현재 명품 시장의 동향을 살펴보면, 명품 브랜드(LVMH, Kering 등)의 매출이 상승하는 반면, 온라인 명품 샵들의 매출은 감소하고 있는 상황이 생각보다 오래 지속 되고 있습니다. 소비자 구매 행동의 변화: 전통적으로 명품 브랜드의 매출은 고객들이 매장에서 직접 제품을 체험하고 구매하는 경험에 크게 의존하고 있습니다. 소비자들은 특히 고가의 명품을 구매할 때 물리적인 매장에서의 경험을 선호할 수 있으며, 이는 온라인 상점보다 오프라인 매장에서 더 강한 매출을 창출하는 요인이 될 수 있습니다. 고유 브랜드 가치: LVMH, 케어링과 같은 대형 명품 그룹은 강력한 브랜드 가치와 고유한 마케팅 전략을 통해 지속적으로 소비자의 충성도를 유지하고 있습니다. 이러한 브랜드들은 독특한 브랜드 경험을 제공함으로써 소비자를 끌어들이고 있습니다. 경제적 요인: 최근의 경제 불확실성은 소비자들의 지출 패턴에 영향을 미칠 수 있으며, 이는 온라인 쇼핑에 더 큰 영향을 미칠 수 있습니다. 특히 고가의 명품은 경제적 불확실성이 커질 때 구매를 주저하는 경향이 있습니다. 온라인 시장의 경쟁 심화: 온라인 명품 시장은 다양한 플랫폼과 경쟁자들이 존재하며, 이는 가격 경쟁과 함께 시장 포화로 이어질 수 있습니다. 이로 인해 일부 온라인 명품 샵들은 매출 감소를 경험할 수 있습니다. 실제로 Farfetch, MyTheresa, Yoox와 같은 온라인 명품 판매 플랫폼들은 주가가 크게 떨어지는 등 투자자들의 신뢰를 잃고 있습니다. 팬데믹 기간 동안 일시적인 성장을 보였음에도 불구하고, 이후 온라인 명품 시장은 수익성 문제와 경제적 불확실성, 소비자 행동의 변화 등 다양한 도전에 직면하고 있습니다. 반면, LVMH와 케어링과 같은 전통적인 명품 브랜드 기업들은 지속적인 성장을 이어가고 있습니다. 이러한 기업들은 강력한 브랜드 가치와 효과적인 마케팅 전략을 통해 고객 충성도를 유지하며, 오프라인 매장에서의 독특한 경험을 제공함으로써 고객을 유치하고 있습니다. 개인적으로 이 오프라인에서의 경험이 무척 중요하다고 생각합니다. 결국 기성품과 명품을 가르는 건 사회적 가치라고 생각합니다. 경제적 가치(가격)도 이 사회적인 인식으로 메겨진다고 생각합니다. 실제로 최근 명품만큼 퀄리티나 디자인적으로도 무척 우수한 컨템포러리 브랜드들이 나타나고 있기에 이는 계속 상향 평준화 될 것입니다. SPAO 같은 부류는 유니클로 등과 같은 고유의 포지션이 있을 거구요. Farfetch, MyTheresa, Yoox는 코로나 기간에 폭발적인 성장을 한 온라인 명품 구매 서비스 입니다. 당시 양적완화로 풀린 돈과 이런 다양한 채널은 온라인 명품 시장을 빠르게 키웠습니다. 하지만 최근 이들의 실적은 처참합니다. 명품 시장 전체가 불황이면 그냥 경제적 상황이 나쁘니 명품 소비가 줄어든거구나 생각하겠지만 전통적 명품 기업들은 다시 회복세를 보이고 있으니 더욱 온라인 명품 판매에 대한 우려가 나오고 있습니다. 개인적으로 오프라인(백화점 혹은 플래그십)에서 수천 정도를 써봤고 온라인에서도 천조금 넘게 사용을 해봤는데 고객 경험 자체가 너무 다릅니다. 대우를 받는다기 보단 호구잡힌 느낌이랄까... 여튼 그렇습니다. 가끔 명품 온라인 판매 업체들이 가격을 경쟁력으로 내세우는데 이건 큰의미가 없다고 생각합니다. 단기적으로는 매출을 올릴 수 있으나 애초에 가격을 따지며 명품을 구매하는 이들은 리텐션이 높을 수 없습니다. 개인의 입장에서도 아무리 저렴하다고 해도 반복해서 소비를 하는 건 스스로의 경제적 사정에도 어려울 것이구요. 결국은 대우 받는 경험과 사회적 가치를 경험하게 해주는 것인데 이것을 오히려 잘하는 곳들은 압구정로데오~청담에 있는 오프라인 명품 편집샵들이 무척 잘합니다. 브랜드에 구애받지 않고 오히려 고객 경험도 유사하게 해주니까요. 온라인 명품 시장이 레플리카와 가격 경쟁을 펼칠때 기존의 명품 브랜드들은 고객 경험과 더 나은 대우로 그들이 잘하는 걸 더 강하게 밀고 있습니다.

