본문으로 건너뛰기

기능을 더하기 전에 문제부터 바꿨다: 코디 앱에서 구매 리스크 체커로

강진태

2026.08.11

📝 한 줄 요약

무엇을 입을지 추천하던 앱에서 “지금 이 상품을 사도 되는가”라는 더 강한 문제를 발견하고, 장바구니 상품의 중복·활용도·가격·날씨 적합성을 점검해 구매 판단 근거를 보여주는 도구로 피벗했다.

바쁘시면 이것만 읽어도 돼요: - 목표: 기능을 더하기 전에 문제부터 바꿨다: 코디 앱에서 구매 리스크 체커로 - 핵심 과정: 코디 추천에 집중했다 → 구매 위험 판단 근거를 보여주도록 바꿨다 - 검증 경계: 내부 점수를 객관적인 구매 정답처럼 제시하지 않는다.

🎯 이런 분께 도움돼요

  • 기능은 많지만 사용 이유가 약한 제품을 운영하는 분

  • AI 추천을 구매 결정 지원으로 바꾸고 싶은 분

  • 피벗을 감으로 하지 않고 코드와 체크리스트로 남기고 싶은 분

😫 문제 상황

초기 제품은 날씨와 옷장을 바탕으로 코디를 추천했다. 기능은 동작했지만 사용자가 매일 반드시 열어야 할 이유가 충분한지는 불확실했다.

반면 쇼핑 중에는 더 직접적인 질문이 생긴다.

  • 비슷한 옷이 이미 있나?

  • 내 옷장과 몇 가지 코디가 가능한가?

  • 가격에 비해 자주 입을까?

  • 지금 계절과 날씨에 맞나?

  • 할인 때문에 충동구매하는 것은 아닌가?

“오늘 무엇을 입지?”보다 “이걸 지금 사도 될까?”가 더 구체적이고 결과도 측정하기 쉬운 문제였다.

🛠️ 사용한 도구

  • Python 기반 앱

  • 상품 입력과 카탈로그

  • 장바구니 리스크 모델·점수 계산

  • 옷장 중복·매칭 분석

  • 분석 결과 저장

  • 구매 결정 UI

  • 제품 로드맵과 피벗 의사결정 체크리스트

  • AI 도구/모델: 현재 공개 근거에서 확인되지 않음

🔧 작업 과정

피벗의 출발점은 기존 앱에 기능을 더해달라는 요청이 아니었다.

날씨에 맞는 옷 추천보다, 장바구니의 옷을 정말 사도 되는지 판단하는 데 더 직접적인 도움을 주는 제품으로 바꿔줘.

사용자가 궁금한 것은 “무엇을 입을까”보다 “이 옷을 사도 후회하지 않을까”에 가까웠다. 그래서 추천 정확도 대신 중복 보유, 활용 가능성, 충동구매 위험과 확인 질문을 중심으로 요구사항과 화면 흐름을 다시 짰다.

1. 기존 기능이 아니라 사용자의 결정을 다시 정의했다

추천 결과를 더 예쁘게 만드는 대신 사용자가 결제 직전에 무엇을 궁금해하는지 정리했다. 결과는 단순 추천 목록이 아니라 “구매, 보류, 사지 않기” 판단에 필요한 근거여야 했다.

2. 위험 요소를 분리해 점수화했다

상품 가격, 옷장 내 유사 아이템, 예상 활용도, 코디 가능성, 계절 적합성 등을 독립 신호로 다뤘다. 총점만 보여주지 않고 어떤 요인이 위험을 높였는지 설명하도록 했다.

3. 분석·저장·UI를 분리했다

상품과 옷장 정보를 다루는 규칙, 점수 계산, 저장, 화면을 모듈로 분리했다. 점수 규칙을 바꿔도 화면 전체를 다시 만들지 않기 위해서다.

4. 피벗 자체를 추적 가능한 결정으로 남겼다

제품 로드맵, 의사결정 체크리스트, 방향 전환 판단표, 검증 체크리스트를 함께 만들었다. “새 아이디어가 더 재미있어서”가 아니라 어떤 문제와 검증 기준 때문에 방향을 바꿨는지 남겼다.

🧩 막혔던 점

  • 객관적인 구매 정답은 없고 사용자의 취향과 예산이 다르다.

