안녕하세요, 구독자님. 한주간 잘 지내셨나요?
지난 호에서는 정치학 박사 이안 브레머가 국가 간의 거시적 '정치 리스크'를 분석해 월스트리트의 맹점을 짚어낸 이야기를 전했는데요. 이안 브레머가 국가라는 거대한 단위의 '보이지 않는 위험'을 읽어냈다면, 오늘 만날 창업가는 한 개인의 옷장이라는 미시적 세계로 깊게 파고들어 '보이지 않는 취향'을 읽어낸 사람입니다.
'옷은 가득한데 왜 내일 입을 옷은 없을까?'
바로 이러한 일상적인 고민을 하면서 카트리나 레이크(Katrina Lake)는 자신이 전공한 경제학과 경영학 지식을 기반으로 거대한 사업 아이템을 발견했습니다.
카트리나가 가진 핵심 문제의식은 바로 이거였습니다.
"왜 대부분의 온라인 쇼핑몰은 고객에게 '더 많이' 보여주려고만 할까?
'고객의 니즈에 딱 맞춘 단 하나'를 따로 찾아줄 수는 없을까?"
오늘은 경제학과 경영학을 결합한 통찰로 이 문제를 풀어내 '개인 스타일링 커머스'라는 새로운 산업을 탄생시킨 스티치 픽스(Stitch Fix)의 이야기예요.
그럼 오늘도 편안하게 보실 수 있도록 인터뷰 형태로 진행해볼게요. 시작합니다 🙂
💾 이번 호를 읽으면 알게 되는 3가지
✔ ‘경제학자의 관점’이 패션 시장의 문제를 어떻게 재정의했는가
→ 일상의 사소한 불편함에서 거대한 시장 기회를 발견한 경제학자의 시각
✔ AI가 고르고 사람이 다듬는 '반반 시스템'의 비밀
→ AI가 대다수 후보를 거르고, 인간의 감성이 마지막을 완성하는 모델
✔ ‘취향’이라는 주관적 가치를 ‘객관적 데이터’로 전환하는 법
→ 말로 설명하기 어려운 개인 취향 정보를 세분화해 '나만의 스타일 공식'을 만드는 법
Q1. 안녕하세요, 자기 소개를 부탁드립니다.
반갑습니다, 카트리나 레이크입니다. 저는 스탠퍼드 대학교에서 경제학을 전공했고, 하버드 경영대학원에서 MBA를 마쳤습니다.
언뜻 경제학과 패션이 멀어 보이지만, 사실 경제학자의 눈으로 보면 패션 시장은 '시장 실패'의 전형이었어요. 소비자는 선택지가 너무 많아 지치고, 공급업체는 수요예측이 어려워 과잉생산에 시달리죠. 저는 이 구조적 비효율을 데이터와 개인화로 해결할 수 있다고 봤습니다.
그리고 MBA에서 배운 운영 관리와 고객 세분화 이론도 큰 도움이 됐어요. 특히 '고객 생애가치(Customer Lifetime Value)' 개념을 개인 스타일링에 적용해서, 단순히 옷을 파는 게 아니라 장기적 관계를 구축하는 구독 모델로 설계할 수 있었습니다.
그래서 2011년에 개인화 스타일링 서비스인 스티치 픽스(Stitch Fix)를 설립했습니다. 처음엔 정말 소박했어요. 엑셀과 온라인 설문도구로 지인 몇 명의 스타일 데이터를 수집하고, 제 신용카드로 실제 옷을 구매해 박스로 보내는 방식으로 돌렸죠. 반품이 들어오면 다시 포장하고, 피드백을 일일이 기록했습니다.
이 과정에서 확신을 얻었어요. "사람들은 '수많은 옵션 보기'가 아니라 '나를 정확히 이해한 단 하나'를 원한다."
현재 저는 이사회 의장으로 회사의 장기 전략을 담당하고 있고, CEO는 2023년 6월부터 맷 베어(Matt Baer)가 맡아 운영하고 있습니다.
