인터넷 기술의 발전과 함께 급성장한 전자상거래는 판매자와 소비자에게 시공간을 초월한 경제 활동의 장을 열었다. 글로벌 E-커머스 시장은 2018년 2.9조 달러에서 2023년 5.8조 달러로 두 배 가까이 성장했으며(Korea Economic Federation, 2024), 이러한 흐름 속에서 온라인 패션 시장 역시 괄목할 만한 성장세를 보이고 있다(Statistics Korea, 2024). 이처럼 온라인 패션 시장의 규모가 커짐에 따라, 차별화된 사용자 경험(User Experience, UX)을 제공하는 것이 핵심 경쟁력으로 부상하고 있다.

온라인 환경은 빅데이터 및 AI 기술을 활용하여 오프라인 매장과 다른 개인화된 경험을 제공할 잠재력을 지니고 있다(Choi, 2021; Kim and Lee, 2018; Lee and Kim, 2019). 그러나 온라인 패션 쇼핑에는 화면 속 이미지와 실제 제품 간의 괴리라는 고질적인 문제가 존재한다. 특히 패션 상품은 개인의 취향뿐 아니라 체형, 소재, 핏 등 복합적인 요소를 고려해야 하지만, 온라인에서는 이를 직접 확인할 수 없기 때문이다(Kim, 2010; Kim and Na, 2020). 이러한 괴리가 반복될 경우, 소비자의 부정적 경험이 누적되어 브랜드 신뢰도 하락으로 이어질 수 있으므로(Lee et al., 2011) 문제 해결의 필요성이 시급하다.

이러한 문제의 유력한 대안으로 소비자의 신체 정보를 활용하는 가상 피팅(Virtual Fitting) 기술이 주목받고 있다. 가상 피팅은 소비자의 신체 데이터를 기반으로 가상 아바타나 모델을 생성하여 의류의 착용 모습을 간접적으로 체험하게 하는 기술로, 이미 국내외 다수 플랫폼에서 소비자의 구매 결정을 돕는 도구로 활발히 도입되고 있다(Jhee and Han, 2022). 월마트(Walmart)나 스노우(SNOW)와 같은 기업들은 가상 피팅을 통해 사이즈 추천, AR 기술을 이용한 착용 시뮬레이션 등을 제공하며 소비자 경험을 개선하고 구매 전환율을 높이는 성과를 거두고 있다.

이처럼 가상 피팅의 산업적 중요성이 커지면서 소비자 수용 과정에 대한 학술적 연구도 꾸준히 이루어져 왔다. 하지만 대부분의 연구는 가상 피팅 기술 자체의 수용 요인에 집중할 뿐, 기존의 일반적인 피팅 모델 이미지와 비교하여 가상 피팅이 소비자에게 미치는 효과를 직접적으로 분석한 연구는 매우 부족한 실정이다.

본 연구는 온라인 패션 커머스 환경에서 전통적인 피팅 모델 이미지와 두 가지 유형의 가상 피팅(아바타 기반, 이미지 합성 기반)이 소비자의 UX와 구매의도에 각각 어떠한 차별적 영향을 미치는지 규명하고자 한다. 본 연구에서는 UX의 주요 구성요인으로 유용성, 실재감, 신뢰, 만족, 심리적 거리감, 지속사용의도를 설정했다. 더 나아가 각 피팅 방식이 구매의도에 미치는 핵심 요인을 분석함으로써, 향후 온라인 패션 기업이 효과적인 피팅 솔루션을 개발하고 소비자 맞춤형 서비스를 설계하는 데 필요한 실증적 근거와 전략적 시사점을 제공하고자 한다.

2.1 Types of virtual fitting

기존 온라인 패션 쇼핑몰은 모델의 피팅 이미지와 상품 설명 등 간접적인 정보에 의존해왔다(Lee et al., 2022). 이 방식은 소비자가 자신의 체형에 맞는 상품을 예측하는 데 한계가 있었고, 이로 인해 실제 수령한 제품의 핏이나 착용감에 대한 기대 불일치 문제가 빈번하게 발생했다(Pandey and Rao, 2024). 이러한 정보 비대칭 문제를 해결하기 위한 기술적 대안으로 가상 피팅(Virtual Fitting)이 등장했으며, 이는 소비자가 온라인상에서 제품이 자신의 신체에 적합한지 사전에 확인함으로써 구매 실패율을 줄이는 데 기여한다(Jeon and Kim, 2022).

