검색창에서 상품을 찾던 사람이 인공지능(Artificial Intelligence, AI)에게 “출장 갈 때 신을 검은 운동화를 찾아줘. 내일 도착하고 20만 원을 넘지 않았으면 좋겠어”라고 말하기 시작했습니다. AI가 답만 하는 데 그치지 않고 비교와 구매까지 맡는다면, 마케팅의 경쟁 무대도 검색결과 페이지 바깥으로 넓어집니다.
여기서 등장하는 개념이 커머스 그래프(Commerce Graph)입니다. 아직 업계 전체가 합의한 하나의 표준 용어는 아닙니다. Google은 쇼핑 그래프(Shopping Graph), Amazon은 상품·상거래 지식 그래프, Shopify와 일부 스타트업은 Commerce Graph라는 표현을 각각 다른 의미로 사용합니다.
그런데 이 서로 다른 시스템을 나란히 놓으면 공통점이 보입니다. 상품을 행(row)으로 저장하는 데서 끝나지 않고 상품과 고객, 구매 의도, 콘텐츠, 행동, 가격, 재고, 거래 사이의 관계를 계속 연결한다는 점입니다. 마케터에게 중요한 변화도 바로 여기서 시작됩니다.
GOOGLE 공식 발표 · 2026.05
600억+
Shopping Graph에 포함된 상품 listing 규모
PROXIMA 자체 공개
1억+
Commerce Graph가 포괄한다고 회사가 밝힌 구매자 규모
NIQ · 2026.07
3단계
AI 보조 → AI 중개 → 에이전틱 커머스로 구분한 구매 위임 단계
커머스 그래프란 무엇인가
기존 상품 데이터베이스를 생각해보겠습니다. 상품번호, 상품명, 카테고리, 가격, 색상, 재고가 한 줄에 들어갑니다. 상품을 관리하기에는 훌륭한 구조입니다.
커머스 그래프가 관심을 갖는 것은 그 다음입니다. 누가 이 상품을 검색했는가. 무엇과 비교했는가. 함께 산 제품은 무엇인가. 어떤 상황에서 필요했는가. 어느 판매자가 지금 재고를 가지고 있는가. 가격은 언제 바뀌었는가. 이런 관계가 노드(node)와 엣지(edge)로 이어집니다.
기존 상품 DB
상품 하나를 설명합니다
SKU → 상품번호
Name → 상품명
Category → 카테고리
Price → 가격
Stock → 재고
COMMERCE GRAPH
상품이 선택되는 맥락까지 연결합니다
고객 → 검색했다 → 러닝화
고객 → 비교했다 → 상품 B
상품 A → 함께 산다 → 러닝 양말
상품 A → 사용한다 → 마라톤
상품 A → 재고가 있다 → 판매자 C
핵심
Commerce Graph의 경쟁력은 테이블을 그래프 데이터베이스로 옮기는 데 있지 않습니다. 다른 곳에서는 얻기 어려운 관계를 얼마나 정확하고 빠르게 연결할 수 있는가가 더 중요합니다.
지금 말하는 Commerce Graph는 사실 네 종류가 섞여 있습니다
여기서 용어 때문에 혼란이 생깁니다. Google의 Shopping Graph와 FERMÀT의 Commerce Graph는 이름만 보면 비슷하지만 해결하려는 문제가 전혀 다릅니다. 현재 공개된 사례를 이해하기 위해 AgencyTimes에서는 다음 네 층으로 나눠보는 편이 유용하다고 봅니다. 이것은 업계의 공식 분류가 아니라 실무 비교를 위한 편집 프레임입니다.
