검색 전에 상품부터 이해한다검색 전에 상품부터 이해한다Algolia는 기업의 웹사이트와 앱에 검색 기능을 공급하는 회사다. Velou는 판매자가 가진 상품 설명과 사진을 인공지능(Artificial Intelligence, AI)으로 읽어 색상·형태·용도 같은 정보를 정리한다. Algolia는 2026년 10월 6일 Velou 인수를 발표했다. 고객의 질문에 맞는 상품을 찾으려면 검색 기술과 상품 정보가 함께 갖춰져야 한다는 판단이 담긴 거래다. [1][3][11] 판매 중인 상품인데 검색하면 나오지 않거나, 조건과 맞지 않는 상품이 먼저 뜨는 일이다. 이번 사례를 읽을 때는 검색이 실패한 원인이 질문의 해석에 있는지, 상품 정보의 누락에 있는지 나눠볼 필요가 있다. 원인을 가려야 개발팀에 검색 기능 수정을 요청할지, 상품 담당자에게 누락된 사양을 받을지 정할 수 있다.
CASE SNAPSHOT · 기업 개요
Algolia
기업의 웹사이트와 앱에 검색·추천 기능을 공급하는 회사
근거와 한계 · 고객 수와 직원 수는 회사가 공개한 수치이며 독립적으로 검증한 실적이 아니다. 인수 이후의 성과와도 구분한다.
사례의 질문
검색 사업자가 상품 정보의 생성·정리까지 맡으면 제품과 고객 운영은 어떻게 달라지는가?
CASE SNAPSHOT · 기업 개요
Velou
상품 설명과 사진을 읽어 검색에 필요한 상품 정보를 정리하는 회사
근거와 한계 · 고객 수와 합류 인원은 인수자의 공식 발표에 따른 수치다. 고객 성과는 공급사 공개 자료로, 독립적으로 검증한 실적이 아니다. 2024년 투자금은 2026년 매출이나 인수가격과 구분한다.
사례의 질문
자동으로 채운 상품 속성을 검색에 쓰려면 어떤 근거와 검수 절차가 필요한가?검색 전에 상품부터 이해한다검색 전에 상품부터 이해한다
Algolia와 Velou는 검색의 어느 부분을 담당하나
Algolia의 고객은 검색을 하는 소비자보다 검색 기능을 운영하는 기업이다. 개발팀은 응용프로그램 인터페이스(Application Programming Interface, API)를 연결해 자사 서비스 안에서 검색을 제공한다. API는 서로 다른 소프트웨어가 요청과 데이터를 주고받는 접점이다. Algolia가 검색 기반을 공급하면 기업은 그 위에 자사 상품과 화면, 판매 규칙을 얹는다. [3]
Velou가 다루는 것은 상품 목록과 각 상품의 정보, 곧 상품 카탈로그다. 설명문과 사진에 흩어진 내용을 상품 속성(Product Attribute)으로 정리해 기존 커머스 시스템에 돌려보낸다. 예컨대 문장 속 색상과 소재를 각각의 항목에 넣어 검색이나 필터에서 사용할 수 있게 만드는 일이다. 제품 설명상 상품 간 관계를 연결하는 기능도 제공한다. [11]
여러 입점사가 같은 색상을 “네이비”, “남색”, “짙은 청색”으로 적어 보낸다고 생각해보자. 운영팀이 이를 매번 수작업으로 맞추면 신상품이 들어올 때마다 같은 일이 반복된다. 검색에서 같은 의미로 취급할 표현과 서로 구별해야 할 사양을 정하는 작업이 필요해진다.