가상 피팅은 기술적 구현 방식과 소비자 상호작용 수준에 따라 다양하게 분류된다. 선행연구들은 웹과 모바일 환경에서 활용되는 가상 피팅을 크게 두 가지 유형으로 구분한다. 첫 번째는 소비자의 신체 치수를 기반으로 아바타를 생성하여 의상을 착용시키는 방식이며, 두 번째는 소비자 본인의 사진에 의상 이미지를 합성하는 이미지 합성 방식이다(Kang and Park, 2020; Shin and Jung, 2023). 본 연구는 이 두 가지 핵심 가상 피팅 유형과 전통적인 피팅 모델 이미지를 비교 대상으로 설정하여, 총 세 가지 유형 간의 소비자 반응 차이를 분석하고자 한다.

2.2 Avartar-based virtual fitting

아바타 기반 가상 피팅은 소비자가 직접 입력한 신체 치수(키, 몸무게, 어깨너비 등)를 바탕으로 개인화된 3D 아바타를 생성하고, 여기에 가상 의류를 입혀보는 방식이다. 이 기술은 디지털 아바타를 통해 실제와 유사한 피팅 효과를 구현함으로써, 소비자에게 현실적인 착용감을 간접적으로 경험하게 한다(Choi and Lim, 2010).

아바타 피팅은 단순히 사이즈 적합도를 확인하는 것을 넘어, 다양한 아이템을 조합하여 새로운 스타일을 시도하는 과정을 통해 소비자에게 즐거움과 몰입감을 선사한다(Kim and Yang, 2021). 또한, 아바타를 회전하거나 확대하여 여러 각도에서 착용 모습을 상세히 확인할 수 있다는 장점도 있다. 그러나 3D 모델링 과정에서 실제 의류의 질감이나 세부적인 디테일이 왜곡될 가능성이 존재하며(Kim and Yang, 2021), 이러한 정보의 불확실성은 기술의 신뢰도를 저하시키는 요인으로 작용할 수 있다(Lee, 2022).

2.3 Image-compositing-based virtual fitting

이미지 합성 기반 가상 피팅은 소비자가 자신의 전신 사진을 업로드하면, AI 기술이 해당 이미지 위에 의류를 자연스럽게 합성하여 착용 모습을 시뮬레이션 하는 방식이다. 최근에는 Stable Diffusion과 IPAdapter와 같은 생성형 AI 기술을 통해 더욱 정교하고 사실적인 결과물을 생성하고 있다(Kim et al., 2024). 이 방식은 소비자 자신의 실제 모습으로 피팅 결과를 확인할 수 있어 높은 현실감을 제공하며(Yu and Yoo, 2024), 별도의 아바타 생성 과정 없이 사진 업로드만으로 결과를 빠르게 확인할 수 있어 효율적이다(Seo and Lee, 2022). 특히 아바타가 구현하기 어려운 개인의 고유한 신체적 특징, 피부색, 얼굴 등을 그대로 반영할 수 있다는 점에서 차별화된 장점을 가진다(Lee, 2022).

3.1 Research questions

지금까지 가상 피팅에 관한 연구들은 주로 기술수용모델이나 기대-일치 이론 등을 적용하여, 기술의 유용성이나 만족도가 소비자의 수용 의도에 미치는 영향을 분석하는 데 집중해왔다(Park, 2022; Son et al., 2019). 일부 연구에서 피팅 모델 이미지와 가상 피팅의 효과를 비교하려는 시도가 있었으나, 이는 아바타 기반 피팅에 국한되어 포괄적인 비교가 이루어지지 않았다(Hwang and Shin, 2013). 따라서 전통적인 피팅 모델, 아바타 피팅, 이미지 합성 피팅 간의 효과를 정량적으로 직접 비교하고, 각 유형이 소비자 인식에 미치는 영향을 심층적으로 분석하는 연구는 여전히 미흡한 실정이다.

