테럿 — 아이가 무엇을 묻는지 크롤링해서 영어 앵무새 앱의 대답 범위를 정했다

문제 — 유아 영어 앱은 많은데, 아이와 '대화'하는 앱은 없었다

시장은 커지고 있었지만 앱은 대체로 일방향이었다.

아이디어 도출 단계에서 팀이 세운 기준은 두 가지였다. 시장 규모가 있는 품목 아이템인가, 그리고 새로운 시장의 기회를 발견하였는가. 조기 영어교육 시장은 계속 커지고 있었다. 반일제 이상 유아 대상 영어학원(영어유치원)은 2016년 410곳에서 2017년 474곳, 2018년 494곳으로 늘었다는 자료가 아이템 선정의 근거로 인용됐다.

그러나 기존 앱들은 대부분 콘텐츠를 보여 주는 쪽이었다. 팀이 잡은 한 줄은 이것이다 — '대화'를 하다. '공부'가 아니다. 여기서 차별점을 만들 기술로 음성인식 API가 지목됐다. 어린이의 음성을 텍스트로 바꾸는 기술과 텍스트를 음성으로 바꾸는 TTS를 붙이면, 아이가 앱과 말을 주고받게 만들 수 있다는 것이었다.

다만 이 네 숫자가 한자리에 모여 있지는 않다. 아이템 선정의 근거로 발표 앞머리에 놓인 것은 영어유치원 수 하나이고, 나머지는 뒤쪽의 성장 가능성·사회적 기여도 파트에서 각각 따로 인용됐다. 시장을 먼저 재고 아이템을 고른 것이 아니라, 아이템을 정한 뒤 파트별로 근거를 붙여 나간 순서에 가깝다.

시장조사 — 다운로드 100만 이상 앱 세 개를 직접 설치해 비교했다

무엇을 흡수하고 무엇을 뒤집을지를 스토어 화면에서부터 정리했다.

기획을 문장으로만 하지 않기 위해, 100만 이상 다운로드를 기록한 유아·영어 학습 앱 세 개를 실제로 내려받아 써 보고 장단점을 정리했다. 평점과 리뷰 수, 연령 등급까지 스토어 화면 그대로 캡처해 비교표에 넣었다.

결론은 두 줄로 정리됐다. 흡수할 것은 아이들이 좋아할 만한 이미지와 양질의 콘텐츠였고, 그래서 귀여운 앵무새 이미지를 차용하기로 했다. 보완할 것은 일방적 콘텐츠 제공이라는 공통점이었다. 단순한 단어사전 같은 앱은 만들지 않는다, 쌍방향 소통을 할 수 있게 하자 — 이것이 앱의 기능 정의로 바로 이어졌다.

아이디어의 앞자리 — 개인 과제에 먼저 적어 둔 '아이의 질문에 답하는 기계'

팀 아이템 이전에, 같은 수업의 개인 과제에서 이미 같은 문제를 적어 두었다.

테럿의 챗봇 기능은 팀 회의에서 갑자기 나온 것이 아니다. 개인 과제 2 벤치마킹 아이디어 및 성공 핵심 정리(파일 기준 2020년 3월)에 이미 같은 문제가 적혀 있었다. 벤치마킹 대상은 KT 기가지니의 '내 목소리 동화'였다. 부모가 300개의 예제 문장을 녹음하면 P-TTS로 부모 목소리를 합성해 동화책을 읽어 주는, 300명 대상 체험 서비스였다.

과제에서 확장한 아이디어는 두 갈래였다. 하나는 음성 합성 자체(구글 딥마인드 WaveNet, Deep Voice, VoiceLoop을 조사해 적었다), 다른 하나가 지금의 테럿으로 이어진 아이의 질문에 답하는 기능이다. 과제에는 이렇게 적혀 있다 — 유아는 호기심이 많아 끊임없이 묻는데 맞벌이 부부는 함께할 시간이 적고, 어려운 이론만 설명하면 아이가 스트레스를 받는다. 그래서 검색 결과의 어려운 단어를 사전에서 찾아 쉽게 풀어 말하는 텍스트마이닝 시스템을 만들고 싶다는 것이었다. 예로 든 질문은 '바닷물이 왜 파란색'이고, 검색 결과의 '빛의 산란'을 아이 눈높이로 풀어 주는 것이 목표였다.

