The Korean Fashion and Textile Research Journal
[ Article ]
The Korean Fashion and Textile Research Journal - Vol. 28, No. 5, pp.526-541
ISSN: 1229-2060 (Print) 2287-5743 (Online)
Print publication date 31 Oct 2026
Received 09 Jul 2026 Revised 28 Aug 2026 Accepted 07 Sep 2026
DOI: https://doi.org/10.5805/SFTI.2026.28.5.526

글로벌 이커머스 시장 내 K-패션 플랫폼 경쟁력 : 정보시스템 성공모델 기반 해외 플랫폼과의 비교 분석

박예은 ; 우홍주†
연세대학교 의류환경학과
K-Fashion Platform Competitiveness in Global E-Commerce : A Comparative Analysis with Global Platforms Based on the Information Systems Success Model
Yeeun Park ; Hongjoo Woo†
Dept. of Clothing and Textiles, Yonsei University; Seoul, Korea

Correspondence to: †Hongjoo Woo Tel. +82-2-2123-3128 E-mail: h_woo@yonsei.ac.kr

©2026 The Korean Fashion and Textile Research Journal(KFTRJ). This is an open access journal. Articles are distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

Global e-commerce reached roughly $5 trillion in 2025, with fashion among its largest categories at $1.25 trillion. Facing a saturated domestic market and intensifying competition, Korean fashion (K-Fashion) platforms seek global expansion, yet their strengths and weaknesses remain underexamined relative to global rivals. This study examines their global competitiveness based on the Information Systems Success (ISS) Model. Three dimensions—System Quality (SQ; 7 items), Information Quality (IQ; 11 items), and Service Quality (SVQ; 10 items)—were operationalized as 28 items. These dimensions of three major K-Fashion platforms (Musinsa, Ably, and Zigzag) and seven leading e-commerce platforms from the United States, China, and Germany were coded using a binary scheme based on cross-verified data from official websites, investor relations disclosures, and industry reports. Results reveal asymmetric feature adoption: K-Fashion platforms exhibit higher IQ item coverage but lower SQ and SVQ coverage than global competitors. Musinsa recorded the most IQ items among the 10 platforms, yet all three K-Fashion platforms fell below the global average in standardized post-purchase services such as returns and refunds. Accordingly, this study proposes a phased roadmap—capitalizing on information quality, standardizing after-sales services, and selectively internalizing infrastructure—with platform-specific models for Musinsa, Ably, and Zigzag. This study extends the ISS Model from single-system evaluation to multinational platform comparison and offers practical guidance for K-Fashion platforms’ global expansion.

Keywords:

K-fashion, platform, e-commerce, information systems success model, globalization

키워드:

K-패션, 플랫폼, 이커머스, 정보시스 템성공모델, 글로벌화

1. 서 론

패션 산업의 디지털화가 가속화됨에 따라 패션 매출의 중심은 이커머스 플랫폼들로 빠르게 개편되었다(ECDB, 2025). 2026년 기준 주요 K-패션 플랫폼인 무신사, 에이블리, 지그재그가 차지하는 국내 패션 매출 비중은 각각 1조 원 안팎의 매출과 2조원대 거래액을 기록했고(Lee, 2026), 무신사의 경우 1,600만 명의 사용자를 확보하며 패션 유통업계의 핵심 축으로 부상하였다(Jung, 2026). 이러한 K-패션 플랫폼들은 데이터 기반의 개인화와 무한에 가까운 상품 노출을 통해 소비자 선택 효율성과 만족도를 동시에 제공할 수 있다는 강점을 지닌다(Chandra et al., 2022). 또한 라이브커머스, 소셜큐레이션, 인플루언서 마케팅 등 새로운 정보 전달 양식을 통해 단순 거래 채널을 넘어 콘텐츠, 엔터테인먼트, 커뮤니티가 융합된 복합 경험 공간으로 진화하고 있다(Wu et al., 2022).

그러나 K-패션 플랫폼의 성장이 성숙기에 진입하며 플랫폼들은 도전과 확장이 필요한 전환기에 놓여 있다. K-패션 플랫폼은 외부적으로는 한류 콘텐츠 인기에 따른 해외 시장 진출의 적기를 맞이하고, 내부적으로는 내수 시장 포화와 해외 플랫폼의 국내 침투라는 경쟁 압박에 직면하며 글로벌 시장으로의 전략적 확장이 요구되는 전환점에 놓여 있다(Park, 2024). 실제로 글로벌 이커머스 시장은 2025년 약 5조 달러 규모로 확대되었고, 그중 패션 카테고리는 약 1조 2,510억 달러로 가장 높은 매출을 기록하며 성장세에 놓여 있다(ECDB, 2025; Statista, 2024b). 그러나 패션 부문의 성장세가 주목되며 플랫폼 간 경쟁 또한 심화되어, 글로벌 패션 전문 플랫폼들은 결제, 물류, 인증 등 고도화된 인프라 기능을 흡수하며 사업 영역을 확장하는 한편, 종합 유통 플랫폼들은 자체 브랜드(private brand, PB), 큐레이션, 특화 서비스를 강화하며 패션 영역으로 침투하고 있다(Hardaker, 2025). 이처럼 플랫폼 간 카테고리의 경계가 약화되며K-패션 플랫폼은 글로벌 진출을 위해 해외 패션 플랫폼뿐만 아니라 Amazon과 같은 거대 종합 유통 플랫폼까지도 경쟁 대상으로 고려해야 하는 도전적 환경에 직면해 있다. 그럼에도 K-패션 플랫폼에 관한 기존 연구는 국내 시장의 개별 플랫폼과 이용자를 대상으로 한 분석에 한정되어 있어 (e.g., Ahn, 2025; Jeong, 2022) 글로벌 시장에서 실제 경쟁하게 될 해외 플랫폼 대비 K-패션 플랫폼의 경쟁력을 진단한 연구는 부족한 실정이다.

이러한 글로벌 시장 환경에서 K-패션 플랫폼이 경쟁력을 확보하기 위해서는 결제 인프라, 물류 네트워크, 본인 인증, 다국어 서비스 등 다양한 차원의 역량이 요구된다(Wang et al., 2025). 이처럼 경쟁의 범위가 확대된 환경에서 플랫폼 경쟁력은 단일 차원의 우위가 아닌 통합적 품질 수준에서 평가될 필요가 있으며(Trivedi & Trivedi, 2018), 기술 인프라, 정보 콘텐츠, 고객 접점 서비스가 결합된 복합 시스템인 이커머스 플랫폼의 품질을 세 차원으로 구조화하는 DeLone and McLean(1992)의 정보시스템 성공모델(information systems success, 이하 ISS 모델)은 본 연구의 목적에 적합한 이론적 틀을 제공한다. ISS 모델에 따르면, 소비자는 플랫폼의 형태가 아닌 시스템, 정보, 서비스 품질이 결합된 통합 경험을 기준으로 플랫폼을 평가하며(Hassna et al., 2023), 따라서 플랫폼 경쟁력은 단일 차원의 우위가 아니라 복수 품질 요인의 결합 구조로 정의된다. 특히 ISS 모델은 플랫폼의 품질을 단일 지표가 아닌 시스템, 정보, 서비스의 세 차원으로 구분하여 다각도로 검증한다는 점에서 패션 플랫폼을 분석하기에 적합하다. 패션 상품은 소재나 착용감과 같은 감각적 속성을 온라인에서 직접 확인하기 어려워 상품 정보와 스타일 콘텐츠가 구매 의사결정을 대체하고(Chandra et al., 2022), 사이즈 불일치로 인한 높은 반품률로 인해 구매 이후의 교환 및 환불 서비스가 플랫폼 평가를 좌우하며(Lo et al., 2026), 이러한 정보 제공과 반품 처리를 뒷받침하는 물류 및 결제 인프라가 함께 요구되기 때문이다(Chotisarn & Phuthong, 2025). 즉, 패션 플랫폼의 경쟁력은 어느 하나만으로 결정되지 않으므로, 세 측면을 통합적으로 진단할 수 있는 ISS 모델이 유용한 분석 틀로 활용될 수 있다. 선행연구에서도 패션 플랫폼 이용자의 만족과 지속 이용, 구매 행동은 정보 품질을 비롯한 플랫폼 품질 요인으로 설명되어 왔으며(Trivedi & Trivedi, 2018), ISS 모델은 패션 플랫폼의 개인화 추천이 구매와 반품에 미치는 영향을 검증하는 데 적용되는 등(Lo et al., 2026) 패션 플랫폼 환경에서의 유효성이 확인되어 왔다.

그럼에도 불구하고 기존의 ISS 적용 연구는 이용자가 지각한 품질이 사용자 만족과 구매의도, 재이용 의도 등에 미치는 영향을 검증하는 데 집중되어, 소비자가 주관적으로 인식하는 만족의 형성 과정을 설명하는 데에는 유효하였으나 플랫폼이 실제로 갖춘 기능과 서비스 구조를 확인하기에는 한계가 있었다(Meyer et al., 2023). 반면 본 연구는 플랫폼이 보유한 기능과 서비스를 항목 단위로 관찰하여 플랫폼 간 상대적 강점과 약점을 객관적으로 구조화한다는 점에서 기존 연구와 구별되며, 이를 통해 소비자 인식의 설명을 넘어 해외 진출과 확장을 위한 구조적 경쟁력 분석 자료를 제시하고자 한다. 특히 K-패션 플랫폼이 글로벌 시장에서 주요 해외 플랫폼 대비 시스템, 정보, 서비스 품질의 다차원적 측면에서 어떻게 차별화되는지를 구조적으로 비교 분석한 연구는 매우 부족한 실정이다.

이에 본 연구는 ISS 모델을 이론적 틀로 채택하여 시스템, 정보, 서비스 품질의 세 차원에서 주요 K-패션 플랫폼(무신사, 에이블리, 지그재그)과 해외 주요 플랫폼들의 특성을 비교 분석하여, 향후 K-패션의 글로벌 확장을 위한 경쟁력 요인 및 효과적인 진출 전략을 제안하고자 한다. 이를 위해, 대표적인 K-패션 플랫폼 3사와 미국, 중국, 독일의 해외 주요 플랫폼 7사를 대상으로 2차 자료 기반 내용 분석을 통한 사례 연구 방법을 활용하여, ISS 모델의 세 품질 차원, 총 28개 품질 항목에서 플랫폼들 간 특성 및 강, 약점을 비교, 분석한다. 나아가 도출된 강, 약점을 사전에 설정한 판단기준에 따라 SWOT의 내부 요인으로 전환하고, 시장 자료와 선행연구에서 도출한 외부 기회 및 위협 요인과 종합하는 확장된 SWOT(TOWS) 분석을 통해 K-패션 플랫폼의 글로벌 확장 전략을 제안한다. 단, 본 연구는 글로벌 경쟁력을 해외 매출이나 시장점유율과 같은 시장 성과가 아닌 플랫폼이 글로벌 시장에서 서비스를 제공하기 위해 요구되는 시스템, 정보, 서비스 품질 요건의 구비 수준을 의미하는 것으로 한정한다.

연구 문제는 다음과 같다.

  • 연구문제 1. K-패션 플랫폼은 해외 플랫폼 대비 시스템 품질 차원에서 어떠한 강, 약점을 나타내는가?
  • 연구문제 2. K-패션 플랫폼은 해외 플랫폼 대비 정보 품질 차원에서 어떠한 강, 약점을 나타내는가?
  • 연구문제 3. K-패션 플랫폼은 해외 플랫폼 대비 서비스 품질 차원에서 어떠한 강, 약점을 나타내는가?
  • 연구문제 4. 해외 플랫폼 대비 강, 약점을 바탕으로, K-패션 플랫폼의 효과적인 글로벌 확장 전략은 무엇인가?

