범용 이미지 검색 · 감(感)에 의존한 발주
수집한 이미지를 가리지 않고 그대로 벡터화해 정면·측면·디테일·착용컷이 섞이면 비교 기준이 흔들리고, 발주수량은 담당자의 기억과 엑셀 몇 장에 의존해 정해집니다.
Visual & Attribute Intelligence · AI Vector
이미지와 속성으로 유사성을 판별해,
발주 결정까지 잇습니다
OnDo AI Vector는 상품 이미지에서 정면 사진을 자동으로 골라 벡터로 바꾸고, 상품 속성을 자동으로 태깅해 과거 유사·호조 상품과 비교합니다. 이미지로 산출한 유사도와 속성으로 산출한 유사도가 만나, 판매수량 예측과 발주수량 확정까지 하나의 흐름으로 이어집니다.
정면판별·오토태깅 자동화 · 이미지·속성 두 갈래 유사도 매칭 · 예측 판매수량을 목표판매율로 역산한 발주수량 제시 · 모든 자동판단은 확정 전 사람이 검토
- 100개+배치당 신규 상품평균 규모 · 매주 자동 수집
- 1000장+배치당 신규 이미지정면판별 → 벡터화 자동 처리
- 10종 내외자동 태깅 속성 항목기장·핏·소재 등 품목별 AI 추천
- 10자리+판별 신뢰도 정밀도Confidence Score 소수점 기준
- 100%목표판매율 조정 범위1~100% 사이 자유 설정, 발주량 역산
- 2가지유사도 산출 방식이미지 벡터 · 속성 가중치 동시 지원
※ 위 수치는 OnDo AI Vector가 실제 운영 중인 정면이미지 판별·벡터화 및 속성 태깅·판매수량예측 배치의 처리 규모·설정 범위 지표입니다. 고객사·브랜드명 등 식별 정보는 비공개로 유지합니다.
The Problem
유사 상품을 찾는 일과,
얼마나 만들지 정하는 일은 같은 질문이었습니다
상품 하나에도 이미지가 수십 장씩 쌓이고, 다음 시즌 신상품이 과거 어떤 상품과 유사한지는 담당자가 눈으로, 감으로 판단해 왔습니다. 정면 사진을 고르는 것도, 속성을 태깅하는 것도, 발주수량을 정하는 것도 결국 '무엇과 유사한가'라는 하나의 질문에서 출발합니다. OnDo AI Vector는 이 질문에 이미지와 속성 두 갈래로 답하고, 그 답을 발주 결정까지 잇습니다. 그럴듯하게 유사해 보이는 게 아니라, 점수로 증명된 유사성만 남깁니다.
Why It's Different
그냥 '비슷해 보이는' 것이 아니라,
점수로 증명하는 유사성
이미지든 속성이든, 수집한 데이터를 가리지 않고 그대로 쓰면 비교 기준이 흔들립니다. OnDo AI Vector는 유사도를 계산하기 전에 반드시 '무엇을 기준으로 삼을지 먼저 정하는 단계'를 거칩니다.
정면 우선 파이프라인 · OnDo AI Vector
신뢰도(Confidence Score) 최고값으로 정면 이미지를 먼저 확정한 뒤 벡터화하고, AI가 태깅한 속성을 가중치로 비교해 과거 유사·호조 상품의 실적을 근거로 예측 판매수량을 산출합니다. 최종 결정은 항상 담당자가 내립니다.
- 정면 우선 판별
- 속성 가중치 유사도
- 호조·부진 패턴 분석
- 목표판매율 역산
- 신뢰도 스코어 기반
- 최종 결정은 사람
One Question, Two Engines
같은 질문에, 두 가지 방식으로 답합니다
'무엇과 유사한가' — OnDo AI Vector는 이 질문에 이미지 자체의 시각적 유사도와, 태깅된 속성의 조합 유사도로 각각 답합니다. 서로 다른 근거가 만나 더 견고한 판단을 만듭니다.
Visual Match
이미지 유사도 — 보이는 대로 비교합니다
정면으로 확정된 상품 이미지를 벡터로 변환해, 시각적으로 가장 유사한 상품을 거리 기반으로 찾습니다. 실루엣·색감처럼 이미지 자체가 담은 정보를 그대로 비교합니다.