④ 행동 가능한 상거래 계층
상품 + 재고 + 주문 + 결제 + 정책 → AI가 비교를 넘어 실제 거래를 실행
③ 구매자·거래 그래프
고객 ↔ 구매 ↔ 브랜드 ↔ 광고 반응 → 타기팅, 예측, 크리에이티브 판단
② 행동 그래프
검색 ↔ 클릭 ↔ 스크롤 ↔ 장바구니 ↔ 이탈 → 어디서 구매가 막혔는지 진단
① 상품 그래프
상품 ↔ 속성 ↔ 브랜드 ↔ 용도 ↔ 유사 상품 → 검색, 비교, 추천의 기초
중요한 변화는 이 네 층이 점점 연결되고 있다는 점입니다. 상품을 이해하고, 고객 행동을 읽고, 구매 가능성을 판단한 뒤, 마지막에는 주문까지 실행하는 구조입니다.
Google·Amazon·Shopify는 무엇을 다르게 갖고 있나
대표 사례를 보면 Commerce Graph의 가치가 데이터의 양만으로 결정되지 않는다는 점이 더 선명해집니다.
| 사례 | 주로 연결하는 관계 | 답하려는 질문 | 마케팅 관점 |
|---|---|---|---|
| Google Shopping Graph | 상품·판매자·가격·재고·리뷰·속성 | 지금 어떤 상품을 살 수 있는가? | 검색 노출을 넘어 AI 추천 후보에 포함될 상품 데이터 품질이 중요 |
| Amazon COSMO | 상품·검색·구매·공동구매·사용 목적·사용자 맥락 | 누가 어떤 상황에서 이 상품을 필요로 하는가? | 브랜드 문구보다 소비자의 실제 필요 상태와 상품의 관계가 중요 |
| Shopify Catalog | 상품·판매자·카탈로그·선택·결제 | AI가 상품을 찾은 뒤 구매까지 어떻게 이어지는가? | AI 인터페이스 안에서 발견과 전환이 이어질 가능성을 보여줌 |
| FERMÀT Commerce Graph | 세션·클릭·스크롤·장바구니·기기·이탈·매출 영향 | 왜 이 고객은 구매하지 않았는가? | 분석을 전환율 개선 우선순위와 연결 |
| Proxima Commerce Graph | 구매자·제품·브랜드·크리에이티브·구매 행동 | 어떤 구매자가 어떤 메시지에 반응하는가? | 개별 광고계정 밖의 구매 신호를 타기팅·크리에이티브 판단에 활용 |
Amazon의 사례가 특히 흥미롭습니다. COSMO는 상품의 물리적 속성만 저장하지 않습니다. 검색과 구매 행동에서 “어떤 사람이”, “무엇을 위해”, “어떤 상황에서” 상품을 사용하는지를 추론해 관계로 만듭니다. 2024년 공개된 연구에서는 이 지식 그래프를 18개 주요 카테고리까지 확장하고 검색 탐색에 적용했다고 설명했습니다.
여기까지 오면 상품 데이터는 카탈로그를 채우는 운영 자료만이 아닙니다. 추천, 검색, 광고, 크리에이티브, 구매 전환을 연결하는 입력값이 됩니다.
Commerce Graph는 CDP·DMP·PIM과 무엇이 다른가
마케터라면 여기서 자연스럽게 의문이 생깁니다. 고객 데이터 플랫폼(Customer Data Platform, CDP), 데이터 관리 플랫폼(Data Management Platform, DMP), 상품 정보 관리(Product Information Management, PIM)가 이미 있는데 새로운 이름이 왜 필요할까요?