근거로 인용한 숫자는 통계청 2019년 '맞벌이 가구 및 1인 가구 고용 현황'이었다. 전체 부부 1,224만 5천 쌍 중 맞벌이 비중은 전년보다 1.7%포인트 오른 46.3%(567만 5천 쌍). 뒤에 팀 아이템이 '아이의 질문에 영어로 답하는 앵무새'로 정해졌을 때, 답해야 할 질문의 범위를 어떻게 정할지는 이미 개인 과제에서 예고된 문제였다.

다만 과제 단계의 아이템은 앱이 아니라 부모 목소리로 말하는 인공지능 로봇이었다. 팀 프로젝트로 옮겨 오면서 음성 합성(부모 목소리)은 떨어져 나가고, 질문에 답하는 부분만 영어 학습이라는 옷을 입고 남았다.

답변 범위를 회의가 아니라 데이터로 정했다

"어린 아이가 어떤 질문을 할까?"를 크롤링해서, 그 결과를 챗봇이 커버할 범위로 삼았다.

앵무새 기능(따라 말하기)은 무엇을 말하든 번역해 되돌려 주면 된다. 문제는 챗봇 기능이었다. 대답은 되풀이와 달라서, 무엇을 물어도 답할 수 있어야 한다는 요구가 곧바로 생긴다. 개발자가 상상해서 질문 목록을 채우면 실제로 아이가 묻는 것에는 답하지 못하는 앱이 된다.

그래서 슬라이드에 적힌 질문을 그대로 데이터 수집의 출발점으로 삼았다 — " 어린 아이가 어떤 질문을 할까? ". 수집 대상은 아이들에게 던질 질문을 모아 둔 영어 육아 사이트의 목록 문서였고, 그 페이지에서 본문 블록만 뽑아 문장 단위로 남겼다.

수집된 것은 이런 문장들이다. ‘What is your favorite color?’, ‘What is your favorite day of the week?’, ‘What is your favorite thing to do with friends?’, ‘If you could have any superpower, what would it be?’, ‘If you could be any animal, what would you be?’. 어른의 질문 목록과는 눈에 띄게 다른 분포였고 — ‘favorite’ 계열과 ‘If you could …’ 가정형이 두 덩어리를 이룬다 — 이 분포 자체가 챗봇이 커버해야 할 답변 범위의 정의가 되었다. 요구사항을 회의가 아니라 데이터로 정한 셈이다.

규모는 정직하게 적어 둘 필요가 있다. 원본에 문서 수나 문장 수는 적혀 있지 않고, 캡처로 확인되는 것은 한 페이지에서 뽑은 수십 개 수준의 질문 목록이다. 크롤링이라기보다 한 문서의 정밀한 파싱에 가깝다.

전처리부터 TF-IDF까지 — 질문을 세는 단위로 바꾸는 과정

문장을 토큰으로, 토큰을 가중치로 바꿔야 답변을 붙일 단위가 생긴다.

수집한 문장은 그대로 쓸 수 없어서 네 단계를 거쳤다.

1. 텍스트 정제 — 뽑아낸 문자열에서 개행을 공백으로 바꿔 문장 리스트에 쌓고, 문장을 토큰으로 나눈다.
2. Bag-of-Words — 질문을 단어 집합으로 환원해 무엇이 자주 나오는지 본다.
3. 벡터화·변환 및 N-그램 — ‘favorite + family + tradition’, ‘favorite + day + week’처럼 붙어 다니는 표현을 하나의 단위로 묶는다.
4. TF-IDF 계산 — 흔한 단어의 가중치를 낮추고 그 질문을 그 질문이게 하는 단어에 가중치를 준다.

