Project

Shopport — 쇼핑 에이전트 코어 DB 구축

상품명·가격 중심의 커머스 데이터로는 AI가 "어떤 제품이 나에게 맞는지"를 설명할 수 없었습니다. 고객이 실제 구매 의사결정에 사용하는 기준을 구조화하면 더 정확한 비교·추천이 가능하다는 가설을 세우고, 상품 데이터의 기준을 '제품 자체의 특성'으로 다시 정의했습니다.

여러 플랫폼의 동일 상품을 하나의 Entity로 통합하고 카테고리 Taxonomy를 기준으로 분류하는 모델을 설계해, 카테고리·상품별 제품 스펙, 사용자가 체감하는 특성, 판매 조건 등 구매 의사결정에 필요한 속성 체계를 정의했습니다.

착용감·쿠셔닝·사용감처럼 판매처 데이터만으로는 확보하기 어려운 비정형 정보는 LLM 기반 속성 추출과 리뷰 분석 파이프라인으로 채워, 상품 비교·추천·설명이 공통으로 사용하는 코어 DB로 확장했습니다.

Shopport — 전사 LLM 비용 통제 체계

쇼핑 에이전트 기능이 늘어나면서 API 호출량과 LLM 비용이 빠르게 증가했지만, 어떤 기능이 얼마의 비용을 만드는지 파악하기 어려웠습니다.

오픈소스 LLM Gateway 기반으로 호출 계층과 Token Tracker를 구축해 기능별 모델 호출량·Token·비용을 추적하고, Slack Bot과 Admin을 통해 팀이 실시간으로 비용을 확인하고 제어할 수 있는 운영 체계를 만들었습니다.

매일 비용 projection과 실제 결제 금액을 대조하며 이상 구간을 분석했고, 일 수백만 원 수준까지 커질 수 있었던 고비용 Job을 찾아 호출 구조를 개선했습니다. 단순 비용 절감을 넘어, 새로운 AI 기능을 추가할 때 비용 영향을 사전에 판단할 수 있는 구조가 되었습니다.

Shopport — 데이터 파이프라인 Spark 재설계

상품 데이터가 늘어나면서 기존 Node.js·MongoDB 기반 Batch 처리는 DB Query 부하, Worker 장애, 재처리 비용이 커져 신규 상품 확장의 병목이 되었고, 고객 경험까지 손상되고 있었습니다.

일시적인 Worker 증설 대신 처리 구조 자체를 바꾸기로 판단했습니다. 기존 파이프라인의 데이터 흐름과 연산을 분석해 Databricks/Spark 기반 분산 처리 구조로 재설계하고, Legacy 로직을 Python/Spark DataFrame으로 재구현하며 Join·Aggregation을 최적화했습니다. 실패 시 안전하게 재실행할 수 있도록 멱등성과 재처리 구조도 함께 개선했습니다.

수십만~수백만 건 단위 Batch를 Spark로 전환해 MongoDB 부하와 Worker 운영 부담을 줄였고, 이후 상품 데이터 규모가 커져도 대응할 수 있는 기반을 확보했습니다.

Shopport — 상품 이미지 수집·처리 파이프라인

상품 품질 개선과 ML 활용을 위해 대량의 외부 이미지를 수집해야 했지만, 수집 실패·중복·재처리 여부를 추적하기 어려워 데이터 규모가 커질수록 운영 비용이 늘어나는 문제가 있었습니다.

외부 CDN → Kafka → EKS Image Processor → S3로 이어지는 비동기 이미지 처리 파이프라인을 설계해 대량 수집과 처리를 안정적으로 분리했습니다. URL·Hash·Image Metadata를 테이블로 관리해 동일 이미지의 중복 처리를 막고, 데이터 재처리가 가능한 구조를 만들었습니다.

단순 이미지 다운로드 Job이 아니라, 제품 기능과 ML 학습에서 반복적으로 활용할 수 있는 이미지 데이터 자산으로 구조화했습니다.

Shopport AI Backend — Production AI System

쇼핑 에이전트의 요청 라우팅, 응답 품질 평가, Prompt/Model 버전 관리, Retry·Backfill, 운영 모니터링 구조를 구축했습니다. LLM을 단순 호출하는 것을 넘어, 실패 가능한 AI 기능을 프로덕션에서 안정적으로 운영하는 데 집중했습니다.