검색 회사가 상품 데이터 기술을 안으로 들인 이유
Algolia는 Velou가 8년에 걸쳐 만든 소매 상품 분류체계(Retail Taxonomy)와 상품 관계망(Product Graph), 설명·사진에서 속성을 추출하는 기술을 확보했다고 밝혔다. 분류체계는 어떤 종류의 상품에 어떤 속성을 붙일지 정하는 기준이고, 관계망은 상품·분류·속성이 어떻게 연결되는지 나타낸다. [1]
Algolia에는 이미 외부 데이터를 붙이는 기능이 있다. Algolia의 Fetch는 외부 API에서 정보를 받아 검색용 데이터에 추가하는 기능이다. Velou 인수로 더하려는 역량은 판매자가 보내온 표현을 소매업에 맞는 항목과 값으로 해석하고, 추출한 속성의 근거를 남기는 데 있다. [9][2]
이 기술을 직접 보유하면 상품 정보의 정리와 검색 기능의 개발 일정을 함께 조정할 수 있다. 같은 상품 정보를 검색·추천·개인화에 함께 쓰면 기능마다 별도로 빈칸을 메우는 작업을 줄일 여지가 있다. Velou 역시 기존 검색 고객을 보유한 Algolia 안에서 자사 기술을 공급할 수 있다. 상품 정보의 품질과 기능 간 연동을 한 제품 안에서 관리하려는 선택이라는 것이 AgencyTimes의 해석이다. 제휴보다 인수가 경제적이었는지는 거래 조건과 비용이 공개되지 않아 판단하기 어렵다.
Algolia는 기존 연동을 유지하면서 Velou 기술을 검색·추천과 AI 에이전트 제작 도구인 Agent Studio의 기반에 통합할 계획이다. 발표만으로 모든 고객에게 같은 날짜·요금·설정으로 제공된다고 볼 수는 없다. 기존 연결 방식을 유지하는 것과 고객사의 검수·적용 작업이 없어지는 것도 서로 다르다. [2]
상품 사진에서 어디까지 알아낼 수 있을까
상품 속성을 보강한다는 말이 실제로 무엇을 뜻하는지 백팩 하나로 살펴보자. 아래는 이해를 위한 가상 예시이며 Velou를 직접 시험한 결과가 아니다. 상품명은 “데일리 백팩”, 공급사 설명에는 “네이비·20L”, 사진에는 별도의 수납칸이 보인다고 가정한다.
고객이 “비 오는 날 15인치 노트북을 넣고 다닐 출퇴근용 가방”을 찾는다면 모든 조건을 같은 방식으로 채울 수는 없다. 이미 적혀 있는 색상과 사진에서 짐작한 수납 구조, 방수 성능은 근거가 다르다. 다음처럼 구분해 기록할 것을 제안한다.
| 항목 | 현재 가진 근거 | 검색·추천에 적용할 기준 |
|---|---|---|
| 남색 | 공급사 설명의 “네이비” | 해당 상품·옵션의 정보인지 확인한 뒤 색상 값을 표준화한다. |
| 별도 수납칸 | 상품 사진에서 구획이 보임 | 이미지에서 추출한 후보로 기록한다. 노트북 전용 보호 기능까지 확정하지 않는다. |
| 15인치 노트북 수납 | 수납칸의 실측 치수 없음 | 확인되지 않은 상태로 둔다. 가방 용량 20L만으로 수납 가능 여부를 판정하지 않는다. |
| 방수 성능 | 코팅처럼 보이는 외관만 있음 | 제조사 사양이나 시험 근거를 확인한다. 외관 추정으로 방수 상품에 포함하지 않는다. |
빠진 정보를 채우다가 근거 없는 값을 넣으면 고객에게 잘못된 판매 조건을 제시할 수 있다. “방수가 아니다”와 “방수 여부를 확인하지 못했다”도 구분해야 한다. 후자를 전자로 저장하면 실제 방수 제품을 누락할 수 있고, 반대로 사실로 채우면 조건에 맞지 않는 상품을 추천하게 된다.