본 연구는 이러한 공백을 규명함으로써, 온라인 패션 플랫폼에서 제공되는 세 가지 피팅 유형(피팅 모델 이미지, 아바타 피팅, 이미지 합성)이 소비자의 UX와 구매의도에 미치는 영향을 다각적으로 검증하는 것을 목적으로 한다. 또한, 이러한 영향이 소비자의 개인적 특성인 '혁신성' 수준에 따라 어떻게 달라지는지 살펴보고, 각 피팅 유형별로 구매의도를 이끌어내는 핵심 요인을 규명하고자 한다.

선행연구들은 소비자 개인 특성 중 혁신성이 중요한 변수임을 밝혀왔다. 예를 들어 고혁신 성향의 소비자들이 저혁신 성향을 지닌 소비자보다 가상 피팅에서 실재감을 더 높게 인지하거나(Kang and Park, 2020), 가상 피팅의 사용의도에 조절 변수로 작용하기도 했다(Shin and Jung, 2023). 이에 따라 혁신성 수준에 따라 각 피팅 유형이 소비자의 UX 및 구매의도에 영향을 미칠 것이라 가정했으며, 이를 규명하기 위해 다음과 같은 연구 문제를 설정했다.

연구 문제 1. 피팅 유형별로 소비자가 지각하는 유용성, 실재감, 신뢰, 만족, 심리적 거리감, 구매의도 및 지속사용의도에 유의미한 차이가 있는가?

연구 문제 2. 피팅 유형이 소비자의 주요 인식에 미치는 영향은 개인의 '혁신성' 수준(고/저)에 따라 달라지는가?

연구 문제 3. 각 피팅 유형별로 어떠한 요인(유용성, 실재감, 신뢰, 만족, 심리적 거리감, 지속사용의도)이 구매의도에 가장 큰 영향을 미치는가?

3.2 Data collection and analysis

본 연구의 데이터는 온라인 설문조사 플랫폼을 통해 수집되었으며, 불성실한 응답을 제외한 총 231부의 유효 표본이 최종 분석에 사용되었다. 응답자의 구체적인 인구통계학적 특성은 Table 1에 제시하였다. 수집된 자료는 SPSS 통계 프로그램을 활용하여 연구 문제에 따라 다음과 같은 절차로 분석되었다. 첫째, 표본의 인구통계학적 특성을 파악하기 위해 빈도분석을 실시했다. 둘째, 피팅 유형과 혁신성 수준에 따른 종속 변수의 차이를 검증하기 위해 반복측정 분산분석(Repeated Measures ANOVA)을 수행했다. 이때 응답자의 혁신성을 고혁신과 저혁신으로 나누기 위해 선행연구를 참고하여 중앙값을 기준으로 초과하는 경우는 고혁신으로 이하는 저혁신으로 분류하여 분석을 수행했다(Kang and Park, 2020). 마지막으로, 각 피팅 유형별 구매의도의 주요 예측 요인을 파악하기 위해 단계선택 다중회귀분석(Stepwise Multiple Regression Analysis)을 실시했다.

3.3 Experimental stimuli

본 연구는 대부분의 소비자가 가상 피팅을 직접 경험한 비율이 낮다는 선행연구(Kang and Park, 2020)에 근거하여, 응답자의 이해를 돕고 실험의 현실성을 높이고자 시연 동영상을 활용한 자극물을 제작하였다. 설문 참여자들은 패션 상품 중 하나인 청바지를 구매하는 과정 중 모델을 통해 나에게 맞는지를 고려하는 과정을 나타내는 시나리오와 함께 각 유형의 피팅 과정을 시연하는 영상을 시청하도록 안내 받았다. 영상에는 각 피팅 유형별 핵심 기능과 사용 절차를 담고 있으며, 재생 시간은 약 60초였다. 참여자들은 시연 영상과 시나리오를 읽은 후 설문에 응답하였으며, 세 가지 피팅 유형별 자극물은 다음과 같다(Figure 1).