Q2. 스티치 픽스는 어떤 서비스를 제공하고 차별화된 비즈니스 모델은 무엇인지 설명해주시겠어요.
네, 저희는 한마디로 온라인 개인 스타일링 서비스를 제공합니다. 고객은 먼저 20달러의 스타일링 비용을 결제하고, 꽤 정교한 스타일 설문양식을 작성합니다. 이 설문은 사이즈와 체형, 선호 색상과 패턴은 물론, "직장에서의 복장 규정", "곧 있을 중요한 행사", "피하고 싶은 핏/소재" 같은 상황별 정보까지 묻습니다.
그 다음은 AI와 전문 스타일리스트의 협업입니다. AI가 방대한 상품 풀에서 후보를 좁혀주면, 스타일리스트가 메모·말투·이벤트 상황을 읽고 최종 5개 아이템을 결정해 '픽스(Fix) 박스'로 보내요. 집에서 충분히 입어본 뒤 마음에 드는 것만 구매하고, 스타일링 비용 20달러는 구매액에서 할인됩니다. 만약 아무것도 구매하지 않는다면 20달러는 그대로 서비스 이용료가 되죠.
핵심 고객은 시간 대비 쇼핑 비용을 줄이고 싶은 사람들입니다. 커리어로 바쁜 20대 후반~40대 직장인, 출산/이직 등으로 스타일 재정리가 필요한 고객, 체형 변화로 기존 쇼핑이 불편해진 고객 등 '선택의 과부하'를 부담으로 느끼는 층이 대표적이에요. 이분들에게는 끝없는 옷 정보들을 스크롤하며 보는 것보다 '나를 이해한 5개의 아이템'이 훨씬 큰 가치가 있죠.
Q3. 경제학과 경영학 공부가 사업을 시작하는 데 어떤 도움이 됐나요?
간단하게 말하면 경제학은 '문제 발견'에, 경영학은 '문제 해결'에 각각 도움이 됐어요.
먼저 경제학 전공 덕분에 패션 시장을 '소비자와 공급자 모두 손해 보는 구조적 비효율'로 바라볼 수 있었어요. 이 관점으로 창업기회를 포착했죠. 경제학적으로 보면 패션 리테일은 거래 비용과 정보 불균형이 동시에 큰 시장입니다. 소비자 쪽에서는 선택지가 너무 많아 최적화를 포기하는 순간이 오고, 공급자 쪽에서는 수요예측이 어려워 과잉생산과 할인 판매가 일상이 됩니다. 저는 이 양면의 비효율을 하나의 시스템으로 연결해서 줄일 수 있다고 봤습니다.
MBA에서 배운 경영학 지식은 이 문제를 실제 비즈니스로 구현하는 데 핵심이었어요. 특히 운영관리 이론으로 재고 최적화와 물류 효율성을 설계했고, 마케팅의 고객 세분화 개념을 개인 맞춤형 서비스에 적용했습니다. 가장 중요했던 건 구독경제 모델 설계였어요. 하버드에서 배운 고객생애가치(CLV) 분석법으로 단발성 구매가 아닌 장기적 관계 기반 수익 모델을 만들 수 있었습니다. 월 20달러 스타일링 비용도 이런 경영학적 계산에서 나온 거예요.
결국 질문은 간단했어요. "고객이 직접 찾아 헤매게 하지 말고, 우리가 먼저 찾아서 보여주면 어떨까?" 고객에게 많은 선택지 대신 딱 맞는 것을 주면, 고객의 선택 피로가 줄고, 기업은 불필요한 재고가 줄어 양쪽 모두에게 도움이 됩니다. 그 '효율의 교차점'을 찾고 싶었습니다.
Q4. '취향'처럼 막연한 개념을 데이터로 만든다는게 쉽지 않을 것 같은데요, 어떻게 데이터로 만드셨어요?