| 시스템 | 중심 객체 | 주요 역할 | Commerce Graph와 차이 |
|---|---|---|---|
| PIM | 상품 | 상품 정보의 정확성과 배포 관리 | 상품 자체보다 상품과 외부 맥락의 관계까지 확장 |
| CRM | 고객 | 고객 관계와 영업·서비스 기록 | 한 고객의 기록보다 다수 객체 사이의 관계 탐색에 초점 |
| CDP | 식별된 고객 | 여러 채널 고객 데이터를 통합해 프로필 구성 | 고객 프로필을 넘어 상품·의도·콘텐츠·거래 관계까지 연결 가능 |
| DMP | 오디언스 | 광고 타기팅용 세그먼트와 행동 데이터 운영 | 세그먼트보다 세분화된 구매·상품·맥락 관계를 다룰 수 있음 |
| Commerce Graph | 관계 | 상품·사람·행동·상황·거래를 연결해 탐색·추론·실행 | 기존 시스템을 대체하기보다 여러 데이터의 관계 계층이 될 가능성이 큼 |
저는 광고 플랫폼을 기획·운영하면서 수요자 플랫폼(Demand-Side Platform, DSP), 공급자 플랫폼(Supply-Side Platform, SSP)과 DMP를 다뤘고, 전환·클릭 최적화 모델과 자동화된 A/B 테스트 환경 구축도 이끌었습니다. 당시에도 데이터가 많다는 사실만으로 성과가 좋아지지는 않았습니다. 어떤 사용자 신호와 어떤 상품·전환 이벤트를 연결하고, 그 관계를 실제 광고 의사결정에 얼마나 빠르게 반영할 수 있는지가 더 중요했습니다.
Commerce Graph를 직접 구축했던 경험과는 구분해야 합니다. 다만 이 과거 경험은 지금의 변화를 볼 때 유효한 질문 하나를 남깁니다. “무엇을 저장하고 있는가”보다 “어떤 관계를 학습하고 실제 의사결정에 쓸 수 있는가”를 봐야 한다는 것입니다.
AI가 고객 대신 쇼핑하면 마케팅은 무엇을 최적화해야 하나
닐슨아이큐(NielsenIQ, NIQ)는 2026년 7월 AI 쇼핑을 세 단계로 나눴습니다. 첫 단계에서는 AI가 검색과 비교를 돕고 사람이 선택합니다. 다음 단계에서는 AI가 시장을 먼저 훑어 선택지를 좁힙니다. 마지막 단계에서는 구매 행동 일부까지 위임받습니다.
과거
사람이 검색
검색 → 광고/링크 → 상품페이지 → 비교 → 구매
변화
AI가 선택지를 구성
의도 → AI → 상품·가격·리뷰·재고 비교 → 추천
에이전틱 커머스
AI가 행동
의도 → 에이전트 → 비교·선택 → 승인 → 주문·결제
이 구조가 확대되면 마케터의 KPI도 조금 달라집니다. 검색 순위와 클릭률은 사라지지 않습니다. 다만 AI의 후보군에 포함됐는가, 어떤 질문에서 추천됐는가, 상품 정보가 기계가 이해할 만큼 충분한가, 추천 이후 실제 거래로 이어졌는가를 함께 봐야 합니다.
MARKETING KPI TREE
이 점은 광고 플랫폼 운영 경험과도 닿아 있습니다. 클릭 최적화만 바라보면 클릭을 잘 만드는 시스템은 만들 수 있습니다. 전환 이벤트를 넣으면 구매 가능성이 높은 트래픽을 찾기 시작합니다. 여기에 신규 고객, 마진, 장기 가치가 들어오면 다시 목표가 달라집니다. AI 쇼핑에서도 마찬가지입니다. 어떤 관계를 입력하느냐에 따라 시스템이 보는 ‘좋은 상품’의 정의가 달라집니다.
브랜드와 마케팅팀은 무엇부터 준비해야 하나
당장 독자적인 Commerce Graph를 구축하라는 이야기는 아닙니다. 대부분의 기업에는 그보다 먼저 정리할 일이 있습니다. 상품의 ‘사실’과 ‘관계’를 AI와 플랫폼이 읽을 수 있는 형태로 만드는 것입니다.
CHECKLIST
- 상품 식별: 동일 상품이 채널마다 다른 이름과 속성으로 흩어져 있지 않은가?
- 상품 맥락: 제품 기능뿐 아니라 누구에게, 어떤 상황에서, 어떤 문제를 해결하는지 설명되어 있는가?
- 실시간성: 가격, 재고, 배송 가능 여부가 실제 구매 시점과 맞는가?
