당신이 잠든 사이, AI가 회사의 모든 데이터를 분석하는 시대 — 라플라스 MCP 출시

ai-mcp 이미지 1

"이번 달 광고비를 어디서 줄여야 할까?" "품절 나기 전에 뭘 먼저 발주해야 하지?" "이 상품, 계속 팔아야 하나 접어야 하나?" 이 질문들의 답은 사실 당신의 데이터 안에 이미 있습니다. 문제는 그 답이 주문 엑셀, 광고 관리자, 재고 시스템, CS 툴, 리뷰 페이지에 조각조각 흩어져 있다는 것이었죠. 오늘부터 그 조각을 맞추는 일은 AI가 합니다. 라플라스 MCP가 출시되었습니다.

1. 커머스 데이터 분석이 어려웠던 진짜 이유

셀러라면 누구나 데이터를 "보고" 있습니다. 스마트스토어 매출, 쿠팡 정산, 광고 ROAS, 재고 수량. 하지만 정말 중요한 질문은 항상 데이터와 데이터 사이에 있습니다.

이 광고 소재가 어떤 상품의, 어떤 옵션 매출로 이어졌는가?
이 SKU의 매출에서 원가·수수료·광고비·배송비를 다 빼면 실제로 얼마가 남는가?
반품과 CS 문의가 많은 상품이 마진까지 갉아먹고 있지는 않은가?
올리브영 랭킹이 오른 카테고리에서 우리 상품 수요도 따라 오르는가?

이런 질문에 답하려면 최소 3~4개의 데이터를 상품 단위로 정확히 이어 붙여야 합니다. 사람이 엑셀로 하면 하루가 걸리고, 다음 주가 되면 이미 낡은 분석이 됩니다. 대부분의 셀러가 "감"으로 결정하는 이유는 게을러서가 아니라, 데이터를 잇는 비용이 너무 컸기 때문입니다.

2. 라플라스가 미리 깔아둔 것 — 온톨로지, 데이터의 "관계도"

라플라스 애널리틱스는 처음부터 이 문제를 풀기 위해 만들어졌습니다. 핵심은 온톨로지(Ontology) — 흩어진 데이터를 모으는 데서 그치지 않고, 데이터끼리의 관계를 정의해 하나의 지식 그래프로 만드는 기술입니다.

라플라스에는 이런 데이터 자산(Asset)이 기본으로 구축되어 있습니다.

Asset	하는 일
주문	여러 커머스 플랫폼의 주문을 통합·정제하고 수수료 등 지표를 보강한 판매 상품 단위 주문 테이블
광고	여러 광고 매체의 성과를 통합하고, 광고 소재를 주문·상품에 매칭해 광고비를 분배한 광고 성과 테이블
기초 상품	여러 채널의 상품·원가(COGS)를 통합해 최신 상태로 유지하는 기초 상품 마스터
기초 상품 주문	기초 상품과 주문을 결합해 주문 건별로 매출·원가를 분배한 기초 상품 단위 주문 테이블

여기서 두 가지가 결정적입니다.

① 광고 소재 ↔ 상품 데이터 연동. 매체 리포트의 "소재 A 클릭 1,000회"가 아니라, "소재 A가 만든 상품 X 옵션 Y의 매출과 공헌이익"까지 내려갑니다. 광고비는 상품 단위로 자동 분배됩니다.

② 기초상품 ↔ 판매 상품 옵션 연결. 채널마다 제각각인 상품명·옵션명("블랙/L", "검정 라지", "BK-L")이 하나의 기초 상품으로 묶입니다. 그래서 원가는 한 번만 등록해도, 모든 채널의 판매 건에 원가가 자동으로 흘러 들어갑니다.

각 Asset은 원본 데이터 → 데이터 처리(COGS/매출 분배) → 커스텀 컬럼 → 최종 출력의 파이프라인으로 정제되고, 목표 매출 lookup 같은 커스텀 컬럼도 자유롭게 얹을 수 있습니다.

이미 라플라스 고객사들은 이 위에서 이런 대시보드를 운영하고 있습니다.