- 신뢰도 점수 기반 정면 자동판별
- 벡터 거리 기반 유사 이미지 검색 API
Attribute Match
속성 유사도 — 태깅된 특징으로 비교합니다
AI가 품목별로 태깅한 기장·소재·핏 같은 속성을 항목별 가중치로 비교해, 구조적으로 유사한 상품을 찾습니다. 과거 판매 실적과 연결하면 예측까지 확장됩니다.
- 품목별 속성 가중치 기반 매칭 점수
- 호조·부진 상품 패턴을 근거로 한 판매수량예측
공유하는 설계 원칙
이미지든 속성이든, 같은 신뢰 구조를 거칩니다
AI가 먼저 판단한 원본이 있고, 사람이 검수해 만든 최종본이 있고, 그 사이의 모든 변경은 이력으로 남습니다. 확정된 판단은 함부로 덮어써지지 않도록 잠그고, 되돌릴 때도 그 과정이 기록됩니다. 이미지로 찾든 속성으로 찾든, 최종 결정 전에는 반드시 사람의 눈을 거칩니다.
Capabilities
두 엔진이 하는 일
이미지를 벡터로 바꾸고 속성을 태깅하는 것에서 끝나지 않습니다. 판별·매칭·예측·보정까지 한 루프로 묶습니다.
이미지 유사도
정면 스냅샷 자동 추출
자사·경쟁사 상품 이미지 중 신뢰도 점수가 가장 높은 한 장을 정면 이미지로 자동 선별합니다.
이미지 벡터화 API
이미지 파일을 입력하면 해당 이미지의 벡터화된 값을 즉시 반환합니다.
유사 이미지 검색 API
이미지 파일을 입력하면 유사도 점수를 포함한 유사 상품 목록을 반환합니다.
판매수량예측
품목별 AI 속성 자동 태깅
이미지와 상품 정보를 바탕으로 기장·소재·핏 등 속성을 품목별로 자동 추천합니다.
속성 가중치 유사상품 매칭
태깅된 속성을 항목별 가중치로 비교해, 과거 판매 상품 중 구조적으로 가장 유사한 것을 찾습니다.
호조·부진 패턴 리포트
잘 팔린 상품과 부진한 상품 각각의 공통 속성을 AI가 자연어로 요약해 근거를 제시합니다.
트렌드 적합도 스코어링
시즌별 트렌드 리서치 결과를 기준으로, 상품별 적합도를 실루엣·소재·컬러 등 항목별로 점수화합니다.
목표판매율 기반 발주 역산
예측 판매수량을 목표판매율로 나눠 권장 발주수량을 자동 계산하고, 담당자가 즉시 조정할 수 있습니다.
단계별 잠금과 이력 관리
업로드·태깅·수량확정 각 단계를 상태로 관리하고, 확정 후에는 잠가 실수 수정을 막습니다.
예시 데이터데모의 화면과 수치는 모두 예시입니다.
04 / TOOLS직무별 AI 도구
직무에 맞는 AI 도구
기획부터 영업까지, 같은 데이터 위에서 각 직무가 바로 쓰는 도구로.
01
수입 직무
AI판매수량예측
오더시트(엑셀)와 상품 이미지를 올리면 속성을 자동 태깅하고, 유사 속성 상품의 과거 실적을 학습해 시즌 판매수량과 추천 발주량을 예측합니다. 업로드 → 오토태깅 → 수요예측까지 한 흐름으로 이어집니다.
