01 맥락과 문제
고객은 리스 중심의 BNPL 상품을 제공했습니다: 고객들은 승인된 지출 한도를 신청한 후 적격 구매를 금융으로 처리한 뒤, 전액 지불 대신 할부 방식으로 상환했습니다. 이 상품은 가구, 텔레비전, 가전제품 등 임대 가능한 품목만 포함했으며, 펜, 노트북, 문구류 같은 저가치 소모품은 포함하지 않았습니다. 고객은 결제 옵션을 각 소매업체 웹사이트에 직접 통합함으로써 성장했습니다: 영업은 소매업체에 접근하고, 소매업체는 샌드박스를 제공하며, 팀은 게이트웨이를 통합하고, 엔지니어링과 QA가 계산대를 테스트한 후 양측이 생산 릴리스를 조율합니다.
이 모델은 5곳에서 7곳의 소매점에서 통했지만 네트워크가 성장하면서 무너졌습니다. 소매업체들은 Shopify, Magento, BigCommerce 및 맞춤형 플랫폼의 다양한 조합, 서로 다른 결제 방식, 다른 결제 처리자, 그리고 서로 다른 샌드박스 및 릴리스 절차를 운영했기 때문에, 모든 통합이 하나의 영구적인 구현과 지원 수명 주기가 되었습니다. 소매업체 플랫폼 업그레이드나 결제 변경은 고객이 통합을 재구축하고 회귀 테스트를 다시 수행하며 새로운 공동 릴리스 일정을 잡도록 강요할 수 있습니다. 약 6개월 후, 프로그램은 60명에서 70명 규모의 약 15개 소매업체를 지원했고, 다음 해에는 200+ 소매점 규모로 계획되었습니다. 선형 확장은 수백 명, 잠재적으로 거의 천 명에 가까운 인원을 의미합니다. 진짜 문제는 개발 능력이 아니었다. 아키텍처는 새로운 소매업체마다 새로운 외부 의존성을 부여했기에, 고객은 소매업체 성장이 더 이상 엔지니어링과 지원에 비례하는 성장을 필요로 하지 않는 모델이 필요했습니다.
02 역할 및 제약 조건
AI Product Manager 저는 엔드 투 엔드 솔루션을 담당했습니다: 제품 전략, 문제 정의, 고객 여정 설계, AI 유스케이스 정의, 솔루션 아키텍처, 소매업체 지원 전략, 제품 데이터 및 라벨링 요구사항, 엔지니어링 및 AI/ML 조정, API 및 백엔드 요구사항, 가상 카드 통합, 모바일 및 브라우저 확장 경험, 보안 및 준수 조정, 분석 및 모델 성능 요구사항, 롤아웃 계획 및 이해관계자 관리. 가장 중요한 결정 중 하나는 AI를 어디에 사용해야 하고 어디에 사용하지 말아야 하는지 범위 설정이었습니다. 모델은 제품이 리스 가능한 상품 정책에 따라 자격이 되는지 여부만 답했습니다. 신용도 판단, 신용 한도 설정, 신원 확인, 상환 조건 정의, SSN 확인 또는 계좌 승인 등 모두 고객의 기존 승인, 신원 및 계약 시스템에 그대로 유지되었습니다.
제약은 구체적이었다. 소매업체 측 구현 의존도를 없애세요: 어떤 소매업체도 결제 수단을 추가하거나, 샌드박스 접근 권한을 제공하거나, 결제 방식을 변경하거나, 사용자 지정 API를 제공하거나, 개발자를 배정하거나, 공동 QA를 운영해야 해서는 안 됩니다. 제품 수준 자격을 지원하세요. 소매업체는 리스 가능한 상품과 비리스 상품 모두를 판매할 수 있어, 시스템은 전체 소매업체가 아닌 개별 카트 상품을 분류하고, 혼합 카트는 자격이 있는 부분만 자금 조달하여 처리했습니다. 다양한 소매점 기술을 다루며 DOM 변경을 관리하세요. 확장 기능이 여전히 소매점 페이지를 읽고 페이지 업데이트가 HTML 구조, 선택기, 제품 카드, 가격, 결제 필드를 바꿀 수 있기 때문입니다. 허용 가능한 분류 정확도를 유지하며, 일반적으로 90 이상을 목표로 하고 95 쪽으로 개선하는 경우 85%에서 90% 사이입니다. 고객 정보(이름, 주소, 휴대폰 번호, SSN 및 OTP)를 암호화, 토큰화, 접근 제어 및 감사 기록으로 보호합니다. 그리고 나중에는 각 매장의 POS 시스템에 통합하지 않고도 오프라인 소매를 지원할 수 있습니다.