경영진 대시보드: 결제금액 → 상품판매 → 배송비 → 환불 → 원가 → 판매처 수수료 → 광고비 → 공헌이익·공헌이익률을 일/주/월 단위로, 채널별로. 구글시트의 목표값과 결합해 목표 달성률, 전환 ROAS, 예상 매출까지.
재고 대시보드: 입출고 추이, 기초/기말/평균 재고, 재고 회전율, 재고 일수(DOS), 평균 체류일, 재고 여유일수, 재고 금액.
상품 대시보드: SKU별 매출 순위, 거래액, 쿠폰/할인/배송비, 결제 건수·유저수, AOV, ARPPU, 원가, 마진, 마켓 부담 할인·수수료까지.

3. "우리 데이터는 연동 안 될 텐데요?" — RPA가 전부 가져옵니다

라플라스의 데이터 수집은 공식 연동 목록에서 끝나지 않습니다.

기본 연동만으로도 이미 넓습니다 — 스마트스토어, 카페24, 아임웹, 고도몰5, 메이크샵, 쿠팡(Wing), 카카오쇼핑(톡스토어·선물하기), 토스쇼핑, Qoo10, Amazon / 이지어드민·사방넷 같은 통합관리 솔루션 / Google Ads·네이버 검색광고·GFA·페이스북·틱톡·카카오모먼트·카카오키워드·크리테오 / GA4 / MySQL·PostgreSQL·MongoDB·Oracle·MSSQL / 스프레드시트 / 리뷰(브이리뷰·크리마) / CS(채널톡).

여기에 더해, RPA(로봇 자동 수집) 가 화면에 보이는 거의 모든 데이터를 라플라스로 가져옵니다.

이지어드민, 사방넷 등 풀필먼트의 재고 데이터 — 창고별·SKU별 재고를 자동 수집
무신사, 29CM, 지마켓, 11번가, 올리브영 등 API가 막혀 있거나 제한적인 판매 채널 데이터
인플루언서 마케팅 비용 — 매체 리포트에 잡히지 않는 협찬·공구 비용까지 데이터화
올리브영 실시간 랭킹, 검색어 순위, 유입 데이터 같은 시장·트렌드 신호
그 외 관리자 화면에서 사람이 눈으로 확인하던 사실상 모든 데이터

즉, "우리 회사 데이터 흐름 중 라플라스에 못 들어가는 것"이 사실상 없습니다. 그리고 들어온 순간, 온톨로지가 기존 주문·상품·광고 데이터와 상품 단위로 이어 붙입니다.

4. 그리고 오늘, MCP — 이 전부를 AI가 "직접" 만집니다

MCP(Model Context Protocol)는 AI가 외부 데이터에 안전하게 접속하는 표준 프로토콜입니다. 라플라스 MCP 키를 발급해 Claude 같은 AI에 등록하면, 이제 AI가:

라플라스에 쌓인 모든 연결 데이터를 직접 조회하고
온톨로지가 정의한 관계를 따라 데이터를 결합하고
그 위에서 산술·통계 계산을 즉석에서 수행해
근거와 함께 답과 권고안을 내놓습니다.

당신이 라플라스의 차트 구성, 테이블 구조, 측정값 이름을 하나도 몰라도 됩니다. "질문"이 곧 분석 설계서가 되고, AI가 나머지를 전부 합니다.

이게 왜 "엄청난" 일인지, 지금부터 실전 시나리오로 보여드리겠습니다.

5. 온톨로지 + AI가 실제로 해내는 분석 — 12가지 시나리오

시나리오 1. 재고가 "언제 터질지" AI가 미리 압니다

결합 데이터: 재고 이력(이지어드민/사방넷 RPA) × 주문 × 기초상품

사람은 재고 "수량"을 봅니다. AI는 재고의 확률을 계산합니다.

SKU별 일 출고량의 평균과 표준편차(σ) 를 구하고
안전재고 = Z × σ(출고 표준편차) × √리드타임 으로 수요 변동까지 반영한 안전선을 긋고
재주문점(ROP) = 평균 일일 출고량 × 리드타임 + 안전재고 를 SKU마다 자동 산출합니다.

"서비스 수준 95% 기준으로, 이번 주 안에 발주 안 하면 품절 나는 SKU 전부 뽑아줘. 발주 권장 수량이랑 근거도."