일백제 — 회계사·세무사: 제품 루프와 리텐션

출시 후 이용자 인터뷰와 행동 데이터를 보니, 수험생은 문제를 푸는 것 자체보다 "내 실력이 어느 정도인지", "지금 합격권에 있는지", "다른 수험생보다 뒤처지고 있지는 않은지"를 계속 확인하고 싶어 했습니다.

이 심리적 니즈를 바탕으로 사용자 간 점수·정답률 비교, 과목별 성취도 분석, 합격 가능 수준 진단 기능을 실험했고, 문제풀이 결과 자체가 다시 서비스에 방문할 이유가 되도록 제품 루프를 설계했습니다. 해당 기능 도입 이후 D7 Retention이 4%에서 19%로 개선되었습니다.

전역 이벤트 로깅으로 문제 진입·풀이·결과 확인·재방문까지의 Funnel을 추적하고, 알림·무한 문제풀이·학습 분석 등 기능을 주 단위로 실험하며 핵심 행동과 리텐션의 관계를 검증했습니다.

일백제 — 마케팅과 수익화

서비스 기능을 홍보하기보다 "내가 합격권인지 확인하고 싶은" 수험생의 실력 검증 욕구를 핵심 소구점으로 정의했습니다. 문제 난이도·정답률·사용자 비교 중심의 콘텐츠 40건을 10여 개 수험 커뮤니티에 직접 배포해 10건 이상이 바이럴을 탔고, 게시물 최대 좋아요 800회를 넘겼습니다. 출시 1개월 만에 1,200명 사용자와 누적 문제풀이 20만 회를 확보했고, 이후에는 별도 마케팅 없이 블로그 후기와 커뮤니티 추천으로 오가닉 유입이 이어지고 있습니다.

친구 초대 시 모의고사 1회 응시권을 제공하는 Referral Loop도 설계해 초대→가입→문제풀이 전환 Funnel을 측정했지만, 콘텐츠 마케팅 대비 효율이 낮아 확장하지 않고 실험을 종료했습니다.

시장에 유사한 모의고사 콘텐츠가 많아 단순 문제 제공만으로는 차별화가 어렵다고 판단했습니다. "극단적으로 어려운 최고난도 모의고사"를 포지셔닝으로 잡고 수험생의 도전 욕구와 실력 검증 니즈를 겨냥한 유료 콘텐츠를 출시해 B2C 매출을 만들었고, 확보한 수험생 트래픽을 기반으로 학원·강사에게 타깃 노출 광고 지면과 프로모션 상품을 직접 제안·판매해 B2B 매출도 창출했습니다.

일백제 — 공기업

공기업 취업 준비생을 대상으로 NCS·전공시험 학습 경험을 확장했습니다. 시험 일정, 학습 콘텐츠, 반복 문제풀이 니즈를 바탕으로 기존 일백제의 문제 생성·배포 구조를 공기업 카테고리에 맞게 재설계하고, 커뮤니티 기반 유입과 콘텐츠 실험을 진행했습니다.

일백제 — 경찰

경찰시험 수험생을 위한 문제풀이 카테고리를 확장했습니다. 과목별 기출·학습 데이터를 구조화하고, 반복 학습에 적합한 모바일 문제풀이 경험으로 변환해 기존 교육 콘텐츠 파이프라인을 새로운 시험 도메인에 적용했습니다.

자동차 차체 부품을 생산하는 제조업 중소기업의 기업 웹사이트를 기획·개발했습니다. 회사·제품·생산설비 정보를 구조화하고, 반응형 UI와 콘텐츠 관리 구조를 구성해 실제 영업·채용에 활용할 수 있는 웹사이트로 구축했습니다. 제품·설비 항목은 화면에 하드코딩하지 않고 데이터로 분리해, 품목이 늘어나도 목록과 상세 페이지가 함께 갱신되도록 했습니다. 정적 빌드로 배포해 별도 서버 운영 없이 유지됩니다.

식자재 유통사의 반복적인 CS 문의를 자동화하는 AX 프로젝트에 외주 개발사로 참여했습니다. 문의 유형별 Agent Routing과 Tool 호출을 포함한 Agent Orchestration 구조를 설계하고, 응답 정확도와 업무 처리 성공률을 측정할 수 있는 Evaluation 체계를 구축했습니다.