2. 이론적 배경

2.1. K-패션 플랫폼과 글로벌 경쟁력

플랫폼 경쟁력은 다면시장(multi-sided market) 구조에서 플랫폼이 공급자, 소비자, 보완재 등의 다수의 참여자를 동시에 끌어들이고 유지하는 능력으로 정의된다(Rochet & Tirole, 2003). 플랫폼은 한쪽 시장의 참여자가 증가하면 반대편 시장의 가치가 함께 증가하는 교차 네트워크 효과를 활용하며, 이 네트워크의 크기와 방향이 플랫폼의 가격 구조와 경쟁 우위를 결정한다. 최근 연구는 이러한 플랫폼 경쟁력을 단일 차원의 우위가 아닌 이해관계자 신뢰, 플랫폼 내 거버넌스가 상호 연계된 다층 구조로 분석하며, 플랫폼 글로벌 확장 역시 단순한 지리적 진출을 넘어 디지털 제도의 차이, 현지 인프라 결합, 문화적 적합성 등 다층적 요인의 결합으로 이해한다(Tang et al., 2026).

이러한 글로벌 경쟁력 논의가 적용되는 영역 중 하나가 K-패션 플랫폼이다. K-패션 산업은 한류 콘텐츠의 확산과 함께 글로벌 시장에서 인지도가 빠르게 상승하여, 글로벌 K-패션 시장은 2033년 약 308억 달러 규모의 성장이 전망되며 특히 미국, 중국이 전 세계 이커머스 매출의 70% 이상을 점유하며 글로벌 패션 플랫폼 경쟁의 주된 격전지를 형성하고 있다는 점은 K-패션 플랫폼을 해외 시장으로 견인하는 기회요인으로 작용한다(ECDB, 2025).

반면 한국 내수 시장은 초성숙 단계에 진입하여 연평균 성장률이 2.26% 수준에 머물러 있으며(Statista, 2024a), 글로벌 SPA 브랜드와 중국 플랫폼의 국내 침투가 가속화되면서 성장 둔화와 과열 경쟁이라는 구조적 압박 요인이 동시에 형성되고 있다(Park, 2024). 이는 패션 기업 국제화의 핵심 동인으로 본국 시장의 성숙도에 따른 진출 압력, 브랜드 고유의 차별 자산, 디지털 인프라의 글로벌 호환성을 제시한 연구와 부합하며(Jin & Cedrola, 2016), K-패션 플랫폼의 글로벌 진출이 선택이 아닌 구조적 요구임을 시사한다.

따라서 K-패션 플랫폼의 글로벌 경쟁력은 단일 지표가 아닌 복수의 품질 차원이 결합된 구조로 평가될 필요가 있으며, 본 연구는 이러한 다층적 경쟁력 요인을 체계적으로 분석하는 이론적 틀로 정보시스템 성공모델을 채택하여 시스템 품질, 정보 품질, 서비스 품질의 세 차원을 중심으로 플랫폼 경쟁력을 분석하고자 한다.

2.2. 정보시스템 성공모델

정보시스템 성공모델은 정보시스템의 성과를 다차원적으로 평가하기 위해 제안한 이론적 프레임워크로, 정보시스템의 성공을 단일 지표가 아닌 시스템 품질, 정보 품질, 사용, 사용자 만족, 개인 영향, 조직 영향이라는 여섯 가지 상호의존적 차원의 결합으로 설명하였다(DeLone & McLean, 1992). 이는 정보시스템의 성공이 단순한 기술적 성능이 아니라 사용자 경험과 조직 성과까지 포함하는 통합적 개념임을 처음으로 체계화한 것이었다. 이후 갱신된DeLone and McLean(2003)은 10년간 축적된 후속 연구의 검증 결과를 반영하여 모델을 갱신하면서 서비스 품질 차원을 새롭게 추가하고, 사용, 사용자 만족, 순효익으로 결과 변수를 통합하였다. 이는 시스템 품질, 정보 품질, 서비스 품질의 세 차원을 정보시스템 성공의 선행요인으로 설정하고, 이 세 품질이 이용 및 이용 의도와 사용자 만족에 영향을 미치며 궁극적으로 순효익으로 이어지는 구조로 정보시스템의 성공을 설명하며, 특히 이커머스 환경에서의 적용 가능성을 명시적으로 제안하였다(DeLone & McLean, 2003).

본 연구는 이 가운데 이용, 사용자 만족, 순효익과 같은 결과 차원이 아니라 선행요인에 해당하는 세 품질 차원만을 분석 틀로 한정하여 차용한다. 이는 본 연구의 목적이 이용자의 지각이나 시장 성과를 측정하는 데 있지 않고, 플랫폼이 글로벌 서비스를 제공하기 위해 성공의 선행 조건에 해당하는 품질 요건을 어느 수준까지 구비하고 있는지를 진단하는 데 있기 때문이다.

플랫폼 환경은 기술 인프라, 정보 콘텐츠, 고객 접점 서비스가 유기적으로 결합된 복합 시스템이라는 점에서 ISS 모델을 적용하기에 적합하다(Trivedi & Trivedi, 2018). 초기 ISS 모델은 온라인 쇼핑몰의 인터페이스 구성, 시스템 반응 속도, 시각적 설계 요소 등이 소비자 만족과 구매의도에 미치는 영향을 분석하는 B2C 연구에 주로 활용되었다(Dube & Humbani, 2024). 이후 디지털 기술의 발전과 함께 ISS 모델의 적용 범위는 여행, 교육 등 다양한 산업으로 확장되었으며, 더 나아가 플랫폼 전반의 구조적 품질을 분석하는 이론적 틀로 확장되고 있다(Efiloğlu Kurt, 2019; Lin et al., 2022). 특히 최근에는 AI 기반 추천 에이전트(Shi & Lee, 2021), 라이브커머스(Ma, 2021), 크로스보더 플랫폼(Han et al., 2023) 등 원 모델이 상정하지 않았던 환경에서도 ISS 모델이 지속적으로 적용되고 있어, ISS 모델이 최신 플랫폼 환경을 분석하는 데에도 유효한 틀로 활용될 수 있음을 보여준다. 이처럼 서론에서 논의한 바와 같이 기존의 ISS 적용 연구가 이용자의 지각 측면을 측정한 것과 달리 본 연구는 플랫폼이 실제로 구비한 기능과 서비스를 관찰하여 비교한다. 특히 패션 플랫폼은 정보 구성과 사용자 경험 설계의 영향이 크게 작용하는 영역이므로, 세 품질 차원을 관찰 가능한 항목 수준으로 조작화하여 플랫폼 간 구비 수준을 비교하는 접근이 유효하다. 이를 위한 ISS 모델의 세 가지 품질 차원의 구체적인 속성은 다음과 같다.

2.2.1. 시스템 품질

시스템 품질(system quality, SQ)은 플랫폼이 제공하는 기술 인프라와 운영 시스템의 전반적 성능 수준을 의미하며, 정보시스템 성과를 구성하는 세 개의 핵심 차원 중 하나로 정의된다(DeLone & McLean, 2003). 시스템 품질은 사용 용이성, 반응 속도, 안정성, 오류 발생 여부 등 사용자 경험의 기반 요소로 구체화되며, 사용자 만족과 지속적 이용 의도에 유의미한 영향을 미치는 것으로 보고된다(Dube & Humbani, 2024). 특히 모바일 커머스 환경에서는 앱 성능, 페이지 로딩 속도, 검색 응답성 등이 시스템 품질의 핵심 평가 기준으로 작용한다(Chen et al., 2013).

플랫폼 환경에서는 단순한 인터페이스 수준을 넘어 주문 관리, 재고 운영, 발주 처리 등 거래, 운영 전반을 지원하는 통합 인프라로 확장되며, 소비자뿐 아니라 판매자, 파트너 등 참여자 전반의 운영 효율성을 결정짓는 요인으로 기능한다(Chen et al., 2013; Wulfert et al., 2024). 이는 시스템 품질이 사용자 측면의 편의성을 넘어 플랫폼 비즈니스의 운영 효율성과 확장성을 결정하는 구조적 자원임을 의미한다.

이러한 운영 효율성과 확장성은 플랫폼이 인프라를 어떻게 구성하느냐에 따라 다르게 실현된다. 최근 플랫폼 연구에서는 기업의 운영 형태를 외부 자원 활용에 의존하는 자산 경량화(asset-light) 모델과 자체 인프라를 보유한 자산 중심(asset-heavy) 모델의 스펙트럼으로 구분하여 분석한다(Zhang & Zhang, 2024). 외부 인프라(예: 결제, 물류) 활용 중심의 자산 경량화 전략은 자본 효율성과 빠른 확장 속도를 보장하는 반면, 자체 풀필먼트와 자체 운송망 등 자체 인프라 운영 중심의 자산 중심 전략은 차별화와 통제력을 확보하게 한다. 특히 최근에는 전통적으로 자산 경량화 모델로 인식되던 플랫폼들이 풀필먼트센터, 배송허브 등 자체 물리 인프라 구축에 직접 투자하며 디지털 영역을 넘어 물리적 영역까지 인프라를 확장하는 흐름이 관찰되고 있어(Hardaker, 2025), 두 전략 간의 균형이 플랫폼의 전략적 위치를 결정하는 핵심 요인으로 부각되고 있다. 이는 시스템 품질이 단순한 기술적 성능 지표를 넘어, 플랫폼이 어떤 인프라를 보유하고 어떤 외부 자원을 활용하는지에 따라 차별화되는 구성적 개념임을 시사한다. 종합하면, 시스템 품질은 거래 및 운영을 안정적이고 효율적으로 수행하기 위해 플랫폼이 제공하는 기술적 인프라와 기능적 지원 수준으로 정의될 수 있다. 이에 본 연구는 시스템 품질의 이러한 개념에 상응하는 분류로서 이커머스 거래 인프라의 제공자 유형을 제시한 Wulfert et al.(2024)의 논의를 참고하여, 플랫폼이 거래와 운영을 수행하기 위해 보유하는 물류, 결제, 개발 및 인프라 자원을 항목화하였다.

2.2.2. 정보 품질

정보 품질은 시스템 내 제공되는 콘텐츠의 정확성, 유용성, 적시성과 더불어 사용자 맥락에 맞춘 개인화(personalization) 수준을 포괄하는 개념으로, 사용자 의사결정과 직접적으로 연결되는 핵심 요인으로 정의된다(DeLone & McLean, 2003; Trivedi & Trivedi, 2018). 특히 패션 산업은 제품의 감각적 속성을 직접 경험하기 어려운 온라인 환경에서 정보가 소비자 의사결정을 대체하는 핵심 요소로 작용하는 고관여 분야이다(Chandra et al., 2022).

최근에는 인공지능 기반 추천 알고리즘, 이미지 인식 기반 시각 검색, 가상 피팅 등 AI 기술의 적용으로 정보 품질의 수준이 비약적으로 향상되고 있다. 가상 피팅 도입 시 패션 이커머스의 전환율은 최대 65%까지 상승하며(Christou, 2023), AI 추천 시스템은 평균 주문가액을 10~30% 증가시키는 것으로 보고된다(Arora et al., 2021). 또한 일부 가상 피팅 도입 브랜드는 반품률이 최대 64%까지 감소했다고 보고된다(Shopify Staff, 2025). 따라서 정보 품질은 단순한 정보 제공을 넘어 소비자의 라이프스타일과 행동 데이터를 결합한 맥락적 큐레이션 능력으로 재정의되고 있다.

