[C-Level 보고서] 실패하지 않는 시즌 프로모션 할인 전략

추석 프로모션, 블랙프라이데이, 설연휴 세일…

기업들은 반복되는 시즌 이벤트를 앞두고 할인율과 기간, 적용 상품과 매장 범위를 고민합니다. 우리는 어떤 근거로 제품별·매장별 할인 범위와 기간을 정하고 있을까요?

프로모션은 매출을 만들기도 하지만 마진에 부담을 주거나 리프트 없이 수요를 앞당겨 쓰거나, 다른 상품 매출을 잠식하는 결과로 이어지기도 합니다. 기간과 범위의 작은 차이만으로도 성과 구조는 크게 달라집니다.

ERP의 기본 테이블 데이터와 최소한의 마케팅 지식, 그리고 이를 비교·점검하는 AI가 결합되면 우리는 수년치 프로모션을 한 번에 분석해 제품·매장별로 어떤 할인 구조가 반복적으로 작동했는지를 확인할 수 있습니다. 이 뉴스레터에서는 간단한 데이터 분석과 AI 에이전트 설정만으로 어떻게 새로운 성장 기회를 발견할 수 있는지, AI 자동화 리포트 사례를 통해 살펴봅니다.

1. 먼저 정의한 것은 '효율성 데이터 지표'

프로모션 분석의 실패는 데이터가 부족해서가 아니라, 성과와 효율을 판단할 평가 지표가 명확히 정의되지 않은 상태에서 시작되기 때문에 발생합니다.

우리는 프로모션을 두 개의 축으로 분해합니다. 이 지표들은 단순한 결과 요약이 아니라, 할인의 결과, 구조적 영향력, 그리고 효율성과 타이밍의 적정성을 함께 평가하도록 설계합니다.

① 매출 관점

• Promotion Sales: 프로모션의 '규모'를 보여주는 총매출
• Incremental Lift: 베이스라인 대비 실제로 추가 발생한 매출
• Cross Lift: 비할인 상품군에서 발생하는 교차 효과 또는 잠식
• Discount Sensitivity: 할인율 1%p당 매출 증분 반응
• Duration Sensitivity: 매출이 기간 중 언제 집중되는지를 통해 기간 설계의 적정성 평가

② 재고 관점

• Promotion Depletion: 프로모션 전후 소진율 변화
• Incremental Depletion Lift: 프로모션 기간 동안의 재고 회전 가속 정도
• Cross Depletion Lift: 프로모션 기간 동안 비할인 제품의 재고 회전 가속 정도
• Depletion Discount Sensitivity: 할인 강도 대비 소진 효율
• Depletion Duration Sensitivity: 소진이 초반·중반·후반 중 어디에 집중되는지

여기서 중요한 차별점은, AI가 리포트를 작성할 때 이번 프로모션 데이터만을 기준으로 판단하지 않는다는 점입니다. 심화 분석과 맥락 이해를 위해, Agent에게는 수년간 진행된 프로모션의 백그라운드 데이터가 함께 전달됩니다.

즉, 우리는 "이번 프로모션이 어땠다"를 설명하는 것이 아니라, "이 브랜드에서 반복되어 온 수많은 프로모션들 사이에서 이번 프로모션이 어떤 위치에 있는가"를 판단하도록 시스템을 설계합니다.

③ 컨텍스트 데이터

• 과거 모든 프로모션의 제품 디멘션(카테고리/스타일) 별 성과 지표
• 과거 모든 프로모션의 매장·채널 디멘션(포맷) 별 성과 지표
• 평균, 분포, 상·하위 구간 등 이 브랜드의 정상 범위(reference range)

이 작업은 사람이 수행하기에는 사실상 불가능합니다. 단일 프로모션에서도 제품 × 매장 조합은 수백~수천 개가 되고, 여기에 수년치 프로모션이 누적되면 비교해야 할 포인트는 기하급수적으로 늘어납니다.