좋은 질문입니다. 핵심은 '취향'을 데이터 언어로 바꾸는 작업이었어요. 내부적으로 이러한 작업을 'Style Genome Project'이라는 스타일 분석 시스템을 운영하고 있는데요, '모던(modern)'이나 '클래식(classic)' 과 같은 모호한 표현들을 좀더 구체적인 요소들로 더 세분화하는 작업을 의미해요.
예를 들어 상의 하나를 분석할 때도 넥라인, 소매 길이, 전체 기장, 핏감, 패턴, 소재 등으로 세세하게 나눠서 태그를 붙이죠. 그리고 거기다 고객이 "회사 미팅이 많아요" 하면 직장 환경을 고려하고, "다음 달에 결혼식 가요" 라고 메시지를 남기면 특별한 약속의 내용을 함께 고려해서 최종적으로 적합한 옷을 선별하여 추천해주죠. 이렇게 해서 우리가 목표한 건 고객이 박스를 열고 1분 안에 "맞아, 이 5개 모두 딱 내 스타일이야!"라고 느끼도록 하는 거였어요.
그리고 저희는 단순히 옷만 보내는 게 아니라, 왜 이게 나에게 맞는지도 함께 설명했습니다. 예를 들어 고객이 "다음 달 결혼식 참석 예정"이라고 메모를 남기면, 저희가 "정장 스타일이면서도 차분한 색상을 좋아하시는 고객님께 딱 맞는 선택"이라는 식으로 추천 이유를 카드에 적어 넣어주는 거죠. 데이터와 개인적인 이야기가 함께 만들어지니까, 이 서비스는 단순 쇼핑을 넘어 "뭘 입지?" 하는 고민 자체를 덜어주는 도구가 됐습니다.
Q5. AI 시대에도 스타일리스트가 따로 필요한 이유는 무엇인가요?
저희의 원칙은 처음부터 AI와 사람이 함께 일하는 방식이었습니다. 정확한 비율을 수치화하진 않았지만, 대부분의 추천 아이템 후보를 추리는 것은 AI, 마지막 상황 판단은 사람이라는 구조는 일관되게 유지했어요.
예를 들어, AI가 먼저 고객의 과거 구매 이력과 선호도를 분석해서 '밝은 네이비 재킷, 화이트 블라우스, 베이지 팬츠' 같은 후보들을 골라내죠. 그런데 고객이 "다음 주 친구 결혼식 참석 예정이예요, 너무 튀지 않았으면 해요"라고 한 줄 남기면, 스타일리스트가 그 메모를 보고 "아, 결혼식이니까 신부보다 눈에 띄면 안 되겠네" 하면서 밝은 네이비 재킷을 더 차분한 차콜 색으로 바꾸는 거예요.
즉, AI는 '네이비 = 고객 선호 색상'이라는 데이터만 읽지만, 사람은 '결혼식에서 적절한 네이비의 톤' 까지 판단할 수 있는 거죠. 이런 사회적 상황이나 미묘한 감정은 아직 알고리즘이 놓치기 쉬운 부분이에요.
또 하나는 구매 후 피드백 시스템입니다. '좋아요/별점' 같은 뻔한 질문 대신, 핏·촉감·입었을 때 느낌 같은 실제 경험을 바탕으로 한 후기를 자연스럽게 받을 수 있도록 만들었어요. 고객이 남긴 생생한 이야기가 다음 추천 때 더 잘 반영되고, 스타일리스트도 이걸 참고해서 더 나은 판단을 내리죠. 서로 도움을 주는 시스템이 되는 거예요.
Q6. 당시 자금 조달은 어떻게 하셨나요? 이후 투자 유치와 실적은요?
사실 초기에는 개인 신용카드로 시작했어요.투자 시장에서 '고객 취향에 맞는 옷을 골라서 보내주는 맞춤형 스타일링 서비스'라고 설명하면 설득이 안 됐어요. 그래서 스티치 픽스가 패션 회사가 아니라, 재고·물류 최적화와 취향 데이터를 쌓아가는 '운영·데이터 회사'임을 강조했습니다.