그러나 소비자의 라이프스타일, 가치 지향, 유행 민감도 등에 따라 중요하게 인식하는 정보가 상이하므로 정보 품질은 단일 차원으로 정의되기 어렵다(Kang & Park, 2024). 이에 따라 기존 연구들은 다양한 소비자 요구를 반영하기 위해 다차원적 정보 구조의 필요성을 제기하고 있다. 최근에는 사용자 생성 콘텐츠(user-generated content, UGC) 비중이 증가함에 따라 기업 중심의 정보 제공에서 사용자 참여 기반의 정보 생태계로 그 개념이 확장되고 있으며(Ghurab & Ng, 2025), 특히 K-패션은 K-콘텐츠와의 결합을 통해 글로벌 시장에서 차별화된 정보 자산을 형성하고 있다. 이를 종합하면, 패션 플랫폼에서 정보 품질은 플랫폼이 사용자 맥락과 선호를 반영하여 정확하고 유용한 정보를 효과적으로 제공하는 수준으로 정의될 수 있다. 이에 본 연구는 정보 품질의 이러한 개념에 상응하는 분류로서 개인화의 대상을 유형화한 Fan and Poole(2006)의 논의를 참고하여, 플랫폼이 소비자에게 상품 정보를 어떤 형태로 구성하고 제시하는지(e.g., 스타일 피드, 소셜, 크리에이터, AI 콘텐츠, 이미지 검색)와 어떤 범위의 상품 정보를 제공하는지(e.g., 자체 브랜드, 중고 거래)를 항목화 하였다.

2.2.3. 서비스 품질

Parasuraman et al.(1988)은 서비스 품질을 유형성, 신뢰성, 응답성, 확신성, 공감성라는 다섯 가지 차원으로 구성되는 개념으로 제시하였다. 이커머스 환경에서는 SERVQUAL이 e-SERVQUAL로 확장되어 정보 보안, 개인화, 시스템 가용성 등의 디지털 특화 요인이 추가되었다(Parasuraman et al., 2005).

ISS 모델에 도입된 서비스 품질은 플랫폼 이용 과정, 특히 구매 이후 단계에서 사용자에게 제공되는 전반적 서비스 경험의 수준을 의미한다(DeLone & McLean, 2003). 단순한 고객 응대를 넘어 교환, 환불, 배송, 문제 해결 등 거래 이후 전 과정에서 형성되는 지원 기능과 경험 요소를 포함하며, 사용자는 개별 대응이 아닌 시간 흐름 속에서 연결된 경험의 총합으로 서비스 품질을 인식하므로 단일 시점의 평가가 아닌 거래 전(pre-transaction), 거래 중(transaction), 거래 후(post-transaction)의 연속적 경험 곡선으로 이해되어야 한다(Lemon & Verhoef, 2016; Yang et al., 2024).

이처럼 서비스 품질은 단일 요소가 아니라, 사용자가 서비스를 이용하는 과정에서 플랫폼과 마주하는 인적, 기술, 프로세스와 같은 여러 상호작용 지점이 결합된 다차원적 구조로 이해되며(Larivière et al., 2017), 특히 패션 플랫폼은 높은 반품 가능성과 불확실성을 내포하는 산업적 특성으로 인해 사후 서비스 경험이 플랫폼 평가와 재이용 의도를 결정하는 핵심 기준이 된다(Voorhees et al., 2017). 또한 글로벌 진출 시에는 본인 인증, 다국어 고객 응대, 국가별 반품 및 환불 정책의 표준화 등이 추가적인 도전 과제로 작용하며, 이는 국가 간 플랫폼 비교 분석의 핵심 변수로 기능한다(Chotisarn & Phuthong, 2025). 이에 본 연구는 서비스 품질의 이러한 개념에 상응하는 분류로서 서비스 접점의 구성 요소를 제시한 Larivière et al.(2017)의 논의를 참고하여 항목을 구성하고, 이를 거래 전, 거래 중, 거래 후의 고객 여정 단계를 고려하여 배열하였다.


3. 연구방법

3.1. 연구 대상

본 연구의 연구 대상으로, 먼저 K-패션 플랫폼으로는 국내 온라인 패션 시장에서의 거래액(GMV)과 월간 활성 이용자 수(MAU)를 기준으로 상위 3개 플랫폼인 무신사, 에이블리, 지그재그를 선정하였다. 이들은 국내 패션 플랫폼 시장을 선도하는 대표 사업자인 동시에, 국내에서의 성과를 기반으로 해외 시장 진출을 적극적으로 모색하고 있어 글로벌 경쟁력을 분석하기에 적합하다.

이들 K-패션 플랫폼의 경쟁력을 비교, 평가하기 위한 기준으로 해외 주요 플랫폼 7개를 선정하였다. 플랫폼 선정은 의류학 전공의 연구자 2인이 협의하여 다음과 같은 선정 기준을 적용하였다. 첫째, 각 국가의 온라인 패션 시장 거래액(GMV) 기준 상위 2~3개사에 해당하여 자국 소비자의 패션 구매가 실질적으로 집중되는 플랫폼이어야 한다(Statista, 2024b). 둘째, 미국, 중국 등 주요 해외 시장에서는 소비자의 패션 구매가 종합 플랫폼에 집중되어 있어(ECDB, 2025) 패션 전문 플랫폼만을 비교군으로 삼을 경우 K-패션 플랫폼이 실제 직면하는 경쟁 구도를 반영하지 못하므로, 패션 중심(vertical) 플랫폼과 종합 쇼핑(horizontal) 플랫폼을 함께 포함하되, 종합 쇼핑 플랫폼은 패션이 플랫폼 내 주요 카테고리로 기능하여 패션 거래 비중이 유의미한 수준인 플랫폼만을 포함하였다. 셋째, 분석의 신뢰도 확보를 위해 공식 웹사이트, 모바일 애플리케이션, 기업 IR 자료 등 검증 가능한 자료의 제공 여부를 필수 요건으로 설정하였다. 위 기준을 적용하여 Amazon, Walmart(미국), Taobao, Pinduoduo, Shein(중국), Zalando, Otto(독일)의 총 7개 플랫폼을 최종 선정하였으며, 자료 분석 시 종합 플랫폼은 플랫폼 내 패션 카테고리 및 관련 페이지에 한정하여 분석함으로써 패션 플랫폼과 형평성 있는 비교가 가능하도록 하였다. 그 결과 도출된 총 10개 플랫폼의 개요는 Table 1과 같다.

Selected platforms’ descriptive information

3.2. 연구 절차

본 연구는 ISS 모델을 분석 틀로 채택하여 시스템 품질, 정보 품질, 서비스 품질의 세 차원에서 해외 플랫폼 대비 K-패션 플랫폼의 글로벌 경쟁력을 분석하였다. 이를 위해 본 연구는 2차 자료 기반 내용분석을 통한 사례 연구 방법을 활용하였으며, 분석은 다음 세 단계로 진행되었다(Fig. 1).

Fig. 1.

Three-stage content analysis procedure.

먼저, 분석을 위한 항목을 다음과 같이 조작화하였다. ISS 모델의 세 품질 차원의 개념적 정의(DeLone & McLean, 2003)를 분석의 기준으로 설정하고, 선정된 플랫폼들이 실제 제공하는 기능과 서비스를 관찰하여 공통적으로 나타나는 요소를 추출한 후 각 차원의 정의에 따라 유형화하였다. 이때 분석의 타당성을 확보하기 위해 각 품질 차원의 개념과 상응하는 분류를 제시한 선행연구, 즉 시스템 품질에 대해서는 이커머스 거래 인프라의 제공자 유형(Wulfert et al., 2024), 정보 품질에 대해서는 개인화의 대상 분류(Fan & Poole, 2006), 서비스 품질에 대해서는 서비스 접점의 구성(Larivière et al., 2017)을 항목의 분류와 명명에 참고하였으며, AI 이미지 검색, AI 콘텐츠 등 선행연구가 상정하지 않은 최근 플랫폼 환경의 기능은 각 차원의 정의에 부합하는 범위에서 연구자가 추가하였다. 이후 의미가 중복되는 항목을 통합하고 관찰 가능한 수준으로 정의를 구체화하는 정련 과정을 거쳐 시스템 품질 7개(SQ1–SQ7), 정보 품질 11개(IQ1–IQ11), 서비스 품질 10개(SVQ1–SVQ10)의 총 28개 항목을 확정하였다(Table 2).

Binary coding and qualitative content analysis of ten platforms across 28 ISS items

자료 수집 및 분석은 의류학 전공 연구자 2인이 2025년 3월 2일부터 3월 30일까지 약 4주에 걸쳐 수행하였으며(최종 확인일: 2025년 3월 30일), 각 플랫폼의 공식 웹사이트 및 모바일 애플리케이션, 기업 IR 자료 및 공식 뉴스룸 발표, 산업 리포트 등 신뢰 가능한 공개 2차 자료를 중심으로 하였다. 특히 해외 종합쇼핑 플랫폼은 패션 카테고리 페이지를 중심으로 조사하여 실질적인 패션 거래 구조를 반영하였으며, 자료 간 내용이 상이한 경우 공식 웹사이트 및 애플리케이션의 직접 확인 결과를 최종 기준으로 하였다.

정량적 내용분석 단계에서는 선행연구(Mendiola et al., 2015)를 참고하여 해당 항목 보유 시 1, 미보유 시 0으로 표기하였으며 각 플랫폼의 본국 시장에서 모바일 애플리케이션과 웹 중 어느 한 환경에서라도 일반 이용자가 정식으로 이용 가능한 기능은 보유로, 베타 서비스나 일부 지역, 회원에 한정된 기능은 미보유로 판단하였다.

질적 내용분석 단계에서는 항목의 보유 여부만으로는 포착하기 어려운 운영상의 구체적 특성, 즉 플랫폼이 해당 기능이나 서비스를 어떤 방식으로 제공하며 어떠한 특징과 차별점을 보이는지를 관찰하고 분석하였다. 분석의 일관성과 신뢰성 확보를 위해 먼저 연구자 1인이 28개 항목의 정의를 판단 기준으로 삼아 이분형 코딩과 질적 분석을 1차 수행하였고, 이후 공동 연구자 1인이 독립적으로 분석 결과를 검토하였으며, 두 연구자가 결과 비교 및 합의를 통해 판단이 불일치하거나 불명확한 항목은 자료 출처를 재확인하여 수정, 보완하였다. 이러한 검토 절차는 품질 차원별로 반복적으로 수행되어 분석의 신뢰성과 해석의 타당성을 확보하였다.

마지막으로 비교 분석 단계에서는 앞선 결과를 바탕으로 해외 비교군 대비 K-패션 플랫폼의 상대적 강점과 약점을 도출하였다. 이때 강점은 K-패션 3사가 공통으로 보유하면서 해외 플랫폼의 보유가 제한적인 항목으로, 약점은 K-패션 3사가 공통으로 보유하지 못하였으나 해외 플랫폼 다수가 보유한 항목으로 분류하였고 기회와 위협은 내용분석 결과가 아닌 시장 환경에 관한 2차 자료(시장 보고서 및 선행연구)로부터 별도로 도출하였다. 이렇게 도출된 내부 요인과 외부 요인을 종합하여 SWOT으로 정리하고, 확장된 SWOT(TOWS) 분석 틀에 따라 SO, ST, WO, WT 전략을 도출함으로써 K-패션 플랫폼의 글로벌 확장 전략을 제시하였으며, 분석의 범위는 앞선 내용 분석과 동일하게 패션 카테고리에 한정하였다.