우리는 이 비교의 노동을 AI에게 맡기고, 사람은 평가를 설계하고 실행을 결정합니다.

2. Before / During / After 그래프가 직관인 이유

이 그래프는 복잡한 설명을 요구하지 않습니다. 프로모션 구간을 음영으로 표시하고, 전·중·후의 흐름을 같은 축에 놓습니다. 매출이나 판매 수량 기준으로 그려볼 수 있으며, 할인 적용 제품과 비할인 제품을 나누어 보거나 제품 특성별, 매장 포맷별 판매 변화도 한눈에 파악할 수 있습니다.

그래서 다음과 같은 구조가 바로 드러납니다.

• 기저 추세 대비 실제로 유의미한 반응이 있었는지
• 프로모션 종료 후 반납(당겨쓴 수요)이 발생했는지
• 매출과 소진이 언제 집중되었는지
• 제품별·매장별 판매 흐름이 어떻게 달랐는지

소진을 목적으로 한 프로모션에서도, 이 그래프를 그려보면 추가 리프트 없이 판매 수량만 튀는 착시가 전체 매출 손해로 이어진 사례를 자주 발견하게 됩니다. 실제로 할인이 필요했던 제품군과 유통 채널은 무엇이었는지 볼 수 있죠. 넓은 할인 범위와 가격 인하가 만들어낸 "잘 된 느낌"은, 데이터를 통해 구조적으로 살펴보면 오래 유지되기 어렵습니다.

3. '매출 크기'보다 중요한 것은 KPI 카드의 구조다

프로모션 비교에서 가장 위험한 질문은 "얼마나 많이 팔렸나?"입니다.

우리는 KPI 카드 세트를 나란히 놓고 구조를 봅니다.

아래는 완전 가상 예시이지만, 실제 현장에서 반복적으로 나타나는 패턴입니다.

[KPI 카드 예시 A – 구조적으로 건강한 유형]

• Promotion Sales: ₩5.8억
• Incremental Lift: +₩2.1억
• Cross Lift: +₩0.5억
• Discount Sensitivity: +0.12
• Promotion Depletion: 6.8%
• Depletion Duration Sensitivity: 48%

→ 할인 적용 상품군에서 명확한 증분 매출이 발생했고, 비할인 상품군에서도 교차 효과가 동반된 구조입니다.

할인율 1%p 증가가 실제 매출 증분으로 비교적 안정적으로 전환되며, 성과가 기간 중반에 집중되어 기간 설계 리스크도 낮은 유형입니다.

[KPI 카드 예시 B – 착시가 발생한 유형]

• Promotion Sales: ₩6.4억 *(겉보기로는 더 큼)*
• Incremental Lift: +₩1.4억
• Cross Lift: −₩0.9억
• Discount Sensitivity: +0.04
• Promotion Depletion: 3.1%
• Depletion Duration Sensitivity: 71%

→ 할인 적용 상품군에서는 일정 수준의 매출 증분이 발생했지만, 비할인 상품군에서 뚜렷한 잠식이 동반된 구조입니다. 할인 강도 대비 매출 효율은 낮고, 성과가 기간 후반에 몰리며 수요를 앞당겨 쓴 패턴이 함께 관측됩니다.

이렇게 보면 질문이 바뀝니다.

"왜 매출이 낮았지?"가 아니라,

"어떤 구조에서는 가격이 작동했고, 어떤 구조에서는 잠식이 더 크게 발생했는가?"

이 차이는 매출 규모만으로는 절대 드러나지 않습니다. KPI 카드의 구조를 함께 놓고 볼 때에만 보이기 시작합니다.

4. 결론은 평가가 아니라 '가설'이어야 한다

그래서 이 AI 자동화 리포트의 결론은 "잘했다 / 못했다"가 아니라 항상 채택 가능한 가설과 기각(보류) 가설로 정리됩니다.

프로모션은 한 번의 이벤트가 아니라, 반복 실험을 통해 학습되는 시스템이기 때문입니다.