03 제품 접근 방식
더 효율적인 소매업체-통합 팀을 구축하는 대신, 통합 장소를 변경했습니다. 원래 모델은 고객의 금융 능력을 소매업체의 계산대 내에 두었습니다. 재설계된 모델은 금융 경험을 고객이 통제하는 채널 안에 배치했습니다: 전자상거래를 위한 Chrome 확장과 오프라인 매장을 위한 고객 모바일 앱입니다. 이로 인해 여러 소매업체가 고객의 결제 방식을 도입하지 않고도 운영되는 공유되고 가맹점 독립적인 플랫폼이 만들어졌습니다.
온라인에서는 Chrome 내선이 소매업체를 식별하고, 고객 금융 가능 여부를 알리며, 장바구니와 총액을 읽고, 제품 세부 정보를 백엔드에 전송하고, 각 상품을 리스 가능 또는 비리스 상품으로 분류하며, 부적격 상품을 제외하고, 적격 금액을 고객 한도와 대조하고, 등록 및 검증을 지원하며, 계약서를 제시하고, 일회용 또는 한정 사용 가상 카드를 생성했습니다. 그리고 소매업체의 표준 계산대에 자동 입력했다. 새로운 소매업체를 활성화하는 것은 6개월간의 양자 통합 대신 내부적으로 관리하는 과정이 되었습니다: 소매업체의 공개 카탈로그 데이터를 수집하고, 고객의 정책에 따라 리스 가능 또는 비리스 상품을 라벨링하며, 수천 개의 레코드에 대해 분류기를 훈련하거나 업데이트하고, 알려진 라벨에 대한 정확성 검증, 제품명, 가격, 수량, 카테고리 및 카트 총합에 대한 DOM 추출 설정, 엔드 투 엔드 플로우를 테스트한 후 소매업체를 활성화하면 샌드박스, 결제 변경, 게이트웨이 배포 없이 활성화됩니다.
매장에서는 같은 기능을 모바일 앱에도 확장했습니다. 앱은 고객이 매장의 지오펜스 안에 있다고 감지했습니다; 청구 카운터에서 고객은 명고별 청구서를 사진으로 촬영했습니다; OCR 제품명, 수량, 가격을 추출했습니다; 항목들은 정규화되어 동일한 자격 모델로 넘어갔으며; 앱은 적격 상품과 부적격 상품을 나누어 임대 불가능한 상품은 별도로 결제할 수 있게 했습니다; 적격 금액이 한도와 대조되었고; 고객은 계약을 수락했고; 해당 금액에 맞는 가상 카드가 생성되어 매장의 일반 카드 수락 절차를 통해 사용되었습니다. 고객이 카드를 사용하기 전에 지오펜스를 떠나면 자동으로 만료되었습니다. 지오펜싱은 거래를 처리하지 않고, 백엔드가 카드의 수명 주기 상태를 변경하도록 트리거 역할을 했습니다.
클라이언트는 더 큰 통합 팀이 필요해 보였습니다. 진짜 문제는 성장이 수백 개의 외부 소매업체 시스템과 출시 일정에 의존한다는 점이었습니다. 경험을 클라이언트 제어 확장 기능과 모바일 앱으로 옮기고, 가상 카드를 상호운용성 계층으로 삼으면서 의존성이 바뀌었습니다: 소매업체 제품 데이터가 맞춤형 결제 통합을 대체했고, 모든 품목이 독립적으로 결정되었습니다.
제작 기능 4개
지원 소매업체 감지
연장은 지원된 소매업체 사이트를 인식하고 고객 금융이 가능함을 알립니다.
DOM 기반 카트 추출
소매업체 전용 DOM 로직은 페이지에서 제품 및 장바구니 정보를 불러옵니다.
AI 제품 자격
모든 장바구니 품목은 공유 모델에 따라 임대 가능 또는 비임대 품목으로 분류됩니다.
혼합 카트 취급
부적격 품목은 제외되므로, 적격 항목만 금융으로 처리됩니다.
