Fad는 단발성 유행 및 짧은 주기로 판매량이 폭발적으로 성장하다가 사라지는 현상으로, 20세기 후반, 다원주의 및 인터넷과 모바일 기술의 발전으로 인해 소비자들의 니즈가 빠르고 다양하게 변화하며 등장한 개념이다(Solomon et al., 2004). Fad가 등장하기 이전에는 대부분의 패션 기업들이 트렌드(trend)를 반영해 디자인 및 판매 전략을 수립하였다. 변화의 일반적인 방향을 뜻하는 트렌드는 인구 통계적 변화, 대중의 가치관이나 태도, 생활양식 또는 기술 등의 변화 등으로 인해 발생하여 시장 전반에 광범위한 변화를 가져온다. 트렌드는 특히 시즌마다 새로운 유행이 등장하는 패션 산업에서 두드러지게 나타난다.

1980년대 중반까지 패션 산업의 트렌드는 리바이스 501청바지, 화이트 셔츠 등과 같은 표준화된 스타일의 저비용 대량생산되는 상품들이 주를 이루었다. 당시 소비자들은 스타일과 패션에 덜 민감했고 클래식한 스타일의 의류를 선호했다(Bhardwaj et al., 2010). 하지만 이후 90년대부터 소비자들이 패션에 관심을 가지기 시작하면서 80년대의 클래식한 스타일의 의류에 대한 수요가 감소하기 시작했다(Bailey et al., 2001). 변화된 트렌드는 20세기에 급격히 성장한 인터넷과 모바일이라는 신기술로 인해 실시간으로 전파되며 강한 파급력을 가지게 되었다(Blázquez et al., 2014). 이에 따라 패션 트렌드의 주기가 급속히 짧아지면서 Fad의 중요성이 대두되기 시작했다. 80년대의 패션 트렌드는 봄과 여름(spring/summer: s/s) 및 가을과 겨울(fall/winter: f/w)을 바탕으로 개최되는 패션쇼 및 직물 박람회를 기반으로 하여, 1년 동안의 주기가 결정되었다. 하지만, 90년대 초반부터는 소비자들의 니즈에 따른 패션 의류의 다양성으로 인해 기존 시즌에 3~5개의 중간 시즌이 추가되었다(Barnes et al., 2006). 이러한 흐름에 발맞춰 상품의 기획, 생산 및 유통과정을 통합하여 최신 유행을 반영한 저가의 의류를 최소 2주 정도의 짧은 주기로 대량생산 및 판매하는 Fad 대응 전략을 세운 패스트 패션(fast fashion) 브랜드가 등장했다. 대표적인 패스트 패션 브랜드로는 GAP, UNIQLO, ZARA, H&M 등이 있다.

패션 기업들이 공급 리드 타임(lead time)을 줄여 Fad에 대응하고 있지만, 다수의 재고 문제가 있어 수요 예측을 통한 Fad 대응 전략의 보완이 필요하다. 수요 예측은 고객 서비스의 향상과 재고 관리 및 생산 관리의 최적화를 위한 가장 중요한 작업이며, 부실한 수요 예측은 재고 부족 또는 높은 재고비용, 이로 인한 낮은 서비스 및 상품 품질 등 기업 경영에 치명적인 위험을 끼칠 수 있다(Rexhausen et al., 2012). 또한 수요 예측을 전문가의 주관적인 예측에만 의존하게 되면 잘못된 결론을 내릴 위험이 있다(Tehrani et al., 2016). 특히 Fad는 주기가 짧고 일정한 패턴을 보이지 않아 패션 산업의 수요 예측은 더욱 어려워지고 있다(Minner et al., 2012). 이에 패션 산업의 수요 예측 성능 높이기 위한 목적으로 머신 러닝(machine learning) 기법을 적용하려는 시도들이 최근 활발히 이루어져 왔다. Thomassey and Fiordaliso(2006)는 K-Means 클러스터링과 의사결정나무(decision tree)를 이용하여 상품 판매량을 예측하였다. Frank et al.(2003)은 인공신경망(artificial neural network: ANN)을 바탕으로 미국 의류 회사의 판매 수량을 예측하고 그 성능을 지수평활법과 비교하였다. Loureiro et al.(2018)은 패션 소매회사의 판매 데이터를 바탕으로 선형회귀분석(linear regression)과 함께 앙상블(ensemble) 모델 및 딥러닝 모델을 활용하여 예측을 수행하였다. 그러나 이 연구들 역시 짧은 기간에 폭발적으로 유행했다가 장기간 잠복기를 거치고 다시 판매량이 급상승하는 단발성 유행인 Fad를 예측함에 있어서는 여전히 한계가 존재한다(Nenni et al., 2013; Gutierrez et al., 2008).