TF-IDF 결과는 (토큰 번호, 가중치) 쌍으로 나왔다. favorite처럼 거의 모든 질문에 등장하는 토큰은 0.26~0.36 수준으로 눌리고, 질문을 갈라 주는 단어가 0.93까지 올라간다. 토큰이 두 개뿐인 질문은 0.7071씩 반으로 나눠 갖고, 단어가 하나만 남은 질문은 1.0이 된다. 챗봇의 답변은 이 가중치를 보고 질문을 갈라 붙였다.

정직하게 남길 것도 있다. N-그램 목록에는 ‘favorite friut’처럼 원문의 오타가 그대로 실려 있다. 철자 교정 단계를 두지 않았기 때문이고, 데이터 규모가 작을 때는 이런 항목 하나가 그대로 하나의 토큰으로 살아남는다.

구현 — 세 개의 API 위에 앵무새를 얹고, 나머지는 검색으로 메웠다

따라 말하기는 결국 세 번의 변환을 잇는 일이고, 그 한 줄이 학기의 절반을 가져갔다.

안드로이드 구현에서 앱이 하는 일은 세 개의 변환을 순서대로 잇는 것이다. 최종발표 자료는 이를 주요 3가지 어플리케이션 기술로 정리했다.

챗봇 기능은 여기에 한 겹이 더 붙는다. 텍스트마이닝으로 도출한 아이의 질문에 대해 TF-IDF를 고려해 답변을 구성해 두고, 인식된 질문에 맞는 답을 골라 영어로 내보냈다. 발표 자료에 실린 예시는 “지금 몇 시야?” → “It’s seven o’clock.”이다.

세 번째 단계의 '톤과 속도 조정'은 사소해 보이지만 이 앱의 콘셉트를 지탱하는 부분이었다. 같은 문장이라도 기본 TTS 음성으로 나오면 번역기이고, 높고 빠른 목소리로 나오면 앵무새가 된다.

정작 시간을 가장 많이 쓴 것은 알고리즘이 아니라 안드로이드 자체였다. 발표 자료의 '문제 해결 과정' 슬라이드에 적힌 것은 여러 API를 동시에 쓰면서 생긴 문제들이다. 음성인식과 번역은 각각 외부 서버를 호출하므로 응답을 기다리는 동안 화면이 멈추면 안 되고, 라이브러리를 하나 더 붙일 때마다 빌드 설정이 걸렸다.

그 슬라이드에 넣은 증거가 특이하다. 코드나 오류 메시지가 아니라 크롬 방문 기록에서 '안드로이드'를 검색한 화면이고, 검색 결과 349개가 찍혀 있다. 기획서에서 '음성인식 API를 붙인다'는 한 줄이었지만, 그 한 줄을 배우지 않은 상태에서 검색으로 메워 간 학기라는 사실이 그대로 남았다.

두 개의 버튼 — 따라 말하기와 대답하기를 화면에서 갈랐다

되풀이하는 기능과 대답하는 기능은 요구하는 것이 다르므로, 화면에서도 나누었다.

기능은 둘이다. 앵무새는 아이가 한국어로 말한 문장을 영어로 따라 말해 준다. 챗봇은 아이가 한국어로 물으면 영어로 답한다. 앱은 이 둘을 한 화면 안의 좌하단 원형 버튼 하나로 전환하도록 설계했다. 버튼은 파란색 ‘앵무새가 따라해요’와 분홍색 ‘앵무새가 대답하는 챗봇으로’ 두 상태를 오간다. 문구는 '지금 이 모드'가 아니라 '누르면 가는 모드'를 가리키는 것으로 읽힌다 — 챗봇 문답이 쌓인 캡처에서 버튼은 파란색 ‘앵무새가 따라해요’이기 때문이다.

상단 초록 바에는 앱 이름 우리 아이 영어 앵무새와 마이크 아이콘만 두었고, 우상단에 ‘앵무새에게 보내기’ 버튼을 놓았다. 첫 실행 시에만 나타나는 온보딩은 네 화면짜리이고, 앵무새가 직접 말하는 형식으로 한국어와 영어를 나란히 띄운다.

