적절한 재판매 플랫폼을 선택하는 것은 가격의 문제가 아니라 라우팅(Routing)의 문제이다

제 친구 중 한 명은 유산 정리 판매(estate sales)에서 빈티지 Levi's 제품을 삽니다. 그녀는 그 일을 아주 잘합니다. 하지만 저는 그녀가 똑같은 재킷을 Depop에서는 이틀 만에 140달러 이상에 팔 수 있음에도 불구하고, 단순히 그 앱이 열려 있었다는 이유로 Facebook Marketplace에 90달러에 올리는 것을 두 번이나 목격했습니다. 문제는 아이템이 아니었습니다. 목적지가 문제였습니다.

저는 중고 가격 책정 도구(thrift-pricing tool)를 만들어 왔는데, 한동안 저는 "이것을 어디에서 팔아야 하는가"를 부차적인 문제로 취급했습니다. 즉, 가격 추정치 뒤에 덧붙이는 문자열 정도로 생각했습니다. 대부분의 물건은 eBay, 스트리트 웨어(streetwear)는 Depop, 이런 식이었죠. 그것은 틀린 방식이었고, 그 방식이 왜 틀렸는지는 글로 쓸 만큼 흥미롭습니다.

진정한 질문은 "어떤 플랫폼이 가장 높은 가격을 제시하는가"가 아닙니다. 질문은 "판매 속도, 수수료(fees), 그리고 판매자가 해야 할 노력의 양을 고려했을 때, 이 아이템에 대해 어떤 플랫폼이 최선의 기대 결과(expected outcome)를 주는가"여야 합니다. 이 네 가지 변수는 서로 다른 방향으로 작용하며, 단순한 방식은 오직 첫 번째 변수만을 최적화합니다.

구체적인 실패 사례를 들어보겠습니다. eBay는 수집품(collectibles)과 전자제품(electronics)에 대해 거의 항상 가장 높은 판매가를 보여주기 때문에, 최고가 휴리스틱(highest-price heuristic)을 사용하면 거의 모든 것을 그곳으로 라우팅(routing)하게 됩니다. 하지만 eBay의 최종 판매 수수료(final value fee)는 약 13%이며, 리스팅(listings)이 몇 주 동안 방치될 수 있고, 25달러짜리 청바지 한 벌의 경우 노력 대비 수익 비율(effort-to-payout ratio)이 매우 나쁩니다. Depop과 Poshmark는 수수료가 비슷하거나 더 높음에도 불구하고, 동일한 의류에 대해 더 많은 비용을 지불하고 더 빠르게 구매하는 패션 구매자들에게 치우쳐 있습니다. Facebook Marketplace는 판매 수수료가 없고 즉각적인 현지 현금 거래가 가능하지만, 사람들이 직접 가지러 올 만한 물건, 즉 가구, 가전제품, 자전거 등에만 해당됩니다. 단일한 "최고가가 승리한다"는 규칙은 가구의 경우를 정반대로 판단하게 만듭니다.

그래서 저는 이를 라우팅(routing) 문제로 재정의했습니다. 각 플랫폼은 점수가 부여된 후보 목적지이며, 이 점수는 고정된 순위가 아니라 아이템의 속성(attributes)에 따른 함수입니다.

실제로 중요한 입력값들은, 신호의 순서대로 대략 다음과 같습니다:

• 카테고리 및 하위 카테고리 (Category and subcategory). 패션 대 전자제품 대 가구 대 수집품은 가장 큰 분류 기준입니다. 이것을 제대로 파악했다면 결정의 70%를 마친 것입니다.
• 가격대 (Price band). 30달러 미만의 아이템은 수수료가 높고 느린 플랫폼에 불리합니다. 절대적인 수수료는 작지만 시간 비용이 지배적이기 때문입니다. 반면 고가 아이템은 기다릴 만한 가치가 있습니다.
• 배송 가능성 (Shippability). 서랍장은 실질적인 관점에서 Poshmark에 올릴 수 없습니다. 무게와 크기는 조용히 플랫폼 전체를 거부(veto)합니다.
• 브랜드 및 "검색 수요 (search demand)". 인지도 있는 브랜드(Carhartt, Le Creuset, Sony)는 특정 플랫폼에서 활발히 검색하는 구매자들이 있습니다. 일반적인 아이템은 그렇지 않으며, 둘러보기 중심의 지역 판매(local sale)에서 더 좋은 성과를 냅니다.