Figure 1. Example of experimental stimuli

Modify Delete

유형 1. 피팅 모델 이미지: 국내 대표 패션 쇼핑몰 '29CM'의 상품 상세 페이지를 활용하여, 여러 장의 모델 착용 사진을 슬라이드 형식으로 보여주는 영상으로 구성했다. 이는 현재 가장 보편적인 정보 제공 방식을 대표한다.

유형 2. 아바타 피팅: 소비자의 신체 치수를 입력하여 3D 아바타를 생성하고 의상을 입혀보는 서비스인 'Style me'의 데모 버전을 시연하는 영상으로 구성했다.

유형 3. 이미지 합성: 소비자가 본인의 사진을 업로드하면 AI가 의상을 합성해주는 '월마트(Walmart)'의 가상 피팅 서비스를 시연하는 영상으로 구성했다.

3.4 Measurements

본 연구의 주요 변수들은 선행연구 검토를 통해 도출되었으며, 각 개념의 조작적 정의는 다음과 같다. 모든 변수는 선행연구에서 신뢰성과 타당성이 검증된 측정도구를 활용하였으며, 각 변수를 측정하기 위한 구체적인 설문 문항과 그 출처는 Table 2에 상세히 기술하였다. 모든 설문 문항은 Likert 7점 척도를 사용하였으며, 1점(매우 그렇지 않다)에서 7점(매우 그렇다)로 응답을 받았다.

 혁신성

새로운 기술이나 서비스에 대한 개인의 개방성 및 적극적인 수용 성향을 의미한다. 혁신성은 가상 환경 기술 수용에 유의미한 영향을 미치는 핵심 개인 특성으로 다수의 연구에서 검증되었다(Lee and Park, 2018).

 구매의도

특정 제품이나 서비스를 실제로 구매하려는 의향의 정도를 나타내며 가상 피팅의 실질적인 효과를 검증하기 위한 핵심 종속 변수로 활용된다(An, 2020; Kang and Park, 2020).

 지속사용의도

과거의 긍정적인 경험을 바탕으로 특정 서비스를 미래에도 계속해서 이용하려는 의향으로 기술 수용 과정을 설명할 때 핵심 변수이다(Bae and Kwon, 2018; Kim et al., 2022).

 유용성

특정 기술을 통한 개인의 과업 수행 향상 정도를 나타내며 가상 피팅 수용 연구에서 소비자의 행동 의도에 영향을 끼치는 중요한 변수 중 하나이다(Bae and Kwon, 2024; Park, 2022; Son et al., 2019).

 실재감

이용자가 가상 환경을 마치 실제처럼 현실적으로 지각하는 정도를 의미한다. 높은 실재감은 가상 피팅 경험에 대한 긍정적 태도를 형성하는 데 기여한다(Son et al., 2019).

 심리적 거리감

개인이 자신과 화면 속 모델(피팅 모델 이미지, 아바타 등)을 비교할 때 발생하는 인식적 및 감정적 격차를 의미하며 이 거리감이 클수록 제품에 대한 부정적 태도를 유발할 수 있다(Bae and Kwon, 2018; Lee et al., 2011). 설문 단계에서 응답 착오를 줄이기 위해 심리적 거리감을 긍정형으로 제시했으며, 점수가 높을수록 화면 속 대상과 심리적 거리를 가깝게 지각함을 의미한다.

 신뢰

불확실성이 존재하는 온라인 환경에서 특정 기술이나 서비스를 믿을 수 있다고 여기는 정도를 뜻한다. 신뢰는 새로운 기술에 대한 수용 및 사용 의도에 직접적인 영향을 미친다(Gefen et al., 2003; Hong, 2012).

 만족

서비스, 제품에 대한 기대와 실제 경험이 일치하거나 그 이상일 때 느끼는 긍정적 감정이다(Park et al., 2021). 만족은 향후 해당 서비스를 지속적으로 사용할 의도에 결정적인 영향을 미친다(Son et al., 2019).

