오프라인 리테일의 AI 혁신 대한민국 대표 백화점인 롯데백화점은 전국 수십 개 지점에서 프리미엄 쇼핑 경험을 제공하고 있습니다. 롯데백화점의 오프라인 매장 및 서비스 정보를 제공하는 롯데백화점 앱은 업계 최대인 약 700만 명의 가입자를 보유하고 있으며, 월간 활성 사용자 수(MAU)는 110만 명에 이릅니다. 롯데백화점은 이러한 디지털 접점을 더욱 강화하고 고객 경험을 한 단계 끌어올리기 위해 AI 기반의 […] || 오프라인 리테일의 AI 혁신
대한민국 대표 백화점인 롯데백화점은 전국 수십 개 지점에서 프리미엄 쇼핑 경험을 제공하고 있습니다. 롯데백화점의 오프라인 매장 및 서비스 정보를 제공하는 롯데백화점 앱은 업계 최대인 약 700만 명의 가입자를 보유하고 있으며, 월간 활성 사용자 수(MAU)는 110만 명에 이릅니다. 롯데백화점은 이러한 디지털 접점을 더욱 강화하고 고객 경험을 한 단계 끌어올리기 위해 AI 기반의 컨시어지 서비스를 기획하였고, AWS PACE팀과 협력하여 AI 컨시어지 ‘더스틴’을 구축하게 되었습니다. 본 포스팅에서는 롯데백화점이 어떻게 AI 컨시어지를 설계하고 구현했는지, 그리고 실제 운영 과정에서 마주한 최적화 과제들을 어떻게 해결했는지 살펴보겠습니다.
AI 컨시어지 도입 배경
롯데백화점 앱은 수백 개의 입점 브랜드와 수시로 변경되는 행사 및 서비스 정보를 다루고 있습니다. 이처럼 방대하고 동적인 정보를 고객에게 효과적으로 전달하기 위해, 기존 앱의 정보 체계를 개선할 필요가 있었습니다.
정보의 분산: 매장 위치, 브랜드 정보, 할인 혜택, 영업 시간 등 고객이 필요로 하는 정보가 여러 메뉴 및 기능에 흩어져 있어 통합적인 안내가 어려웠습니다.
디지털 접근성 문제: 앱 사용이 익숙하지 않은 중장년층 고객에게는 원하는 정보를 찾아가는 과정이 어려움이 되었습니다.
검색 기능 고도화의 필요성: 기존의 키워드 검색이나 FAQ 방식으로는 “여자친구 생일 선물로 뭐가 좋을까?”, “한식당 추천해줘”와 같은 자연스러운 질문에 대응하기 어려웠습니다.
옴니채널 전략의 필요성: 온라인의 편리함과 오프라인의 경험적 가치를 결합하여 차별화된 고객 경험을 제공해야 했습니다.
반복 문의로 인한 업무 부담: 매장 위치, 주차 정보 등 단순 반복 문의가 고객센터와 현장 직원의 업무 부담으로 이어지고 있었습니다.
롯데백화점은 이러한 과제들을 효과적으로 해결하기 위해 Amazon Bedrock 및 Strands Agents SDK 기반의 AI 컨시어지를 구축하게 되었습니다.
솔루션 아키텍처
롯데백화점 AI 컨시어지의 전체 아키텍처는 크게 세 가지 영역으로 구분됩니다.
1. API 레이어
모바일 웹과 모바일 앱을 통해 사용자 요청을 수신합니다. 트래픽 수신 시에는 Amazon Cloudfront에 통합된 AWS WAF를 이용해 엣지에서 잠재적인 악성 트래픽을 차단합니다. 이후 Application Load Balancer를 통해 Amazon ECS에서 운영되는 Strands SDK 기반 에이전트 서버로 트래픽을 전달합니다.
2. AI 에이전트 레이어
Amazon ECS에서 Strands Agents SDK 기반 에이전트 서버를 운영합니다. 에이전트 추론 시에는 Amazon Bedrock의 Anthropic Claude Haiku 모델을 사용하여 빠른 응답 속도와 비용 효율성을 확보하였습니다. Amazon Bedrock Guardrails를 통해 개인정보 및 부적절한 데이터는 필터링하여 에이전트가 해당 데이터를 처리하지 못하도록 차단하고, Amazon DynamoDB를 이용해 대화 이력을 관리하여 문맥을 유지합니다.
3. 데이터 및 색인 레이어
온프레미스 배치 서버에서 매장, 지점, 쇼핑 정보 등을 Amazon S3에 업로드합니다. 파일 업로드 시 Amazon SNS와 SQS를 통해 AWS Lambda 함수가 실행되어 데이터를 파싱하고 Amazon OpenSearch Service에 색인합니다. 에이전트에서 검색 시에는 질의 의도와 유형에 따라 키워드 검색과 하이브리드 검색(키워드 +