1데이터 업로드오더시트 · 상품 이미지
2속성 오토태깅AI 자동 속성 추출
3수요예측판매수량 · 트렌드
본국 자료 업로드오더시트(엑셀)와 상품 이미지(ZIP)를 올리면 자동으로 매칭·적재됩니다
📊
오더시트 (XLSX)
클릭 또는 드래그 · XLSX 최대 50MB
XLSXBLANC_27E_order.xlsx6행
🗂️
상품 이미지 (ZIP)
클릭 또는 드래그 · ZIP/JPG 최대 500MB
ZIPBLANC_27E_images.zip12장
📋 통합 상품 리스트 오더시트 ↔ 상품 이미지 자동 매칭 · 6 SKU
이미지V-STYLE · 컬러카테고리 · 품목사이즈혼용율WHLS($)RETAIL($)상태
V136584815001 BLK니트 · 크루넥 풀오버XS–XLWOOL 70 / NYLON 30128295정상
V136684798137 OWT니트 · 라운드넥S–XLWOOL 100135310정상
V136684799944 TUR니트 · 케이블 풀오버XS–LCASHMERE 30 / WOOL 70142330정상
V132713134242 COS코트 · 랩 코트S–LWOOL 80 / NYLON 20268620정상
V137084800466 AMA니트 · 와플 텍스처XS–XLCOTTON 60 / WOOL 40119275정상
V137084801946 SIE니트 · 페어아일 패턴S–LWOOL 100156360정상
파일명 V-STYLE_COLOR 규칙으로 이미지가 오더시트 행과 자동 매칭됩니다
속성 오토태깅상품 이미지에서 AI가 속성을 자동으로 추출·태깅합니다
상품 이미지
이미지에서 AI가 자동 추출한 속성
품목코트96%
기장미디92%
카라형태노치드 라펠89%
클로저랩 · 벨트87%
소매셋인 슬리브90%
핏릴렉스드84%
컬러카멜95%
소재울 블렌드88%
수요예측태깅된 속성으로 판매수량·판기·트렌드를 예측합니다
사이즈별 예측 분포 SKU 배분
XS8%
S24%
M38%
L22%
XL8%
주차별 판매 트렌드 피크 3월 2주
2027 SS · 3월 2주 최대 판매
⚠유사 속성(카멜 미디 코트) 상품 대비 초기 4주 판매가 가팔라 조기 소진 위험 — 발주 12% 상향(1,400장) 및 M·L 사이즈 비중 확대 권장.
업무 흐름 자동 시연
03 / ANALYTICS데이터 분석 · DASHBOARD
데이터를 의사결정으로
흩어진 사내·외부 데이터를 대시보드로. 고객을 이해하고, 상품평을 읽고, 경쟁사를 추적합니다
실제 운영하는 분석 화면을 그대로 재현했습니다.
전사 기준월 2026.06 · 당월
TOTAL오프라인온라인교차
구매 고객수
8.1만명
▼ 32.5% · -3.9만
재구매 고객
5.3만명
▼ 26.2% · -1.9만
신규 첫구매
8,110명
▼ 27.4% · -3,060
이탈 고객
44.4만명
▲ 13.4%
회원 매출
292.9억원
▼ 24.9% · -97억
구매 인식률
58.1%
▼ 0.4%
성별·연령 분포 남 23,133명(28.5%) · 여 58,060명(71.5%)
~29
30–34
35–39
40–44
45–49
50–54
55–59
60–64
남성여성
고객 흐름 첫구매 → 재구매 → 이탈
첫구매 고객
1.1만명 → 재구매 5.3만명
재활성 고객
1.7만명
구매 건당 금액
232천원
BEST 매장 구매 고객수 순
매장구매고객 · 매출
1노르데 온라인몰39,793182억
2노르데 강남점5,89431억
3노르데 현대판교1,6349억
4아틀리에엠 명동1,2106억
5블랑 롯데잠실9825억
BEST 상품 매출 순
스타일코드 · 상품매출 · 고객수
1NDPK5A201IV · 코튼 피케 폴로88백만586
2NDSW5B118NV · 시그니처 니트79백만468
3ATJU5B062BK · 테일러드 자켓70백만124
4BLPA5A235BG · 와이드 슬랙스68백만326
5NDDR5B405WT · 플리츠 원피스65백만274
고객 분석 시스템 · 브랜드 SUMMARY / 교차구매 / 구매패턴 / 상위고객 등 9개 리포트