4. 연구 결과

4.1. 시스템 품질 분석 결과

시스템 품질 7개 항목에서 K-패션 3사의 보유 항목 수는 무신사 5개, 에이블리 4개, 지그재그 2개로 나타났다(Fig. 2). 시스템 품질은 거래에 필요한 물류, 결제, 인프라를 플랫폼이 직접 갖추고 있는지를 보는 차원으로, K-패션 플랫폼의 보유 항목 수가 가장 적게 나타났으며 지그재그(2개)는 분석 대상 10개 플랫폼 중 최하위였다.

Fig. 2.

Adoption of 28 quality attributes across the 10 selected platforms.

K-패션 3사가 공통으로 보유한 항목은 콘텐츠 제작 지원(SQ4)과 개발 연동 환경(SQ5)이었으나, 이를 플랫폼 내 직접 갖췄는지에는 차이가 있었다. 무신사는 입점 브랜드가 상품 화보와 영상을 직접 촬영, 제작할 수 있도록 촬영 스튜디오와 작업 공간(무신사 스튜디오)을 자체적으로 마련해 제공하고, 브랜드의 상품, 재고 정보가 무신사 시스템에 자동으로 연동되는 개발 환경(무신사 파트너 API)도 직접 운영하였다. 에이블리 역시 셀러가 상품 페이지와 판매를 직접 관리할 수 있는 판매자 도구(파트너스, 메이커스)를 자체적으로 제공하였다. 반면 지그재그는 이러한 콘텐츠, 개발 환경을 직접 갖추기보다 모기업 카카오스타일이 마련한 도구와 개발자센터를 활용하는 구조였다.

K-패션 3사 내부의 격차는 거래를 직접 처리하는 영역에서 두드러졌다. 상품을 보관했다가 주문 시 포장, 출고하는 자체 물류(SQ2, SQ3)는 무신사와 에이블리만 갖추고 있었다. 무신사는 보관부터 출고까지 직접 처리하는 자체 물류센터(무신사 로지스틱스)를 운영하였고, 에이블리는 셀러의 상품을 입고, 보관했다가 대신 포장, 배송해 주는 자체 물류 서비스(에이블리 파트너스)를 제공하였다. 결제(SQ6)도 무신사는 자체 간편결제(무신사 페이먼츠)를 직접 운영한 반면, 에이블리, 지그재그는 자체 결제 수단 없이 카카오페이, 토스 등 외부 결제 서비스를 연결해 사용하였다. 한편 자체 배송망(SQ1)과 자체 서버, 클라우드(SQ7)는 3사 모두 갖추지 못해, 배송은 CJ대한통운 등 외부 택배사에 맡기고 시스템은 외부 클라우드를 빌려 운영하였다.

해외 7사와 비교하면 시스템 품질 보유 수는 Amazon, Taobao가 각 7개로 모든 항목을 갖춰 가장 높았고, Walmart, Zalando 각 5개, Shein 4개, Pinduoduo, Otto 각 3개 순이었다. Amazon은 직접 배송하는 배송망(Amazon Logistics), 상품을 대신 보관, 출고하는 물류(FBA), 자체 간편결제(Amazon Pay), 자체 클라우드(AWS)를 모두 직접 보유하였고, Taobao 또한 자체 물류망(차이냐오), 결제(알리페이), 클라우드를 갖추고 있었다. K-패션 3사 중 가장 높은 무신사는 Walmart, Zalando와 같은 수준이었으나, 이를 모두 직접 갖춘 Amazon, Taobao와는 분명한 차이를 보였다. 즉 K-패션 플랫폼은 거래에 필요한 하부구조를 직접 보유하기보다 외부에 맡기는 구조라는 점에서 해외 대형 플랫폼과 뚜렷하게 구별되었다.

4.2. 정보 품질 분석 결과

정보 품질 11개 항목에서 K-패션 3사의 보유 항목 수는 무신사 10개, 에이블리 8개, 지그재그 8개로 나타났으며, 무신사는 분석 대상 10개 플랫폼 전체에서 가장 많았다(Fig. 2). 정보 품질은 상품 정보를 어떤 방식으로 보여주고 탐색하게 하는지를 보는 차원으로, K-패션 플랫폼의 보유 항목 수가 가장 많게 나타났다.

공통적으로 보유한 항목은 이미지 검색(IQ1), 코디/스타일 피드(IQ2), 소셜/크리에이터(IQ3), 엔터테인먼트 콘텐츠(IQ9), AI 콘텐츠(IQ10)였으며, 뷰티(IQ4), 홈웨어(IQ5) 같은 라이프스타일 카테고리도 3사 모두 갖추고 있었다. 운영 방식을 보면 세 플랫폼은 상품을 단순히 나열하는 데 그치지 않고 직접 만든 콘텐츠로 탐색을 돕고 있었다. 무신사는 이용자와 크리에이터(무신사 크루)가 자신의 착장 사진을 올리고 서로 팔로우, 좋아요로 반응하는 스타일 공유 공간(무신사 스냅), 직접 제작하는 패션 콘텐츠(무신사 매거진, 무신사TV)와 라이브 (무신사라이브)를 운영하였고, 질문하면 어울리는 상품을 찾아 주는 AI 챗봇(무신사 GPT)과 AI가 트렌드를 정리해 주는 콘텐츠(AI 트렌드 리포트)도 제공하였다. 에이블리는 이용자가 보거나 찜, 구매한 상품을 학습해 사람마다 다른 상품을 보여주는 자체 AI 추천을 중심으로 화면을 구성하고, 크리에이터가 상품을 소개하면 판매 성과에 따라 수익을 얻는 기능(어필리에이트)과 라이브 방송, 사진을 올리면 다양한 콘셉트의 착장 이미지를 만들어 주는 생성형 AI 기능(AI 스타일)을 제공하였다. 지그재그는 이용자가 즐겨찾기 한 쇼핑몰의 새 상품만 모아 보여주는 개인화 큐레이션과 MD가 직접 구성하는 브랜드관, 라이브 방송에 더해, 마음에 든 옷 사진으로 비슷한 상품을 찾아 주는 이미지 검색(직잭렌즈)과 스타일을 추천해 주는 AI 챗봇(지그봇)을 운영하였다. 그 결과 세 플랫폼 모두 탐색, 영감, 구매로 자연스럽게 이어지는 정보 경험을 제공하였다.

K-패션 3사 내부의 차이는 상품을 어디까지 다루는지에 나타났다. 중고 거래(IQ7), 자체 브랜드(IQ8), 오프라인 매장(IQ11)은 무신사만 보유하였는데, 무신사는 한정판 상품을 되팔 수 있는 리셀 플랫폼(솔드아웃), 직접 만든 자체 브랜드(무신사 스탠다드)를 함께 갖춰 온, 오프라인을 아우르고 있었다. 반대로 푸드(IQ6)는 패션을 넘어 종합 스타일 플랫폼으로 넓힌 에이블리와 지그재그만 다루고, 무신사는 다루지 않았다.

해외 7사와 비교하면 정보 품질 보유 수는 무신사(10개)에 이어 Walmart, Taobao, Zalando 각 9개, Amazon, 에이블리, 지그재그 각 8개, Shein 5개, Pinduoduo, Otto 각 4개 순이었다(Fig. 2). 주목할 점은 K-패션 3사가 공통으로 갖춘 콘텐츠, 커뮤니티 기능이 해외 7사에서는 드물었다는 것이다. 코디/스타일피드(IQ2)는 글로벌 7사 중 Zalando(Get the Look) 한 곳만, 엔터테인먼트 콘텐츠(IQ9)는 Taobao(바바농장) 한 곳만 갖추었고, 크리에이터, 커뮤니티(IQ3)도 Walmart, Taobao, Zalando, Otto 네 곳에 그쳤다. 해외 종합 플랫폼이 상품을 빠르게 찾아 사게 하는 데 초점을 둔 반면, K-패션 플랫폼은 콘텐츠와 커뮤니티, 취향에 맞춘 추천으로 탐색 경험과 관련된 기능을 상대적으로 많이 보유하고 있는 것으로 나타났다. 다만 중고 거래(IQ7, 해외 5사)와 자체 브랜드(IQ8, 해외 5사)처럼 상품을 직접 확보하고 기획하는 영역에서는 해외 플랫폼의 보유율이 높았고, K-패션 중에서는 무신사만 두 영역을 갖추고 있었다.

4.3. 서비스 품질 분석 결과

서비스 품질 10개 항목에서 K-패션 3사의 보유 항목 수는 무신사 7개, 에이블리4개, 지그재그4개로 나타났다. K-패션 플랫폼은 상품 구매 전 단계의 서비스에서는 강점을 보였으나, 구매 이후 서비스 표준에서는 공통적으로 취약하였다. K-패션 3사가 공통으로 보유한 항목은 실시간 상담(SVQ1), 배송 추적(SVQ3), 생체 인증(SVQ4), 세분화된 옵션 필터링(SVQ5)이었다. 세 플랫폼 모두 채팅으로 바로 문의할 수 있는 실시간 상담, 주문 상품의 배송 단계 확인, 지문과 얼굴 등을 이용한 생체 인증 로그인을 제공하였고, 색상, 사이즈, 소재 등 조건을 잘게 나눠 원하는 상품을 좁혀 찾을 수 있는 필터를 갖추고 있었다. 이는 상품을 고르고 결정하기까지의 과정에서 K-패션 플랫폼이 안정적인 편의를 제공함을 보여준다. K-패션 3사 내부의 차이는 배송 포장 영역에서 나타났다. 친환경 포장(SVQ6), 프리미엄/선물 포장(SVQ7), 상품 보호 포장(SVQ8)은 무신사만 보유하였는데, 무신사는 친환경 인증을 받은 포장재와 선물용 프리미엄 포장, 상품이 상하지 않도록 보호하는 전용 포장을 직접 운영하며 배송 품질을 차별화하고 있었다. 반면 에이블리와 지그재그는 이 항목들을 갖추지 않았다.

가장 두드러진 공통 약점은 상품 구매 후의 서비스 표준에 있었다. 응답, 처리 시간 등 서비스 기준을 미리 약속해 공개하는 것(SVQ2 SLA 공시), 해외로 직접 배송하는 체계(SVQ9 글로벌 배송), 일관된 반품/환불 절차(SVQ10 반품/환불 표준화)는 K-패션 3사 모두 갖추지 못했다. 즉 서비스 기준을 사전에 약속하거나 국경을 넘는 배송과 표준화된 반품/환불을 제공하는 장치가 없었던 것이다.

해외 7사와 비교하면 서비스 품질 보유 수는 Zalando 10개, Amazon 9개, Otto 8개로 상위였고, Walmart 6개, Taobao, Shein 각 5개, Pinduoduo 4개 순이었다. K-패션 3사 중 가장 높은 무신사(7개)는 Walmart을 앞섰으나 Zalando, Amazon, Otto와는 차이가 있었다. 특히 K-패션 3사가 공통으로 갖추지 못한 서비스 기준 공시는 Otto를 뺀 해외 여섯 곳이, 해외 직접 배송은 Amazon, Taobao, Zalando, Otto가, 표준화된 반품/환불은 Amazon, Walmart, Zalando, Otto가 제공하고 있었다. 이는 K-패션 플랫폼이 상품을 산 뒤의 신뢰를 담보하는 서비스 표준에서 해외 플랫폼만큼의 정비가 필요함을 보여준다.