4.1 Sphericity test for repeated-measures ANOVA

연구 문제 1과 2를 검증하기 위해, 피팅 유형(피팅 모델, 아바타, 이미지 합성)을 집단 내 요인(within-subjects factor)으로, 개인의 혁신성 수준(고/저)을 집단 간 요인(between-subjects factor)으로 설정하여 반복측정 분산분석(Repeated Measures ANOVA)을 실시했다. 분석에 앞서 기본 가정인 구형성(sphericity)을 검증하기 위해 Mauchly의 구형성 검정을 수행했다. 그 결과, 대부분의 종속 변수가 구형성 가정을 충족했으나(p>0.05), 실재감 변수는 가정을 위배하는 것으로 나타났다. 따라서 실재감 변수의 경우, ε 계수(0.914)를 기반으로 Huynh-Feldt 보정치를 적용하여 F 값과 자유도를 수정한 후 분석을 진행했다.

4.2 Main and interaction effects of fitting type and innovativeness

4.2.1 Main effect of fitting type

분석 결과, 피팅 유형의 주효과는 모든 종속 변수에서 통계적으로 유의하게 나타났다. 구체적으로 유용성(F(2, 458)=97.734, p<0.001), 심리적 거리감(F(2, 458)=35.332, p<0.001), 구매의도(F(2, 458)=42.939, p<.001), 실재감(F(1.850, 423.569)=117.437, p<0.001), 만족(F(2, 458)=48.412, p<0.001), 신뢰(F(2, 458)=38.340, p<0.001), 지속사용의도(F(2, 458)=32.987, p<0.001) 모두에서 유의미한 차이가 발견되었다. 이는 소비자가 어떤 피팅 유형을 경험하는지에 따라 제품과 서비스에 대한 인식이 유의미하게 달라짐을 의미한다.

4.2.2 Main effect of innovativeness

혁신성 수준의 주효과는 일부 종속 변수에서만 유의하게 나타났다. 혁신성이 높은 집단은 낮은 집단보다 구매의도(F(1, 229)=18.638, p<0.001), 만족(F(1, 229)=20.480, p<0.001), 신뢰(F(1, 229)=31.842, p<0.001), 지속사용의도(F(1, 229)=4.434, p=0.036)를 유의하게 더 높게 평가했다. 반면, 유용성(p=0.784), 심리적 거리감(p=0.255), 실재감(p=0.653)에서는 혁신성 수준에 따른 집단 간 유의한 차이가 발견되지 않았다.

4.2.3 Interaction between fitting type and innovativeness

피팅 유형과 혁신성 간의 상호작용 효과는 모든 종속 변수에서 통계적으로 유의하지 않은 것으로 나타났다. 예를 들어, 유용성(F(2, 458)=0.297, p=0.743)이나 구매의도(F(2, 458)=0.314, p=0.731) 등 모든 변수에서 유의한 교호작용 효과가 관찰되지 않았다. 이는 피팅 유형이 소비자 인식에 미치는 영향이 개인의 혁신성 수준에 따라 달라지지는 않음을 의미한다.

4.3 Post-hoc tests on main effects

반복측정 분산분석에서 통계적으로 유의하게 나타난 주효과에 대해, 구체적으로 어떤 집단 간에 차이가 있는지 파악하기 위해 사후분석(Bonferroni correction 적용)을 실시했다.

4.3.1 Pairwise comparisons by fitting type

피팅 유형에 따른 사후분석 결과, 대부분의 변수에서 일관된 패턴이 나타났다. Table 3에서 보듯이, 유용성, 구매의도, 실재감, 만족, 신뢰, 지속사용의도 모두에서 '아바타' 유형이 가장 높은 평균 점수를 기록했으며, 그 다음으로 '피팅 모델 이미지', '이미지 합성' 순으로 나타났고 모든 유형에서 유의미한 차이를 보였다(p<0.001). 이는 소비자들이 아바타 피팅을 가장 긍정적으로 평가함을 보여준다.

