'그로스노트' 8개월 개발기

쿠팡 로켓그로스 셀러를 위한 정산 분석 서비스인 ‘그로스노트’는 복잡한 정산 엑셀 파일을 업로드하면 상품별 수익성과 월별 주요 확인 사항을 자동으로 분석해 보여주는 서비스다.

이는 쿠팡 로켓그로스 이용 시 발생하는 복잡한 정산 데이터 분석 문제를 해결하기 위해 고안되었으며, 정산 마스터 시트를 바탕으로 2월에 MVP를 개발하고 4월에 정식 론칭했다.

매달 여덟 종류, 최대 40개에 달하는 엑셀 파일을 수동으로 병합해야 했던 셀러들의 불편함을 해소하는 것이 주요 목표였다는 설명이다.

쿠팡은 포장, 배송, 반품, CS 등 물류 전 과정을 대행하지만 정산은 셀러 몫이다. 엑셀 숙련도에 따라 분석 격차가 벌어지며, 활용이 어려운 셀러는 효자 상품과 손실 상품을 구분하지 못하는 어려움을 겪는다. 포장부터 반품까지 물류 전 과정은 쿠팡이 대행하지만, 엑셀 숙련도에 따라 매출 분석 결과가 크게 갈리기 때문이다. 숙련도가 낮은 판매자는 분석을 포기하며 효자 상품과 적자 상품을 구분하는 데 한계를 느낀다.

이러한 상황은 셀러의 엑셀 숙련도에 따라 정산 분석 결과의 격차가 크게 벌어지는 원인이 되며, 심지어 엑셀 활용이 어려운 셀러는 아예 분석을 포기하여 어떤 상품이 효자 상품이고 어떤 상품이 손실을 내는지 파악하지 못하는 경우도 발생했다는 설명이다.

수많은 정산 데이터를 수동으로 처리해야 하는 셀러들의 어려움을 해결하는 것이 그로스노트 개발의 핵심 동기가 되었다.

쿠팡 로켓그로스 셀러들의 정산 업무는 엑셀 숙련도에 따라 소요 시간이 크게 달랐다.

엑셀 숙련자의 경우 수식 템플릿을 사용하여도 월 1~2시간이 소요되었으며, 비숙련자는 월 10~20시간 이상을 투입하거나 아예 분석을 포기하는 사례도 많았다.

하지만 그로스노트를 도입하면 정산 및 분석 작업을 단 5분 만에 완료할 수 있어 업무 효율성을 획기적으로 개선한다.

세금 계산서 위주의 기존 데이터로는 원가와 고정비를 포함한 실질 영업 이익을 산출하기 어렵다. 그로스노트는 이를 해결하고자 세금 계산서 기반의 'Red Box'와 실제 비용을 반영한 'Blue Box'를 도입했다. 셀러는 앱에 원가를 입력해 각 상품별 순이익을 명확히 파악한다.

쿠팡이 제공하는 데이터에는 원가와 비용이 포함되어 있지 않아 실제 영업 이익을 산출하기 어려웠으나, 그로스노트 앱을 통해 상품별로 원가와 고정비를 입력하고 실질적인 순이익을 계산할 수 있게 됐다.

이는 셀러들이 세금 계산서 상의 매출액과 실제 영업 이익 간의 격차를 해소하고, 보다 정확한 비즈니스 판단을 내릴 수 있도록 돕는 킬러 기능으로 평가받는다.

그로스노트의 기존 UI/UX는 오프스와 아스트라의 조합으로 제작되었으며, 따뜻한 느낌과 깔끔한 느낌의 시안 중 파란색 화면이 선호되었던 바 있다.

하지만 현재 화면 구성과 폰트에 대한 만족도가 낮아 사용자들의 의견을 수렴하여 UI/UX를 개선하려는 계획이 있다.

개발자는 앞으로 사용자 투표를 진행하여 개선 방향을 모색할 것이라고 밝혔다.

그로스노트는 사용자가 매뉴얼을 다운로드하고 엑셀 파일을 업로드하는 방식으로 작동하며, 최대 8종류 40개까지의 엑셀 파일을 분석하는 것이 기술적 핵심 과제였다.

특히 개인정보 및 사업 데이터 유출 우려를 해결하기 위해 데이터베이스에 저장하지 않고 분석만 할 수 있는 '일시적 분석' 기능을 구현했다.

이 기능을 통해 사용자들은 보안 우려 없이 안심하고 서비스를 이용할 수 있게 되었다.