아래는 실제 운영 맥락에서 바로 활용 가능한 가설 예시들입니다.

채택 가능한 가설 (Actionable Hypotheses)

• 반복 시즌 프로모션(예: 연말·명절 할인전): 의 경우, 매년 동일한 2~3주 운영보다 과거 데이터에서 Incremental Lift가 집중된 상위 5~10일 구간을 중심으로 기간을 압축하면 할인 효율을 유지하면서 가격 손실을 줄일 수 있다. 특히 동일 시즌에서 Duration Sensitivity가 반복적으로 60% 이상으로 나타난다면, 기간 연장보다는 조기 집중 운영과 빠른 종료가 더 합리적일 가능성이 높다.
• 대형몰 매장 포맷: 에서는 동일 할인율에서도 소진율은 높게 유지되지만 매출 민감도가 낮거나 음수로 관측되는 패턴이 반복될 수 있다. 이 경우 아울렛은 재고 소진 목적의 SKU 제한형 할인으로, 일반 매장은 증분 매출 목적의 선택형 할인으로 역할을 분리하면 전체 구조 효율을 개선할 수 있다.
• 액세서리·소형 상품군: 에서 일정 할인율 이상부터 증분 매출은 정체되는데 반품·취소 비율이 급증하는 패턴이 관측된다면, 할인율 상향 대신 할인 상한(예: 20~25%) 설정과 번들·세트 구성이 순매출 및 순이익 관점에서 더 유리할 가능성이 있다.

기각 또는 보류 가설 (Rejectable / Hold Hypotheses)

• 시즌 마감 소진형 프로모션: 에서 재고 소진을 이유로 기간을 길게 가져가지만, Discount Sensitivity가 지속적으로 낮거나 음수로 나타나는 경우, 기간 연장은 소진율을 높일 수는 있어도 가격 손실과 수요 선반납을 동시에 키울 가능성이 높다. 이 경우 "장기 운영이 소진에 유리하다"는 가설은 보류하고, 소진 효율이 실제로 작동한 구간을 기준으로 기간을 재설계하는 접근이 필요하다.
• 고가·프리미엄 제품군: 을 대상으로 한 단기 팝업 할인에서 증분 매출은 발생하지만, 반품·취소 비율이 함께 급증하는 패턴이 반복된다면 할인 효과를 순매출 기준으로 재검토해야 한다. 동일 구조가 반복된다면 "프리미엄 제품도 팝업 할인에 반응한다"는 가설은 보류하고, 할인보다는 체험·한정성 중심의 접근이 더 적합할 가능성이 있다.
• 폭넓은 SKU를 포함한 전면 할인 프로모션: 에서 Incremental Lift는 제한적인 반면 Cross Lift가 음수로 관측되는 구조가 누적된다면, 할인 범위 확대 자체가 구조적 잠식을 만들고 있을 가능성이 높다. 이 경우 "범위를 넓히면 전체 볼륨이 개선된다"는 가설은 기각하고, 핵심 SKU 중심의 선택형 할인 전략으로 전환하는 것이 더 합리적이다.

이렇게 데이터를 지표로 재정의하고, 직관적인 비주얼과 AI 에이전트를 활용한 자동화만으로 우리는 수십 개의 프로모션을 빠르게 분석해 채택과 기각이 명확한 액션 플랜으로 정리합니다.

이렇게 가설이 누적되면, 프로모션은 더 이상 "이번엔 잘 됐나?"를 묻는 이벤트가 아닙니다.

어떤 구조가 반복적으로 작동하고, 어떤 구조가 반복적으로 손해를 만드는지를 조직이 공유하는 학습 자산이 됩니다.

프로모션은 매출 이벤트가 아니라, 영업이익을 좌우하는 핵심 비즈니스 활동입니다.

관성과 감이 아닌, 데이터와 액션 플랜으로 운영되는 프로모션 전략이 궁금하시다면 매드매틱스에 질문해 주세요.