B
핵심 아이디어
- 타깃
- 염색 시술 비중 40% 이상인 중소형 미용실 원장 (스태프 2-5명, 월 매출 1,500-5,000만원) — 특히 발레아쥬·탈색·판타지 컬러 등 고단가 시술로 톤 클레임 리스크가 큰 살롱
- 문제
- **염색 결과가 경험과 감에만 의존해 편차가 크고, 시술 후 변색·황변 클레임이 재방문률을 깎는다.** • 한국소비자원 미용서비스 피해 유형 중 '염색 결과 불만'은 매년 상위 3위 이내 • 월평균 클레임 건수·재시술 손실 비용이 원장 인터뷰(n≥15 목표)로 정량화 가능 • 미국 살롱 SaaS Phorest는 예약·고객 데이터 축적만으로 ARR $30M+ 달성 — 데이터 기록 자체가 살롱의 실질 페인포인트임을 산업이 증명
- 해결
- **스마트폰 촬영 한 장으로 시술 전후 톤을 AI가 정량 분석하고, 2주 후 고객 셀피로 변색까지 자동 추적한다.** • CIE L*a*b* 색공간 기반 분석 → ₩2,000짜리 표준 칼라카드 동봉으로 조명 편차 제거, 측색 오차 ΔE<2.0 달성 • 색채 엔진은 OpenCV + ColorPy 오픈소스 Fine-tuning으로 6개월 내 MVP 출시 • 0-6개월은 AI 보조 + 원장 최종 확인 구조로 신뢰 축적 후 자동화 단계 진입 — 분석 결과가 다음 시술 레시피를 자동 보정하는 피드백 루프 완성
- 차별화
- **기존 앱이 '시술 전 시뮬레이션'에서 끝나는 반면, DyeSpec은 풀사이클 QC에 더해 3중 이탈 방어벽을 구축한다.** • 데이터 모트: 살롱별 고객 색반응 프로필 6개월 이상 누적(살롱당 500건+) — 경쟁사로 전환 시 학습자산 전부 소멸 • 레시피 락인: 해당 살롱의 브랜드·시술자 손버릇에 맞게 AI가 개인화 — 이동 시 정확도 초기화 • 고객 이력 잠금: 모발 포러시티·베이스 톤·황변 이력이 앱에 귀속 — EHR SaaS가 의원 이탈을 막는 방식과 동일한 원리
핵심 기능
- 01
시술 전후 톤 AI 정량 분석 (촬영 환경 조명 자동 보정 포함, 뮌셀 체계 기반 수치화)
- 02
2주 후 고객 셀피 → 변색·황변도 자동 분석 + 동네 1km 내 A/S 재방문 알림 발송
- 03
모발유형 × 약제배합 × 시술시간별 최적 레시피 자동 추천 (피드백 루프로 매 시술 후 보정)
- 04
고객별 염색 히스토리 타임라인 (원장·스태프 공유, 담당자 변경 시에도 연속성 확보)
- 05
살롱 단위 염색 품질 대시보드 (스태프별 톤 매칭률·클레임률 비교)
시장과 비즈니스
수익 구조
| 핵심 모델 | **월정액 ₩89,000 (무제한 분석 + 레시피 DB) 구독 모델로 예측 가능한 MRR을 확보한다.** |
|---|---|
| 근거 01 | 한국 미용실 약 80,000개 중 타겟 SAM 16,000개 → 수도권 우선 타겟 4,000개 |
| 근거 02 | 40개(Year 1) → 200개(Year 2, MRR ₩17,800,000 / ARR ₩213,600,000) → 700개(Year 3) |
| 근거 03 | 살롱 입장에서 클레임 1건 방지(₩4-8만 손실) = 월정액 1달치 — ROI 즉시 체감 |
- 개발 기간
- 약 10주
- 시장 규모
- 전체 시장 한국 미용 서비스 시장 약 12조원유효 시장 염색 비중 높은 미용실 약 35,000개소 × 연 평균 염색 매출 ₩1.2억 = 약 4.2조원초기 목표 시장 수도권 염색 전문 살롱 200개소 × 연간 DyeSpec 이용료 ₩180만 = 약 3.6억원
- 시장 흐름
- rising
발견 근거
- 시장 신호
- 건설 현장(QC 검수 프로세스) × 톤/목소리 톤(→ 염색 톤 정밀도) × 소리 없는 세상(→ 비주얼 정량 소통으로 모호한 언어 대체)
- 분석 방식
- 이종 산업 프로세스 이식(건설 QC → 미용 QC) + TRIZ 피드백 루프(시술 결과가 다음 레시피 자동 보정)
- 포착 일자
- 2026.04.02