6년 구매 기록으로 만든 소비자 복제 에이전트
묻는 것
설문으로 만든 가상 소비자는 사람의 말만 따라 합니다. 실제로 산 기록까지 넣으면 사람의 선택을 얼마나 맞힐 수 있습니까.
푸는 방법
한 사람의 6년치 구매 로그와 같은 사람의 설문 응답을 짝지어 LLM 에이전트에 넣습니다. 에이전트가 고른 답과 본인이 실제로 고른 답을 대조해 일치율을 잽니다.
- 자료
- 패널 500명, 구매 로그 6년, 설문과 인터뷰를 같은 사람 기준으로 연결
AI Research
AI 기반 소비자 연구
연구실은 AI를 두 방향으로 씁니다. 하나는 사람을 복제해 현실에서 못 돌리는 실험을 돌리는 쪽이고, 다른 하나는 숫자로 내일을 맞히는 쪽입니다.
두 방향은 한 줄로 이어집니다. 예측 모형이 무엇이 일어날지를 맞히면, 복제 에이전트가 그때 사람이 어떻게 반응할지를 미리 보여 줍니다. 매출이 떨어질 매장을 찾아내는 일과, 가격을 바꿨을 때 손님이 떠날지 묻는 일은 같은 데이터 위에서 돌아갑니다.
Axis 1
LLM 멀티에이전트 모델링
사람의 의사결정 과정을 LLM 에이전트로 복제해, 현실에서 시간을 되돌려야만 가능한 실험을 가상으로 돌립니다. 스탠퍼드와 구글이 2024년에 1,000명을 인터뷰로 복제했고 Toubia가 2025년 Marketing Science에 2,000명 규모 복제를 실었습니다. 두 연구가 자기보고와 인터뷰로 사람을 복제한 반면, 이 연구실은 6년치 실제 구매 기록을 같은 사람의 응답과 짝지어 가지고 있습니다.
리뷰를 읽는 AI가 뒤집는 추천 순서
묻는 것
플랫폼이 리뷰를 사람 대신 LLM에게 요약시키면, 어떤 식당이 위로 올라가고 어떤 식당이 밀려납니까.
푸는 방법
Yelp 리뷰 데이터로 리뷰 노출 정책을 바꿔 가며 시뮬레이션합니다. 높은 평점부터 보여 주는 정책과 무작위로 보여 주는 정책을 비교하면, 리뷰를 의심하며 읽는 집단에서 효과의 부호가 뒤집힙니다.
- 자료
- Yelp 공개 데이터의 사업체·리뷰·이용자 기록
구매 기록만으로 설문 응답 역추정
묻는 것
설문에 답한 적 없는 사람의 취향을, 그 사람이 산 물건만 보고 알아낼 수 있습니까.
푸는 방법
거래 기록을 입력받아 설문 문항의 답을 되맞히는 방향으로 모형을 학습시킵니다. 실제 응답과 맞춰 정확도를 측정합니다.
- 자료
- 구매 로그와 설문 응답이 짝지어진 표본
취향의 압축, 콘텐츠 동질화
묻는 것
사람들이 AI에게 추천을 맡기면, 서로 다르던 취향이 한 방향으로 몰립니까.
푸는 방법
컨조인트 실험으로 사람의 선호를 측정하고, 같은 선택을 LLM에게 시켜 두 결과의 분포를 비교합니다. 선호의 폭이 줄어드는지를 봅니다.
- 자료
- 한국 콘텐츠 이용자 대상 선택 실험
수십 명뿐인 응답자를 페르소나로 확장
묻는 것
전체 인구의 1%도 되지 않는 집단에게 신제품을 물으려면, 유효 응답 수십 건으로 무엇을 할 수 있습니까.
푸는 방법
실제 경험자만 남기는 확인 문항을 설문에 심어 자격 없는 응답을 제거합니다. 걸러진 응답자를 심층 인터뷰해 의사결정 과정을 페르소나로 만들고, 페르소나를 LLM 에이전트로 구현해 제품 반응과 구매 의향을 묻습니다.
