 해당 유저를 어떤 소재의 오디언스로 배정해야 마케팅 효과를 극대화할 수 있을지 결정하기가 까다로웠습니다. 기존에는 어떤 조합이 최적의 전환율로 이어질지 오롯이 마케터의 경험과 직관에 의존해야만 했습니다.

그렇다면 MATCH는 이 방식을 어떻게 전환했을까요?

MATCH는 규칙 중심에서 소재 반응 여부로 패러다임을 전환한다

MATCH는 이 문제를 해결하기 위해 오디언스의 정의를 완전히 뒤바꿨습니다. Personalization팀은 유저의 과거 행동 데이터와 캠페인 소재의 메타 정보(브랜드, 카테고리, 가격대 등)를 함께 학습하는 모델을 설계했습니다.

이제 타겟팅은 "나이키를 6회 조회한 유저"를 찾는 것에서 "이 나이키 기획전 소재에 가장 잘 반응할 유저"를 AI가 직접 발굴하는 방향으로 전환됩니다. 소재 정보가 입력되면 모델이 각 유저와 소재 간의 적합도를 직접 산출하여 반응 가능성이 높은 유저를 스스로 추려내기 때문에, 마케터는 더 이상 복잡한 규칙을 일일이 정의하거나 소재 충돌을 고민할 필요가 없습니다.

이러한 접근을 통해 MATCH는 단순 오디언스 분류를 넘어, 각 서비스 도메인의 특성에 맞춘 실제 개인화 된 비즈니스 '결정'을 만들어냅니다.

CRM 등 마케팅 채널: 소재 정보를 기반으로 시스템이 가장 적합한 수신자를 선별해 자동으로 발송합니다.
Web/App 내 도메인 서비스 : 유저가 어떤 오디언스 그룹에 속하는지 실시간으로 판별하여, 도메인 담당자들이 데이터에 근거해 원하는 그로스 목표를 최적화할 수 있도록 돕는 서빙 레이어 역할도 수행합니다.

Personalization팀은 데이터의 수집부터 분석, 모델링, 서빙, 사용자 경험에 이르기까지 전 과정을 단일 조직 안에서 책임집니다. [데이터 학습 --- 모델링 --- 서빙]이 하나의 사이클로 매끄럽게 연결되어 있다는 점이 바로 MATCH의 구조적 강점입니다.

그렇다면 이 유기적인 구조는 실제 운영 현장에서 어떻게 적용되었으며, 어떤 변화를 만들어냈을까요?

성과를 넘어, 조직의 의사결정 방식을 재정의하는 일

MATCH의 최적화와 가능성을 검증할 첫 번째 실전 무대는 가장 활용도가 높으면서도 복잡도가 높은 '앱 푸시 채널'이었습니다. 당시 마케팅 현장은 하루에도 수십 건씩 쏟아지는 사업부의 캠페인 요청으로 늘 과부하 상태였습니다. 앞서 언급한 타겟 중복과 소재 충돌이라는 '고차방정식'을 매번 마케터가 온몸으로 막아내고 있었기 때문입니다.

하지만 우리가 주목한 진짜 문제는 단순히 '손이 많이 간다'는 운영상의 비효율이 아니었습니다. 캠페인을 실행할 때마다 소중한 클릭과 구매 데이터가 쌓이지만, 정작 그 결과가 시스템에 누적되지 않는 구조적 한계였습니다.

담당자가 바뀌면 마케팅 자산은 리셋되어 처음부터 다시 시작해야 했고, 수백 번의 캠페인을 집행해도 다음 캠페인의 타겟팅 정확도는 제자리걸음이었습니다. 즉, 실행이 쌓여도 시스템의 지능은 진화하지 않는 구조, 우리는 이것을 해결해야 할 본질적인 핵심 문제로 정의했습니다.

오디언스 최적화와 피드백 루프의 구축

이 문제를 해결하기 위해 처음부터 거창한 개인화를 내세우지는 않았습니다. 대신 데이터가 스스로 순환하는 피드백 루프의 최소 기반을 다지는 것을 첫 마일스톤으로 삼았습니다.