1. ‘안녕하세요. 저는 영어 앵무새 테럿이에요. / Hello, I'm English parrot, Terrot.’
2. ‘제가 앱 사용법을 보여드릴게요! / Let me show you how to use the app!’
3. ‘상단에 있는 마이크 아이콘을 누르고 저에게 말하면 제가 영어로 똑같이 말해요.’ — 손가락 아이콘이 상단 마이크를 가리킨다.
4. ‘하단에 있는 버튼을 누르면 인공지능 앵무새와 대화할 수 있어요.’ — 손가락 아이콘이 좌하단 버튼을 가리킨다.

화면 중앙은 아이 방을 그린 배경이고 앵무새 캐릭터가 그 앞에 서 있다. 말풍선은 배경 위에 쌓이는 방식이라, 대화가 길어지면 배경 요소(시계·책장)와 겹친다. 실제 캡처에서도 말풍선이 시계를 가리는 장면이 그대로 남아 있다.

실제 대화 로그 — 되는 것과 안 되는 것이 같이 남았다

발표 자료에 실린 캡처는 성공 사례만 고른 것이 아니었다.

앱이 돌아가는 것을 보여 주기 위해 실제 대화를 캡처해 넣었는데(디자인 파트의 '즉각적인 피드백' 슬라이드에 두 장이 실렸다), 지금 다시 보면 그 안에 실패도 같이 들어 있다. 캡처에 남은 대화는 이렇다.

먼저 볼 것은 화면 오른쪽(아이 쪽) 말풍선이 한국어가 아니라 영어라는 점이다. 아이가 말한 한국어가 아니라 번역을 거친 결과가 화면에 표시된다. 그래서 마지막 줄이 이 프로젝트에서 가장 많은 것을 알려 주는 한 줄이 된다. 답변은 존경(respect)에 대해 나갔는데 화면에 표시된 질문은 의심(suspect)이다. 음성인식이 잘못 알아들었는지, 번역이 잘못 나갔는지는 로그만으로 구분되지 않는다. 확실한 것은, 세 개의 API를 직렬로 연결하면 오류도 직렬로 쌓인다는 것이다. 아이가 발음을 흘리면 인식이 흔들리고, 인식이 흔들리면 번역이 어긋나고, 그 결과가 그대로 아이에게 영어로 읽힌다.

시각 출력 8:59.33도 같은 종류의 문제다. 기계가 가진 값을 그대로 문장에 끼워 넣으면 사람이 읽는 형식이 되지 않는다. 5월의 디자인 구체화 문서에서 같은 질문의 예시 답은 ‘It's 9 p.m.’이었고, 발표 본문에 실린 예시도 ‘It's seven o'clock.’이었다. 기획 단계에서 사람이 읽는 형식을 적어 두고도 구현에서는 원시 값이 그대로 나간 것이다.

같은 캡처의 맨 아래 안내 문구도 눈에 걸린다. 대화 화면의 안내는 ‘Speak by pressing the microphone button.’으로 영어이고, 따라 말하기 화면의 같은 안내는 ‘마이크 버튼을 눌러 말하세요’로 한국어다. 글을 못 읽는 나이를 사용자로 잡아 놓고, 안내는 두 언어로 갈려 있었다.

유아용 앱 디자인 — 성인용 화면의 축소판이 아니다

손가락 크기와 이해 능력이 다르면 화면 규칙도 달라진다.

디자인 파트는 두 가지 차이에서 출발했다. 신체적 차이(손가락이 작고 정확도가 낮다)와 이해 능력의 차이(글을 읽지 못하거나 읽는 속도가 느리다). 발표는 여기서 세 가지를 슬라이드 제목으로 달았다.

• 직관적인 아이콘과 레이아웃, 간편한 조작법 — 버튼 수를 줄이고, 지금 누를 수 있는 것을 하나로 유지한다.
• 고채도의 밝은 색을 활용한 이미지 — 아이들이 흥미와 친근함을 느끼도록 동물(앵무새)을 마스코트로 세웠다.
• 앱 사용 시 즉각적으로 눈에 보이는 피드백 — 말을 하면 말풍선이 바로 뜬다.