- 행동 연결: 노출·클릭뿐 아니라 비교, 장바구니, 구매, 반품까지 연결해 볼 수 있는가?
- 측정: 광고비수익률(Return on Advertising Spend, ROAS) 외에 신규 고객, 마진, 유지율과 연결할 수 있는가?
- 데이터 권한: 외부 플랫폼이 만든 관계 데이터 가운데 브랜드가 실제로 확인하고 활용할 수 있는 범위는 어디까지인가?
주의할 점
Commerce Graph라는 이름만 보고 같은 기술로 묶어서는 안 됩니다. Graph DB를 사용한다고 자동으로 Commerce Graph가 되는 것도 아닙니다. 특히 구매자 그래프는 신원 확인, 개인정보, 프로파일링과 데이터 이용 권한 문제를 함께 검토해야 합니다.
또 하나의 제한도 있습니다. AI 쇼핑 에이전트가 상품 검색부터 결제까지 안정적으로 대신하는 환경이 모든 시장에서 완성된 것은 아닙니다. NIQ 역시 현재의 변화를 ‘위임’의 정도가 단계적으로 커지는 과정으로 설명합니다. 기술의 가능성과 실제 소비자가 맡길 준비가 되어 있는지는 별개의 문제입니다.
SOURCE NOTE
이 글에서 Google·Amazon·Shopify의 구조 설명은 각사의 공식 발표와 기술 문서를 바탕으로 정리했습니다. FERMÀT와 Proxima의 기능·데이터 규모는 각 회사가 공개한 제품 설명을 기준으로 하며, 독립적인 성과 검증과는 구분해서 봐야 합니다.
AI 쇼핑 시대의 희소 자산은 ‘관계 관찰권’일 수 있습니다
600억 개가 넘는 상품 목록을 가진 플랫폼과 규모로 경쟁하는 것은 대부분의 기업에 현실적인 전략이 아닙니다. 그렇다고 작은 사업자가 Commerce Graph 경쟁에서 반드시 불리한 것도 아닙니다. 더 중요한 질문은 다른 사업자가 쉽게 볼 수 없는 관계를 우리만 얼마나 자주, 정확하게 관찰할 수 있는가입니다.
여기서는 이 능력을 설명하기 위해 ‘관계 관찰권’이라는 표현을 쓰겠습니다. 업계의 표준 용어가 아니라 AgencyTimes의 편집 개념입니다. 고객이 어떤 문제 때문에 상품을 찾았는지, 어떤 콘텐츠를 본 뒤 비교 행동이 달라졌는지, 어떤 조합이 재구매로 이어졌는지처럼 거래 결과에 가까운 관계를 반복해서 관찰할 수 있는 위치를 뜻합니다.
RELATIONSHIP MOAT
복제하기 어려운 관계는 어디에서 생길까
상품 ↔ 문제
고객이 어떤 문제와 사용 목적 때문에 특정 상품을 선택했는지 연결하는 관계
콘텐츠 ↔ 상황 ↔ 상품
어떤 콘텐츠와 맥락이 비교·저장·구매 같은 행동으로 이어졌는지 보여주는 관계
가격·재고 ↔ 구매 가능성
고객 의도와 실시간 가격·재고·배송 조건이 실제 선택 가능성을 어떻게 바꾸는지 보여주는 관계
구매 ↔ 마진 ↔ 재구매
전환 건수에 그치지 않고 어떤 고객·상품 조합이 실제 사업 가치로 이어졌는지 보여주는 관계
한국 기업이라면 이 관점을 업종별로 더 구체화할 수 있습니다. 예를 들어 화장품은 피부 고민 ↔ 성분 ↔ 사용 순서 ↔ 리뷰 ↔ 재구매, 패션은 착용 상황 ↔ 콘텐츠 ↔ 크리에이터 ↔ 상품 ↔ 구매처럼 볼 수 있습니다. 이는 특정 산업에서 반드시 이 관계를 사용해야 한다는 뜻이 아니라, 자사가 경쟁사보다 더 깊게 관찰할 수 있는 연결이 무엇인지 찾는 예시입니다.