반면, 심리적 거리감에서는 다른 양상이 나타났다. '아바타 피팅'(M=4.55)이 다른 두 유형보다 유의하게 높은 심리적 거리감을 유발했으며, '피팅 모델'(M=3.79)과 '이미지 합성'(M=3.83) 간에는 통계적으로 유의한 차이가 발견되지 않았다.

4.3.2 Pairwise comparisons by innovativeness level

주효과가 유의했던 구매의도, 만족, 신뢰, 지속사용의도 변수에서 혁신성 수준(고/저)에 따른 평균을 비교한 결과, 모든 변수에서 혁신성이 높은 집단이 낮은 집단보다 유의하게 높은 점수를 보였다. 예를 들어, 신뢰의 경우 고혁신성 집단(M=4.57)이 저혁신성 집단(M=4.13)보다 유의하게 높은 평균을 기록했으며(p<0.001), 다른 세 변수에서도 동일한 경향이 확인되었다(Table 3).

4.4 Correlations between purchase intention and variables by fitting type

각 피팅 유형별로 주요 변수들이 구매의도와 어떠한 관계를 맺고 있는지 탐색하기 위해 Pearson 상관관계 분석을 실시했으며, 그 결과는 Table 4와 같다. 분석 결과, 세 가지 피팅 유형 모두에서 대부분의 변수들은 구매의도와 통계적으로 유의한 정(+)의 상관관계를 보였다. 반면, 심리적 거리감은 모든 유형에서 구매의도와 유의한 부(-)의 상관관계를 나타내, 심리적 거리감을 높게 느낄수록 구매의도는 낮아지는 경향이 일관되게 확인되었다. 모든 독립 변수가 종속 변수인 구매의도와 유의한 상관을 보이는 것으로 나타나, 다음 단계인 회귀분석에는 모든 변수를 투입하여 각 유형별 영향력을 검증하였다.

4.5 Prediction of purchase intention by fitting type

연구 문제 3을 검증하기 위해, 각 피팅 유형별로 어떤 변수들이 구매의도에 유의한 영향을 미치는지 파악하고자 단계선택(stepwise) 방식의 다중회귀분석을 실시했다. 모든 회귀모형의 Durbin-Watson 값은 2에 가까워 자기상관의 문제가 없었으며, 공차(Tolerance, TOL) 한계는 0.7 이상, 분산팽창요인(Variance Inflation Factor, VIF)은 2 미만으로 다중공선성의 문제 또한 없는 것으로 확인되었다.

4.5.1 Fitting model images

Table 5와 같이, 피팅 모델 이미지 유형의 회귀모형은 구매의도 변량의 약 61.7%를 설명했으며(adj. R2=0.617), 통계적으로 유의했다(F(1, 227)=124.478, p<0.001). 구매의도에 영향을 미치는 변수로는 만족(β=0.405), 신뢰(β=0.357), 지속사용의도(β=0.314)가 유의한 정(+)의 예측 변수로 나타났다. 이 중 상대적 영향력이 가장 큰 변수는 만족이었다.

4.5.2 Avatar fitting

아바타 피팅 유형의 회귀모형은 구매의도 변량의 약 63.7%를 설명했으며(adj. R2=0.637), 통계적으로 유의했다(F(1, 227)=135.447, p<0.001). Table 6에서 보듯이, 구매의도에 유의한 영향을 미치는 요인은 신뢰(β=0.422), 만족(β=0.390), 지속사용의도(β=0.212) 순으로 나타났다. 아바타 피팅에서는 신뢰가 구매의도를 예측하는 가장 핵심적인 요인임이 확인되었다.