Fad는 일정한 주기 또는 경향에 따라 출현하는 것이 아니므로 시계열 데이터의 추세를 바탕으로 사전에 예측하는 것은 거의 불가능하기 때문에, 예측보다는 빠르게 그 출현을 탐지하고 유연하게 대응하는 접근 방식이 요구된다. 따라서 본 연구는 패션 산업에서 Fad를 효과적으로 탐지할 수 있는 새로운 방법으로써, Item2Vec을 차용한 Fad2Vec을 제시한다. Item2Vec은 소비자별 구매 이력을 참고하여, 상품의 선호도를 반영해 상품을 임베딩(embedding)한 후, 각각의 상품 벡터의 유사도를 계산해 상품을 추천해 주는 방법이다(Barkan et al., 2016). Fad2Vec은 패션 상품의 판매 데이터에서 상품별로 특정 기준에 부합하는 유행 시점들을 추출해 시점별로 유행한 상품 벡터를 생성하여 임베딩한 후, 벡터의 유사도를 계산해 단발성 유행 패턴을 예측한다. 비슷한 유행 패턴을 보이는 상품들은 높은 벡터 유사도를 가지므로, 군집화를 통해 하나의 상품의 유행이 시작되었을 때, 같은 군집 내 상품들이 조만간 함께 유행하게 될 것임 을 파악할 수 있다.

본 연구의 구성은 다음과 같다. 제2장에서는 머신러닝을 위한 패션 상품 판매 예측 연구 및 Item2Vec 관련 연구를 살펴본다. 제3장에서는 Fad2Vec의 기본 개념과 프레임워크를 설명한다. 제4장에서는 국내 유명 패션 기업 4개 브랜드 판매 데이터에 Fad2Vec을 적용하고 검증한다. 마지막으로 제5장에서는 연구의 의의 및 향후 연구 방향을 포함한 결론을 제시한다.

ANN을 통한 자연어 처리(natural language processing: NLP) 기법이 급속하게 발전하고 있다(Collobert et al., 2008; Barkan et al., 2017). 최근 번역 및 추천 시스템 등에 널리 활용되고 있는 Word2Vec은 저차원 공간에 단어를 분산 표현하는 모델이다(Mikolov et al., 2013). 문장 내 중심단어와 주변 단어 사이의 관계를 이용하여 임베딩하기 때문에 벡터에 단어의 의미를 담을 수 있다는 것이 장점이다. 기존의 원-핫 인코딩(one-hot encoding) 방법은 단순히 단어의 나열을 벡터로 나타낸 것으로, 각 벡터의 차원은 단순히 해당 단어가 벡터 내에서 가지는 인덱스를 표현할 뿐이다. 또한 말뭉치 내 단어의 개수가 벡터의 차원이 되므로, 희소벡터(sparse vector)화 되며, 벡터에 단어의 의미를 포함한 다양한 정보를 담지 못한다는 단점이 있다. 따라서 의미를 내포하는 벡터의 형태로 단어를 표현하는 임베딩 벡터를 주로 사용하게 된다. 임베딩 벡터는 훈련 데이터로 학습을 통해 계산되는데, 이때 쓰이는 학습 방법이 Word2Vec이다. Word2Vec은 문서에서 비슷한 위치에 등장하는 단어들은 비슷한 의미를 가진다는 분포가설(distributional hypothesis)에 기반한다(Mikolov et al., 2013).