데이터의 일치 여부를 확인하는 것은 이 서비스의 1차 목표이자 존재 이유다. 대시보드는 '레드 박스'로 쿠팡 데이터를 보여주고, '블루 박스'에는 계산된 영업 이익을 표시해 실질 순이익을 체감하도록 돕는다. 덕분에 제품별 이익 구조를 파악해 판매 전략을 수정할 수 있다.

데이터 일치 여부를 확인하는 것이 서비스의 1차 목표이자 존재 이유이며, 대시보드를 통해 제품별 매출 및 이익을 즉시 확인할 수 있어 이익 발생 상품과 적자 상품을 명확히 구별할 수 있다.

분석 모델은 오프스(Opus) 5.5 등 최신 고성능 AI를 활용한다. 월 매출 데이터를 바탕으로 매입 단가 누락을 점검하고 광고비 배분이나 마진 최적화 방안을 제시한다. 적자 옵션을 정리하거나 고마진 품목의 광고를 강화하는 등의 구체적인 액션 플랜도 제공된다.

월 매출 데이터를 분석하여 광고비 예산 배분 및 마진 최적화를 제안하며, 예를 들어 월 예산 800만 원으로 광고비를 묶고 고마진 옵션 위주로 다시 분배하라는 등의 지침을 제공한다.

또한 매입 단가 미입력과 같은 입력 자료 누락 여부를 점검하고 알림을 제공하며, 적자 옵션 정리 및 고마진 옵션 광고 강화 등 구체적인 실행 계획을 제시하여 셀러들이 실제 비즈니스에 적용할 수 있도록 돕는다.

에이전트와 서비스의 연결고리인 MCP(Model Context Protocol) 도입이 시급하다. 클로드나 코덱스 등 다양한 환경에 서비스가 연동되어야 하며, 사용자가 직접 연결하거나 프롬프트를 활용하는 페이지 설계가 필수로 요구된다.

MCP(Model Context Protocol)는 에이전트와 서비스의 연결고리 역할을 하며, 서비스는 클로드나 코덱스 등 다양한 환경에 연동되도록 설계되어야 한다.

사용자가 직접 연결하거나 프롬프트를 활용할 수 있는 페이지가 필수적으로 요구되며, 이는 서비스가 미래 AI 생태계에서 경쟁력을 유지하기 위한 중요한 요소로 꼽힌다.

에이전트 활용에 익숙지 않은 일반 사용자를 위해 그로스노트는 대화형 AI 도우미 기능을 구현했다.

서비스 내 업로드 카드 등은 에이전트와 서비스 사이에서 중간 다리 역할을 수행하여 사용자가 에이전트를 통해 서비스를 쉽게 사용할 수 있도록 돕는다.

이를 통해 사용자가 서비스를 이용할 때 발생하는 심리적 장벽(Friction)을 크게 줄일 수 있었다고 개발자는 설명한다.

전문가 인터뷰로 확보한 쿠팡 셀러 최적화 노하우를 로직에 반영했다. 단순한 기능 구현을 넘어 축적된 도메인 지식이 곧 범용 AI 분석과 차별화되는 경쟁력으로 자리 잡았다.

개발 과정에서 전문가들과의 심층 인터뷰를 통해 쿠팡 셀러 최적화 노하우를 서비스 로직에 반영했으며, 이는 쿠팡 셀러들의 사업 최적화에 필요한 비즈니스적 통찰력을 제공하는 기반이 된다.

이러한 도메인 지식의 축적은 단순 기능 구현을 넘어 그로스노트의 핵심 경쟁력, 즉 '해자'를 구축하는 중요한 요소로 작용한다.

그로스노트 서비스 아키텍처는 효율성을 극대화하기 위해 프론트엔드에 Vercel 배포, 백엔드에 Fast API를 활용했다.

특히 계산이 많고 메모리 최적화가 중요한 파싱 작업에 중점을 두었으며, 엑셀 업로드, 분석, AI 인사이트 제공까지의 과정을 최대한 빠르게 구현하는 것이 핵심 목표였다.

데이터베이스 및 인증은 Supabase를 사용하여 개발 속도와 효율성을 동시에 확보했다.

그로스노트는 사용자들이 민감한 비즈니스 데이터를 올리는 것에 대한 거부감을 해소하기 위해 1회성 임시 업로드 기능을 도입했다.

이 기능은 사용자의 데이터를 데이터베이스에 저장하지 않고 분석만 진행하여 개인정보 유출 우려를 낮춘다.