슬라이드 제목으로 적히지는 않았지만 구현에서 한 가지가 더 보인다. 온보딩을 텍스트 설명서가 아니라 앵무새의 대사로 만들고 손가락 아이콘으로 누를 곳을 가리킨 것이다. 글 대신 말과 그림으로 안내하려는 시도다.

발표에서 팀이 스스로 적은 추후 수정 방향도 남아 있다. 아이콘과 대화 상자의 크기를 더 크게 조정할 것, 그리고 챗봇과 영어로 따라하기 기능 버튼을 더 직관적인 아이콘으로 바꿀 것. 앞 절에서 본 좌하단 토글 버튼은 결국 글자로 모드를 설명하고 있었고, 글을 못 읽는 사용자에게 글로 설명하고 있다는 모순을 팀도 발표 시점에 알고 있었다.

디자인 구체화 단계(5월)에는 메인 페이지 뷰를 여러 안으로 그렸고, 챗봇 페이지의 시나리오도 화면 단위로 그렸다. 앵무새가 오늘의 질문을 하고(‘What day is it today?’), 아이가 답하면 잘한 경우 ‘Excellent!!’로 칭찬하고, 발음이 이상하면 칭찬 먼저 한 뒤 ‘Shall we try it again?’으로 다시 시도를 유도하며, 한글로 답하면 ‘Do you know how to speak in English?’로 영어 답을 유도하는 흐름이다. 다만 최종 구현에서 확인되는 것은 따라 말하기와 질의응답까지이고, 발음 평가와 칭찬 분기는 화면 기획에 머물렀다.

SWOT과 CROSS SWOT — 우리가 진다고 적은 것들

강점보다 약점 쪽이 더 구체적으로 적혀 있다.

5월의 SWOT·CROSS SWOT 분석은 팀이 자기 아이템을 스스로 깎아 본 기록이다. 특히 약점(W) 항목이 다른 칸보다 길고 구체적이다.

CROSS SWOT에서 나온 전략은 네 가지였다. SO는 비대면 관심이 높은 시기에 빠르게 출시해 '학원에 가지 않고 집에서 하는 영어'를 홍보하는 것, WO는 디자인·교육 콘텐츠 인력 부족을 인공지능 활용이라는 신뢰도로 상쇄하는 것, ST는 비싼 AI 스피커를 사야 하는 경쟁 서비스 대비 저렴한 가격과 챗봇이라는 신기술을 극대화하는 것, WT는 게임·동화형 학습과 정면으로 붙지 않고 자유도가 높은 대화형으로 비켜서서 교육 콘텐츠 전문성 부족을 최소화하는 것이었다.

지금 다시 읽으면, 약점 칸에 적힌 어학에서의 정확도가 실제로 앞 절의 대화 로그에서 그대로 터진 항목이다. 분석에서 미리 알아본 약점이 구현에서 그대로 재현되었고, WT 전략(피드백·교정 기능을 피해 간다)은 그 약점을 우회하는 선택이기도 했다.

마케팅과 판매 실적 — 도달 51,275회, 매출 128,000원

마이크로 인플루언서 채널로 홍보했고, 실제로 팔린 만큼만 적었다.

마케팅 전략은 인플루언서 규모별로 기대 효과가 다르다는 전제에서 출발했다. 메가 인플루언서는 Attention(주목), 매크로는 Interest(관심), 마이크로는 Action(행동 유도)에 유리하다는 정리였고 — 마이크로 쪽 설명은 '다량의 콘텐츠를 발행해 대세감을 부여하고 검색 시 최대한 많은 콘텐츠를 노출'이다 — 팀은 마이크로 인플루언서 전략을 택했다. 채널은 6만 팔로워 페이스북 페이지 '예빌 피피티', 인스타그램, 네이버 블로그였다.