제가 도달한 모델은 머신러닝 (Machine Learning)이 아닙니다. 그것은 명시적인 점수 함수 (explicit scoring function)이며, 저는 이 선택이 유행에 뒤떨어질지라도 이를 옹호하고 싶습니다. 저는 플랫폼 프로필에 대한 작은 표(전형적인 수수료 %, 카테고리별 판매까지 걸리는 중앙값 일수, 타겟 오디언스 편향, 배송 요구 사항)를 가지고 있습니다. 특정 아이템에 대해 저는 플랫폼별 '노력 대비 주당 예상 순수익' 수치를 계산하고 순위를 매깁니다. 대략 다음과 같습니다:

score(platform, item) =
  estimatedPrice(platform, item.category)
    * (1 - platform.feeRate)
...

투박합니다. 플랫폼별 estimatedPrice는 그 자체로 추정치 위에 쌓인 추정치이며, medianDaysToSell은 실시간 피드가 아니라 공개 데이터와 판매자들의 일화(anecdotes)를 통해 제가 수집한 표입니다. 이것이 엄격하다고 거짓말하지는 않겠습니다. 하지만 명시적인 방식은 머신러닝 모델이 저렴하게 제공할 수 없는 한 가지 속성을 가지고 있습니다. 모델이 소파를 eBay로 라우팅(routing)했을 때, 저는 표를 읽고 배송 가능성 마찰(shippability friction)이 이를 거부했어야 함을 확인하고 단 한 줄로 규칙을 수정할 수 있습니다. 가구에 대해 자신 있게 틀린 답을 내놓는 블랙박스 (black box)보다는, 제가 검사할 수 있는 방식으로 틀리는 투명한 규칙이 훨씬 낫습니다.

비전 모델 (vision model)이 이를 공급합니다. 품목 식별 (Item identification)은 사진으로부터 카테고리, 예상 브랜드, 상태 단서를 반환하는 멀티모달 모델 (multimodal model, GPT-4o 급)을 통해 이루어집니다. 그 출력값이 라우팅 함수 (routing function)의 입력값이 되는데, 바로 이 지점이 전체 시스템에서 가장 취약한 부분입니다. 만약 모델이 Coach 가방을 "일반적인 갈색 핸드백"이라고 부른다면, 수요 승수 (demand multiplier)는 붕괴하고 Poshmark 대신 지역 판매 (local sale)로 라우팅되어 판매자에게 실제 금전적 손실을 입히게 됩니다. 라우팅 로직은 이를 공급하는 식별 능력만큼만 유효하며, 식별은 제가 가장 신뢰하지 않는 부분입니다. 모델은 사물을 오인식할 것입니다. 저는 모델의 가정을 자신감 있어 보이는 추천 속에 숨기기보다는, 사람이 리스팅 (listing) 전에 잡아낼 수 있도록 감지된 브랜드를 눈에 띄게 표시합니다.

제가 여전히 만족하지 못하는 트레이드오프 (tradeoff)는 수수료 및 판매 소요 일수 (days-to-sell) 테이블이 정적 (static)이라는 점입니다. 실제 수수료 구조는 변하고, 프로모션 리스팅 (promoted-listing) 역학은 변화하며, 작년에 3일 만에 팔렸던 카테고리가 지금은 9일이 걸리기도 합니다. 이 도구의 정직한 버전이라면 플랫폼별 실시간 유사 판매 속도 (comparable-sale velocity)를 가져와야 합니다. 저는 아직 그것을 구축하지 못했습니다. 플랫폼마다 데이터 접근 권한이 불균등하고, 일부 플랫폼은 적극적으로 쿼리 (query)되는 것을 원치 않기 때문입니다. 그래서 저는 주기적으로 업데이트되는 테이블을 제공하며, 이것들이 근사치 (approximations)라는 점을 솔직하게 밝히고 있습니다. 이는 시스템에서 가장 취약한 부분이며, 저는 이를 미화하기보다 차라리 솔직하게 말하는 쪽을 택하겠습니다.

저를 놀라게 한 점은, 단순히 "열려 있는 앱을 기본값으로 사용하지 않는 것"만으로도 엄청난 가치가 있다는 사실이었습니다. 불완전한 라우팅 점수라 할지라도 "그냥 열려 있던 앱"을 사용하는 것보다는 낫습니다. 왜냐하면 기준점 (baseline)이 스마트한 선택이 아니라 습관이기 때문입니다. 제 친구에게는 완벽한 모델이 필요한 것이 아닙니다. 그녀에게 필요한 것은 잘못 리스팅하기 전에 "이것은 Facebook용 재킷이 아니라 Depop용 재킷이야"라고 말해줄 무언가입니다.

현재 실행 중인 버전을 보고 싶다면 https://thriftflipper.app에서 확인하실 수 있습니다. 품목을 사진 찍으면 가치 범위와 제안된 플랫폼을 얻을 수 있습니다. 식별 기능은 거칠고 플랫폼 테이블은 근사치에 불과하지만, 이 도구가 돕고자 하는 의사결정에는 효과적으로 작동합니다.