광고 플랫폼과 B2B 광고주 성과를 운영하며 반복해서 확인했던 것도 비슷했습니다. 클릭, 전환, 오디언스 데이터는 많았지만 모든 신호의 가치가 같지는 않았습니다. 실제 예산 배분과 최적화에 도움이 된 것은 행동이 어떤 결과와 연결됐는지 설명할 수 있는 신호였습니다. Commerce Graph를 직접 구축했던 경험과는 다르지만, 이 관점은 지금도 유효합니다.
RELATIONSHIP ASSET CHECK
우리 회사의 관계 데이터는 자산이 될 수 있는가
- 독점성: 경쟁사가 같은 관계를 공개 데이터만으로 쉽게 재현할 수 있는가?
- 최신성: 가격·재고·행동처럼 시간이 지나면 가치가 떨어지는 관계를 충분히 자주 갱신할 수 있는가?
- 결과 근접성: 노출이나 클릭보다 실제 구매, 마진, 재구매에 가까운 결과와 연결되는가?
- 활성화 가능성: 이 관계를 검색, 추천, 광고, 개인화, 상품 운영 중 실제 의사결정에 사용할 수 있는가?
- 검증 가능성: 관계를 활용했을 때 무엇이 좋아졌는지 대조군, 실험, 증분효과 또는 사업 지표로 확인할 수 있는가?
THE NEXT LOOP
그래프의 크기보다 피드백 루프를 봐야 합니다
1
관찰
상품·고객·행동·상황의 관계를 수집
2
판단
검색·추천·타기팅·상품 운영에 반영
3
결과
구매·마진·재구매·이탈 같은 결과 확인
4
업데이트
새 결과로 관계의 가중치와 판단 기준을 보정
이 루프가 반복될수록 그래프는 단순한 데이터 저장소가 아니라 의사결정을 학습하는 운영 자산에 가까워집니다. 반대로 관계를 많이 모아도 실제 추천, 집행, 거래 결과와 연결되지 않으면 데이터의 양은 경쟁력으로 전환되기 어렵습니다.
따라서 AI 쇼핑 시대에 브랜드가 던져야 할 질문도 달라집니다. “우리에게 Commerce Graph가 있는가?”보다 “우리는 어떤 관계를 남들보다 먼저 볼 수 있고, 그 관계를 어떤 의사결정에 쓰며, 결과를 다시 데이터로 돌려보낼 수 있는가?”가 더 실질적인 질문입니다.
다음에 볼 지표도 그래프의 노드 수가 아닙니다. AI 추천에서 실제 상품이 얼마나 자주 후보군에 들어오는지, 추천이 구매와 마진으로 이어지는지, 어떤 관계 데이터가 그 결과를 설명하는지, 그리고 그 학습 결과를 브랜드가 다시 활용할 수 있는지를 확인해야 합니다.
Commerce Graph는 하나의 표준 제품이라기보다 상품, 고객, 의도, 콘텐츠, 행동, 가격, 재고와 거래 사이의 관계를 AI가 탐색하고 판단하도록 만드는 데이터 계층으로 이해하는 편이 유용합니다. 마케팅의 다음 경쟁은 데이터를 더 많이 쌓는 것만으로 결정되지 않습니다. 남들이 쉽게 볼 수 없는 관계를 관찰하고, 그 관계를 검색·추천·광고·거래에 활용한 뒤, 실제 사업 결과를 다시 학습에 연결하는 피드백 루프를 누가 만들 수 있는지가 더 중요한 판단 기준이 될 수 있습니다.
FAQ
자주 묻는 질문
Q. 커머스 그래프란 무엇인가요?
상품, 고객, 행동, 의도, 가격, 재고, 콘텐츠와 거래를 개별 데이터로만 저장하지 않고 서로의 관계로 연결한 동적 데이터 계층을 뜻합니다. 다만 Commerce Graph는 아직 하나의 표준화된 업계 용어가 아니므로 서비스별 정의를 확인해야 합니다.