마케터가 캠페인 소재와 기본적인 조건만 등록하면, AI/ML 모델이 소재에 맞는 타겟팅과 디타겟팅을 알아서 처리합니다. 나아가 발송 후 얻은 유저의 반응 시그널로 다음 캠페인의 정확도를 높이는 자동화된 선순환 구조를 설계했습니다.

이 과정에서 가장 깊이 고민한 지점은 **'사람과 시스템의 의사결정 책임 경계를 어디에 그을 것인가'**였습니다. 이에 따라 '소재 기획과 최종 검토는 마케터가, 타겟 선별과 발송 실행은 시스템이 담당한다'는 명확한 기준을 세웠습니다. 이 경계선을 매끄럽게 잇고자, 현업 조직이 수년간 쌓아온 판단 기준을 시스템이 이해할 수 있는 언어로 번역하는 작업에 공을 들였습니다.

그 결과, 기존에 외부 솔루션에 의존해 수동으로 운영하던 프로모션 푸시 전반을 MATCH 파이프라인으로 전면 전환했습니다. 현재 상당한 규모의 앱 푸시 메시지가 MATCH의 개인화 ML 모델 위에서 자동으로 최적화되어 발송됩니다. 타겟팅이 한층 정교해지면서 클릭률과 기여 거래액 모두 꾸준히 우상향하는 유의미한 성과를 거두고 있습니다.

하지만 MATCH가 이뤄낸 가장 값진 결실은 단순히 눈에 보이는 숫자를 개선한 것이 아니라, 조직의 일하는 방식을 완전히 바꾼 것입니다.

반복되던 타겟 추출 업무를 시스템에 맡기면서, 마케터는 더 큰 비즈니스 그림을 그리는 전략 수립과 기획에 전념하게 되었습니다. MATCH는 테크와 비즈니스의 접점에서 구성원에게는 마음껏 역량을 펼칠 무대를, 고객에게는 매끄러운 쇼핑 경험을 제공하며 커머스 운영의 패러다임을 새로운 방향으로 바꾸어 나가고 있습니다.

다음 과제, 그리고 우리가 만들고 있는 정체성

MATCH는 이제 막 본격적인 궤도에 오른 시스템이기에, 우리에게도 여전히 치열하게 씨름 중인 질문들이 많습니다.

데이터가 충분한 대형 브랜드는 AI 모델이 알아서 잘 다룹니다. 하지만 우리가 전략적으로 키워야 할 신생 카테고리나 신생 브랜드는 아직 데이터 시그널이 부족합니다. 눈앞의 전환율 공식만 기계적으로 따른다면 강자만 더 강해지는 '승자독식' 구조가 고착될 수 있습니다. 비즈니스 인풋과 최적의 아웃풋 사이에서 우리만의 철학적인 균형점을 설계하는 것, 이것이 모델링 알고리즘을 넘어 우리가 풀고 있는 첫 번째 숙제입니다. Inbox Optimizer와 CRM 최적화 방향성

하루에도 수십 개의 캠페인이 쏟아지는 상황에서 유저의 메시지 피로도를 제어하는 것도 핵심 과제입니다. 우리의 해답은 캠페인 가짓수를 억지로 줄이는 소극적인 방식이 아닙니다. 수많은 캠페인 중 각 유저에게 가장 적합한 메시지 조합을 시스템이 정교하게 골라내는 '인박스 옵티마이저(Inbox Optimizer)'의 구축입니다. 이는 발송 효율을 넘어 유저가 브랜드를 경험하는 방식 자체를 새롭게 설계하는 도전입니다.

결론적으로 MATCH는 사람의 개입이 전혀 없는 완벽한 자동화를 목표로 하는 '블랙박스'가 아닙니다. 모델과 비즈니스 정책, 실제 운영과 검증이 유기적으로 맞물려 돌아가는 '의사결정 프레임워크'에 가깝습니다. 사람과 시스템이 가장 조화롭게 협업하는 방식을 설계하는 일이며, 정해진 정답이 없기에 결코 쉽지 않은 여정입니다.