수백 개 SKU면 사람은 못 합니다. AI는 전 SKU를 한 번에 계산하고, 출고 변동성이 큰 상품(σ가 큰 상품)은 안전재고를 더 두껍게 잡으라고 알려줍니다. 반대로 재고 일수(DOS)가 비정상적으로 긴 상품은 "여기 현금 얼마가 묶여 있다"로 번역해 줍니다.

시나리오 2. "매출 1위 상품이 사실 적자"라는 불편한 진실

결합 데이터: 기초상품 주문(원가) × 광고 × 판매처 수수료

라플라스는 결제금액에서 환불, 원가, 채널별 수수료, 분배된 광고비, 판매자 부담 배송비까지 차감한 SKU별 공헌이익을 이미 계산합니다. AI는 여기서 한 발 더 갑니다.

"매출 상위 20개 상품 중에 공헌이익이 마이너스거나 5% 미만인 것 찾고, 원인이 광고비인지 수수료인지 원가인지 분해해줘."

실제 이런 구조에서는 "거래액 3위인데 광고비 분배 후 공헌이익 -480%" 같은 상품이 발견됩니다. 매출 순위표만 보면 절대 알 수 없는 사실입니다. AI는 원인까지 분해합니다 — "이 상품은 원가율은 정상인데, 특정 채널 수수료 + 과도한 광고 분배가 문제. 광고를 끊으면 자연 판매만으로 공헌이익 12%까지 회복 가능."

시나리오 3. 수천 SKU를 ABC로 자르고, 단종 리스트까지

결합 데이터: 기초상품(카테고리) × 주문 × 재고 × CS

SKU가 너무 많으면 각 상품에 기종·모델·색상·사이즈 같은 카테고리를 등록하세요. 그러면:

ABC 분석: 공헌이익 기여도 누적으로 A(핵심 20%)/B/C 등급 자동 분류
단종 후보 자동 검출: C등급 + 재고 회전율 하위 + 반품·CS 유발률 상위의 교집합
스타 상품 검출: 판매 성장률 + 공헌이익률 + 재구매율이 동시에 상위인 상품

"색상별로 보면 뭐가 잘 나가? 사이즈 재고 배분이 판매 비율이랑 안 맞는 SKU 알려줘."

"블랙만 계속 품절이고 베이지는 6개월째 창고에" 같은 문제를, 색상·사이즈 카테고리 축으로 전 상품에 걸쳐 한 번에 발견합니다. 다음 시즌 발주 비율까지 계산해서요.

시나리오 4. CS 기여율 — 고객 문의가 알려주는 "숨은 원가"

결합 데이터: 채널톡 CS × 주문 × 기초상품 × 리뷰

CS 문의를 상품 단위로 붙이면 새로운 지표가 생깁니다: CS 기여율(이 상품이 전체 문의의 몇 %를 유발하는가).

"판매량 대비 CS 문의가 비정상적으로 많은 상품 찾고, 문의 유형(배송/품질/사이즈)별로 나눠줘. CS 처리 인건비를 건당 3,000원으로 잡으면 실질 마진이 얼마나 깎이는지도."

매출의 5%를 만드는 상품이 CS의 30%를 만들고 있다면, 그 상품의 "진짜 마진"은 장부와 다릅니다. 사이즈 문의가 집중된 상품은 상세페이지 사이즈표 개선으로, 품질 문의가 집중된 상품은 검수 강화나 단종으로 — 문의 유형이 곧 액션이 됩니다.

시나리오 5. 리뷰가 매출을 갉아먹기 시작하는 순간을 포착

결합 데이터: 리뷰(크리마/브이리뷰) × 주문 × 반품 × 재구매

"최근 30일 평점이 이전 90일 대비 0.3점 이상 떨어진 상품 찾고, 그 상품들의 반품률·재구매율 변화도 같이 보여줘."

저평점 리뷰 증가 → 반품률 상승 → 재구매율 하락은 몇 주의 시차를 두고 매출 하락으로 이어집니다. 온톨로지로 리뷰-주문-반품이 묶여 있으면 AI가 이 연쇄를 매출이 꺾이기 전에 잡아냅니다. 리뷰 텍스트에서 반복 키워드("보풀", "사이즈 작음")까지 뽑아 개선 포인트를 알려줍니다.