AI 인사이트의 정확도를 높이기 위해서는 히스토리 누적이 필요하지만, 데이터베이스에 저장되는 정보는 마스킹 처리되어 개발자도 내용을 알 수 없게 설계되었으며, 보안에 민감한 사용자는 히스토리 저장 없이 임시 업로드 기능만 사용하여 분석할 수 있다.

애플리케이션의 빠른 검증과 디버깅을 위해 브라우저 엔드투엔드(E2E) 테스팅 구조 확보가 필수적이었다. AI의 브라우저 테스팅 성능이 부족했던 개발 초기 1~2월에는 Playwright MCP를 활용한 구현에 집중했다.

당시 클로드 AI가 처음 나왔을 때 브라우저 테스팅이 매우 미흡한 시기였음에도 불구하고, 애플리케이션의 빠른 검증과 디버깅을 위해 브라우저 엔드투엔드 테스팅 구조를 갖추는 것이 필수적이었다.

개발자는 E2E 테스팅을 통해 시스템의 안정성을 확보하고, 복잡한 로직의 정확성을 검증하는 데 크게 기여했다고 밝혔다.

시차로 인한 소통 지연과 비즈니스 생태계 이해도 부족이 코딩보다 개발 과정의 실질적 병목으로 작용했다. 도메인 지식이 없는 상태에서 데이터 검증에 많은 시간을 할애해야 했기 때문이다. 그로스노트는 기획서를 AI가 이해하지 못할 때 스크린샷이나 MCP를 활용해 드라이브 폴더 전체를 공유하며 해결책을 찾았다. 정리하자면 이 병목은 코드가 아니라 사람이었으며, 데이터의 정합성을 판정하는 도메인 지식과 컨텍스트를 쌓는 과정이 문제였다고 관계자는 설명했다.

시차로 인한 커뮤니케이션 지연과 비즈니스 생태계에 대한 이해 부족이 개발 과정의 주요 난관이었으며, 특히 숫자가 맞는지 판정할 수 있는 도메인 지식이 없는 상태에서 검증하는 데 많은 시간이 할애되었다.

기획 서류를 AI가 제대로 읽지 못할 때는 스크린샷을 찍어 전달하거나, MCP를 활용해 드라이브 폴더 전체를 공유하는 방식으로 문제 해결 방안을 모색했다.

AI 서비스 개발 초기 단계인 2023년 1월에는 AI가 주니어 엔지니어 수준으로 설계와 디자인은 그럴듯해도 실제로는 버그가 많았다는 경험이 있었다.

특히 개발자가 도메인 지식이 부족한 상태에서 테스팅과 검증을 진행하는 데 많은 시간이 소요되었으며, 이는 서비스 안정성 확보의 주요 과제였다.

엔드투엔드 테스팅 수치를 명확히 설정하고 이를 바탕으로 검증을 반복한 결과, 서비스 안정성을 확보하고 발생하는 버그를 크게 줄일 수 있었다.

에이전트가 데이터에 즉각적으로 반응하고 피드백을 수용하는 환경 조성이 서비스 운영에 핵심이다. 구글 애널리틱스 같은 기성 도구보다 서비스 요구에 최적화된 커스텀 텔레메트리를 구축하는 것이 훨씬 효과적이라는 평가다. 유지보수 비용이 발생하더라도 서비스 자유도와 통찰력을 위해 커스텀 구축을 권장한다고 덧붙였다. 자유도가 높은 최신 에이전트 환경에서는 커스텀 구축이 더 나은 선택이 될 수 있다고 강조했다.

AI 에이전트의 발전으로 커스텀 텔레메트리는 에이전트가 데이터에 즉각적으로 반응하고 피드백을 반영하는 환경을 조성할 수 있게 한다.

유지보수 비용이 발생하더라도 서비스의 자유도와 운영 통찰력을 극대화하기 위해 커스텀 구축을 적극 권장한다.

개발자는 만약 지금부터 서비스를 다시 만든다면 무조건 AI 에이전트를 위해 설계할 것이라고 강조했다.

이는 앱스토어처럼 AI가 외부 서비스와 연결되는 에이전트 생태계의 중요성을 보여주며, 서비스 내부에 에이전트를 붙여 사람과 AI 간의 간극을 좁히는 역할이 필요하다는 것이다.

MCP(Model Context Protocol) 등 에이전트가 서비스를 효율적으로 사용할 수 있는 구조로 설계해야만 미래 AI 환경에서 서비스가 경쟁력을 가질 수 있다는 판단이다.