Word2Vec은 CBOW(continous bag-of-words), Skip-gram 2가지 방식으로 학습을 진행한다. CBOW는 주변단어를 통해 중심단어를 예측하는 방법으로 임베딩 벡터를 생성한다. 중심단어를 예측하기 위해 중심단어를 기준으로 앞, 뒤 몇 개의 단어를 볼지를 결정하는 범위를 윈도우 사이즈(window size)라고 한다. 윈도우 사이즈가 결정되면 CBOW는 슬라이딩 윈도우(sliding window) 방식으로 주변 단어와 중심 단어 선택을 바꿔가며 학습 데이터 세트를 생성한다. 이후 중심단어의 임베딩 벡터와 주변 단어의 임베딩 벡터들의 유사도가 높아지도록, 주변단어와 중심단어가 아닌 단어들의 임베딩 벡터의 유사도는 낮아지도록 학습이 진행된다. Skip-gram은 CBOW와 반대로 중심단어에서 주변단어를 예측하며 임베딩 벡터를 생성하는 방법이다. 중심단어가 주어질 때 주변단어가 등장할 확률을 최대한으로 만들어주도록 임베딩 벡터값을 조정해 주게 된다. 이를 통해 중심단어의 임베딩 벡터와 주변단어의 임베딩 벡터의 유사도가 높아지게 된다. CBOW나 Skip-gram으로 학습된 단어 임베딩 벡터는 단어와 단어 사이의 관계적 맥락에 따른 의미를 포함하게 된다.

Item2Vec은 상품 간의 유사성을 생성하기 위해 Word2Vec의 단어 학습 방법을 사용하여 아이템, 즉 상품을 임베딩하는 방법이다. Word2Vec의 문장 내에서 단어를 학습하는 과정은 Item2Vec에서 장바구니 내에서 상품을 학습시키는 과정으로 볼 수 있다. 이 과정에서 장바구니 내에서 구매한 상품의 시간적 배열은 무시한다. 이를 통해 Item2Vec은 상품 구매 데이터에서 상품의 선호도를 반영하여 임베딩 할 수 있게 되며, 고객들의 장바구니에 자주 같이 등장했던 상품들은 비슷한 선호도가 반영된 임베딩 벡터값을 갖게 된다. 이를 통해 상품 선호도의 유사성을 반영하여 유사 상품 추천이 가능하다. Item2Vec은 학습 방식에서 Word2Vec과 차이를 보인다. Word2Vec은 윈도우 사이즈를 설정하여, 범위 내에 존재하는 단어들의 임베딩 벡터값의 내적을 크게 만드는 방식으로 학습을 진행하는 데 반해, Item2Vec은 윈도우 사이즈를 최대화하여 사용자가 구매한 상품목록에 담긴 모든 상품이 유사한 임베딩 벡터를 갖도록 학습을 진행한다.