- 자료
- 희귀 질환 진단자 대상 126문항 설문과 확인 문항 8개
제품 임베딩으로 읽는 프랜차이즈 경쟁 지도
묻는 것
어떤 브랜드와 어떤 브랜드가 실제로 같은 손님을 두고 경쟁합니까.
푸는 방법
검색과 주문 기록에서 제품과 브랜드를 벡터로 바꿔 거리로 경쟁 관계를 그립니다. 사람이 정한 업종 분류 대신 소비자 행동이 분류를 만듭니다.
- 자료
- 국내 검색 포털의 프랜차이즈 관련 수집 데이터
Axis 2
XGBoost 기반 미래 예측
매출, 수요, 인구, 폐업을 숫자로 미리 내놓습니다. 연구실이 다룬 매장은 치킨 프랜차이즈 349개와 슈퍼마켓 284개를 합쳐 633개이고, 인구 예측 단위는 전국 행정동 3,518개입니다. 모형이 맞혔는지는 실제로 일어난 숫자와 대조해 확인합니다.
치킨 프랜차이즈 349개 매장의 매출 예측
묻는 것
다음 달 이 매장의 매출은 얼마입니까.
푸는 방법
XGBoost로 온라인 주문, 오프라인 결제, 상권 정보를 한 모형에 넣어 매장별 매출을 예측합니다.
- 자료
- 349개 매장의 채널별 매출과 지리 정보
슈퍼마켓 284개 매장의 품목별 수요 예측
묻는 것
어느 매장에 어떤 품목을 얼마나 넣어야 합니까.
푸는 방법
매장과 품목과 채널을 나눠 각각 예측하고, 온라인과 오프라인 중 어느 쪽 수요가 더 잘 맞는지를 비교합니다.
- 자료
- 284개 매장의 품목별 판매 기록
전국 3,518개 행정동의 5년 후 인구 예측
묻는 것
5년 뒤 이 동네에 사람이 남아 있습니까.
푸는 방법
행정동 단위로 인구 이동과 연령 구성을 넣어 장래 인구를 예측합니다. 매장 입지 판단의 기초 자료가 됩니다.
- 자료
- 전국 3,518개 행정동의 인구 통계
프랜차이즈 매장 폐업의 조기 경보
묻는 것
이 매장은 1년 안에 문을 닫습니까.
푸는 방법
매출 하락이 시작되기 전에 나타나는 신호를 찾아 폐업 위험을 미리 알립니다. 이미지와 소셜미디어 자료도 신호로 씁니다.
- 자료
- 프랜차이즈 매장의 운영 기록과 온라인 노출 자료
자영업 회복의 두 갈래
묻는 것
같은 지역에서 어떤 자영업자는 회복하고 어떤 자영업자는 무너지는 이유가 무엇입니까.
푸는 방법
업종과 상권을 나눠 회복 속도의 차이를 만드는 요인을 분해합니다. 정책 보고서로 제출합니다.
- 자료
- 경기 지역 자영업 관련 행정 자료
연예인 IP 콜라보의 매출 예측
묻는 것
어느 연예인과 손잡으면 매출이 얼마나 오릅니까.
푸는 방법
IP별 매출을 예측하고 인기가 오르내리는 요인을 분해합니다. 계약 시점 판단에 씁니다.
- 자료
- 포토 부스 브랜드의 IP별 매출 기록
두 축을 함께 쓰면 생기는 일
예측 모형이 다음 분기 매출 하락을 짚어 내면, 복제 에이전트에게 가격 인상과 신메뉴 도입 같은 대응안을 미리 물어볼 수 있습니다. 실제 고객에게 묻기 전에 가상 고객에게 먼저 묻는 순서입니다. 두 축이 같은 구매 데이터를 쓰기 때문에 예측과 시뮬레이션이 따로 놀지 않습니다.