4.4. 플랫폼 간 종합 분석

종합하면, K-패션 플랫폼의 품질 항목 보유 양상은 ISS 모델의 세 품질 차원에 있어 뚜렷한 비대칭 구조를 나타냈다. 상품 정보를 보여주고 탐색하게 하는 정보 품질에서는 무신사, 에이블리, 지그재그 모두 강세를 보인 반면, 거래에 필요한 물류, 결제, 인프라를 직접 갖추는 시스템 품질에서는 3사 모두 한계점을 드러냈다. 상품 구매 전후의 서비스를 다루는 서비스 품질도 무신사를 제외하면 에이블리, 지그재그는 낮았다. 즉 K-패션 플랫폼은 콘텐츠와 취향 기반 정보 제시 관련 기능의 보유 수준은 높지만, 물류, 결제, 인프라와 산 뒤의 서비스 표준에서는 해외 플랫폼에 비해 약세인 구조였다.

또한 K-패션 3사 내부의 역량 차이도 뚜렷하였다. 무신사는 세 품질 차원 전반에서 고르게 높은 보유 수를 기록하며, 무신사 로지스틱스, 무신사페이먼츠, 무신사 스탠다드, 오프라인 매장까지 직접 갖춘 통합형 구조를 보였다. 반면 에이블리는 정보 품질을 중심으로 강점이 모여 있었고, 지그재그는 물류, 결제, 개발 환경의 상당 부분을 모기업 카카오스타일에 의존하는 구조였다. 이러한 차이는 K-패션 플랫폼을 하나로 묶어 보기보다 플랫폼별 자원과 역량에 맞는 전략이 필요함을 드러낸다.

즉, K-패션 플랫폼은 정보 품질이라는 차별화된 강점과 시스템, 서비스 품질의 구조적 한계가 함께 존재하는 비대칭적 경쟁 구조에 놓여 있으며, 글로벌 경쟁력을 확보하려면 강점인 정보 설계 역량을 더 키우는 동시에 거래 인프라와 구매 후의 서비스 표준에 대한 보완이 필요한 것으로 나타났다.

4.5. K-패션 플랫폼의 글로벌 확장을 위한 확장된 SWOT 분석 결과

앞선 분석 결과를 종합하였을 때, K-패션 플랫폼의 글로벌 확장을 위한 확장된 SWOT(TOWS) 분석은 다음과 같은 결과를 도출하였다(Fig. 3). 본 분석에서 강점과 약점은 시스템, 정보, 서비스 품질 각 차원에서 해외 플랫폼 대비 실제로 드러난 보유 및 결여 항목을 기준으로 도출하였으며, 기회와 위협은 이러한 강점과 약점의 활용 가능성과 직결되는 기술 및 시장 환경의 변화를 중심으로 정리하였다. 나아가 이를 종합하여 강점으로 기회를 선점하는 SO 전략, 강점으로 위협에 대응하는 ST 전략, 기회를 활용해 약점을 보완하는 WO 전략, 약점과 위협에 동시에 대응하는 WT 전략을 도출하였다.

Fig. 3.

Extended SWOT(TOWS) analysis for K-fashion platforms' global expansion strategy.

먼저 내부 환경의 강점은 정보 품질 차원에 집중되어 있다. 코디, 스타일 피드(IQ2), 소셜, 크리에이터 커뮤니티(IQ3), 엔터테인먼트 콘텐츠(IQ9)는 해외 7사 중 일부만 보유한 반면 K-패션 3사가 공통으로 갖춘 항목으로, 상품 검색과 거래 효율에 집중하는 해외 종합 플랫폼이 단기간에 모방하기 어려운 차별 요소이다. 또한 무신사 GPT와 AI 트렌드 리포트, 에이블리의 AI 추천 및 생성형 AI 스타일, 지그재그의 직잭렌즈와 지그봇 등 자체 AI 기반 콘텐츠, 개인화 역량(IQ10)을 3사가 공통으로 보유하여, 단순한 상품 검색을 넘어 탐색에서 영감, 구매로 이어지는 맥락형 경험을 제공한다. 여기에 실시간 상담(SVQ1)과 세분화된 옵션 필터링(SVQ5) 등 구매 전 단계의 서비스 역량 또한 안정적으로 갖추고 있어, 소비자가 상품을 탐색하고 결정하기까지의 경험에서 K-패션 플랫폼은 분명한 우위를 보인다.

반면 약점은 시스템 품질과 구매 이후 서비스에 집중된다. 자체 배송망(SQ1)과 서버, 클라우드 인프라(SQ7)는 3사 모두, 자체 결제(SQ6)는 무신사를 제외한 두 곳이 보유하지 못하여 거래 하부구조의 상당 부분을 외부에 위탁하고 있으며, 이는 거래 규모가 확대될수록 비용과 통제력의 한계로 이어진다. 또한 서비스 기준의 사전 공시(SVQ2), 해외 직접 배송(SVQ9), 표준화된 반품, 환불(SVQ10)과 같이 해외 소비자의 신뢰와 직결되는 구매 이후 서비스는 3사 모두 부재한 것으로 나타났다.

끝으로 세 품질 차원 전반에서 고른 무신사, 정보 품질에 강점이 집중된 에이블리, 물류, 결제, 개발 환경을 모기업에 의존하는 지그재그 사이에서 확인된 큰 역량 격차 역시 주요한 내부 제약으로 작용한다. 외부 환경에서는 이러한 강점과 약점의 활용 가능성과 직결되는 변화가 기회와 위협으로 작용한다. 기회 요인으로는 첫째, 생성형 AI, 이미지 인식, 가상 피팅 등 정보 품질을 끌어올리는 AI 기술의 고도화가 빠르게 진행되고 있다는 점이다(Christou, 2023). 이는 강점인 정보 품질을 한층 강화할 수 있는 동시에, 동일한 AI 역량을 약점인 구매 이후 서비스에도 확대 적용할 수 있는 여지를 제공한다. 둘째, 결제, 물류, 반품을 대행하는 전문 서비스 시장이 성숙하여, 자체 인프라를 보유하지 않더라도 외부 제휴를 통해 시스템, 서비스 품질의 격차를 보완할 수 있는 여건이 마련되었다(Hardaker, 2025). 셋째, 한류 확산에 따른 K-패션의 글로벌 수요 증가와 글로벌 이커머스 시장의 성장은 정보, 콘텐츠 강점이 실제 수요로 연결될 수 있는 시장 기반을 형성한다. 반면 위협 요인으로는 Amazon, Taobao, Shein과 같이 자본과 인프라를 갖춘 글로벌, 중국계 플랫폼의 국내 유입이 가속화되면서(Park, 2024), K-패션 플랫폼의 시스템 품질 약점이 직접적인 경쟁 열위로 부각되고 있다. 또한 국내 패션 플랫폼 시장의 포화로 성장의 무게중심이 해외로 이동하고 있으며, 국가별로 상이한 인증, 반품, 환불 표준과 규제는 이미 취약한 구매 이후 서비스 영역과 중첩되어 진입장벽으로 작용한다(Wang et al., 2025).

이러한 강점과 약점, 기회와 위협을 종합하여 네 가지 전략을 도출하였다. 첫째, 강점과 기회를 결합한 SO 전략[강점: IQ2, IQ3, IQ9, IQ10 / 기회: AI 기술 고도화, 한류 기반 수요 성장]은 정보, AI 경쟁력을 글로벌 진입의 차별화 축으로 고도화하는 것이다. 자체 AI 추천과 AI 스타일링 기능을 진출국 이용자의 체형과 취향 데이터로 재학습시키고, 생성형 AI 기반의 가상 피팅과 자동 코디 추천 등 신규 콘텐츠를 개발하여 정보 품질 우위를 한층 강화한다. 구체적으로, 이용자의 신체 치수로 3D 아바타를 생성하는 가상 피팅을 도입하면 온라인 구매의 사이즈 불확실성을 낮출 수 있는데, 실제로 Zalando는 구매 및 반품 이력에 기반한 개인화 사이즈 추천을 제공하여, 사이즈 조언이 제공된 상품의 사이즈 관련 반품을 그렇지 않은 상품 대비 약 10% 감소시킨 바 있다(Zalando, 2023). K-패션 플랫폼 역시 이미 보유한 AI 추천 및 생성형 스타일링 역량을 진출국 체형 데이터와 결합하면, 가상 피팅과 자동 코디 추천을 정보 품질을 차별화하는 신규 콘텐츠로 발전시킬 수 있다. 동시에 무신사 스냅, 크루로 대표되는 크리에이터 커뮤니티와 K-팝, K-드라마 스타일 콘텐츠를 진출국 언어와 현지 인플루언서 중심으로 재구성함으로써, K-패션 플랫폼을 단순 상품 판매 채널이 아닌 콘텐츠를 발견하고 소비하는 라이프스타일 플랫폼으로 포지셔닝하여 초기 수요를 선점한다.

둘째, 강점으로 위협에 대응하는 ST 전략[강점: IQ2, IQ3, IQ9 / 위협: 글로벌, 중국계 플랫폼의 국내 유입, 내수 시장 포화]은 경쟁의 축을 가격에서 콘텐츠로 전환하는 것이다. 자본과 물량에서 우위에 있는 글로벌, 중국계 플랫폼과 가격 및 상품 수로 정면 경쟁할 경우 우위를 확보하기 어렵다. 따라서 이들이 갖추지 못한 콘텐츠, 커뮤니티, 큐레이션 역량(IQ2, IQ3, IQ9)을 차별화 수단으로 삼아, 가격이 아닌 취향과 경험을 매개로 형성된 충성도 높은 사용자 기반을 국내외에서 방어한다. 특히 국내 시장에서는 K-브랜드 및 디자이너 단독 콘텐츠와 커뮤니티를 강화하여 유입된 해외 플랫폼과의 차별점을 명확히 한다.

셋째, 약점을 기회로 보완하는 WO 전략[약점: SQ6, SVQ2, SVQ9, SVQ10 / 기회: AI 기술 고도화, 전문 서비스 시장의 성숙]은 강점인 AI 역량과 외부 전문 서비스를 약점 영역에 전이하고 결합하는 것이다. 핵심은 정보 품질에서 축적한 AI 기술을 구매 이후 서비스에도 확대 적용하는 것으로, 다국어 AI 챗봇을 통해 구매 후 정형화된 문의를 자동 응대하고 AI 기반 응답 시간 관리를 더함으로써 서비스 기준 공시(SVQ2)와 표준화된 반품, 환불(SVQ10)의 공백을 단계적으로 보완할 수 있다. 실제로 Alibaba의 AI 챗봇 AliMe는 구매 이후 응대를 자동화한다. 소비자가 결제를 마친 뒤 흔히 발생하는 배송지 변경, 반품, 환불 요청, 주문 내역 수정 등은 그동안 상담 인력이 일일이 처리해야 했던 업무인데, AliMe는 이러한 정형화된 문의를 자동으로 응대함으로써 대규모 할인 행사 기간 급증하는 고객 문의를 효율적으로 처리하고 판매자의 응대 부담을 완화하였고 Walmart는 다국어 챗봇을 통해 미국, 캐나다, 멕시코, 칠레, 인도 등 여러 국가에서 각국의 언어와 현지화된 요구에 맞춰 주문 상태 확인, 반품 등의 정형화된 문의를 자동으로 응대하고 있으며, 이를 통해 상담 인력이 보다 복잡한 사안에 집중할 수 있도록 하고 있다(Alizila Staff, 2018; Pavlo, 2024). 이러한 글로벌 플랫폼의 사례는 K-패션 플랫폼이 벤치마킹할 수 있는 실질적 모델을 제시한다. 이와 함께 막대한 투자가 요구되는 물류, 결제, 반품 기능은 직접 구축하는 대신, 다통화 결제가 가능한 글로벌 결제 서비스를 연동하고 현지 배송, 반품을 대행하는 전문 물류 업체와 제휴하여 결제와 글로벌 배송(SQ6, SVQ9)의 격차를 자체 구축 없이 단기간에 충족함으로써, 자본 부담을 완화하는 동시에 성장 시장에 신속히 진입한다.