4.5.3 Image based virtual fitting

이미지 합성 유형의 회귀모형은 구매의도 변량의 약 57.8%를 설명했으며(adj. R2=0.578), 통계적으로 유의했다(F(1, 226)=79.843, p< 0.001). Table 7에 따르면, 구매의도에 유의한 정(+)의 영향을 미치는 요인은 지속사용의도(β=0.392), 만족(β=0.343), 신뢰(β=0.280) 순이었다. 반면, 심리적 거리감(β=-0.139)은 유일하게 구매의도에 유의한 부(-)의 영향을 미치는 것으로 나타났다. 즉, 이미지 합성에서는 지속적으로 사용하려는 의도가 구매의도에 가장 큰 영향을 주지만, 소비자가 느끼는 심리적 거리감은 구매를 저해하는 요인으로 작용할 수 있음을 시사한다.

4.5.4 Summary of regression results

세 가지 피팅 유형에 대한 회귀분석 결과를 종합하면, 만족, 신뢰, 지속사용의도는 모든 유형에서 공통적으로 구매의도를 높이는 중요한 변수임이 입증되었다. 그러나 각 유형별로 구매의도에 가장 큰 영향력을 미치는 핵심 예측 변수는 상이했다. 전통적인 피팅 모델 이미지에서는 '만족'이, 기술적 신뢰가 중요한 아바타 피팅에서는 '신뢰'가, 그리고 소비자의 능동적 참여가 요구되는 이미지 합성에서는 '지속사용의도'가 가장 중요한 변수로 드러났다. 특히 이미지 합성에서만 '심리적 거리감'이 구매의도를 낮추는 유의한 변수로 나타나, 다른 유형과 차별화되는 특성을 보였다.

5.1 Key findings and discussion

본 연구는 온라인 패션 커머스에서 활용되는 세 가지 피팅 유형(피팅 모델 이미지, 아바타 피팅, 이미지 합성)이 소비자의 UX에 미치는 영향을 비교 분석하고, 그 효과가 소비자의 혁신성에 따라 달라지는지 검증하고자 했다. 더 나아가 각 피팅 유형별로 구매의도를 예측하는 UX 변수를 규명함으로써 온라인 쇼핑 경험 향상을 위한 실무적, 학술적 시사점을 도출하고자 했다. 주요 연구 결과와 논의는 다음과 같다.

첫째, 전반적인 UX 측면에서 '아바타 피팅'이 가장 긍정적인 평가를 받았다. 대부분의 변수(유용성, 실재감, 만족, 신뢰 등)에서 아바타 피팅은 피팅 모델 이미지나 이미지 합성 방식보다 유의하게 높은 점수를 기록했다. 이는 소비자가 자신의 신체 치수를 직접 입력하여 이상적인 모습을 구현하는 아바타를 통해 높은 대리 만족과 제어감을 느끼며, 3D 상호작용을 통해 흥미와 몰입을 경험하기 때문으로 해석된다(Lee and Lee, 2010).

둘째, 소비자의 '혁신성'은 가상 피팅 기술에 대한 전반적인 수용도를 높이는 중요한 개인 특성임이 다시 한번 확인되었다. 피팅 유형의 효과가 혁신성 수준에 따라 달라지는 교호작용효과는 나타나지 않았지만, 혁신성이 높은 집단은 낮은 집단보다 구매의도, 만족, 신뢰, 지속사용의도를 유의하게 높게 평가했다. 이는 새로운 기술에 개방적인 소비자들이 가상 피팅 서비스를 더 긍정적으로 받아들인다는 선행연구들의 결과와 일치한다(Shin and Jung, 2023).

셋째, 각 피팅 유형별로 구매의도를 이끌어내는 핵심 변수는 서로 달랐다. 피팅 모델 이미지에서는 '만족'이 가장 중요한 예측 변수였다. 이는 소비자가 매력적인 모델의 착용 모습을 통해 제품에 대한 긍정적 인상을 형성하고, 이것이 쇼핑 경험 전반의 만족으로 이어져 구매를 촉진하는 과정으로 해석할 수 있다(Hwang and Shin, 2013). 아바타 피팅에서는 '신뢰'가 가장 핵심적인 요인으로 나타났다. 소비자가 직접 생성한 아바타가 자신의 신체를 정확히 반영하고, 옷의 핏을 제대로 구현할 것이라는 믿음이 구매 결정에 결정적인 역할을 하는 것이다. 이는 아바타에 대한 친숙함과 호감이 신뢰로 발전하여 구매로 이어진다는 선행연구의 주장과 맥을 같이 한다(Chae et al., 2009). 이미지 합성에서는 '지속사용의도'가 구매의도에 가장 큰 영향을 미쳤다. 자신의 사진을 직접 업로드하는 능동적인 참여 과정은 소비자의 몰입과 주도성을 높여 해당 서비스를 계속 사용하고 싶게 만들고, 이러한 반복적인 상호작용이 자연스럽게 구매로 연결되는 것으로 보인다. 하지만 동시에 '심리적 거리감'이 구매의도를 저해하는 유일한 부정적 요인으로 작용했다.

