Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →[책임 경계] 셀러 운영 자체 진단 + 자동화 우선순위 점수 산정 + 3 Phase 로드맵 자동 생성 전담. "커머스 업무 자동화" 프레임워크(6대 영역 A-F + 3 자동화 유형 + 4단계 설계 프로세스)를 자연어로 wrapping. 페어 스킬 commerce-integrated-strategy(매출 향상 전략 1장)와 명확히 구분 — 본 스킬은 운영 자동화 진단·로드맵, 페어는 매출 향상 즉시 실행 전술. 다음과 같은 요청 시 반드시 이 스킬을 사용하세요: "자동화 진단해줘", "내 매장 자동화 우선순위", "ROI 자동화 영역 찾아줘", "자동화 로드맵 만들어줘", "Quick Wins Phase 진단", "반복형 판단형 창의형 분류", "RPA 도입 검토", "AI Copilot 적용", "HITL 검수 지점 설계", "조직 규모별 자동화 도구 추천". 6대 영역 (A 상품운영 / B 가격&프로모션 / C 주문&정산 / D 재고&물류 / E 마케팅&고객 / F 데이터&경영)
.claude/skills/modu-ai-commerce-automation-audit/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 84% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 74% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 103% | 0% |
| case-09 | ✗→✓ | ▲ Improved | 55% | 0% |
| case-12 | ✗→✓ | ▲ Improved | 77% | 0% |
이커머스 셀러가 자기 매장의 운영 자동화 가능성을 자체 진단하고 우선순위·로드맵을 자동 생성하는 컨설팅용 스킬.
책임 한 줄: 셀러 현황 입력 → 6대 영역 진단 + 자동화 우선순위 점수 + 3 Phase 로드맵 + 5 KPI 목표치 + HITL 검수 지점 자동 생성.
| 영역 | 질문 | 주요 업무 | ROI | |------|------|----------|-----| | A 상품 운영 | "무엇을 팔 것인가" | 상품 소싱·등록·이미지·상세페이지·카테고리 | 중 | | B 가격 & 프로모션 | "얼마에, 어떻게 팔 것인가" | 원가 분석·마진 계산·할인 정책·쿠폰·이벤트 | 중 | | C 주문 & 정산 | "주문 처리와 대금 수취" | 주문 수집·송장 발행·취소/반품/교환·정산·매칭 | 🏆 최고 ROI (30-50% 절감) | | D 재고 & 물류 | "재고를 어디에 얼마나 둘 것인가" | 실시간 재고·안전재고·발주·입출고·배송사 연동 | 중 | | E 마케팅 & 고객 | "고객을 데려오고 유지" | 광고 집행·퍼포먼스 마케팅·CRM·문의·리뷰 | 중 | | F 데이터 & 경영 | "잘 되고 있는지 판단" | KPI 모니터링·손익·성과 분석·전략 의사결정 | 높음 |
| 유형 | 정의 | 자동화 전략 | 도구 예시 | |------|------|------------|----------| | ① 반복형 (Repetitive) | 사람이 같은 일을 반복 — 데이터 입력·복사·정기 리포트 | RPA / Workflow | Zapier, Make, UiPath, Power Automate | | ② 판단형 (Judgment) | 규칙·기준으로 결정 — 카테고리 분류·이상 거래·발주량 | Rule Engine + AI | Drools, AWS SageMaker, Custom Python | | ③ 창의형 (Creative) | 기획·전략·카피 — 이벤트 기획·상세페이지 문구 | AI Copilot | ChatGPT, Claude, GPT-4 |
[STEP 1] 업무 나열 (List Up)
- 모든 업무를 표준 포맷으로 나열
- 업무명 / 주기 / 소요시간 / 입력(Input) / 출력(Output) / 사람이 개입하는 이유
↓
[STEP 2] 유형 분류 (Categorize)
- 나열된 업무를 3가지로 분류
- ① 반복형 ② 판단형 ③ 창의형
↓
[STEP 3] 우선순위 점수 (Scoring)
- ROI 기반 점수 = (빈도 × 시간 × 오류비용) ÷ 복잡도
- 예외 발생 비율이 높은 업무는 '복잡도' 점수를 높게 설정
↓
[STEP 4] 방식 결정 (Decision)
- High: RPA / API 연동 즉시 적용
- Mid: Rule Engine + AI 검토 후 진행
- Low: AI Copilot 보조만 (완전 자동화 어려운 창의형)다음 5종 중 미달 항목이 있으면 자동화 도입 전 선행 작업 필수:
| 점검 항목 | 준비도 기준 | 미달 시 선행 작업 | |----------|-----------|------------------| | 데이터 구조화 | 주문/상품/재고 DB 정규화 완료 | ERD 재설계 + 마이그레이션 | | API 연동 가능성 | 주요 쇼핑몰 API 키 확보 | 파트너십 협의 or 크롤링 대체 | | 프로세스 표준화 | 동일 업무의 처리 방식 통일 | SOP 문서화 + 교육 | | 권한 체계 | 시스템 간 인증 자동화 가능 | SSO 구축 or API 토큰 관리 | | 예외 처리 정책 | 자동화 실패 시 대응 매뉴얼 | Fallback 프로세스 설계 |
> Pro Tip: "엑셀 → 쇼핑몰 등록" 자동화 전에 엑셀 템플릿 표준화가 80% 더 중요. 부서마다 다른 엑셀 양식을 통일하는 게 자동화 성공의 핵심.