넷째, 약점과 위협이 중첩되는 영역에 대응하는 WT 전략[약점: SQ1, SQ6, SVQ2, SVQ10 / 위협: 글로벌 플랫폼의 국내 유입, 국가별로 상이한 인증, 반품, 환불 규제]은 선택적 자원 배분에 기반한다. 모든 기능을 자체적으로 확보하기보다, 해외 거래의 신뢰를 좌우하는 핵심 영역에 한정하여 선별적으로 내재화한다. 예컨대 반품, 교환과 글로벌 결제처럼 경쟁의 성패를 좌우하는 영역은 직접 확보하되, 인프라 부담이 큰 플랫폼은 모 기업 및 그룹의 자원을 활용하여 중복 투자를 회피하고, 규제와 문화적 장벽이 낮은 인접 시장부터 단계적으로 진입한다.

나아가 본 연구는 플랫폼 간 역량 격차를 반영하여 플랫폼별로 차별화된 글로벌 진출 방안을 함께 제시한다. 먼저 무신사는 세 품질 차원 전반에서 고르게 우위를 확보하고 자체 물류, 결제, 자체 브랜드, 오프라인 매장까지 직접 운영하는 통합형 구조를 갖추고 있다. 따라서 약점인 서비스 기준 공시(SVQ2)와 반품, 환불 표준(SVQ10)을 우선 정비할 경우 즉각적인 진출이 가능한 위치에 있으며, 강점인 자체 브랜드(무신사 스탠다드)와 리셀 플랫폼(솔드아웃), 콘텐츠 역량을 기반으로 문화적 인접성이 높고 이미 진출을 추진 중인 일본을 교두보로 동남아시아, 나아가 북미로 확장하는 단계적 진출 전략이 적합하다.

다음으로 에이블리는 정보 품질, 특히 여성 패션에 특화된 AI 추천과 콘텐츠에 강점을 지니는 반면 시스템, 서비스 역량은 상대적으로 취약하다. 따라서 모든 약점을 메우려 하기보다 자신이 잘하는 영역에 집중하여, 표적 시장의 거래에 직접 영향을 미치는 핵심 서비스 격차, 즉 현지 배송과 반품(SVQ9, SVQ10)만을 외부 제휴로 선별 보완하는 접근이 효율적이다. 강점인 개인화 추천과 뷰티, 인플루언서 콘텐츠를 기반으로 K-뷰티, 패션 수요가 빠르게 성장하는 동남아시아와 중동을 우선 공략하고, 이미 운영 중인 일본 서비스를 기반으로 현지 셀러와 이용자를 연결하는 전략이 효과적이다.

끝으로 지그재그는 자체 인프라가 가장 취약하여 단독으로 해외에 진출하기에는 부담이 크다. 따라서 모기업 카카오 그룹의 결제, 인증, 메신저, 물류 인프라를 적극 활용하여 시스템 품질의 약점에서 비롯되는 중복 투자를 축소하고, 강점인 개인화 큐레이션과 이미지 검색(직잭렌즈), AI 챗봇(지그봇)을 기반으로 한국과 일본 권역을 중심으로 한 진출 경로를 설계하는 전략이 적합하다.

종합하면, K-패션 플랫폼의 글로벌 경쟁 전략은 두 축으로 요약된다. 하나는 해외 플랫폼이 모방하기 어려운 정보, AI, 콘텐츠 경쟁력을 진입의 차별화 수단으로 심화하는 것이며, 다른 하나는 약점에 해당하는 거래 인프라와 구매 이후 서비스를 자체 구축이 아닌 AI 역량의 전이, 외부 제휴, 선택적 내재화를 통해 보완함으로써 진입 속도와 비용 효율을 동시에 확보하는 것이다.


5. 결 론

본 연구는 ISS 모델을 분석틀로 채택하여, 시스템, 정보, 서비스 품질의 세 차원에서 K-패션 플랫폼이 해외 주요 플랫폼 대비 어떠한 경쟁력을 갖는지 비교, 분석하고 이를 토대로 글로벌 확장 전략을 도출하는 것을 목적으로 하였다. 이를 위해 K-패션 3사와 미국, 중국, 독일의 주요 플랫폼 7사를 대상으로 28개 품질 항목에 대한 이분형 코딩과 질적 내용분석을 결합한 사례 연구를 실시하고, 그 결과를 확장된 SWOT(TOWS) 분석으로 종합하였다. 주요 연구 결과는 다음과 같다.

먼저 시스템 품질 차원에서 K-패션 플랫폼은 콘텐츠 제작 지원과 개발 연동 환경은 공통으로 갖추었으나, 자체 배송망, 자체 결제, 서버 및 클라우드 인프라와 같은 거래 하부구조에서는 한정적인 보유 수준을 보여 해외 대형 플랫폼에 비해 가장 낮은 보유 수준을 나타냈다. 이는 자본 효율과 빠른 확장을 우선하여 물류, 결제 등 핵심 인프라를 외부에 위탁해 온 자산 경량화 전략의 결과로 해석할 수 있으며, 플랫폼 운영 형태를 자산 경량과 자산 중심의 스펙트럼으로 구분한 Zhang and Zhang (2024), 그리고 디지털 인프라의 글로벌 호환성을 패션 기업 국제화의 핵심 동인으로 제시한 Jin and Cedrola(2016)의 논의와 부합한다.

반면 정보 품질 차원에서는 K-패션 플랫폼이 분석 대상 전체에서 가장 높은 보유 수준을 보였으며, 특히 코디, 스타일 피드, 소셜, 크리에이터 커뮤니티, 엔터테인먼트 및 AI 콘텐츠와 같이 해외 플랫폼이 드물게 갖춘 항목의 관련 기능을 상대적으로 많이 보유하고 있었다. 이는 K-콘텐츠와 결합한 사용자 참여 기반의 정보 생태계가 K-패션의 차별적 자산으로 작동함을 보여주며, 사회적 커머스에서 인플루언서와 사용자 생성 콘텐츠(UGC)의 역할을 강조한 Wu et al.(2022), Ghurab and Ng (2025)의 논의와 부합한다. 또한 자산 경량 구조의 K-패션 플랫폼이 정보 품질에서는 글로벌 대형 플랫폼에 앞섰다는 점은, 플랫폼 경쟁력을 세 품질 차원의 동반 상승으로 이해해 온 기존 ISS 모델 논의에 더하여 차원 간 우위가 서로 다르게 나타날 수 있음을 보여주는 결과로 해석된다.

서비스 품질 차원에서 K-패션 플랫폼은 실시간 상담과 세분화된 옵션 필터링 등 구매 전 단계에서는 강점을 보였으나, 서비스 기준 공시, 해외 직접 배송, 표준화된 반품, 환불과 같은 구매 이후 서비스 표준에서는 3사 모두 공통적으로 취약하였다. 구매 이후 경험이 플랫폼 재이용 의도를 좌우한다는 Voorhees et al.(2017), Yang et al.(2024)의 논의와 국가 간 반품, 환불 표준화를 글로벌 진출의 핵심 변수로 제시한 Chotisarn and Phuthong(2025)에 비추어 볼 때, 이러한 공백은 해외 진출 과정에서 우선적으로 보완되어야 할 과제이다. 이상의 강점과 약점을 외부 환경의 기회 및 위협과 종합한 확장된 SWOT 분석은, 정보와 AI 경쟁력의 고도화(SO), 콘텐츠 중심의 경쟁 축 전환(ST), AI 역량의 구매 후 서비스 전이 및 외부 제휴를 통한 약점 보완(WO), 핵심 영역의 선택적 내재화(WT)라는 네 가지 전략 방향을 제시하였다.

이러한 결과를 기존 연구와 비교하면 다음과 같다. 첫째, 콘텐츠와 커뮤니티 기반의 정보 제시 역량이 플랫폼의 핵심 경쟁 요소로 기능한다는 본 연구의 결과는 콘텐츠와 인플루언서, 사용자 생성 콘텐츠가 커머스의 경쟁력을 좌우한다고 본 기존 플랫폼 연구(Chandra et al., 2022; Wu et al., 2022)와 일치하며 이를 지지한다. 둘째, 본 연구의 새로운 발견은 시스템 품질, 즉 인프라 차원에 있다. 기존 K-패션 플랫폼 논의가 콘텐츠와 정보 역량에 주목해 온 것과 달리, 본 연구는 다국가 비교를 통해 물류, 결제 등 거래 인프라와 구매 이후 서비스 표준이 해외 플랫폼 대비 K-패션 플랫폼의 공통된 보완 영역임을 항목 수준에서 확인하였다. 이는 기존 연구에서 충분히 조명되지 않았던 인프라 차원의 격차를 구체적으로 드러낸 결과로, 글로벌 확장 논의에서 정보 역량의 강화와 함께 인프라 보완이 병행되어야 함을 시사한다.

연구결과를 종합하면, ISS 분석 결과를 토대로 K-패션 플랫폼의 글로벌 확장을 위한 최종 전략은 세 품질 차원별 경쟁력 증진으로 요약된다. 정보 품질의 경우 보유 항목 수에서 확인된 상대적 우위를 유지, 심화하고, 시스템 품질의 개선을 위해서는 거래 인프라의 격차를 외부 제휴와 선택적 내재화로 보완하며, 서비스 품질의 개선을 위해서는 구매 이후 서비스 표준의 공백을 우선적으로 정비하는 것이 요구된다. 또한 무신사, 에이블리, 지그재그의 보유 역량이 상이한 만큼, 일률적 전략이 아니라 각 플랫폼의 강점과 자원에 부합하는 차별화된 진출 경로가 설계되어야 한다.

본 연구의 학문적, 실무적 시사점은 다음과 같다. 먼저 학문적으로, 첫째 본 연구는 주로 단일 시스템에 대한 이용자의 수용과 만족을 설명하는 데 활용되어 온 ISS 모델을, 플랫폼의 보유 역량을 진단하는 다국가 비교 분석틀로 확장하였다. 둘째, 28개 품질 항목에 대한 구조적 이분형 코딩과 질적 분석을 결합함으로써 국가 간 플랫폼 경쟁력을 체계적으로 비교하는 방법론적 토대를 제시하였다. 셋째, 정보 품질이 시스템 규모와 반드시 비례하지 않을 수 있음을 보여, 세 품질 차원을 함께 고려하되 차원 간 우위의 차이를 함께 살피는 관점을 보완적으로 제시하였다.

이어서 실무적으로, 본 연구는 K-패션 플랫폼의 강점인 정보, 콘텐츠 역량을 우선 심화하고 약점인 거래 인프라와 구매 이후 서비스를 보완하도록 진출 과제의 우선순위를 제시하였다. 특히 정보 탐색에 활용해 온 AI 챗봇을 다국어 반품, 환불 응대로 확장하는 등 강점을 약점 영역으로 전이하는 구체적 실행 방향과 무신사, 에이블리, 지그재그의 각 차별화 전략을 제시함으로써 해외 진출 전략 수립에 실질적 근거를 제공한다.