Velou가 설명하는 근거 연결은 이 문제를 살펴볼 출발점이다. 다만 운영팀은 사용한 원문이나 사진을 확인할 수 있어야 한다. 사람이 고친 값이 다음 자동 갱신에서 덮어쓰이지 않는지도 살펴야 한다. 사진에서 보이는 정보와 제조사가 확인해야 할 정보를 나누는 기준은 판매자가 별도로 정할 과제다. [2][11]
고객 성과는 나왔지만, 인수 효과로 읽을 수는 없다
Velou가 공개한 고객 사례에는 데이터 정리가 검색 운영과 만나는 장면이 있다. 온라인 스포츠 패션 판매업체 Get The Label은 커머스 플랫폼을 옮긴 뒤 검색 결과의 정확성과 신상품 처리에 어려움을 겪었다고 한다. 패션 판매업체 Everything5pounds는 매일 늘어나는 상품에 상세 정보가 부족했고, 기본적인 키워드 검색만으로는 적절한 상품을 찾기 어려웠다고 설명한다. [7][8]
| 고객 사례 | 공급사가 공개한 변화 | 기간·측정의 한계 |
|---|---|---|
| Get The Label [7] | 6개월 동안 상품 속성 194,398개 추가. 검색 매출 +60%, 검색 전환 지표 +20%. | 6개월은 속성 추가 기간이다. 매출·전환의 정확한 비교 기간과 산식은 공개 페이지에서 확인되지 않는다. |
| Everything5pounds [8] | 상품 속성 수 85% 이상 증가. 검색 매출 +31%, 검색 전환 지표 +33%. | 성과의 절대값, 비교 기간, 대조군이 제시되지 않았다. |
표의 “검색 전환”은 공급사가 사용한 지표명을 옮겼다. 공개된 산식이 없어 전환 건수인지 전환율인지 확정하지 않았으며, 증가율을 퍼센트포인트로 바꾸거나 전체 쇼핑몰 매출 증가로 확대하지 않았다. 두 사례를 같은 조건의 실험처럼 비교할 수도 없다.
더구나 사례 설명에는 데이터 보강과 함께 검색 방식과 고객 경험을 바꾼 내용이 들어 있다. 어떤 효과가 속성 추가만으로 생겼는지는 분리돼 있지 않다. 데이터와 검색을 함께 손본 결과라는 범위에서 참고하되, Algolia·Velou 통합 제품의 성과나 인수 이후 수익성을 입증하지 않는다. [7][8]
상품 정보를 정리하면 외부 AI에도 자동으로 노출될까
자사 검색용 데이터가 정리됐다는 사실만으로 다른 서비스가 그 정보를 받아갔다고 볼 수는 없다. 상품 정보를 정확하게 만드는 작업과 외부 서비스가 읽을 수 있게 제공하는 작업을 나눠야 한다. Algolia 안에서 잘 검색되는지와 외부에서 추천되는지도 각각 측정할 문제다.
Google의 공식 문서도 상품 페이지의 구조화 데이터와 Google Merchant Center에 제출하는 상품 피드를 함께 설명한다. 상품 피드는 여러 상품의 가격·재고·속성을 정해진 형식으로 전달하는 데이터다. Google은 페이지의 다른 내용에서도 정보를 추출할 수 있다고 밝히며, 구조화 데이터가 있어야만 일반 검색 결과에 나타나는 것은 아니라고 설명한다. [10]
따라서 “AI는 페이지를 읽지 않고 구조화된 데이터만 본다”는 식의 단정은 피해야 한다. 검토할 것은 각 서비스에 어떤 정보를 어떤 경로로 제공하는지다. 내부 상품 목록을 고쳤더라도 외부에 전달한 가격이나 재고가 오래된 값이면 구매 단계에서 다시 문제가 생긴다.
상품의 소재·크기와 달리 가격·재고는 자주 달라진다. 속성을 추출하는 모델에 이 값까지 추측하게 하기보다 기준이 되는 판매·재고 시스템과 연결하고 갱신 시점을 관리하는 편이 타당하다. Google도 웹사이트와 상품 피드의 갱신 지연으로 정보가 어긋날 수 있다고 안내한다. [10]
자동으로 채운 속성에도 검수 비용이 든다
비용을 계산할 분모는 검수를 통과해 실제 검색에 쓰이는 속성 수로 잡는 편이 낫다. 틀린 값과 중복 태그를 많이 만들면 사람이 되돌리는 일이 늘어난다. 상품이 변경됐을 때 다시 읽고 수정하는 비용도 초기 정리 비용과 구분해야 한다.