Q. Commerce Graph가 CDP나 DMP를 대체하나요?
현재 공개 사례만으로는 대체 관계로 보는 것이 적절하지 않습니다. CDP와 DMP가 고객과 오디언스 데이터를 관리한다면 Commerce Graph는 상품·행동·의도·거래 등 여러 객체 사이의 관계를 연결하는 계층으로 보는 편이 가깝습니다.
Q. 왜 마케터가 Commerce Graph를 알아야 하나요?
AI가 검색과 상품 비교를 중개하면 소비자가 브랜드 사이트에 도착하기 전에 후보군이 좁혀질 수 있기 때문입니다. 광고 노출과 클릭만이 아니라 AI가 어떤 상품을 이해하고 추천하는지, 추천 이후 실제 거래가 어떻게 이어지는지까지 측정 범위를 넓혀야 합니다.
Q. 관계 데이터가 많으면 경쟁력이 생기나요?
양만으로는 충분하지 않습니다. 경쟁사가 쉽게 복제하기 어렵고, 최신성이 유지되며, 구매·마진·재구매 같은 결과에 가깝고, 실제 의사결정에 사용할 수 있는 관계일수록 사업 자산으로서의 가치가 커집니다.
Q. 기업은 무엇부터 준비해야 하나요?
독자적인 그래프 구축보다 상품 식별, 속성 정합성, 가격·재고의 최신성, 사용 맥락, 구매 행동과의 연결부터 확인하는 편이 현실적입니다. 그다음 자사만 반복적으로 관찰할 수 있는 관계가 무엇인지 정하고, 이를 검색·추천·광고·거래 성과와 연결해 검증해야 합니다.
TERMINOLOGY
본문의 주요 용어
| 용어 | 뜻 | 실무 포인트 |
|---|---|---|
| PIM | 상품 정보 관리(Product Information Management) | 상품 속성의 기준 데이터가 부정확하면 AI가 활용하는 관계 데이터도 신뢰하기 어렵습니다. |
| CDP | 고객 데이터 플랫폼(Customer Data Platform) | 고객 프로필 통합이 중심이며 Commerce Graph와 목적이 완전히 같지는 않습니다. |
| DMP | 데이터 관리 플랫폼(Data Management Platform) | 광고 오디언스와 타기팅 운영에 주로 사용되어 왔습니다. |
| UCP | 범용 상거래 프로토콜(Universal Commerce Protocol) | AI 기반 발견에서 결제까지 상거래 시스템을 연결하려는 프로토콜입니다. |
| 에이전틱 커머스 | AI가 상품 탐색·비교·선택과 일부 구매 행동을 사용자를 대신해 수행하는 상거래 방식 | 시장과 서비스에 따라 자동화·위임 수준에는 큰 차이가 있습니다. |
| 관계 관찰권 | 특정 상품·고객·행동·상황·거래 사이의 관계를 반복적으로 관찰할 수 있는 데이터 위치를 설명하기 위해 이 글에서 사용한 편집 개념 | 업계 표준 용어가 아닙니다. 자사가 경쟁사보다 더 깊고 자주 확인할 수 있는 관계 데이터가 무엇인지 점검하기 위한 판단 프레임입니다. |
References
- [1] Google | Introducing the Universal Cart and more ways to help you shop
- [2] Google for Developers | Universal Commerce Protocol
- [3] Shopify | AI-native, developer-ready: Unpacking Winter '26 Edition
- [4] Amazon Science | Building commonsense knowledge graphs to aid product recommendation
- [5] Amazon Science | COSMO: A large-scale e-commerce common sense knowledge generation and serving system at Amazon
- [6] FERMÀT | Introducing Commerce Graph
- [7] Proxima | Predictive Data Intelligence
- [8] NielsenIQ | How AI in Personalized Shopping Transforms Product Discovery
댓글
댓글 쓰기