그래서 투자자들에게 주문 1건당 수익 구조를 자세히 분석해 보여주고, 규모가 커질수록 예측이 정확해지는 학습 효과를 설득력 있게 설명했죠. "우리는 감이 아닌 데이터로 구매·추천·반품을 관리한다"는 메시지가 투자자들에게 설득력을 갖기 시작했고, 그때부터 본격적으로 투자를 받을 수 있게 됐습니다.
실적도 투명하게 말씀드리면, 상장 이후 2021년에는 매출 21억 달러, 활성 고객 약 416만 명까지 성장했지만, 그 후 경기 변화와 소비 패턴 변화 등으로 인해 2023년 매출은 약 16억 달러로 감소했어요. 2023년 8월 영국 사업도 철수하며 미주 중심으로 재정비했습니다.
최근에는 매출 규모가 조금 줄었지만, 고객당 수익성 개선과 비용 통제로 체질 개선을 이어가고 있어요. 즉 저희 회사는 적은 라운드로 빠르게 학습해서 직행 상장을 했고, 지금은 수익성 중심의 지속 가능한 성장에 집중하고 있습니다.
Q7. 그럼 스티치 픽스만의 경쟁력은 뭐라고 생각하시나요?
바로 고객 피드백 데이터입니다. "핏은 좋은데 기장이 길다", "패턴이 예쁘지만 소재가 더운 느낌" 같은 한마디 한마디가 정말 소중해요. 알고리즘에겐 다음번엔 어떤 걸 골라야 할지 알려주는 힌트가 되고, 스타일리스트에겐 고객을 더 잘 이해하는 단서가 되거든요.
이런 데이터는 쌓일수록 더 가치 있는 자산이 됩니다. 고객과 상품, 그리고 상황이 만나서 만들어지는 조합들이 반품률이나 재구매율로 나타나면서 전체 시스템이 계속 똑똑해지죠. 이런 선순환 구조는 다른 곳에서 쉽게 따라 할 수 없는 우리만의 강점이에요.
Q8. 업계에서 인정받는 리더가 되기까지 어떤 전략을 쓰셨나요?
시장에서 이미 있는 문제에 대한 답만 내놓으면, 경쟁사들이 금세 따라 해서 차별화가 사라져요. 우리는 먼저 새로운 질문을 던졌어요. "온라인 쇼핑의 미래는 검색이 아니라 맞춤화된 추천에 있다." 이 메시지를 컨퍼런스·칼럼·미디어 인터뷰 곳곳에서 일관되게 전했고, 'AI가 모든 걸 대체하는가?' 같은 논쟁에선 "AI와 인간의 협업이 현실적 표준"이라는 입장을 실제 사례를 들어 설명했습니다.
또, 저는 2017년 스티치 픽스의 나스닥 상장을 이끌었습니다. 당시 34세로, 최연소 여성 CEO의 상장 사례로 기록됐죠. 펀딩 과정에서 겪은 편견들, 이사회 운영의 어려움, 데이터와 사람의 감성 사이에서 균형을 잡는 고민들을 솔직하게 공유했어요. 이런 진솔한 이야기들이 사람들의 신뢰를 얻었고, 결국 우리는 단순한 배송 서비스가 아니라 업계 흐름을 만들어가는 리더가 될 수 있었습니다.
Q9. 앞으로 스티치 픽스를 어떻게 키워나가고 싶으세요?
우리가 꿈꾸는 건 사람들이 자신다움을 찾아가는 모든 순간에 함께하는 것입니다. 패션은 시작일 뿐이고, 뷰티나 홈 인테리어 같은 취향이 중요한 다른 분야로도 확장할 생각이에요.
가장 중요한 건 기술이 사람을 대신하는 게 아니라 도와주는 것이라는 믿음입니다. 앞으로도 고객을 더 잘 이해하고, 더 세심하게 피드백을 받고, 더 따뜻하게 협력해서 각자의 개성을 당당하게 표현할 수 있는 경험을 만들어가고 싶어요.