NORDÉ 상품평 4,325건 · STCL 290 · 24SS~
고객 기준STCL 기준
Score · 종합 평점
4.7
★★★★★
Reviews · 주차별 추이
W-5 → W · 최근 4주 상승
Emotion · 감성 분석
4,325REVIEWS
긍정 2,812 · 65%
부정 575 · 13.3%
중립 938 · 21.7%
[NORDÉ] 시그니처 코튼 피케 폴로셔츠
NDPK5A201IV · GPT 상품평 요약
핵심구매요인소재 촉감 · 핏 · 색감 — “사계절 입기 좋은 두께”
만족점착용감(부드러움), 무난한 데일리 핏, 세탁 후 변형 적음
불만점사이즈가 정사이즈보다 작게 나옴 — 한 치수 업 추천
AI 예상점수88.4 / 100 · 재구매 의향 높음
GPT가 4,325건 상품평을 요약·감성분류 · 상품평 BEST·재수행 지원
경쟁사 · URBN자사 · NORDÉ카테고리 · 셔츠소재 · 전체⬇ EXCEL DOWN
URBN-10%
URBN-15%
URBN-20%
URBN-10%
경쟁사 자사몰을 자동 수집 → 카테고리·정상가/할인가·핏·소재·원산지로 정형화
How It Works
수집에서 발주까지, 7단계로 잇습니다
이미지와 오더시트를 모아 정면을 고르고 속성을 태깅한 뒤, 이미지와 속성 두 갈래로 유사도를 계산합니다. 그 결과는 판매수량예측을 거쳐 발주수량 확정까지 이어지고, 사람은 각 단계에서 결과를 확인하고 필요할 때만 고칩니다.
수집
자사·본사 상품 이미지와 오더시트 정보를 자동으로 수집합니다.
정면판별·속성태깅
신뢰도 점수로 정면 이미지를 확정하고, 품목별 AI가 속성을 자동으로 태깅합니다.
벡터화·속성매칭
정면 이미지는 벡터로, 태깅된 속성은 가중치로 변환해 각각 유사도를 계산합니다.
패턴 분석
호조·부진 상품의 공통 속성을 AI가 자연어 리포트로 요약합니다.
수량 예측
유사상품과 트렌드 적합도를 종합해 예측 판매수량과 신뢰 구간을 산출합니다.
발주 확정
목표판매율로 역산한 권장 발주량을 담당자가 검토해 최종 확정합니다.
보정
모든 자동판별·예측 결과는 확정 전까지 언제든 사람이 되돌릴 수 있고, 변경 이력이 남습니다.
정면 판별과 속성 태깅은 유사도 계산보다 먼저 일어납니다 — 그래서 이미지로 찾든 속성으로 찾든 기준 자체가 흔들리지 않습니다.
Industry Benchmark
유사성을 판별하는 것도, 발주를 정하는 것도
업계는 이미 이렇게 풀고 있습니다
글로벌 이커머스와 리테일 업계는 시각 검색과 AI 기반 수요예측을 이미 상품 발견·발주 결정의 기본 기능으로 채택했습니다. OnDo AI Vector는 같은 기술 축 위에서, 사내 MD 프로세스에 맞춘 전처리와 데이터 주권을 더했습니다.
Fashion Visual Search
패션 특화 비주얼 서치 SaaS
Syte, Vue.ai 같은 서비스는 딥 태깅과 벡터 유사도로 상품 사진 한 장을 카탈로그의 비슷한 SKU에 매칭합니다. '패션 이미지 유사도 검색'이라는 카테고리 자체를 만든 대표 사례입니다.
Managed Cloud Vision
빅테크 관리형 이미지 검색
Google Cloud Vision Product Search는 후속인 Vision Warehouse로 전환 중이며, AWS Rekognition은 객체·얼굴 매칭에 강점이 있습니다. 상품 유사도 검색에는 두 서비스 모두 별도 설계가 필요합니다.
Domestic Case
국내 이커머스 이미지 검색
네이버 쇼핑렌즈는 촬영 대상을 '상품'으로 인식하고, 패션 카테고리는 색상·질감·로고 같은 속성을 결합해 유사 상품을 매칭합니다. 카메라 한 장으로 검색이 끝나는 경험을 대중화했습니다.
Vector Infra Layer
벡터 검색 인프라 계층
Pinecone·Milvus·Weaviate·Qdrant 같은 벡터DB가 CLIP 계열 임베딩을 대규모로 근사 최근접 검색합니다. OnDo AI Vector도 이 계층 위에서 자체 벡터DB에 정면 이미지 임베딩을 적재·검색합니다.