다만 본 연구는 각 항목의 보유 여부를 이분형으로 측정하여 기능의 질적 수준이나 이용자 인식까지는 포착하지 못하였으며, 해외 매출이나 시장점유율 등 실제 시장 성과를 분석하지 않았으므로 연구 결과는 글로벌 서비스 제공을 위한 기능의 구비 수준으로 한정하여 해석되어야 한다. 따라서 향후 연구에서는 실제 이용자 데이터나 성과 지표를 결합하여 기능의 구비 수준이 이용자 평가와 시장 성과로 이어지는 경로를 검증할 필요가 있다. 또한 본 연구는 종합 쇼핑 플랫폼의 경우 패션 카테고리에 한정하여 분석함으로써 유형 간 형평성을 확보하고자 하였으나, 종합 플랫폼과 패션 전문 플랫폼은 사업 범위, 주요 고객, 경쟁우위의 원천이 상이할 수 있으므로 유형 차이가 항목 보유 양상에 미친 영향이 완전히 통제되었다고 보기는 어렵다. 이에 향후 연구에서는 동일 유형 플랫폼 간 비교를 병행하여 이러한 영향을 검증할 필요가 있다.

Acknowledgments

본 논문은 제1저자의 석사학위청구논문의 일부임.

References

  • Ably. (n.d.). Ably [Mobile application]. Ably. Retrieved March 30, 2025, from https://m.a-bly.com
  • Ahn, S.-K. (2025). Fashion consumers' continuance intention to use AI-driven personalized shopping services: A value-based acceptance model perspective. The Korean Fashion and Textile Research Journal, 27(5), 432-447. [https://doi.org/10.5805/SFTI.2025.27.5.432]
  • Alizila Staff. (2018, August 28). Alibaba's customer-service bot upgraded ahead of 11.11. Alizila. Retrieved March 30, 2025, from https://www.alizila.com/alibabas-customer-service-bot-gets-upgrade-ahead-of-11-11/
  • Amazon. (n.d.). Amazon Fashion [Website]. Amazon. Retrieved March 30, 2025, from https://www.amazon.com/s?i=specialty-aps&bbn=16225018011&rh=n%3A7141123011%2Cn%3A16225018011%2Cn%3A1040660&language=ko&ref=nav_em, nav_desktop_sa_i ntl_clothing_0_2_13_2
  • Arora, N., Ensslen, D., Fiedler, L., Liu, W. W., Robinson, K., Stein, E., & Schüler, G. (2021, November 12). The value of getting personalization right—or wrong—is multiplying. McKinsey & Company. Retrieved March 30, 2025, from https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying
  • Chandra, S., Verma, S., Lim, W. M., Kumar, S., & Donthu, N. (2022). Personalization in personalized marketing: Trends and ways forward. Psychology & Marketing, 39(8), 1529-1562. [https://doi.org/10.1002/mar.21670]
  • Chen, J. V., Chen, Y., & Capistrano, E. P. S. (2013). Process quality and collaboration quality on B2B e-commerce. Industrial Management & Data Systems, 113(6), 908-926. [https://doi.org/10.1108/IMDS-10-2012-0368]
  • Chotisarn, N., & Phuthong, T. (2025). Logistics service quality and customer behavior in cross-border e-commerce: A Thai consumer perspective. Cogent Business & Management, 12(1), 2486581. [https://doi.org/10.1080/23311975.2025.2486581]
  • Christou, L. (2023, May 10). Virtual try-on for clothing: The future of fashion?. 3DLOOK. Retrieved March 30, 2025, from https://3dlook.ai/content-hub/virtual-clothing-try-on/
  • DeLone, W. H., & McLean, E. R. (1992). Information systems success: The quest for the dependent variable. Information Systems Research, 3(1), 60-95. [https://doi.org/10.1287/isre.3.1.60]
  • DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9-30. [https://doi.org/10.1080/07421222.2003.11045748]
  • Dube, N., & Humbani, M. (2024). Testing a modified information system success model in a mobile travel app context. The Electronic Journal of Information Systems in Developing Countries, 90(6), e12339. [https://doi.org/10.1002/isd2.12339]
  • ECDB. (2025). Worldwide fashion e-commerce market. ECDB. Retrieved March 30, 2025, from https://ecdb.com/resources/sample-data/market/ww/fashion
  • Efiloğlu Kurt, Ö. (2019). Examining an e-learning system through the lens of the information systems success model: Empirical evidence from Italy. Education and Information Technologies, 24(2), 1173-1184. [https://doi.org/10.1007/s10639-018-9821-4]
  • Fan, H., & Poole, M. S. (2006). What is personalization? Perspectives on the design and implementation of personalization in information systems. Journal of Organizational Computing and Electronic Commerce, 16(3-4), 179-202. [https://doi.org/10.1080/10919392.2006.9681199]
  • Ghurab, S., & Ng, R. (2025). Fostering meaningful interactions through user-generated content: Reshaping how fashion brands interact with consumers. In W. Ozuem, S. Ranfagni, & C. Millman (Eds.), Sustainable digital marketing for fashion and luxury brands: Theory and practice (pp. 79-100). Cham: Palgrave Macmillan. [https://doi.org/10.1007/978-3-031-82467-8_4]
  • Han, L., Ma, Y., Addo, P. C., Liao, M., & Fang, J. (2023). The role of platform quality on consumer purchase intention in the context of cross-border e-commerce: The evidence from Africa. Behavioral Sciences, 13(5), 385. [https://doi.org/10.3390/bs13050385]
  • Hardaker, S. (2025). From bytes to bricks: Advocating for a turn toward platform-led infrastructuralization in economic geography. Progress in Economic Geography, 3(1), 100038. [https://doi.org/10.1016/j.peg.2025.100038]
  • Hassna, G., Rouibah, K., Lowry, P. B., Paliszkiewicz, J., & Mądra-Sawicka, M. (2023). The roles of user interface design and uncertainty avoidance in B2C ecommerce success: Using evidence from three national cultures. Electronic Commerce Research and Applications, 61, 101297. [https://doi.org/10.1016/j.elerap.2023.101297]
  • Jeong, D. (2022). A study on the effect of the internet self-efficacy of generation MZ on use intention of luxury fashion platform: Focusing on the new exogenous mechanism of extended UTAUT. The Korean Fashion and Textile Research Journal, 24(5), 577-592. [https://doi.org/10.5805/SFTI.2022.24.5.577]
  • Jin, B., & Cedrola, E. (2016). Overview of fashion brand internationalization: Theories and trends. In B. Jin & E. Cedrola (Eds.), Fashion brand internationalization: Opportunities and challenges (pp. 1-30). New York: Palgrave Pivot. [https://doi.org/10.1057/978-1-137-52337-2_1]
  • Jung, J.-S. (2026, January 2). 무신사, ‘2025년 트렌드 결산 리포트’ 공개···1600만 고객 데이터로 본 패션·뷰티 트렌드 [Musinsa releases the ‘2025 trend wrap-up report’: Fashion and beauty trends seen through data from 16 million customers]. Korea Fashion & Textile News. Retrieved August 25, 2026, from https://www.ktnews.com/news/articleView.html?idxno=143207
  • Kang, Y., & Park, M. (2024). Impact of second-hand trading platform benefits on trust, attitude, and usage intention: A focus on fashion product transactions. The Korean Fashion and Textile Research Journal, 26(2), 166-178. [https://doi.org/10.5805/SFTI.2024.26.2.166]
  • Larivière, B., Bowen, D. E., Andreassen, T. W., Kunz, W., Sirianni, N. J., Voss, C., Wünderlich, N. V., & De Keyser, A. (2017). "Service encounter 2.0": An investigation into the roles of technology, employees and customers. Journal of Business Research, 79, 238-246. [https://doi.org/10.1016/j.jbusres.2017.03.008]
  • Lee, J.-E. (2026, April 13). 패션 플랫폼, 지난해 누가 잘했나… 에이블리·지그재그 ‘성장 공식’ 갈렸다 [Which fashion platforms performed best last year? Ably and Zigzag diverge in growth formulas]. Fashionbiz. Retrieved August 25, 2026, from https://fashionbiz.co.kr/article/225387
  • Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69-96. [https://doi.org/10.1509/jm.15.0420]
  • Lin, X., Suanpong, K., Ruangkanjanases, A., Lim, Y.-T., & Chen, S.-C. (2022). Improving the sustainable usage intention of mobile payments: Extended unified theory of acceptance and use of technology model combined with the information system success model and initial trust model. Frontiers in Psychology, 12, 634911. [https://doi.org/10.3389/fpsyg.2021.634911]
  • Lo, H.-C., Chang, W.-J., & Chen, I.-H. (2026). From purchase to return: How personalized e-commerce recommendations shape consumer behavior. Journal of Retailing and Consumer Services, 88, 104459. [https://doi.org/10.1016/j.jretconser.2025.104459]
  • Ma, Y. (2021). Elucidating determinants of customer satisfaction with live-stream shopping: An extension of the information systems success model. Telematics and Informatics, 65, 101707. [https://doi.org/10.1016/j.tele.2021.101707]
  • Mendiola, M. F., Kalnicki, M., & Lindenauer, S. (2015). Valuable features in mobile health apps for patients and consumers: Content analysis of apps and user ratings. JMIR mHealth and uHealth, 3(2), e40. [https://doi.org/10.2196/mhealth.4283]
  • Meyer, K. E., Li, J., Brouthers, K. D., & Jean, R.-J. B. (2023). International business in the digital age: Global strategies in a world of national institutions. Journal of International Business Studies, 54(4), 577-598. [https://doi.org/10.1057/s41267-023-00618-x]
  • Musinsa. (n.d.). Musinsa [Mobile application]. Musinsa. Retrieved March 30, 2025, from https://www.musinsa.com
  • Otto. (n.d.). Otto [Website]. Otto. Retrieved March 30, 2025, from https://www.otto.de
  • Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12-40.
  • Parasuraman, A., Zeithaml, V. A., & Malhotra, A. (2005). E-S-QUAL: A multiple-item scale for assessing electronic service quality. Journal of Service Research, 7(3), 213-233. [https://doi.org/10.1177/1094670504271156]
  • Park, J.-Y. (2024). 알리·테무·쉬인이 몰고 온 시장 위험과 기회 [Market risks and opportunities brought by AliExpress, Temu, and Shein]. KISO Journal, (55), 40-43.
  • Pavlo. (2024, July 2). Artificial intelligence examples: How Alibaba, Amazon, and others use AI. Codica. Retrieved March 30, 2025, from https://www.codica.com/blog/top-artificial-intelligence-examples/
  • Pinduoduo. (n.d.). Pinduoduo [Mobile application]. Pinduoduo. Retrieved March 30, 2025, from https://www.pinduoduo.com
  • Rochet, J.-C., & Tirole, J. (2003). Platform competition in two-sided markets. Journal of the European Economic Association, 1(4), 990-1029. [https://doi.org/10.1162/154247603322493212]
  • Shein. (n.d.). Shein [Mobile application]. Shein. Retrieved March 30, 2025, from https://www.shein.com
  • Shi, Y. C., & Lee, U.-K. (2021). The impact of restaurant recommendation information and recommendation agent in the tourism website on the satisfaction, continuous usage, and destination visit intention. SAGE Open, 11(4), 215824402 11046947. [https://doi.org/10.1177/21582440211046947]
  • Shopify Staff. (2025, August 26). How AR try-on clothes work: Benefits of virtual try-on. Shopify Blog. Retrieved August 25, 2026, from https://www.shopify.com/blog/ar-try-on-clothes
  • Statista. (2024a). Apparel - South Korea: Market forecast. Statista. Retrieved March 30, 2025, from https://www.statista.com/outlook/cmo/apparel/south-korea
  • Statista. (2024b). Global retail e-commerce sales 2014-2027. Statista. Retrieved March 30, 2025, from https://www.statista.com/statistics/379046/worldwide-retail-e-commerce-sales/
  • Tang, Y., Shen, Y., Bu, J., & Feng, D. (2026). Digital institutions and virtual involvement of born-digital firms. Journal of International Business Studies, 57(6), 833-854. [https://doi.org/10.1057/s41267-025-00825-8]
  • Taobao. (n.d.). Taobao [Mobile application]. Taobao. Retrieved March 30, 2025, from https://www.taobao.com
  • Trivedi, J. P., & Trivedi, H. (2018). Investigating the factors that make a fashion app successful: The moderating role of personalization. Journal of Internet Commerce, 17(2), 170-187. [https://doi.org/10.1080/15332861.2018.1433908]
  • Voorhees, C. M., Fombelle, P. W., Gregoire, Y., Bone, S., Gustafsson, A., Sousa, R., & Walkowiak, T. (2017). Service encounters, experiences and the customer journey: Defining the field and a call to expand our lens. Journal of Business Research, 79, 269-280. [https://doi.org/10.1016/j.jbusres.2017.04.014]
  • Walmart. (n.d.). Walmart Fashion [Website]. Walmart. Retrieved March 30, 2025, from https://www.walmart.com/cp/clothing/5438
  • Wang, S., Liu, H., Li, Z., & Zhang, S. (2025). Security risks and regulation of cross-border e-commerce in digital economy. Journal of Electronic Business & Digital Economics, 4(2), 385-401. [https://doi.org/10.1108/JEBDE-12-2024-0053]
  • Wu, Y., Nambisan, S., Xiao, J., & Xie, K. (2022). Consumer resource integration and service innovation in social commerce: The role of social media influencers. Journal of the Academy of Marketing Science, 50(3), 429-459. [https://doi.org/10.1007/s11747-022-00837-y]
  • Wulfert, T., Woroch, R., & Strobel, G. (2024). Follow the flow: An exploratory multi-case study of value creation in e-commerce ecosystems. Information & Management, 61(8), 104035. [https://doi.org/10.1016/j.im.2024.104035]
  • Yang, Q., Wang, Z.-S., Feng, K., & Tang, Q.-Y. (2024). Investigating the crucial role of logistics service quality in customer satisfaction for fresh e-commerce: A mutually validating method based on SERVQUAL and service encounter theory. Journal of Retailing and Consumer Services, 81, 103940. [https://doi.org/10.1016/j.jretconser.2024.103940]
  • Zalando. (2023, April 24). Zalando brings a virtual fitting room pilot to millions of customers. Zalando Corporate. Retrieved March 30, 2025, from https://corporate.zalando.com/en/technology/zalando-brings-virtual-fitting-room-pilot-millions-customers
  • Zalando. (n.d.). Zalando [Website]. Zalando. Retrieved March 30, 2025, from https://www.zalando.de
  • Zhang, Z., & Zhang, F. (2024). Optimal operation strategies of an urban crowdshipping platform in asset-light, asset-medium, or asset-heavy business format. Transportation Research Part B: Methodological, 189, 102992. [https://doi.org/10.1016/j.trb.2024.102992]
  • Zigzag. (n.d.). Zigzag [Mobile application]. Zigzag. Retrieved March 30, 2025, from https://zigzag.kr