전부 자동화하기보다 핵심 6가지만 확실히 구축:
| 영역 | Core Automation | |------|----------------| | A 상품 운영 | 대량 상품 등록 API | | B 가격 & 프로모션 | 마진율 자동 계산기 (commerce-margin-calculator 연계) | | C 주문 & 정산 | 주문 통합 + 송장 자동 등록 (가장 먼저) | | D 재고 & 물류 | 실시간 재고 동기화 | | E 마케팅 & 고객 | 광고 리포트 자동 집계 (moai-seller:commerce-marketplace-coupang-ads 연계) | | F 데이터 & 경영 | 일매출 대시보드 자동 갱신 (commerce-morning-brief 연계) |
> Insight: 100% 자동화를 목표로 하기보다, 이 6개 항목만 자동화해도 업무 효율은 3배 이상 증가.
완전 자동화(100%)가 아닌 "자동화율 80% + 검수 속도 10배"를 목표로 설정.
| Stage | 월 주문 | 핵심 전략 | 추천 도구 | 목표 | |-------|--------|----------|----------|------| | Stage 1 초기 스타트업 | <1,000건 | "반복형 업무만 집중, 판단형은 수동" | Zapier/Make, Google Sheets+Apps Script, 무료 SaaS | 생존 및 PMF 검증 | | Stage 2 성장기 | 1,000-10,000건 | "반복형 완전 자동화 + Rule 엔진 도입" | 커머스 ERP(사방넷 등), Python 커스텀, RPA | 운영 효율 & 인력 최적화 | | Stage 3 스케일업 | >10,000건 | "전 영역 자동화 + AI 최적화/내재화" | In-house 자체 시스템, MLOps, Data Warehouse + BI | 초격차 경쟁력 & 의사결정 속도 |
| 지표 | 목표치 (Year 1) | 측정 방법 | |------|---------------|----------| | 시간 절감률 | 70%+ | 자동화 전후 처리 시간 비교 | | 오류 감소율 | 90%+ | 휴먼 에러 발생 건수 비교 | | 처리 속도 | 1/10 | 주문 100건당 소요 시간 (예: 60분 → 6분) | | ROI | 280% | 시스템 구축 비용 대비 절감액 | | 인당 처리량 | 3.0x | 동일 인력으로 3배 물량 소화 |
[Phase 1] Quick Wins (1~2개월)
목표: 반복 업무 즉시 제거 & ROI 확인
주문 수집 통합 → 송장 번호 자동 등록 → 재고 수량 실시간 동기화
도구: 기존 ERP 기능 + RPA
[Phase 2] Core Automation (3~6개월)
목표: 전체 업무량 50% 감축 달성
상품 대량 등록 API 연동 → 가격/마진 자동 계산 로직 → 정산 및 리포트 자동 생성
도구: API 개발 + Rule Engine
[Phase 3] AI Enhancement (6~12개월)
목표: 의사결정 속도 및 정확도 향상
수요 예측 기반 발주량 제안 → 고객 세그먼트 자동 분류 → 동적 가격(Dynamic Pricing) 최적화
도구: ML 모델 + A/B 테스트| 항목 | 필수 | 예시 | |------|------|------| | 월 주문 건수 | 필수 | 3,500건 | | 운영 인력 | 필수 | 정직원 2명 + 알바 1명 | | 사용 중인 ERP·도구 | 필수 | 사방넷·카페24·쿠팡 윙 | | 반복형 업무 비율 추정 | 권장 | 45% | | 일평균 오류율 | 권장 | 12% (수동 입력) | | 카테고리 | 권장 | 식품·뷰티·패션·생활용품 등 |
markdown# 자동화 도입 요약 보고 ## 1. 현황 분석 (AS-IS) - 월 주문: 3,500건 → Stage 2 성장기 - 반복형 업무 비율: 45% → 자동화 ROI 충분 - 주문 1건당 처리시간: 8분 - 수동 입력 오류율: 12% ## 2. 자동화 시나리오 (PLAN) ### Phase 1 (2개월) Quick Wins - 송장 자동 등록 (월 120시간 절감) - 주문 통합 자동화 ### Phase 2 (6개월) Core Automation - 상품 대량 등록 API (월 280시간 절감 누적) - 마진 자동 계산기 (commerce-margin-calculator 연계) ## 3. 예상 효과 (TO-BE) - 예상 1년차 ROI: 280% - 투자금 3.2개월 내 회수 - 3명 인력 재배치 (단순→기획) - 오류율 12% → 2% (10pp 개선) ## 4. 투자 개요 - 초기 개발비: 5,000만원 - 연간 운영비: 1,200만원 - 총 투자 (1년): 6,200만원 ## 5. Next Steps - STEP 01: 파일럿 영역 선정 → 추천: C. 주문 & 정산 영역 - STEP 02: 2주 스프린트 실행 → 송장 자동 등록 완성 - STEP 03: 효과 측정 및 확산
자동화 진단, 자동화 우선순위, ROI 자동화, 자동화 로드맵, Quick Wins, Phase 진단, 반복형 판단형 창의형, RPA 도입, AI Copilot, HITL 검수, 조직 규모 자동화 도구, 5대 KPI 자동화, 자동화 준비도
commerce-automation-audit (현황 진단)
↓ (Phase 1 식별)
commerce-margin-calculator (마진 자동 계산)