최근 chatGPT 및 Gemini 등을 통해 인공지능에 대한 관심이 무척 뜨겁습니다. 오픈소스와 파인튜닝된 모델까지 하면 과장없이 매주 한 두개의 모델이 나오고 있는 실정입니다. 개인적으로 Prompting에 대해 이야기 하거나 강의를 지진행할 때, 모델에 구애받지 않고 사용가능한 기법들에 대해 이야기 합니다. 지금 주목을 받고 있는 대부분의 모델은 Transformer라는 방식의 모델입니다. GPT도 Generative Pre-trained Transformer 약자 이듯이 말이죠. 하지만, Transformer 방식의 모델이 나온 것은 2018년 즈음이였고 최근에서야 각광을 받고 있습니다. 이유는 간단했습니다. Transformer 모델은 자연어 처리 분야에서 혁신적인 성과를 보여준 모델입니다. 이 모델은 '어텐션 메커니즘(Attention Mechanism)'을 사용하여 문장 내의 단어들 사이의 관계를 효과적으로 학습합니다. 하지만, Transformer는 계산 비용이 높고, 긴 시퀀스 데이터를 처리하는 데 한계가 있기 때문 입니다. 물론, 인간의 기술발전과 각고의 노력으로 어떻게든 상용화 할 수 있을 정도로 최적화도 많이 되었고 경량화도 되었지만 여전히 무겁습니다. 이때 대안으로 다시금 떠오르고 있는게 SSM(State Space Models) 입니다. 사실 자연어 처리분야에서 쓰이던 개념이긴 한데 이것은 지금과 같은 언어모델이 각광 받는 시대에 Transformer의 단점을 메워줄 방법으로 다시금 주목을 받고 있습니다. SSM은 시계열 데이터를 효율적으로 처리할 수 있는 구조를 가지고 있습니다. 이 모델은 시간에 따른 데이터의 변화를 고려하여, 더 정확하고 빠른 예측을 할 수 있습니다. 또한, 계산 비용이 상대적으로 낮아서, 긴 시퀀스 데이터를 처리하는 데 효과적입니다. 이해를 쉽게 하기 위해 비교해보면 다음과 같습니다. 예를 들어, SSM을 일기 예보와 비교해볼 수 있습니다. 일기 예보는 과거와 현재의 날씨 데이터를 기반으로 미래의 날씨를 예측합니다. 이때, 각 날짜의 기온, 습도, 강수량 등의 데이터는 시간의 흐름에 따라 변화하는 시계열 데이터입니다. SSM은 이러한 시계열 데이터를 분석하고 예측하는 데 효과적인 모델로, 데이터의 시간적 변화를 고려하여 미래를 예측합니다. 반면, Transformer는 '어텐션 메커니즘(Attention Mechanism)'을 사용하여 데이터의 관계를 학습합니다. 이를 영화 추천 시스템에 비유할 수 있습니다. 영화 추천 시스템은 사용자가 과거에 본 영화들을 분석하여, 그와 비슷한 성격의 영화를 추천합니다. Transformer는 문장 내의 단어들 사이의 관계를 파악하여, 전체 문맥을 이해하는 데 강점이 있습니다. 하지만, Transformer는 많은 데이터와 복잡한 계산을 필요로 하며, 긴 문장을 처리하는 데 어려움이 있습니다. 이는 마치 영화 추천 시스템이 너무 많은 데이터를 분석해야 하거나, 사용자의 선호도가 너무 다양하여 정확한 추천을 하는 데 어려움을 겪는 것과 유사합니다. SSM은 이러한 Transformer의 한계를 극복할 수 있습니다. SSM은 시간의 흐름에 따른 데이터의 변화를 중요시하며, 더 적은 계산 비용으로 효과적인 예측을 할 수 있습니다. 이는 마치 일기 예보가 과거 데이터를 바탕으로 간단하면서도 정확한 미래 날씨를 예측하는 것과 같습니다. 즉, SSM은 시계열 데이터의 시간적 변화를 중요시하는 일기 예보와 같으며, Transformer는 데이터 간의 관계를 중요시하는 영화 추천 시스템과 비슷합니다. SSM은 Transformer의 계산적 한계와 긴 문장 처리의 어려움을 극복할 수 있는 대안적인 모델로 주목받고 있습니다. 개인적으로 SSM이 Transformer와 상호보안적으로 작동할 수 있을 거라고 생각합니다. 이 둘을 섞은 cocktail Model이 하나 나오지 않을까 하는 기대를 하며 다들 Transformer만 보고 있기에 SSM이라는 화두도 던져 보고 갑니다. 사실 이번에 구글에서 공개한 Gemini에서도 SSM의 특성과 Transformer의 특성을 활용 했다고 밝혔습니다.

