GCP 포트폴리오 데모

Commerce Decision Lab

파편화된 합성 커머스 데이터를 경영 판단의 근거로 바꾸는 시스템. 화려한 대시보드가 아니라, 화면에 뜬 숫자 하나하나를 계산한 SQL까지 거슬러 올라갈 수 있는 추적 가능한 의사결정 시스템을 보여줍니다.

이 페이지의 수치와 스크린샷은 캡처 시점의 예시 데이터입니다. 데이터는 실행마다 새 랜덤 시드로 만들어져 값은 달라지지만, 심어둔 4개 이슈는 같은 유형·같은 high 심각도로 나타납니다.

여러 브랜드·채널·유료 마케팅을 운영하는 회사에서, 이번 달 매출이 흔들렸습니다. 원인이 무엇인지 답하는 데 며칠이 걸린다면? 이 데모는 그 질문에 몇 초 만에, 근거를 붙여서 답하는 시스템입니다.
01 · 파편화된 현실

대부분의 조직이 이 상태입니다

주문, 마케팅 지출, 재고, 고객 데이터가 시스템별로 따로 쌓여 있습니다. 이 데모는 실제 회사 데이터 대신, 같은 문제를 재현하도록 설계된 합성 데이터 5종을 씁니다 — 브랜드 3개 × 채널 3개 × SKU 24개 × 고객 900명, 120일 치.

orders.csv
주문 단위
브랜드·채널·SKU
marketing.csv
브랜드×채널×일
지출·기여매출
inventory.csv
SKU×일
재고·입고·판매
customers.csv
고객 단위
획득채널·재구매
skus.csv
SKU 단위
브랜드·원가
이 5개 원본은 그대로는 질문에 답하지 못합니다. raw → staging → metrics 3단계 BigQuery 레이어를 거치며 비교 가능한 KPI로 바뀌고, 그 위에 결정적 규칙이 이슈를 탐지합니다. 여기까지는 전부 SQL/Python이고 재현 가능하며 테스트로 검증됩니다 — AI는 아직 등장하지 않습니다.
02 · 직접 골라서 끝까지 따라가기

데이터에 4개의 이슈를 실제로 심어뒀습니다

아래 카드 중 하나를 클릭하면, 원본 데이터의 패턴 → 증거 화면 → 시스템이 내린 판단(우선순위·근거·조치)까지, 실제 로컬 실행에서 캡처한 화면으로 끝까지 따라갈 수 있습니다.

1

심어진 패턴

Kestrel 브랜드의 paid_social 채널에서, 최근 30일 구간 지출이 이전 구간 대비 약 2.8배로 늘었지만 기여 매출은 거의 그대로입니다. 다른 브랜드/채널 조합은 지출-매출 관계가 안정적으로 유지됩니다.

2

증거 — Marketing 화면

실제 KPI 테이블에서 Kestrel / paid_social 행만 ROAS가 무너진 게 보입니다.

Marketing 탭에서 Kestrel paid_social의 ROAS가 3.16에서 1.29로 떨어진 표와 차트
지출
$4,387 → $12,369
ROAS
3.16 → 1.29 (-59.1%)
3

시스템의 판단 — Decisions 카드

결정적 규칙이 roas_change_pct ≤ -40% 조건으로 high 심각도를 부여하고, 근거와 조치를 구조화합니다.

Marketing efficiency deteriorating for Kestrel paid_social 결정 카드, high 심각도, 근거와 제안 조치 포함
제안 조치 · 모니터링 KPI
타겟팅/크리에이티브/입찰 전략 재검토, 성과 좋은 세그먼트로 예산 재배분 검토 — 이후 roas[Kestrel / paid_social]를 계속 지켜봄.
1

심어진 패턴

SKU AUR-003(Aurora)은 최근 구간 수요 비중이 약 2.8배로 커지는 동시에 입고가 거의 0으로 줄었습니다. 다른 SKU들은 실수요를 따라가는 반응형 재입고 정책 덕분에 20~35일 수준의 안정적인 재고 커버리지를 유지합니다.

2

증거 — Inventory 화면

재고 위험 후보 목록 맨 위, AUR-003만 재고 0에 재고소진일수 0.0으로 표시됩니다.

Inventory 탭에서 AUR-003의 재고 0, days_of_cover 0.0으로 표시된 위험 후보 테이블
보유 재고
0
재고 소진 일수
0.0일
3

시스템의 판단 — Decisions 카드

days_of_cover < 3이면 high로 분류되는 규칙이 발동했습니다.

Stock-out risk for SKU AUR-003 결정 카드, high 심각도, 근거와 제안 조치 포함
제안 조치 · 모니터링 KPI
AUR-003 긴급 재입고, 필요시 임시 배분 상한 고려 — 이후 days_of_cover[AUR-003]를 계속 지켜봄.
1

심어진 패턴

Marlow / retail_partner 세그먼트만 최근 구간 주문 비중이 줄어듭니다. 회사 전체 매출은 대체로 평탄해 보이지만, 이 한 세그먼트에서는 실질적인 순매출 하락이 발생합니다 — 전체 지표만 보면 놓치기 쉬운 패턴입니다.

2

증거 — Performance 화면

브랜드×채널 테이블에서 Marlow / retail_partner 행만 두드러지게 하락한 게 보입니다.

Performance 탭에서 Marlow retail_partner 순매출이 4101.09에서 2430.83으로 하락한 표와 차트
순매출
$4,101.09 → $2,430.83 (-40.7%)
3

시스템의 판단 — Decisions 카드

pct_change ≤ -35% 조건으로 high 심각도가 부여됐습니다.