Item2Vec 기법은 여러 도메인에 성공적으로 적용되어 왔다. Barkan and Koenigstein(2016)은 Microsoft Xbox 음악 제공서비스에서 사용자가 재생한 음악의 아티스트 데이터와 Microsoft Store의 사용자 장바구니 데이터를 이용하여 Item2Vec 방법을 검증하였다. 그 결과, 유사한 장르를 가진 아티스트들과 비슷한 품목 및 제조사의 상품끼리 높은 유사도의 임베딩 값을 가지는 것을 확인하였다. Sadeghian et al.(2019)은 Item2Vec 방법을 호텔 산업에 적용하였다. 사용자가 호텔을 조회한 데이터와 호텔의 서비스 데이터, 지리정보를 결합한 벡터를 이용해 호텔의 임베딩 벡터를 생성하였다. 그 결과 비슷한 정보를 가진 호텔끼리 유사도가 높게 임베딩 되었으며, 사용자들이 향후 조회할 호텔을 예측하는 성능도 우수하게 나타났다. Book2vec은 도서의 내용을 확인하기 어려운 경우, 사용자가 책을 읽은 데이터만으로 Item2Vec 방법을 통해 도서를 임베딩하는 방법이다(Anvari et al., 2018). Googlereads 사이트의 데이터로 Item2Vec 방법을 활용해 도서들을 임베딩하였다. 그 결과, 같은 저자 및 시리즈 도서들에 비슷한 임베딩 벡터값을 할당해 도서의 추천 시스템에 유용하게 활용될 수 있음을 확인하였다. 또한 세계적인 음악 스트리밍 서비스 기업은 Spotify는 음악 플레이리스트에 Item2Vec 알고리즘을 적용하여 고객들에게 음악 추천 서비스를 제공하고 있다(Anderson et al., 2020). 본 연구에서는 Item2Vec을 차용 및 변형하여 패션 산업에서의 Fad 예측을 위한 Fad2Vec 방법론을 제시한다.

Fad2Vec은 단어의 의미를 학습시키는 Word2Vec의 방법론에 기반하여, 상품의 유사성을 학습시키는 Item2Vec을 차용한 방법론이다. Fad2Vec은 상품의 판매 데이터로부터 찾아낸 시계열 패턴을 학습시키는 것이 아닌 상품의 유행 시점을 학습시키는 모델로, 임베딩된 벡터들은 상품 간 유행 시점이 얼마나 비슷한지를 나타낸다. 비슷한 임베딩 값을 가지는 상품들은 비슷한 시기에 유행하는 상품 집합, 즉 Fad 군집으로 볼 수 있다. 따라서 특정 상품의 갑작스러운 유행이 시작되었음을 감지하였다면, Fad 군집 내에 속하는 다른 상품들도 빠른 시일 내에 유행이 시작될 가능성이 높으며, 이에 따라 상품 디자인 및 생산 계획을 수립함으로써 Fad에 선제적으로 대응이 가능하다. <Table 1>은 Word2Vec, Item2Vec과 비교를 통한 Fad2Vec의 기본 개념을 설명한 표이며, <Figure 1>은 Fad2Vec의 프레임워크를 도식화한 것이다.

Figure 1. 
Framework of Fad2Vec

Fad2Vec의 절차는 다음과 같다. 먼저 판매 데이터에서 상품별 유행구간(hot period)을 도출한다. 유행구간은 특정한 조건을 만족하는 시점들로 이루어져 있는데. 유행구간은 제품 판매 주기에서 유행구간은 Fad를 정의하는 기준이 되기 때문에 Fad2Vec의 성능을 좌우하는 가장 중요한 개념이라고 볼 수 있다. 유행구간은 구간 내 판매량 최고점을 의미하는 단기고점(hot point)과 선행구간(preceding period) 2가지 개념으로 이루어진다. 본 연구에서는 단기고점을 1) 해당 시점의 판매량이 판매량의 3개월 이동평균보다 크고 2) 전 기간 최고 판매량의 10%보다 크며 3) 판매량의 증가추세가 끝나는 지점이라는 3가지 조건을 모두 만족하는 시점으로 정의하였다. 선행구간은 유행구간 내 최고점을 찍기까지의 상승구간을 의미한다. 본 연구에서는 선행구간을 모든 시점 간 기울기가 양인 구간에서 판매량이 1 이상인 시점부터 단기고점 직전 시점까지로 정의하였다.

<Figure 2>는 판매 그래프에 본 연구에서 정의한 유행구간을 적용한 예시이다. 14/01(14년 01월)은 3개월 이동평균 값보다 크고 전 구간 최고 판매량의 10%보다 크므로 단기고점으로 볼 수 있다. 판매가 발생한 13/11부터 13/12, 14/01은 기울기가 모두 양인 것을 확인할 수 있다. 따라서 13/11부터 단기고점인 14/01의 직전인 13/12까지가 선행구간으로 볼 수 있다. 단기고점과 선행구간을 합해, 13/11부터 14/01까지를 유행구간으로 최종 설정한다.