Algolia의 요금은 검색 요청과 저장 레코드 등 사용량을 중심으로 구성되며 기업용 계약도 제공한다. 레코드는 검색 대상으로 저장한 상품 등의 데이터 한 단위다. 속성을 하나 더 붙이는 것과 상품 레코드를 하나 더 만드는 것은 같은 일이 아니다. Velou 통합 기능의 구체적인 과금 조건은 별도로 확인해야 한다. [6]
도입 시험에서 계산할 비용 · AgencyTimes 제안
검수 통과 속성당 비용 =
(데이터 처리비 + 검수 인건비 + 재처리비 + 해당 작업의 운영비) ÷ 실제 반영한 유효 속성 수
같은 기간·상품군·속성 기준으로 비교한다. 생성했지만 버린 값은 분모에서 제외한다. 회사가 발표한 지표가 아닌 도입 검토용 계산식이다.
상품 담당자는 어떤 근거를 믿을지 정하고, 개발·데이터 담당자는 그 값이 검색과 판매 채널에 일관되게 전달되도록 관리한다. 검색 운영팀은 결과가 개선됐는지 확인한다. 공급사의 자동화 범위가 넓어져도 상품의 사실 여부와 최종 판매 조건을 승인할 책임까지 자동으로 옮겨가지는 않는다.
계약에서는 보강한 속성과 원문 근거를 함께 내보낼 수 있는지, 수동 수정 이력을 보존하는지, 다른 검색 도구로 옮길 때 무엇을 가져갈 수 있는지도 확인하자. 검색과 데이터 정리를 한 업체에 맡기는 편익을 평가하려면 이후의 수정·이전 비용도 알아야 한다.
우리 쇼핑몰에서는 무엇부터 시험해야 할까
입점사가 많고 신상품이 자주 들어오는 쇼핑몰이라면 특정 상품군을 골라 시험할 만하다. 고객의 실제 검색 질문과 그 질문에 답할 속성을 먼저 연결한다. 검색 결과가 없었던 질문뿐 아니라 결과는 있었지만 구매 조건을 어긴 상품이 나온 질문도 포함한다. 다음은 이런 시험에 사용할 점검 순서다.
- 실패 원인을 분류한다. 상품 정보가 없는지, 표현을 잘못 해석했는지, 맞는 상품의 순위가 낮은지 확인한다. 품절이나 가격 조건의 문제도 따로 뺀다.
- 바꿀 범위를 한정한다. 같은 상품·질문으로 보강 전후를 비교한다. 데이터의 효과를 보려면 검색 방식과 판매 조건을 가능한 한 고정한다. 함께 바꿨다면 변경 내역을 남긴다.
- 조건을 어긴 추천도 센다. 검색 결과가 늘었다는 이유만으로 개선으로 보지 않는다. 방수·크기처럼 구매의 필수 조건과 어긋나는 결과가 늘지 않았는지 검수한다.
- 운영비와 판매 결과를 함께 본다. 검수 통과율, 신규 상품 반영 시간, 수정 소요시간을 측정한다. 실제 구매 효과는 가능하면 대조군을 둔 시험으로 확인하고 반품·취소도 같은 기간에 살핀다.
이 사례에서 가져오기 쉬운 것은 상품 속성의 근거를 남기고 검색 결과와 연결해 검수하는 방식이다. 자동 추출의 효과는 상품군과 원자료에 따라 달라진다. 국내의 “하객룩”, “오버핏” 같은 표현이나 혼용된 브랜드명이 자사 분류와 맞는지 직접 시험해야 하며, 해외 패션 고객의 개선율을 그대로 적용해서는 안 된다.
상품 종류가 적고 정보가 이미 잘 정리돼 있다면 대규모 자동화보다 기존 검색 설정을 손보는 편이 나을 수 있다. 원자료 자체가 부족한 경우에는 공급사에서 사양을 받는 일이 먼저다. Algolia의 고객 기반과 Velou가 축적한 분류 기준도 다른 회사가 즉시 복제할 수 있는 조건은 아니다.
도입 시연에서 검색 결과가 좋아 보이면, 추천된 상품 하나의 근거를 열어보자. 그 값이 어디서 왔는지, 틀렸을 때 누가 고치는지, 수정 후 어느 판매 채널까지 반영되는지 확인한다. 이 과정을 설명할 수 있어야 상품 데이터 개선을 실제 운영에 맡길 수 있다.