Demand & Buy Optimization
AI 기반 수요예측·발주 최적화
글로벌 리테일 플래닝 플랫폼은 과거 판매 패턴과 외부 신호를 학습해 발주·재고 의사결정을 자동화합니다. 데이터 기반으로 소량 다품종을 빠르게 검증·확대 생산하는 패스트패션 업계의 전략도 대표적 사례로 꼽힙니다.
Positioning
OnDo AI Vector가 다른 지점
범용 API는 일반 상품에 최적화돼 있고, 외부 SaaS는 이미지와 데이터를 사외 클라우드로 보내야 합니다. OnDo AI Vector는 정면 판별과 속성 태깅을 자체 알고리즘으로 수행하고, 이미지·속성·예측 이력을 처음부터 끝까지 사내 인프라에 둡니다.
우리 결론
같은 기술 축, 다른 전제
유사도 계산과 수요예측 자체는 업계 표준 기술입니다. OnDo AI Vector가 더한 것은 '무엇을 비교 기준으로 삼을지'를 먼저 정하는 판단 단계와, 그 판단을 예측·발주 결정까지 잇되 최종 승인은 항상 사람이 내리는 운영 구조입니다.
※ 위 사례는 각 사가 공개한 자료를 바탕으로 한 일반적인 설명이며, 실제 성능·가격·정책은 각 서비스의 최신 공식 자료를 기준으로 확인하시기 바랍니다. OnDo AI Vector와 제휴·기술제공 관계에 있음을 의미하지 않습니다.
Measured, Not Just Claimed
정면 판별도, 발주 근거도
점수와 이력으로 증명합니다
OnDo AI Vector는 정면 이미지 자동판별과 속성 태깅·판매수량예측에 각각 신뢰도를 부여하고, 그 정밀도와 운영 규모를 그대로 기록·공개합니다.
| 배치 주기 | 매주 자동 실행 · 원천 수집, 정면판별, 오토태깅 배치를 순차 처리 |
|---|---|
| 처리 규모 | 배치당 신규 상품 평균 100개 내외 · 이미지 약 1,000장 |
| 판별 정밀도 | Confidence Score를 소수점 10자리 이상으로 산출, 모니터링 화면은 1자리로 반올림해 표시 |
| 태깅 항목 | 품목별 최대 10개 내외 속성(기장·핏·소재·패턴 등)을 AI가 자동 추천, 담당자가 수정 |
| 발주 산출식 | 권장 발주수량 = 예측 판매수량 ÷ 목표판매율(기본값에서 자유롭게 조정 가능) |
| 상태 관리 | 업로드 → 태깅 → 수량확정 3단계로 진행 상태를 관리하고, 확정 후에는 조회만 가능하도록 잠금 |
| 저장 방식 | 상품 ID 기준 INSERT/UPDATE 처리로 중복 없이 관리 |
| 커버리지 | 자사 전 브랜드 + 라이선스 브랜드 다수, 남녀 소스 데이터를 분리 관리 |
- 브랜드마다 사이트 구조가 달라, AI 정면판별과 URL 패턴 파싱을 상황에 맞게 혼용해 판별 정확도를 확보했습니다.
- 동일 상품에 정면 이미지가 중복 활성화될 수 있는 예외 케이스를 자체 점검으로 발견해, 하나만 유지되도록 제약을 보강하는 중입니다.
- 예측 결과에는 표본 크기 기반 신뢰도를 함께 표시해, 근거가 약한 예측을 과신하지 않도록 설계했습니다.
- 확정된 발주수량은 잠가 실수로 덮어써지지 않게 하고, 되돌리려면 명시적인 취소 절차를 거칩니다.
- 자동판별·자동예측 결과는 화면에서 언제든 사람이 확인하고 즉시 되돌릴 수 있습니다.
※ 브랜드명 등 고객사 식별 정보는 비공개로 유지하며, 위 수치는 실제 운영 배치의 처리 규모·정밀도·설정 범위 기준입니다.