이미지 합성에서는 다른 유형과 달리 자신의 모습을 통해 핏을 확인한다. 이때 소비자들은 사진과 자신의 이상적 모습에서 불일치를 경험할 수 있다(Park and Ko, 2025). 여기에 더해 자신의 모습을 바라보며 사적 자의식이 향상되며, 이는 제품 구매에 대한 자제력이 생겨 구매의도에 부정적 요인으로 작용했다(Kim and Lim, 2017). 즉, 이미지 합성 기술은 높은 현실감이라는 양날의 검을 가진 셈이다.

5.2 Implications

본 연구는 온라인 패션 기업이 가상 피팅 솔루션을 도입하고 운영하는 데 있어 구체적인 전략적 방향을 제시한다. 첫째, 아바타 피팅은 현재 소비자들에게 가장 긍정적인 경험을 제공하므로, 기술 도입 시 우선적으로 고려할 수 있다. 이때 아바타 커스터마이징의 재미와 3D 상호작용의 즐거움을 극대화하는 방향으로 서비스를 설계해야 한다. 둘째, 기술 유형별로 차별화된 커뮤니케이션 전략이 필요하다. 아바타 피팅 서비스는 기술의 '정확성'과 '신뢰성'을 강조해야 하며, 이미지 합성 서비스는 '재미'와 '지속적인 참여'를 유도하는 동시에 소비자의 심리적 부담을 줄여줄 보완 장치(예: 체형 보정 옵션)를 함께 고려해 볼 수 있다.

5.3 Limitations and future research

본 연구의 한계점은 첫째, 참가자들이 실제 가상 피팅 기술을 직접 조작한 것이 아니라, 시연 영상을 통한 간접 경험을 바탕으로 설문에 응답했다는 점이다. 이는 실제 사용 환경에서 발생할 수 있는 다양한 상호작용 효과를 온전히 반영하지 못했을 가능성이 있으므로 연구 결과를 일반화하는 데 신중을 기해야 한다. 따라서 향후 연구에서는 소비자가 직접 각기 다른 유형의 가상 피팅 서비스를 충분히 체험할 수 있는 소비자 경험 기반의 실험 연구를 통해, 심층적인 함의를 도출할 필요가 있다.

둘째 본 연구는 상용 온라인 플랫폼을 활용했기 때문에 각 피팅 유형에 따라 활용한 제품군을 청바지로 통제했더라도 세부적인 디자인, 색상 등 구성 요소에서 미세한 차이가 생겼으며, 이러한 부분은 각기 다른 피팅 유형에서 완전하게 동일한 피팅 경험을 제공하지 못했을 가능성이 있다. 향후 연구에서는 자체 개발 자극물을 활용해 통제된 동일 상품을 사용하여 피팅 유형 간의 효과를 비교할 필요가 있다.

셋째, 위와 같은 자극물 통제의 한계에서 비롯해 응답자 개인적 선호와 취향이 종속 변수인 구매의도에 영향을 미쳤을 가능성을 배제하기 어렵다. 그렇기에 본 연구의 결과 해석 시 응답자의 의류에 대한 주관적인 선호도가 반영되었을 수 있음을 고려해야 한다. 후속 연구에서는 사전 응답자의 제품에 대한 선호도를 측정하거나 다양한 종류를 활용해 개인적 취향의 개입을 최소화하는 방법을 활용할 필요가 있다.