Fig. 1.

Fig. 1.
Three-stage content analysis procedure.

Fig. 2.

Fig. 2.
Adoption of 28 quality attributes across the 10 selected platforms.

Fig. 3.

Fig. 3.
Extended SWOT(TOWS) analysis for K-fashion platforms' global expansion strategy.

Table 1.

Selected platforms’ descriptive information

Country Platform Type Founded GMV / Revenue (2024) MAU (2024) Fashion Share
(% of Platform 2024/2025)
Note. n.d. = not disclosed in free data. * Amazon: exact 2025 ECDB fashion split is gated; value is the fashion & apparel share (~25%, stable across 2022–2027). Users. Compiled from Statista (2024a, 2024b), ECDB (2025), and the platform IR disclosure
Korea Musinsa Vertical 2001 KRW 110 billion 5.24 M 88%
Korea Ably Vertical 2018 KRW 34 billion 4.89 M n.d.
Korea Zigzag Vertical 2015 n/a 2.94 M n.d.
USA Walmart (Fashion) Horizontal 1962 USD 35,184 M (fashion) n/a 19%
USA Amazon (Fashion) Horizontal 1994 USD 26,536 M (fashion) n/a ≈25%
China Taobao (Fashion) Horizontal 2003 CNY 7,972 B n/a 31.0%
China Pinduoduo (Fashion) Horizontal 2015 +5.3pp YoY share n/a n.d.
China Shein Vertical 2008 USD 23,896 M (US online fashion) n/a 78%
Germany Zalando Vertical 2008 USD 2,529 M 51.8 M 91.9%
Germany Otto (Fashion) Horizontal 1949 USD 1,575 M 12.2 M 26%

Table 2.

Binary coding and qualitative content analysis of ten platforms across 28 ISS items

ISS Item Musinsa Ably Zigzag Amazon Walmart Taobao Pin duoduo Shein Zalando Otto Note
System Quality (SQ)
SQ1.
Transportation
× × × ○ ○ ○ × × × ○ In-house fleets only at Amazon (Amazon Logistics), Walmart, Taobao (Cainiao), Otto (Hermes); the K-fashion 3 and others outsource to third-party couriers (e.g., CJ Logistics).
SQ2.
Warehousing
○ ○ × ○ ○ ○ × ○ ○ × Proprietary warehousing at Musinsa (Musinsa Logistics), Ably (fulfillment center), Amazon (FBA), Walmart (WFS), Taobao (Cainiao), Shein, Zalando, Zigzag, Pinduoduo, Otto use parent/3PL or asset-light models.
SQ3.
Fulfillment
○ ○ × ○ ○ ○ × ○ ○ × In-house fulfillment at Musinsa, Ably, Amazon (FBA), Walmart (WFS), Taobao (Cainiao), Shein (SFS), Zalando, Zigzag, Pinduoduo, and Otto outsource the function.
SQ4.
Content production support
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Universal, but delivery differs: Musinsa (Studio/Terrace) and Ably (Partners/Makers) build in-house tools, whereas Zigzag leverages parent Kakao Style's assets.
SQ5.
SDK / API
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ All offer developer environments: Musinsa (Partner API), Ably (Admin API), while Zigzag depends the Kakao Style Developer Center.
SQ6.
Payment
○ × × ○ × ○ ○ × ○ × Proprietary payment at Musinsa (Musinsa Payments), Amazon (Amazon Pay), Taobao (Alipay), Pinduoduo, Zalando, Ably, Zigzag, and others integrate external PGs (e.g., Kakao Pay, Toss).
SQ7.
Infrastructure
× × × ○ × ○ × × × × Only Amazon (AWS) and Taobao (Alibaba Cloud) own c loud infrastruc ture; all others, inc luding K-fashion 3, run on third-party clouds.
Information Quality (IQ)
IQ1.
AI image search
○ ○ ○ ○ ○ ○ ○ ○ ○ × Near-universal visual search; the K-fashion 3 each provide image search (inc l. Zigzag Lens). Otto relies on partner Bonprix.
IQ2.
Outfit · Style feed
○ ○ ○ × × × × × ○ × A K-fashion signature: all three run curated style feeds (Musinsa Snap, Ably style feed, Zigzag curation); among global firms, only Zalando (Get the Look).
IQ3.
Social network · Creators
○ ○ ○ × ○ ○ × × ○ ○ K-fashion 3 embed c reator/community features (Musinsa Snap·Crew, Ably affiliate/community); among global Walmart, Taobao, Zalando, Otto, Amazon, Pinduoduo, Shein stay transaction-centric.
IQ4.
Beauty
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ The adjacent lifestyle category is offered across all ten platforms.
IQ5.
Homewear
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Home/lifestyle category is present on every platform.
IQ6.
Food
× ○ ○ ○ ○ ○ ○ × × × Carried mainly by broad-line marketplaces (Ably, Zigzag, Amazon, Walmart, Taobao, Pinduoduo), fashion specialists (Musinsa, Shein, Zalando, Otto) omit it.
IQ7.
Second-hand
○ × × ○ ○ ○ × ○ ○ × Resale channels are concentrated among larger players (Musinsa Soldout, Amazon Resale, Taobao Xianyu, Shein Exchange, Zalando Pre-owned); among K-fashion, only Musinsa.
IQ8.
Private label brand
○ × × ○ ○ × × ○ ○ ○ PB lines at Musinsa (Musinsa Standard), Amazon (Essentials), Walmart (No Boundaries), Shein, Zalando (Zign), Otto (Lascana); among K-fashion, only Musinsa.
IQ9.
Entertainment
○ ○ ○ × × ○ × × × × All K-fashion 3 weave in entertainment content (Musinsa TV, Ably webtoons/novels, live commerce); among global, only Taobao (Baba Farm).
IQ10.
AI content
○ ○ ○ ○ ○ ○ × × ○ × AI-driven content at Musinsa (Musinsa GPT, AI Trend Report), Ably (AI Playground), Zigzag (Zigbot), Amazon (Rufus), Walmart, Taobao (Wenwen), Zalando.
IQ11.
Offline store
○ × × ○ ○ ○ × × ○ × Offline retail touchpoints at Musinsa (incl. Musinsa Terrace), Amazon, Walmart, Taobao, Zalando; among K-fashion, only Musinsa runs an omnichannel presence.
Service Quality (SVQ)
SVQ1.
Real-time consultation
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Live chat/consultation is standard across all ten platforms.
SVQ2.
SLA disclosure
× × × ○ ○ ○ ○ ○ ○ × Explic it service-level commitments at every global player except Otto (e.g., Taobao 3-min, Pinduoduo 5-min); none of the K-fashion 3 disclose SLAs.
SVQ3. Delivery
tracking
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Order tracking is provided universally.
SVQ4.
Biometric authentication
○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Biometric login supported across all platforms.
SVQ5.
Granular option filtering
○ ○ ○ ○ × × × ○ ○ × Fine-grained filters at the K-fashion 3, Amazon, Shein, Zalando, Walmart, Taobao, Pinduoduo, and Otto are more limited.
SVQ6.
Eco-friendly packaging
○ × × ○ × × × × ○ ○ Sustainable packaging at Musinsa (FSC-certified), Amazon, Zalando, Otto; among K-fashion, only Musinsa; Chinese platforms are absent.
SVQ7.
Premium packaging
○ × × ○ ○ × × × ○ ○ Premium/gift packaging at Musinsa, Amazon, Walmart, Zalando, Otto; among K-fashion, only Musinsa.
SVQ8.
Product preservation device
○ × × × × × × × ○ ○ A rare feature; only Musinsa, Zalando, and Otto provide protective packaging/preservation devices.
SVQ9.
Global shipping
× × × ○ × ○ × × ○ ○ Cross-border logistics at Amazon (Global), Taobao (Cainiao), Zalando, Otto (within EU); the K-fashion 3 are limited to courier-based parcel export.
SVQ10.
Standardized return/refund
× × × ○ ○ × × × ○ ○ Formalized return/refund policies at Amazon (prepaid labels), Walmart, Zalando, Otto; absent at the K-fashion 3 and Chinese platforms.