Roadmap
정면 판별 파이프라인에서,
이미지·속성 통합 인텔리전스로
이미지 유사도 검색과 오토태깅·판매수량예측은 이미 각자의 업무 화면으로 오픈되어 실사용 중입니다. 다음 단계는 두 엔진을 더 깊이 연결하는 것입니다.
- STAGE 0 · 완료
두 파이프라인 설계
정면판별 알고리즘과 품목별 속성 태깅 체계를 설계하고, 저장 스키마를 확정한 뒤 자사·본사 이미지·오더시트 데이터를 초기 적재했습니다.
- STAGE 1 · 완료
오토태깅·수요예측 업무 화면 오픈
자료 업로드부터 속성 태깅, 판매 시점 입력, 수량 확정까지 이어지는 업무 화면을 오픈해 담당자가 실사용 중입니다.
- STAGE 2 · 지금
이미지·속성 유사도 동시 운영
이미지 벡터 유사도 검색과 속성 가중치 기반 판매수량예측이 각각 매주 자동 배치로 운영되며, 화면 수동 보정을 병행하고 있습니다.
- STAGE 3 · 다음
두 엔진 통합 확장
이미지·속성 유사도를 함께 활용하는 통합 매칭과, 중복 방지·발주 자동화 고도화를 진행합니다. 검색·예측 API를 사내 다른 시스템과 연동합니다.
Governance & Trust
이미지도, 판단 이력도 사내에 남습니다
이미지와 판매 데이터를 다루는 만큼, 원본과 판단 근거를 외부로 내보내지 않는 것이 설계의 전제입니다.
데이터 주권
원본 이미지, 벡터, 태깅·예측 결과는 모두 사내 데이터베이스에 저장되며 외부로 나가지 않습니다.
사람 승인 루프
자동판별·자동예측 결과는 화면에서 사람이 언제든 확인·수정할 수 있고, 최종 반영 여부는 담당자 판단을 거칩니다.
단계별 잠금
업로드 → 태깅 → 수량확정 각 단계를 상태로 관리하고, 확정 후에는 조회만 가능하도록 잠급니다. 되돌리려면 명시적 취소가 필요합니다.
전 과정 이력 관리
정면 이미지, 속성 태깅, 발주수량의 모든 변경 이력이 남아 무엇을, 언제, 왜 바꿨는지 추적할 수 있습니다.
Glossary
알아두면 좋은 용어
- 벡터화(Embedding)
- 이미지를 숫자로 이루어진 벡터로 변환해, 컴퓨터가 '유사한 정도'를 계산할 수 있게 만드는 과정.
- 유사도(Similarity)
- 두 벡터, 또는 두 상품의 속성 조합이 얼마나 가까운지를 점수로 나타낸 값. 값이 높을수록 더 유사합니다.
- 정면 이미지(Front-view)
- 상품을 정면에서 촬영한 대표 이미지. 비교·검색의 기준이 됩니다.
- 신뢰도 점수(Confidence Score)
- 정면 판별 알고리즘이 특정 이미지를 정면으로 확신하는 정도를 나타내는 값.
- 벡터DB
- 이미지·문서 등을 벡터로 저장해두고, 가장 가까운 벡터를 빠르게 찾아주는 전용 데이터베이스.
- 증분 배치
- 전체 데이터를 다시 처리하지 않고, 새로 추가되거나 바뀐 데이터만 골라 처리하는 방식.
- 오토태깅(Auto Tagging)
- 이미지와 상품 정보를 바탕으로 AI가 속성값을 자동으로 추천해 붙이는 과정. 담당자가 검수·수정할 수 있습니다.
- 목표판매율(Target Sell-through)
- 발주한 수량 중 실제로 판매하고자 하는 목표 비율. 낮추면 공격적 발주, 높이면 보수적 발주가 됩니다.
- 호조·부진 상품
- 과거 시즌 판매율·판매수량 기준으로 잘 팔린 상품(호조)과 부진했던 상품을 구분한 개념. 공통 속성 패턴 분석의 기준이 됩니다.
- 트렌드 적합도
- 특정 상품이 그 시즌 트렌드와 얼마나 맞는지를 실루엣·소재·컬러 등 항목별로 점수화한 값.