  • 점수가 정교해 보여도 입력 데이터가 부정확하면 결과를 믿기 어렵다.

  • 기존 날씨 코디 기능을 모두 버리면 이미 만든 자산을 잃는다.

그래서 점수를 판결이 아니라 설명 가능한 신호로 사용했다. 기존 옷장·코디·날씨 기능은 구매 활용도를 판단하는 입력으로 재사용했다.

✅ 결과

  • 제품의 중심 질문이 코디 추천에서 구매 위험 판단으로 바뀌었다.

  • 상품 분석, 위험 점수, 저장, 결과 화면이 구현됐다.

  • 기존 옷장 매칭 기능이 구매 판단 근거로 연결됐다.

  • 피벗 이유와 검증 기준이 문서로 남았다.

실제 절약 금액이나 구매 후회 감소율은 아직 측정하지 않았다. 그 수치는 사용 기록을 쌓은 뒤에만 말할 수 있다.

Before vs After

항목

Before

After

작업 방식

코디 추천 중심

구매 위험 판단 근거 중심

💬 이 과정에서 배운 AI 활용 팁

효과적이었던 것

  • 피벗은 기존 결과물을 버리는 일이 아니라 더 강한 문제에 재배치하는 일이다.

  • AI 점수는 정답처럼 보일수록 근거와 수정 가능성이 필요하다.

  • 기능 수보다 사용자가 내리는 결정 하나를 얼마나 잘 돕는지가 중요하다.

  • 제품 방향 변경도 요구사항과 검증 기준이 있어야 반복 가능한 학습이 된다.

이렇게 하면 안 돼요

내부 점수를 객관적인 구매 정답처럼 제시하지 않는다.

🌍 다른 업무에 적용한다면?

구독 서비스, 소프트웨어 도입, 장비 구매 판단에도 적용할 수 있다.

🚀 다음 계획

실제 장바구니 10건 이상을 기록해 추천과 최종 구매 결과, 구매 후 만족도를 비교하고 점수 규칙을 보정할 예정이다.

📋 재사용 프롬프트

현재 제품은 [기존 기능]을 제공하지만 반복 사용 이유가 약해. 사용자가 실제로 돈·시간·위험을 걸고 내리는 결정을 찾아줘.

기존 기능 중 재사용 가능한 자산을 정리하고, 새 핵심 결정에 필요한 입력·점수·설명·사용자 수정·검증 지표를 설계해줘. 피벗 전후의 가설과 중단 기준도 함께 작성해줘.

🖼️ 게시 전 체크

  • 피벗 전 날씨 코디 화면

  • 피벗 후 장바구니 위험 분석 화면

  • 같은 상품의 점수 근거 예시

  • 실제 구매·보류 사례 3건

추천 이미지: - 문제 상황: 기존 방식의 불편을 보여주는 합성 화면 - 작업 과정: 입력→판단→검증 흐름도 - 결과: 실제 정보가 제거된 합성 결과 화면

1

함께 이야기해요 1

로그인하고 댓글을 남겨 주세요

Giacomo 프로필 이미지
Giacomo2026.08.16

‘오늘 무엇을 입지?’에서 ‘이걸 지금 사도 될까?’로 질문을 바꾼 순간, 기존 기능이 왜 다시 쓰이는지 선명해졌어요. 가격·유사 아이템·활용도·코디 가능성·계절 적합성을 하나의 판결로 숨기지 않고 각 신호의 이유를 보여주고, 옷장·날씨 기능은 새 구매 판단의 입력으로 재사용했습니다.

이 글의 좋은 점은 피벗을 새 아이디어의 흥분으로 설명하지 않은 데 있어요. 아직 확인하지 않은 절약 금액이나 구매 후회 감소율을 현재 성과로 당겨 쓰지 않았고, 실제 장바구니 10건 이상에서 추천과 최종 구매, 구매 후 만족도를 비교하는 장면을 다음 검증으로 남겼습니다.

점수를 정답이 아니라 사용자가 고칠 수 있는 신호로 둔 판단이 믿음직했습니다. 기존 자산을 버리지 않고 더 강한 사용자 결정에 다시 배치한 과정이 피벗의 이유를 설득력 있게 남겼어요.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요