포리스 인사이트
카트리나 레이크의 이야기, 어떠셨나요? 카트리나의 창업 여정을 보면 단순히 성공한 스타일링 서비스를 넘어, 인문사회학을 전공한 우리에게 '추상적 개념을 구체적 비즈니스로 바꾸는 법'에 대한 실질적인 방법론을 보여줍니다.
막연한 개념인 '취향'을 200개 데이터 포인트로 쪼개고, AI와 인간의 협업 모델을 설계한 카트리나의 전략에서 우리가 배울 수 있는 인사이트를 4가지로 정리해볼게요.
1. 시장 비효율을 창업 기회로 읽어내는 경제학적 사고
카트리나는 패션 시장에 존재하는 이상한 모순을 발견어요. "옷은 넘쳐나는데 왜 사람들은 입을 옷이 없다고 할까?" 소비자는 너무 많은 선택지 때문에 결정 피로를 겪고, 브랜드는 무엇이 팔릴지 몰라 과잉생산 후 할인 판매를 반복하고 있는 거죠.
이런 '시장 실패'를 발견하는 경제학적 사고가 핵심이었어요. '무엇을 팔까'보다 '어떤 비효율을 줄일까'를 먼저 묻자, 전혀 새로운 해답이 떠올랐죠.
바로 중간에서 똑똑하게 연결해주는 서비스였어요. 고객은 더 이상 수백 개 옷 중에서 고민할 필요가 없어지고, 기업은 누가 무엇을 살지 미리 예측할 수 있게 되는 거죠. 양쪽 모두 스트레스가 줄어드는 비즈니스 모델이 보이기 시작했습니다.
▶️ 이렇게 적용하세요
- 내 연구 분야에서 '모든 사람이 불편해하지만 당연하게 여기는 것'을 찾아보세요. 그것을 고객의 '숨겨진 비용'(시간/스트레스/위험) 관점에서 한 문장으로 정의하면, 그게 바로 창업 기회가 될 수 있어요.
2. 추상적 취향을 측정 가능한 데이터 자산으로 변환하기
고객이 "모던하고 시크한 스타일을 좋아해요"라고 말하면, 스타일리스트는 어떤 옷을 골라야 할까요? 사람마다 생각하는 '모던'이 다 다르잖아요. 카트리나는 이런 애매한 표현으로는 정확한 추천이 불가능하다고 봤어요. 그래서 카트리나는 이 막연한 표현을 넥라인(라운드/V넥/스쿱), 소매 길이, 핏감, 패턴, 소재 등 200개 이상의 구체적 요소로 쪼갰어요.
더 중요한 건 '상황적 맥락'까지 데이터화했다는 것이예요. '다음 달 결혼식 참석 예정'이라는 고객 메모가 단순한 텍스트가 아니라 'formal 레벨 7, conservative 색상 선호, 계절감 고려'와 같이 알고리즘이 읽을 수 있는 신호로 변환되는 거죠.
결과적으로 '취향'이라는 주관적 개념이 반복 학습 가능한 데이터 자산이 됐어요. 고객이 늘수록, 피드백이 쌓일수록 더 정확해지는 자산 말이에요.
▶️ 이렇게 적용하세요
- 내 분야의 핵심 개념 하나를 골라서 15~30개의 측정 가능한 요소로 분해해보세요. 예를 들어 '좋은 논문'이라면 → 논증구조, 참고문헌 다양성, 방법론 적합성, 결론의 명확성 등으로 나누는 것처럼요.
3. 데이터가 스스로 가치를 키우는 선순환 설계하기
스티치 픽스의 진짜 경쟁력은 데이터가 데이터를 낳는 구조를 만든 것이예요. 카트리나의 고객피드백 활용에 대한 단계별 선순환 구조를 보면, '① 고객 증가 → ② 더 다양한 피드백 데이터 축적 → ③ 알고리즘 정확도 향상 → ④ 더 만족스러운 추천 → ⑤ 고객 재구매와 입소문 → ① 고객 증가'로 이어지는 흐름을 보이죠.