확장 등록
신규 고객은 쇼핑 여정을 떠나지 않고 계정을 생성할 수 있습니다.
가상 카드 + 결제 자동 채움
일회용 또는 한정 사용 카드가 생성되어 소매업체의 계산대에 자동 채움됩니다.
모바일 매장 내 여정
기존 클라이언트 앱은 자격을 갖춘 오프라인 스토어 구매를 위한 자금 조달을 위해 확장되었습니다.
스토어 지오펜싱
앱은 고객이 지원되는 매장의 지정된 구역 내에 있는지 감지합니다.
빌 캡처 + OCR
고객은 명고를 사진으로 찍고; OCR 이미지에서 항목들을 추출합니다.
영수증 정규화
OCR 산출물은 구조화된 제품, 수량, 가격 기록으로 변환됩니다.
적격/비자격 분할
앱에서는 무엇을 할부로 받을 수 있고, 무엇은 별도로 청구하거나 지불해야 하는지 보여줍니다.
지오펜스 트리거 만료
사용 전에 매장 경계를 벗어나면 자동으로 카드 만료가 발생합니다.
또한 승인된 한도 검증, 모바일 OTP 검증, 고객 기존 신원 시스템에 대한 실시간 SSN 검증, 계약 제시 및 수락(확장 및 앱 내 포함), 제품 교육과 DOM 구성을 통한 반복 가능한 소매업체 활성화, 양 채널 간 제품 분류 공유 재사용, 그리고 자격 확인, 고객 검증, 계약, 가상 카드 및 분석을 위한 단일 옴니채널 백엔드가 포함되어 있습니다.
05 건축
두 개의 고객 채널이 하나의 백엔드에 합쳐졌습니다. 온라인 채널은 Chrome 확장과 소매업체 DOM 추출이며; 매장 내 채널은 모바일 앱과 청구서 사진 촬영, OCR , 지오펜싱입니다. 두 서비스는 제품 정규화, 리스 대상 분류, 고객 신원 및 신용 한도 검증, 계약 생성, 가상 카드 발급, 카드 수명 주기 관리, 분석 및 감사 기록 등 동일한 핵심 서비스를 사용합니다. Python 백엔드는 REST API를 노출합니다; 외부 PCI DSS 호환 카드 제공업체가 단일 사용 또는 제한 사용 가상 카드를 발급합니다.
건축 양식은 확장 단위를 변경했습니다. 이전에는 각 소매업체가 상업적 계약, 소매업체 기술 자원, 샌드박스 접근, 결제 통합, 공동 QA, 조정된 릴리스 및 지속적인 플랫폼 지원이 필요했지만, 새로운 온라인 소매업체는 이제 주로 제품 데이터 준비, 라벨링, 모델 교육 또는 검증, DOM 설정, 결제 테스트 및 확장 활성화를 요구합니다. 새로운 오프라인 소매업체는 주로 매장 위치 구성, 제품 데이터 커버리지, 영수증 형식 검증, OCR 테스트, 자격 검사, 카드 수락 검증을 요구합니다. 보안은 암호화, 토큰화, 제한된 접근, 감사 기록, OTP 검증, 실시간 SSN 검증, 통제된 계약 실행, 일회용 또는 제한 사용 카드, 위치 트리거 만료 및 PCI DSS 호환 제공자를 포함합니다. 신뢰성은 표면별로 모니터링됩니다: 온라인 DOM 손상(제품 누락, 유효하지 않은 선택기, 자동 필기 실패 OCR ), 매장 내 변동성(조명 불량, 흐림, 접힘, 약어, 세금 및 할인 라인), 지오펜스 한도(권한 거부, 실내 정확도, GPS 드리프트, 지연된 종료 이벤트, OS 백그라운드 제한), 가상 카드 결과(발급 실패, 제공자 타임아웃, 활성화, 만료, 승인). 상충 관계는 명확합니다: 소매업체의 독립성은 여전히 소매업체의 DOM에 달려 있습니다; POS 독립성은 영수증 품질에 달려 있습니다; 하나의 공유 모델은 매우 다른 두 가지 입력 유형을 아우릅니다; 위치 제어는 위치 정확도에 의해 제한됩니다; 외부 카드 제공업체는 인프라 부담을 줄이면서 공급업체 의존도를 높입니다.