시나리오 6. 인플루언서 마케팅, 이제 "느낌"이 아니라 공헌이익으로

결합 데이터: 인플루언서 비용(RPA) × 주문 × 기초상품 주문(원가)

협찬·공구 비용은 광고 매체 리포트에 안 잡혀서 늘 "그래서 남는 장사였나?"로 끝나곤 했습니다. RPA로 인플루언서 비용이 데이터로 들어오면:

"지난 분기 인플루언서 캠페인별로, 캠페인 기간 해당 상품 매출 증분에서 원가·수수료·협찬비 빼고 진짜 얼마 남았는지 계산해줘. 팔로워 수 말고 공헌이익 기준으로 인플루언서 순위 매겨줘."

베이스라인(평상시 판매) 대비 증분 매출을 계산하고 원가까지 차감하므로, "조회수는 잘 나왔는데 실제론 적자"인 캠페인과 "조용히 돈 벌어준" 인플루언서가 갈립니다.

시나리오 7. 올리브영 랭킹·검색어 순위 = 수요 선행지표

결합 데이터: 올리브영 실시간 랭킹·검색어 순위(RPA) × 자사 판매 × 재고

시장 신호가 내 판매 데이터와 같은 그래프에 놓이는 순간, 수요 예측이 됩니다.

"올리브영에서 우리 카테고리 검색어 순위가 오른 주에 우리 판매도 같이 올랐는지 상관관계 보여줘. 지금 급상승 중인 키워드 관련 상품의 현재 재고가 예상 수요를 버틸 수 있는지도."

경쟁사가 랭킹에 진입하면 우리 유입이 어떻게 변했는지, 특정 검색어 급등 후 며칠 뒤에 우리 매출이 반응하는지(시차 분석) — 사람이 매일 랭킹 페이지를 캡처해서는 절대 못 하는 분석입니다.

시나리오 8. 유입은 있는데 왜 안 팔릴까 — 퍼널 진단

결합 데이터: GA4/유입 데이터 × 광고 × 주문

"채널별로 유입 대비 구매 전환율 계산하고, 유입은 상위인데 전환은 하위인 채널·상품 조합 찾아줘. 그 광고비를 전환 잘 되는 곳으로 옮기면 공헌이익이 얼마나 늘지 추정도."

유입(트래픽) 데이터와 주문이 상품 단위로 붙어 있으므로, "광고가 못 데려온 것"인지 "데려왔는데 상세페이지에서 놓친 것"인지 구분됩니다. 전자는 소재 문제, 후자는 페이지 문제 — 처방이 달라집니다.

시나리오 9. 함께 팔리는 상품, 재구매를 부르는 상품

결합 데이터: 주문(고객 단위) × 기초상품

"첫 구매 상품별로 90일 내 재구매율 비교해줘. 재구매를 가장 잘 부르는 '입구 상품'이 뭐야? 같이 담기는 조합 상위 10개로 번들 만들면 AOV가 얼마나 오를까?"

고객-주문-상품이 이어져 있으니 코호트 재구매율, 장바구니 동시구매(교차판매) 분석이 질문 한 줄입니다. "입구 상품"은 광고를 더 태울 가치가 있고, 동시구매 조합은 곧 기획전 아이디어입니다.

시나리오 10. 쿠폰·할인은 약인가 독인가 — 가격 탄력성

결합 데이터: 주문(쿠폰/할인/마켓부담) × 기초상품 주문(원가)

라플라스는 쿠폰, 할인, 마켓 부담 할인·쿠폰, 수수료를 구분해서 집계합니다. 그래서:

"할인 걸었던 주와 안 걸었던 주의 판매량·공헌이익 비교해줘. 할인해도 총 공헌이익이 오히려 줄어든 상품(탄력성 낮은 상품) 목록 뽑아줘."

"할인하면 많이 팔린다"는 착각을 데이터로 검증합니다. 마켓이 부담한 할인과 내가 부담한 할인을 구분하므로, 같은 행사라도 채널별로 남는 정도가 다르다는 것까지 드러납니다.