Material sales decline in Marlow retail_partner 결정 카드, high 심각도, 근거와 제안 조치 포함
제안 조치 · 모니터링 KPI
Marlow / retail_partner의 수요·가격·구색을 조사 — 이후 net_revenue[Marlow / retail_partner]를 계속 지켜봄.
1

심어진 패턴

신규 고객이 주문을 낼 확률이 베이스라인 약 57%에서 최근 약 20%로 떨어졌습니다. 전체 주문 수는 크게 안 줄어들어도, 그 구성이 재구매 고객 쪽으로 크게 이동합니다 — 획득 채널이나 캠페인, 또는 트래킹 이슈를 점검해야 할 신호입니다.

2

증거 — Customer 화면

신규/재구매 비중 차트가 두 기간 사이에 완전히 뒤집힌 걸 보여줍니다.

Customer 탭에서 신규 고객 비중이 57%에서 20%로 떨어진 차트
신규 고객 비중
57% → 20% (-36.4pt)
3

시스템의 판단 — Decisions 카드

new_share_pct_change ≤ -50% 조건으로 high 심각도가 부여됐습니다.

New-customer acquisition share dropping sharply 결정 카드, high 심각도, 근거와 제안 조치 포함
제안 조치 · 모니터링 KPI
획득 마케팅 지출/효율 재검토, 데이터·트래킹 이슈가 아닌지 확인 — 이후 new_customer_share를 계속 지켜봄.
03 · 대시보드가 아니라 의사결정 시스템

조치 후에도 같은 로직이 다시 확인합니다

"조치가 효과가 있었나?"는 별도 기능이 아닙니다. 이슈를 탐지한 것과 동일한 결정적 함수가 더 최신 데이터에 대해 다시 실행될 뿐입니다. 재고가 회복되면 규칙이 더 이상 발동하지 않고, 이슈는 목록에서 조용히 사라집니다.

예시 — AUR-003 긴급 재입고 시뮬레이션

저장소의 자동화 테스트(tests/test_decisions/test_post_action_verification.py)가 실제로 검증하는 시나리오입니다.

조치 전
days_of_cover = 2.9
on_hand 10 · stockout_risk = True → 이슈 발생
→
긴급 재입고 후
days_of_cover = 34.3
on_hand 120 · stockout_risk = False → 이슈 소멸
같은 detect_inventory_issues() 함수를 두 상태에 각각 실행했을 뿐, 별도의 "검증 로직"은 존재하지 않습니다.
04 · 줌아웃

이걸 움직이는 인프라

모든 컴포넌트는 명확한 이유가 있어서 존재합니다 — 화려함을 위한 게 아닙니다.

  1. Cloud Scheduler → Cloud Run Job매일 06:00(KST)에 전체 리프레시를 시작합니다.
  2. 합성 데이터 생성기실행마다 새 랜덤 시드로 주문·마케팅·재고·고객 CSV를 만듭니다.
  3. Cloud Storage raw/날짜/원본 CSV와 시드를 날짜별로 보관합니다.
  4. BigQuery raw → stagingCSV를 그대로 적재하고, 타입을 지정한 얇은 뷰로 정리합니다.
  5. BigQuery metricsSQL 함수가 기준일마다 현재-대-이전 KPI를 계산합니다.
  6. 결정적 이슈 탐지 규칙임계값 기반 규칙이 이슈와 심각도를 정합니다.
  7. Gemini 해석계산된 이슈를 문장으로 서술만 합니다.
  8. Cloud Storage snapshotapp_snapshot.json 한 파일로 묶어 저장합니다.
  9. Cloud Run 앱 (Streamlit)스냅샷만 읽어 보여줍니다. BigQuery와 Gemini를 직접 호출하지 않습니다.
Cloud Storage
원본 CSV의 집결지이자, 앱이 읽는 유일한 파일이 있는 곳 — 공개 앱을 BigQuery/Gemini와 완전히 분리합니다.
BigQuery
raw → staging → metrics. 모든 숫자의 결정적 근거(source of truth).
결정 규칙 (Python)
"무엇이 문제인지"는 AI가 아니라 임계값 기반 로직이 정합니다.
Gemini
이미 계산된 이슈를 문장으로 서술만 합니다. 사실이나 심각도를 바꿀 수 없습니다.
Cloud Run + Scheduler
앱 서빙과, 매일 실행되는 전체 리프레시 자동화.

데이터 볼륨은 의도적으로 작고(주문 ~1,600건), Cloud Run은 유휴 시 스케일 투 제로라 실행 비용은 사실상 무료 티어 수준입니다. 임계값과 규칙은 심어놓은 시나리오를 탐지 가능하게 한 데모용 기본값이며 실제 리테일 벤치마크 튜닝은 아닙니다 — 자세한 내용은 저장소 README의 "한계" 섹션 참고.

이게 여러분 조직의 실제 데이터였다면

이 데모는 합성 데이터로 만든 메커니즘 증명입니다. 같은 구조 — 결정적 메트릭, 근거 있는 이슈 탐지, 제한된 역할의 AI 해석 — 를 실제 데이터 소스에 연결하는 건 이미 검증된 패턴을 재사용하는 문제입니다.

이 프로젝트는 오픈 아카이브이며 라이브 앱은 종료했습니다. 위 화면 캡처와 샘플 데이터(라이브 앱이 마지막으로 읽은 스냅샷)로 같은 결과를 볼 수 있습니다.