게시물은 2020년 6월 2일에 올라갔다. 카드 세 장의 문구는 앱의 세 가지 주장을 그대로 옮겼다 — ‘우리 아이에게 암기식 영어보다 직접 대화하며 공부할 수 있는 영어 앵무새 테럿 어떠세요?’, ‘테럿은 아이의 말을 영어로 따라하여 자연스럽게 영어를 학습할 수 있도록 도와줍니다.’, ‘테럿은 텍스트 마이닝을 통해 아이의 질문을 분석합니다.’ 본문 끝에는 앱스토어 링크(onesto.re/0000748705)와 원스토어에서 다운받으실 수 있습니다가 붙어 있다. 같은 날 네이버 블로그에도 ‘[예빌피피티 추천 pick!] 아이가 한글로 말하면 영어로 따라하고 대답하는 우리 아이 영어 앵무새 어플리케이션’이라는 제목으로 같은 본문이 올라갔고, 거기에는 답변은 데이터 마이닝 분야 중 한 가지인 텍스트 마이닝을 활용하여 구성하였습니다라는 설명이 들어갔다.

게시물 성과는 그대로 캡처해 발표에 실었다.

발표 목차에는 오프라인 마케팅(유치원)도 두 장으로 잡혀 있지만, 그 두 장에는 제목만 있고 내용이 남아 있지 않다. 실행된 것은 디지털 채널 쪽이다.

그리고 실제 결과는 이렇다. 2020년 6월 8일 기준 판매액 128,000원 = 1,000원 × 128회. 51,275회 도달을 기록한 게시물 뒤에 남은 실적이 128건이다. 도달과 구매 사이의 거리가 이 프로젝트가 배운 것 중 하나다.

결산 — 12만 8천 원에 붙는 세금을 실제로 계산했다

매출이 작아도 결산은 같은 절차를 밟는다.

판매실적 결산보고 파트에서는 128,000원의 매출에 대해 부가가치세와 종합소득세를 실제로 계산했다. 두 과세 유형을 나란히 두고 어느 쪽이 유리한지 비교하는 방식이었다.

결론은 현 시점에 사업자등록을 한다면 간이과세자 등록이 유리하다는 것이었다. 종합소득세도 같은 방식으로 계산했다. 과세표준 39,600원에 세율 6%를 적용해 2,376원. 여기에 유아교육기관(법정기부단체)에 30,000원을 기부하는 계획을 반영하면 과세표준이 9,600원으로 줄어 종합소득세는 576원이 된다.

기부 계획은 세금 절감만을 위한 항목이 아니라 사회적 기여도 파트와 연결되어 있었다. 주 고객층을 '어린 아이를 둔 젊은 부부'로 잡고, 저렴한 가격에 아이와 함께 영어를 공부할 수 있으며 코로나19 상황에서 자택에서도 쓸 수 있다는 점을 추진 근거로 적었고, 수익의 일정 부분만큼 소외된 아동에게 기부한다는 계획을 함께 넣었다. 그 '저렴한 가격'의 비교 대상이 같은 파트에 붙어 있는 영어유치원 월평균 교습비 88만 4천원(2018)이다. 월 88만 원과 1회 1,000원을 같은 슬라이드 묶음에 놓은 셈이다.

계산 금액 자체는 세 자리·네 자리 수다. 그러나 매출 12만 8천 원짜리 사업에 대해서도 과세 유형 선택과 소득공제 반영이 실제로 결과를 바꾼다는 것을 숫자로 확인한 것이, 이 파트가 남긴 것이다.

성장 가능성과, 여기서 멈춘 지점

확장 시나리오는 넉넉히 적었지만 실행된 것은 없다.

성장 가능성 파트에서 팀이 적은 근거는 네 가지다. 쌍방향 사용자 인터페이스라 다양한 콘텐츠와 융합이 가능하다는 확장성, 캐릭터를 메인 아이템으로 내세워 2차 부가가치를 만들 수 있다는 가능성, 사용자 충성도가 높다는 점, 앱 사용과 광고 제품 사용이 직결된다는 점이다.