시나리오 11. 목표와 현실의 갭 — 그리고 What-if

결합 데이터: 구글시트 목표값 × 주문 × 광고

"이번 달 목표 달성률 채널별로 보여주고, 남은 영업일 기준으로 월말 예상치 계산해줘. 광고비를 20% 줄이면 예상 매출과 공헌이익이 어떻게 변해?"

목표 매출(스프레드시트)이 실적과 붙어 있으니 달성률·페이싱은 기본이고, 과거의 광고비-매출 관계를 근거로 시뮬레이션까지 합니다. "매출은 4% 빠지지만 공헌이익은 9% 늘어난다" 같은, 경영 판단에 바로 쓰는 답이 나옵니다.

시나리오 12. 사람이 볼 수 없는 것 — 전방위 이상 탐지

결합 데이터: 전부

가장 과소평가되는 능력입니다. 사람은 자기가 보기로 한 차트만 봅니다. AI는 모든 데이터의 모든 조합을 훑을 수 있습니다.

"지난주 데이터 전체에서 평소 패턴과 다른 것 전부 찾아줘."

특정 채널 수수료율이 조용히 올라 마진이 새는 것
잘 팔리던 옵션 하나만 유입이 끊긴 것 (경쟁사 랭킹 진입과 겹치는 시점)
광고비 분배가 특정 소재에 쏠리는데 그 소재의 전환은 하락 중인 것
반품이 특정 물류 시점 이후에만 몰리는 것

이런 건 애초에 "볼 생각조차 못 했던" 것들입니다. 온톨로지가 데이터를 다 이어놨기 때문에, AI가 사람이 설계하지 않은 질문까지 스스로 던질 수 있는 것입니다.

6. 왜 사람 + 엑셀로는 안 되고, 온톨로지 + AI로는 되는가

	사람 + 엑셀	라플라스 온톨로지 + MCP AI
데이터 결합	채널별 상품명·옵션명 수작업 매칭, VLOOKUP 지옥	광고소재↔상품↔원가↔주문이 이미 연결됨
분석 범위	상위 몇 개 상품, 한 번에 한 질문	전 SKU × 전 채널 × 전 기간을 동시에
산술 수준	합계·평균	표준편차, 안전재고, ROP, 탄력성, 상관·시차 분석, ABC, 코호트
갱신	만든 날 하루 유효	데이터가 갱신되면 같은 질문을 다시 던지기만 하면 됨
전제 지식	데이터 구조를 알아야 함	몰라도 됨 — 질문이 곧 분석

핵심은 이것입니다. 지금까지 데이터 분석의 병목은 "분석 기술"이 아니라 "데이터를 잇는 노동" 이었습니다. 라플라스는 온톨로지로 그 노동을 없앴고, MCP는 그 위에 지치지 않는 분석가를 앉혔습니다.

7. 연결은 3분이면 됩니다

라플라스 프로젝트 설정 → API 연동 → MCP 키 발급
만료 정책 선택 (30일 / 90일 / 1년 / 만료 없음 — 90일 주기 갱신 권장)
발급된 키를 AI 클라이언트에 등록 — Claude(웹·데스크톱), Cursor, VS Code 지원

키 기반 인증이라 접근 범위와 만료를 직접 통제할 수 있고, 필요하면 즉시 폐기됩니다. 당신의 데이터는 당신의 통제 아래에서만 AI에게 열립니다.

8. 마치며 — 질문의 크기가 곧 분석의 크기

지금까지는 "분석할 줄 아는 만큼"만 데이터를 쓸 수 있었습니다. 이제는 "궁금해하는 만큼" 쓸 수 있습니다.

재고는 수량이 아니라 품절 확률과 묶인 현금으로,
매출은 순위가 아니라 공헌이익으로,
마케팅은 조회수가 아니라 증분 이익으로,
시장은 감이 아니라 랭킹·검색어 신호와 내 판매의 상관으로.

라플라스에 데이터를 연결하고, MCP 키를 발급하고, AI에게 첫 질문을 던져보세요.

"우리 회사에서 지금 가장 먼저 고쳐야 할 것 하나만 찾아줘."

그 답이, 아마 이 글보다 더 설득력 있을 겁니다.