여기서 핵심은 고객의 피드백이 곧 다음 고객을 위한 자산이 된다는 점이에요. "핏은 좋은데 기장이 길다"고 한 고객이 불만을 제기했다면, 비슷한 체형의 다른 고객에게는 완벽한 추천을 위한 데이터로 활용될 수 있는 거죠.
이런 구조에서는 경쟁사가 나중에 시작할수록 따라잡기 어려워집니다. 데이터가 쌓인 만큼 정확도 차이가 나니까요.
▶️ 이렇게 적용하세요
- 내 서비스에서 "사용자의 행동이 다른 사용자에게 도움이 되는 지점"을 찾아보세요. 그 지점을 측정하고 피드백 루프로 연결하면, 성장할수록 강해지는 경쟁우위를 만들 수 있습니다.
4. AI와 인간의 완벽한 협업 분담으로 대체불가능한 서비스 만들기
많은 사람들이 "AI가 인간을 대체할 것이다"라고 말할 때, 카트리나는 다른 길을 선택했어요. 대신 'AI는 효율성 부분을, 인간은 맥락 파악 차원에서 각각 비교우위를 갖고 명확한 역할 분담을 하도록 설계했죠. 앞서 살펴본 것 처럼 AI가 먼저 고객의 과거 데이터를 분석해서 1000개 후보를 5개로 압축해요. 그러면 스타일리스트가 "친구 결혼식, 튀지 않게"라는 고객의 한 줄 메모를 읽고 밝은 네이비 재킷을 차분한 차콜 색으로 바꾸는 거죠.
이렇게 인간만이 읽을 수 있는 '사회적 맥락'을 비즈니스 모델에 필수 요소로 만들어서, 완전 자동화로는 대체할 수 없는 서비스를 구축했어요.
더 나아가 카트리나는 이 방식을 업계 표준으로 제시하며 'AI 시대의 인간 역할'에 대한 담론까지 주도했습니다. 단순한 서비스 차별화를 넘어 업계 리더십까지 확보한 거죠.
▶️ 이렇게 적용하세요
- 내 분야에서 AI가 잘하는 일과 인간이 잘하는 일을 명확히 나누고, 둘이 협력해야만 최고 결과가 나오는 '경계선'을 설계해보세요. 그 경계선을 문서화하고 표준화하면, 업계에서 신뢰받는 전문성이 됩니다.
이번 주 카트리나 레이크(Katrina Lake) 이야기, 어떠셨나요?
카트리나는 시장의 비효율성을 포착하는 경제학자의 날카로운 시선과, 데이터만으로는 설명할 수 없는 인간의 마음을 존중하는 따뜻한 관점을 함께 가지고 있었습니다.
이 모든 것은 한 질문에서 시작됐습니다. "인간의 주관적 취향을 데이터로 번역할 수 있다면?"
학문적 언어, 추상적 개념들이 고객의 마음에 닿기 위해서는
어떻게 시장의 언어와 데이터로 바꿀 수 있을지를 고민해보는게 핵심 아닐까요?
구독하시고 매주 새로운 창업 영감을 받아가세요! 💡
다음 이야기가 궁금하다면?
매주 금요일, 인문사회 전공 석박사가 만든 글로벌 스타트업 성공 스토리를 전해드립니다.
[ 구독하고 창업 인사이트 받기 ]
✅ 매주 1개의 심층 창업 스토리
✅ 바로 실천가능한 전략
✅ 인문사회학 전공 석박사를 위한 맞춤 창업 팁
"전공을 세상과 연결하는 그 순간, 당신의 창업 스토리가 시작됩니다."
@ 포리스
인문사회학 전공 석박사들의 창업을 응원합니다.
의견을 남겨주세요