06 분석 및 관측성
확장된 플랫폼은 온라인 계산대, OCR 성능, 모델 정확도, 위치 동작, 결제 결과를 별도로 측정해야 했는데, 이는 단 한 번의 실패가 어느 곳에서든 발생할 수 있기 때문입니다. OCR 정확도와 분류 정확도는 별도로 측정되었으며, 분류 실패는 잘못된 OCR 텍스트, 잘못된 영수증 구문 분석, 불충분한 제품 맥락, 또는 실제 모델 오류에서 발생할 수 있습니다. 전자상거래 퍼널(소매업체가 → 확장을 감지→ 카트→ 분류된 → 적격 금액→ 카드 → 자동 입력 → 구매 → → 계약을 검증한 것)과 매장 내 깔때기(매장 →감지, 지오펜스 입력→ 청구서 사진 → OCR →촬영, 분류 → 비임대 분리 → 승인된 → 계약→ 카드 →결제 또는 만료→ 결제 또는 만료 매장 감지)가 종단 간 계측되었습니다. 지원 프로필도 변화했습니다: 소매업체 통합, 샌드박스, 게이트웨이 결함에서 벗어나 청구, 계약, 상환, OCR 또는 청구서 읽기, DOM 변경, 위치 권한 및 카드 승인 질문 등으로 전환되었습니다.
온라인 소매점 지표
소매점 감지, 장바구니 추출, DOM 오류, 자동 입력 및 결제 성공, 구매 승인 전환 등이 포함됩니다.
분류 지표
소매업체, 카테고리 및 채널별 정확도, 허위 임대 및 비임대료, 신뢰도 분포.
OCR 지표
캡처 및 처리 성공률, 라인 및 가격 추출, 총 조정, 재캡처 및 수동 수정 속도.
지오펜스 메트릭
출입 감지, 허가 거부, 출구 이벤트, 출구 후 만료된 카드, 생성부터 결제까지의 시간 등이 포함됩니다.
가상 카드 메트릭
요청 성공률, 생성 지연, 제공자 오류, 활성화, 권한 부여 결과 및 미사용 카드 비율.
07 AI 의사결정 계층
이 모델은 두 채널 모두에서 일관된 좁게 정의된 질문에 답했습니다: 이 제품이 고객의 리스 가능한 상품 정책에 따라 자격이 있는가? 온라인 입력은 제품명, 이미지, 카테고리, 소매업체 맥락, 가능한 설명, 가격과 수량, 그리고 임대 가능/임대 불가능한 교육 라벨을 결합했습니다. 매장 내 입력은 OCR추출된 설명, 영수증 항목 텍스트, 수량, 가격, 매장 맥락, 이전 소매업체 제품 데이터였으며, 이는 종종 전자상거래 페이지보다 훨씬 덜 설명적이어서 매장 내 흐름에서 제품 정규화가 가장 중요했습니다. 파이프라인은 DOM이나 영수증에서 제품 정보를 수집하고, 소매업체별 텍스트를 정규화하며, 알려진 카테고리에 매핑하고, 임대 가능성을 평가하고, 결과를 반환하며, 적격 총액을 계산하고, 모델 결과 및 버전을 기록하여 모니터링했습니다. 학습은 구조화된 스프레드시트 형식 데이터(이름, 이미지, 카테고리, 소매업체, 라벨)를 사용하며, 소매업체 또는 소매업체 그룹별로 수천 개의 예시를 포함한 감독 제품 분류 모델을 사용했습니다. 보고된 정확도는 약 85%에서 90%였으며, 90%를 초과하고 95%에 가깝게 개선하는 것이 목표였습니다; 이는 고객의 프로젝트 수준 측정이었으며, 별도의 정밀도, 리콜, F1 또는 독립 감사 평가가 제공되지 않았습니다.
AI는 제품 적격성에만 답변했습니다. 신용도 확인, 신용 한도 설정, 신원 확인, 상환 조건 정의, 사회보장번호 확인 또는 승인된 계좌 작성 등 고객 기존 시스템에 그대로 남았습니다. 알려진 실패 모드(임대 가능 등급이 부여된 비임대 품목, 잘못된 거부, 약식 영수증 라인 잘못 매핑, 번들 또는 신제품, 변경된 소매업체 분류체계, 또는 불량 OCR)은 권장되는 다음 단계를 시사합니다: 신뢰 기반 의사결정은 자신감이 있을 때 자동으로 계속되고, 중간 신뢰도에서 결정론적 범주 규칙을 적용하며, 낮은 신뢰도로 고객에게 재회수를 요구하는 것입니다. 해결되지 않은 경우 제외하거나 검토 경로를 제공합니다.