"THE WEALTH OF WORKING NATIONS"는 일본 경제의 장기적 저성장을 다루며, GDP 성장률과 인구 고령화의 관계를 분석합니다. 일본은 1990년부터 2019년까지 낮은 GDP 성장률을 보였으나, 생산가능인구 1인당 GDP 성장률로 측정하면 미국과 비슷한 수준을 유지했습니다. 이는 인구 감소가 전체 GDP 성장률에 미치는 영향을 반영한 결과입니다. 이러한 관점은 한국의 현재 경제 상황에도 적용될 수 있으며, 저출산과 고령화가 경제에 미치는 영향을 새롭게 평가하는 데 도움이 됩니다. 논문은 이를 통해 인구 고령화가 진행된 나라들의 경제 성과를 올바르게 평가하는 새로운 시각을 제공합니다. 배울 점 인구 고령화 인식: 일본은 인구 고령화가 경제 성장에 미치는 영향을 인식하고, 이에 대응하는 정책을 수립했습니다. 한국도 이와 같은 인구 변화를 인정하고 경제 정책에 반영해야 합니다. GDP 측정 방식의 재평가: 일본은 전통적인 GDP 측정 방식이 인구 고령화를 반영하지 못한다는 점을 인식하고, 생산가능인구 1인당 GDP 성장률로 평가하는 방식을 도입했습니다. 한국 역시 GDP 측정 방식을 재고려할 필요가 있습니다. 경제 정책의 재조정: 일본은 경제 정책을 인구 고령화와 저출산 문제에 맞추어 조정했습니다. 한국도 유사한 문제에 직면해 있으므로, 경제 정책을 재조정하고 인구 구조 변화에 적응할 필요가 있습니다. 일본의 경우, 전통적인 GDP 성장률이 낮게 나타났지만, 생산가능인구 1인당 GDP 성장률로 볼 때 미국과 거의 유사한 성과를 보였습니다. 이는 일본이 인구 감소의 영향을 받았음을 보여줍니다. 이러한 분석은 한국의 현재 경제 상황에도 적용될 수 있으며, 저출산 및 고령화 문제에 대한 새로운 평가 방법을 제공합니다. 한국 경제의 현재 상황 2023년 3분기 성장률: 한국 경제는 2023년 3분기에 0.6% 성장했습니다. 이는 이전 분기와 동일한 수치로, 연간으로는 1.4% 성장을 기록했습니다​​. 2024년 성장 전망 하향: 한국은행은 2024년 한국의 경제 성장률 전망을 2.2%에서 2.1%로 하향 조정했습니다. 이는 내수 소비 감소와 긴축적 통화 정책을 반영한 결과입니다​​. OECD의 전망: OECD는 2024년 한국 경제 성장률 전망을 2.1%에서 2.3%로 상향 조정했습니다. 이는 수출 회복과 지정학적 긴장 완화를 반영한 것입니다​​. 쌓여있는 문제점 노동 문제: 고령화와 낮은 출산율로 인해 노동력 부족과 생산성 정체가 문제로 지적됩니다​​. 자본시장 도전: 공공 시장의 매력 부족과 사모 및 벤처 투자 시장의 활력 부족이 문제입니다​​. 산업 경쟁력 부족: 주요 산업의 경쟁력 저하와 중소기업의 낮은 생산성이 문제로 지적됩니다​​. 출산율 저하의 영향 사상 최저 출산율: 2023년 3분기 한국의 총출산율은 0.7로, 역대 최저치를 기록했습니다​​. 장기적 경제 영향: 출산율 저하는 장기적으로 노동력 부족과 경제 성장의 둔화를 가져올 것으로 예상됩니다. 일본이 1980년대 이후 저성장 구간에 들어가면서 우리는 흔히 일본의 경제침체를 보며 잃어버린 XX년이라며 이야기를 하곤 했습니다. 이제 대한민국도 그 차례에 서 있습니다. 대한민국도 일본과 같은 고령화, 저출산, 저성장이라는 3단 콤보를 맞이하고 있고 새로운 경제 정책이 필요한 상황입니다. 제가 주식투자 스터디를 운영하면서 구성원들에게 늘 하는 말이 있습니다. 정치를 보지 말고 정책을 봐야한다. 공약을 보지말고 예산을 봐야한다. 피상적인 보도를 볼 것이 아니라 현장을 봐야한다. 점점 이런 이야기가 뚜렷하게 다가오는 기간인 것 같습니다. 일본의 경우 일반적인 총 GDP를 가지고 경제 정책을 설계한 것이 아닌 생산가능인구 1인당 GDP 성장률을 관리했다고 하는데 이 부분이 무척 의미가 깊었습니다. 문제를 잘못 파악하면 애초에 아무리 훌륭한 풀이를 가지고 와도 진짜 문제는 해결되지 않는 것 처럼. 우리도 지금은 대한민국에 맞는 맞춤 지표를 찾아야 할 것 같습니다.