commerce-marketplace-coupang-ads (광고 자동 최적화)
↓ (Phase 2~3 추진)
commerce-integrated-strategy (매출 전략 + 자동화 통합)| 페어 스킬 | 차이 | |----------|------| | commerce-integrated-strategy | 매출 향상 즉시 실행 전술 (본 스킬: 운영 자동화 진단·로드맵) | | commerce-market-research | 시장 진입 판단 (본 스킬: 운영 인프라 진단) | | commerce-margin-calculator | 마진 계산 전담 (본 스킬: 6대 영역 전체 진단) |
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→pass | 23,532 | 23,773 | +1% | 1 | 1 | 0% | 3,791 | 6,984 | +84% | 0 | 0 | — |
case-02 | fail→fail | 26,988 | 24,880 | -8% | 1 | 1 | 0% | 4,289 | 7,102 | +66% | 0 | 0 | — |
case-03 | pass→pass | 24,385 | 22,927 | -6% | 1 | 1 | 0% | 3,833 | 6,798 | +77% | 0 | 0 | — |
case-04 | pass→pass | 14,748 | 10,691 | -28% | 1 | 1 | 0% | 2,441 | 4,621 | +89% | 0 | 0 | — |
case-05 | pass→pass | 15,344 | 11,865 | -23% | 1 | 1 | 0% | 2,330 | 4,671 | +100% | 0 | 0 | — |
case-06 | fail→pass | 17,451 | 10,953 | -37% | 1 | 1 | 0% | 2,632 | 4,567 | +74% | 0 | 0 | — |
case-07 | fail→pass | 22,112 | 23,561 | +7% | 1 | 1 | 0% | 3,237 | 6,575 | +103% | 0 | 0 | — |
case-08 | pass→pass | 20,382 | 18,770 | -8% | 1 | 1 | 0% | 3,050 | 5,796 | +90% | 0 | 0 | — |
case-09 | fail→pass | 16,024 | 6,419 | -60% | 1 | 1 | 0% | 2,577 | 4,007 | +55% | 0 | 0 | — |
case-10 | pass→pass | 14,670 | 9,802 | -33% | 1 | 1 | 0% | 2,352 | 4,640 | +97% | 0 | 0 | — |
case-11 | fail→fail | 18,500 | 14,704 | -21% | 1 | 1 | 0% | 3,023 | 5,433 | +80% | 0 | 0 | — |
case-12 | fail→pass | 16,181 | 10,174 | -37% | 1 | 1 | 0% | 2,616 | 4,634 | +77% | 0 | 0 | — |
case-13 | pass→pass | 21,631 | 8,773 | -59% | 1 | 1 | 0% | 3,343 | 4,505 | +35% | 0 | 0 | — |
case-14 | fail→pass | 17,247 | 5,253 | -70% | 1 | 1 | 0% | 2,747 | 3,778 | +38% | 0 | 0 | — |
case-15 | fail→pass | 9,645 | 2,735 | -72% | 1 | 1 | 0% | 1,575 | 3,437 | +118% | 0 | 0 | — |
case-16 | fail→pass | 13,628 | 5,456 | -60% | 1 | 1 | 0% | 2,345 | 3,909 | +67% | 0 | 0 | — |
case-17 | pass→pass | 15,524 | 6,886 | -56% | 1 | 1 | 0% | 2,544 | 4,128 | +62% | 0 | 0 | — |
case-18 | pass→pass | 17,067 | 13,256 | -22% | 1 | 1 | 0% | 2,656 | 5,094 | +92% | 0 | 0 | — |
case-19 | fail→pass | 11,079 | 7,138 | -36% | 1 | 1 | 0% | 1,940 | 4,206 | +117% | 0 | 0 | — |
case-20 | fail→fail | 26,278 | 23,497 | -11% | 1 | 1 | 0% | 5,171 | 7,763 | +50% | 0 | 0 | — |
case-21 | fail→fail | 23,973 | 18,100 | -24% | 1 | 1 | 0% | 3,709 | 6,208 | +67% | 0 | 0 | — |
case-22 | fail→fail | 24,263 | 17,517 | -28% | 1 | 1 | 0% | 3,975 | 5,830 | +47% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +41 percentage points is the difference between those two pass rates over the 22 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.