08 상태 및 결과
Chrome 연장은 원래 모델의 15개 소매업체가 약 6개월에 걸렸던 100+ 소매업체를 약 4개월 만에 지원했고, 결국 고객은 300+ 온라인 소매업체에서 금융 상품을 사용할 수 있게 되어 15개 소매업체 기준선보다 약 20배 증가했습니다. 새로운 소매업체는 더 이상 기술 자원, 샌드박스 접근, 게이트웨이 통합, 공동 QA, 소매업체 측 배포 또는 조정된 릴리스가 필요하지 않았습니다; 내부 제어 데이터 준비, 라벨링, 모델 훈련, DOM 구성, 체크아웃 테스트 및 활성화를 통해 활성화할 수 있습니다. 원래 60명에서 70명 규모의 팀은 대체로 그대로 유지되었고, 데이터 준비, 모델 학습, 정확성 작업을 위해 대략 4명에서 5명의 AI/ML 엔지니어가 추가되어, 기존 모델이 의미하는 비례적 인력 증가를 피할 수 있었습니다. 소매업체 통합 작업, 맞춤형 개발, 샌드박스 작업, 공동 테스트 및 플랫폼별 결제 유지보수가 제거되었으며; 고객은 승인된 한도를 수용하는 곳이 많아지면서 계산대 거래량이 증가했다고 보고했습니다(정성적으로 보고되었으나 정확한 수치는 제공되지 않았습니다). 이후 플랫폼은 모바일 앱을 통해 오프라인 소매점에도 확장되어, 핵심 모델이 웹 결제 국한에 국한되지 않음을 입증했고, 반복적인 통합, 샌드박스, 게이트웨이 개발, 공동 QA, 릴리스 조정 및 비례적 지원 성장에 따른 비용이 개선되었으며, 가상 카드 제공업체가 주요 외부 의존 요소로 남았습니다.
300+
온라인 소매업체 지원
20×
소매업체 보장 확대
4 mo
100+ 소매점 (15개월 6개월 전과 비교)
85-90%
보고된 모델 정확도
09 리플렉션 / 다음 계획
효과가 있었던 것은 인력 문제 대신 의존성 문제를 해결한 것이었습니다: 하나의 자격 기능이 웹페이지, 쇼핑카트, OCR추출 청구서를 제공했고, 가상 카드는 고객이 이미 지원하는 결제 흐름을 통해 운영할 수 있게 했으며, 각 채널은 일관된 공유 플랫폼에서 DOM 추출 및 자동 완성; OCR, 지오펜싱, 카드 만료 등 자체 제어를 추가했습니다. 다음으로 개선하고 싶은 점은: 소매업체 활성화를 내부 운영 제품으로 공식화하는 것(업로드, 라벨링, 교육, 검증, DOM 및 매장 위치 설정, 릴리스 승인, 건강 모니터링); 영수증 조정을 추가하여 총액, 할인 및 세금 조정을 최종 청구서와 조정합니다; 저신뢰 검토 정책 도입; 짧은 만료, 거래 금액 및 단일 거래 한도, 승인 후 즉시 종료하는 지오펜스 통제 강화; 예정된 합성 테스트를 통해 자동화된 DOM 변경 감지를 구축하고; 대시보드에서 별도의 OCR 및 AI 오류 보고; 모델 거버넌스 추적성 향상(채널, 소매업체, 모델 및 교육 데이터 버전, 입력, OCR 및 분류 신뢰도, 합의 버전, 카드 결과); 그리고 서로 다른 권한과 백그라운드 위치 동작을 고려해 안드로이드와 iOS에 걸쳐 신중하게 확장할 수 있습니다. 그 결과, 소매업체 제품 데이터가 맞춤형 결제 통합을 대체하고, AI가 자격을 결정하며, 기존 시스템이 신원과 신용을 관리하고, 가상 카드를 상호 운용성을 만들고, 브라우저와 모바일이 고객이 유통을 통제할 수 있게 하여 비즈니스 성장과 엔지니어링 노력을 분리하는 옴니채널 플랫폼이 탄생했습니다.