Algolia의 Velou 인수는 검색에 쓰일 상품 정보를 만드는 작업까지 제품 안에 포함하려는 선택이다. 도입 기업은 정보가 더 많이 채워졌는지와 그 정보가 정확한지를 나눠 봐야 한다. 근거 없는 속성을 걸러내고 검수·갱신 비용을 계산해야 검색 성과의 개선을 판단할 수 있다.
FAQ
자주 묻는 질문
Q. Algolia와 Velou는 어떤 점이 다른가요?
Algolia는 기업의 웹사이트와 앱에 검색 기능을 공급하고, Velou는 상품 설명과 이미지에서 정보를 추출해 정리합니다. 두 역할을 결합하려는 것이 이번 인수의 제품 방향입니다. [1][3][11]
Q. 상품 데이터 보강은 설명문을 길게 쓰는 일인가요?
문장을 늘리는 것보다 검색에 필요한 속성을 구분해 기록하는 일에 가깝습니다. 색상·크기·소재를 각각의 항목으로 정리하되, 추정한 값과 확인한 사실은 구별해야 합니다.
Q. 발표된 검색 매출 증가율을 우리 회사에도 적용할 수 있나요?
그대로 적용하기는 어렵습니다. 공급사가 공개한 기존 고객 사례로, 비교 기간과 산식이 명확하지 않고 함께 바뀐 검색 기능의 영향도 분리돼 있지 않습니다. 자사 상품과 고객 질문으로 시험해야 합니다. [7][8]
Q. Algolia를 쓰면 외부 AI 서비스의 추천에도 자동 반영되나요?
이번 인수 발표만으로 자동 반영을 보장할 수는 없습니다. 내부 검색 데이터의 정리와 외부 서비스로의 제공·수집은 별개이며, 각 채널의 연동과 갱신 상태를 확인해야 합니다.
TERMINOLOGY
본문의 주요 용어
상품 속성 · 색상, 소재, 크기, 관리 방법처럼 상품을 설명하는 개별 항목. 같은 속성이라도 근거와 확인 상태를 함께 관리해야 한다.
상품 분류체계 · 상품의 종류와 속성을 일정한 기준으로 정리한 체계. 입점사마다 다른 표현을 맞추되 구별해야 할 사양까지 합치지 않아야 한다.
상품 관계망 · 상품·분류·속성 사이의 연결을 표현한 구조. 관계가 연결돼 있다는 사실만으로 호환성이나 성능이 검증되는 것은 아니다.
상품 피드 · 외부 서비스에 정해진 형식으로 보내는 상품 데이터. 내부에서 정보를 수정해도 외부 피드가 갱신되지 않으면 서로 다른 값이 표시될 수 있다. [10]
References
자료 열람 기준: 2026년 10월 12일. 별도 날짜가 없는 고객 사례는 공개 페이지의 내용을 기준으로 했다.
- [1] Algolia | Algolia Acquires Velou to Advance AI Product Intelligence Across Every Search, Recommendation and AI Agent 2026.10.06 · 인수 공식 발표
- [2] Algolia | Algolia acquires Velou 2026.10.06 · 인수 배경과 통합 계획
- [3] Y Combinator | Algolia company profile 설립 연도와 사업 설명
- [4] Velou 공식 LinkedIn | Velou company profile 설립 연도 · 인원 범위는 인수 발표와 별도
- [5] Velou | Velou, which sells AI-powered self-optimizing product catalogs, raises $5M and adds Gavin Hewitt as COO 2024.09.17 · 투자 유치 공식 발표
- [6] Algolia | Pricing 검색 요청·레코드 기준 요금 구조
- [7] Velou | How Get The Label used rich product data to resolve customer frustrations & increase revenue 공급사가 공개한 고객 사례
- [8] Velou | How Everything5pounds Transformed their Customer Experience and Increased Search Conversions 공급사가 공개한 고객 사례
- [9] Algolia | Data Enrichment — Algolia Fetch 외부 데이터 연결·보강 기능
- [10] Google Search Central | Share your product data with Google 상품 페이지·구조화 데이터·상품 피드의 관계
- [11] Velou | Product data enrichment and product graphs 상품 데이터 처리와 기존 시스템 연동 설명
- [12] Algolia | About Algolia 2026.10.12 열람 · 회사 공개 인원과 사업 규모
댓글
댓글 쓰기