누가 어떤 결정 권한을 가질지, 그 결과를 어떻게 측정하고 다음 의사결정에 어떻게 투영할지 고민하며 사람과 시스템이 가장 조화롭게 협업하는 방식 을 설계하는 일입니다.

이 일이 결코 쉽지 않은 이유는 정해진 정답이 없기 때문입니다. MATCH를 만들어온 여정은 "이 제품을 왜 우리가 직접 만들어야 하는가"를 사내에 끊임없이 증명하는 과정이기도 했습니다. Databricks나 Braze 같은 글로벌 솔루션이 이미 탄탄하게 갖춰진 조직 안에서, 우리의 자체 구축 선택이 왜 다른 대안보다 더 나은지를 명확하게 설명하고 설득해야 했습니다.

비즈니스의 갈증을 시스템 요구사항으로 정밀하게 번역하고, 마케터·엔지니어·데이터 사이언티스트가 한데 모여 시스템의 경계를 치열하게 조율하며, 실험 결과를 다음 결정에 곧바로 반영하는 사이클. 이 과정에서 겪은 수많은 시행착오 자체가 팀의 거대한 자산이자 배움이었습니다.

MATCH가 아직 모든 답을 갖고 있지 않다는 것은, 반대로 말하면 이 시스템 위에서 우리와 함께 다음 질문을 던지고 정답을 만들어갈 동료가 필요하다는 뜻이기도 합니다.

이번 MATCH 시리즈는 총 7부작에 걸쳐 이 고민의 과정을 입체적으로 풀어낼 예정입니다. 마케터 인터페이스 설계에 관심 있다면 MATCH 콘솔과 AI 어시스턴트 MAI (2편)부터, CRM 도입 현장의 의사결정 과정이 궁금하다면 CRM 도메인 적용기 (3편)부터, 대규모 실시간 서빙 아키텍처를 들여다보고 싶다면 Audience API 구축 과정 (4·5편)부터, 개인화 모델이 어떻게 설계되고 검증됐는지 보고 싶다면 개인화 모델의 설계 방식(6·7편)부터 읽어보시길 권합니다. 어디서 시작하든, 이 시리즈 전체는 하나의 질문으로 이어집니다 --- 데이터를 어떻게 더 나은 결정으로 바꿀 것인가.

데이터를 비즈니스 가치로 전환하는 무신사 테크와 Personalization팀의 여정에 앞으로도 많은 관심 부탁드립니다.

TEAM MUSINSA CAREER

Personalization팀은 무신사, 29CM, 글로벌 등 팀 무신사의 다양한 서비스에서 개인화 경험을 책임지고 있습니다. 단순히 추천 모델을 개발·서빙하는 것을 넘어, 고객의 행동과 취향을 깊이 이해하여 제품, 콘텐츠, 캠페인 전반에 걸친 맞춤형 경험을 구현합니다. Personalization팀은 데이터엔지니어, 데이터사이언티스트, 머신러닝엔지니어, 백엔드엔지니어, 프론트엔지니어가 한 팀에서 end-to-end로 협업하는 조직입니다. 고객 행동 데이터 정의·수집·집계부터 페르소나 및 세그먼트 개발, 대규모 임베딩 기반 모델링, 실시간 타겟팅 API와 자동화된 캠페인 생성까지 전 과정을 직접 설계하고 운영합니다. 대규모 분산 시스템과 최첨단 머신러닝 기법을 활용하여 방대한 고객·상품·콘텐츠 신호를 통합적으로 해석하고, 이를 개인화 메시징, 배너 최적화, 유저 페르소나 추출 등 다양한 서비스 경험에 연결합니다. Personalization팀은 기술과 데이터를 바탕으로 고객의 쇼핑 여정을 한층 더 즐겁고 의미 있게 만드는 데 집중하고 있습니다. 🚀 Backend Engineer (Personalization) 🚀 Backend Engineer (Core Ads Platform) 🚀 Machine Learning Engineer (AdTech/MarTech)

MATCH란 무엇인가 was originally published in MUSINSA techblog --- 무신사 테크 블로그 on Medium, where people are continuing the conversation by highlighting and responding to this story.