Figure 2. 
Example of a Hot Period

상품별 유행구간을 정의한 후, 각 시점에 유행한 상품만을 추출하여 벡터를 만든다. 이 벡터를 Word2Vec의 Skip-gram으로 학습시킨다. Skip-gram을 사용하는 이유는 단어의 의미를 학습하는 작업에서 Skip-gram이 CBOW보다 더 좋은 성능을 보이며(Mikolov et al., 2013), 네거티브 샘플링(negative sampling)을 활용할 때 자주 등장하지 않는 상품들까지 정확한 임베딩 값을 할당할 수 있기 때문이다(Barkan et al., 2016). 이 과정을 통해 같은 시기에 유행했던 상품들은 유사한 임베딩 벡터값을 갖도록 학습된다. 비슷한 임베딩 벡터값을 갖는 상품들의 군집을 Fad로 정의한다. Fad 군집 내 어떤 상품이 갑작스럽게 유행하게 되면, 해당 상품의 벡터와 유사도가 높은 상위 N개 상품의 생산 및 판매 계획을 조정함으로써 Fad에 대응할 수 있다.

본 연구에서는 Item2Vec 방법론을 차용한 Fad2Vec 방법론을 제시하였다. 2011년 01월부터 2019년 12월까지의 판매 데이터에서 시점별 유행 상품을 추출하여, 벡터를 만든 후 Item2Vec 방식으로 학습시켜, 동일 시점에 유행한 사품들이 높은 유사도를 가지는 임베딩 벡터값을 갖도록 하였다. 적중률 측정 및 기존의 시계열 유사성 측정기법을 비교한 결과, Fad2Vec이 단발성 유행을 탐지하는 데 있어 매우 효과적임을 확인하였다.

본 연구는 기존의 통계적 모델로는 예측이 어려웠던 Fad를 탐지하고 대응하기 위한 효과적인 접근 방법을 제시하였다는 측면에서 의의를 가진다. 판매량 예측을 위해 일정한 계절성을 가지거나 과거 판매 데이터가 충분히 확보되어야 하는 기존 방법에 비해서 Fad2Vec은 판매 주기가 매우 불규칙적이고 과거 판매 데이터가 불충분하더라도 유사한 주기를 가진 상품을 제안함으로써 Fad에 대응할 수 있다. 따라서 Fad2Vec이 Fad 대응 전략에 필요한 정량적이고 객관적인 예측 데이터를 제공함으로써 패스트 패션 기업의 상품 기획 및 생산 계획에 유용하게 활용될 수 있을 것으로 기대된다.

그러나 본 연구에는 향후 연구에서 극복해야 할 몇 가지 한계점이 있다. 첫째, 판매 데이터에 존재하는 상품코드만 활용하여 상품의 모든 특성을 상품 벡터에 반영하지 못했다. 본 연구에서는 브랜드, 품목, 시즌 및 색상만을 활용했으나 실제 의류 및 액세서리에는 핏과 소재 등 다양한 특성들이 존재한다. 따라서 패션 아이템의 구매 요인으로 작용하는 특성들을 추가한 상품 벡터를 생성한다면 좀 더 세밀하게 상품의 유행 주기를 탐색할 수 있을 것으로 보인다. 둘째, 유행구간인 유행구간을 지정하는 과정에서 3개월 이동평균과 최고 판매량의 10%를 조건으로 사용했다. 그러나 카테고리별로 다른 조건을 적용하는 등의 더 정교한 방식의 유행구간 추출방식이 필요할 것으로 보인다. 셋째, 본 연구에서는 각 제품의 월별 판매량 그래프에서 보이는 계절성을 고려하지 않았다. 따라서 시계열 분석기법을 활용하여 계절성을 제거한 후 분석 및 검증을 수행하고, 수정 전 Fad2Vec과 비교하는 방식으로 Fad2Vec의 성능을 다각도로 검증할 필요가 있다.