이 중 '충성도'에는 근거 자료를 붙였다. CJ E&M의 유아·초등 자녀 부모 미디어 이용행태 조사(2016년, 9세 이하 자녀를 둔 부모 282명)에서 아이가 스스로 프로그램을 골라 보기 시작한 나이는 만 1~3세가 64.2%, 만 4~6세가 29.7%였고, 하루 시청 시간은 1~2시간 33.1%, 2~3시간 31.8%로 일평균 2.5시간이었다. 아이가 스스로 고르고 오래 본다는 것이 근거의 골자다.

시장 전망 파트에는 키즈 콘텐츠 IP가 기업 가치로 이어진 사례도 함께 조사해 넣었다.

표 아래에는 출처 표기가 그대로 붙어 있다 — 이베스트투자증권 발표와 한국경제(2019.1.22.) 내용을 바탕으로 재구성. 해외 확장 근거로는 중국 유아교육 앱 시장을 인용했다. 한국무역협회 청두지부 자료 기준 시장 규모 42억 2,000만 위안(약 7,236억 원), 월간 앱 사용자 6,000만 명 이상. 문화적 할인 효과가 낮은 시장이므로 다른 언어로도 구현하면 글로벌 진출이 가능하다는 정리였다.

다만 정직하게 적어 두어야 할 것이 있다. 이 확장 시나리오 중 실행된 것은 없다. 프로젝트는 한 학기로 끝났고, 남은 것은 128건의 판매와 발표 자료다. 마지막 슬라이드에 적힌 다음 단계 — 실제 피드백에 따른 인터페이스 개선, OS 확대와 오프라인 사용, 다양한 사용자 경험 — 는 계획 상태로 남았다. 앞 절의 대화 로그가 보여 준 정확도 문제를 생각하면, 확장보다 먼저 해결해야 할 것은 그쪽이었다.

같은 수업의 개인 과제 — 같은 분석 틀을 실재하는 회사에 대고 써 봤다

팀 아이템에 쓴 SWOT·비즈니스 모델 캔버스를, 개인 과제에서는 위메프에 적용했다.

테크노경영학은 팀 프로젝트와 개인 과제가 병행되는 수업이었다. 개인 과제 3은 '회사소개서' 형식으로 위메프를 분석하는 것이었고, 팀 아이템에 쓴 것과 같은 도구를 실재하는 회사에 적용해 보는 자리였다.

구성은 기업 소개(미션·경영이념·비전) → 조직 및 연혁 → 비즈니스(비즈니스 모델 캔버스, 업계 내 위치) → SWOT 및 케즘 극복이다. 비즈니스 모델 캔버스는 9개 블록을 모두 채웠고, 비용 구조는 추정치가 아니라 DART 감사보고서의 손익계산서를 열어 옮겼다.

SWOT도 인상이 아니라 조사 결과에 붙였다. 2019 오픈서베이 모바일 쇼핑 트렌드 리포트의 '주 이용 쇼핑 앱 이유'에서 저렴한 상품 가격 69.7%, 다양한 혜택 및 이벤트 57.3%, 다양한 상품 종류 36%를 강점의 근거로, 모바일 쇼핑 거래액 29조 4,000억원(2017) → 38조 7,000억원(2019)과 설치 앱 5.2개 → 5.8개, 주 평균 구매 빈도 2.5회 → 3.1회를 기회의 근거로 삼았다. 약점은 쿠팡의 빠른 배송이나 네이버쇼핑의 간편 결제에 비해 부족하다는 것, 위협은 네이버쇼핑 주 이용률이 1년 새 8.3%포인트 오른 39%가 되었다는 수치였다.

케즘 파트에서는 위메프가 2013년 말 마일리지 지급액과 온라인 광고에 대규모 자본을 투입해 실용주의자 층으로 넘어간 과정을 정리했다. 같은 학기에 팀 발표에서는 이 틀을 자기 아이템에 대고 써서, 앱을 PPM 분석의 question mark로 위치시키고 CROSS SWOT까지 끌고 갔다. 방향은 반대이기도 했다 — 위메프 분석에서는 조 단위 숫자를 다루다가, 우리 아이템에서는 같은 틀로 12만 8천 원을 결산했다.