인간적인! 부분을 다루는 개념 → AI 에이전트들이 기계적으로 부정확한 추론 하는 경우 많음
사용자가 누구인가보다 사용자의 행위(솔루션 고용) 모델링에 집중한다.
사용자의 복잡한 행위 동기를 설명할 수 있다.
→ 사람들은 자신의 행동 동기에 대해서
JTBD는 “고객의 행위 동기를 파악하기 위한 심층
인터뷰구성에 좋다.” ⇒ JTBD는 고객의 행위 동기를 타게팅하여 “설득전략을 테스트하는 기준으로 삼기에도 좋다.”
서비스 접속에 대하여 A와 B 두 버전 사이의 트래픽을 분리하여 어느 버전에서 전환 효과 및 원하는 작업 유도 효과가 높은지를 파악하는
유저 실험
AB180 Blog | A/B 테스트로 성과 내고 싶다면 꼭 알아야 할 핵심 설계 팁
MMP(모바일 측정 파트너)란? 모바일 마케팅의 단짝친구
Airbridge Web + App Attribution
| 대표 실수 | 왜 문제인가? | 교정 기준 |
|---|---|---|
| 1. 실험 목표가 불명확함 | 클릭을 늘리고 싶은지, 실제 행동 완료를 늘리고 싶은지 알 수 없으면 결과 해석이 어려움 | 실험 전에 목표 행동 1개를 명확히 정한다 |
| 2. A안 기준선 없이 시작함 | 현재 화면의 성과를 모르면 B안이 좋아진 것인지 판단할 수 없음 | 현재 화면 A의 노출, 클릭, 목표 행동 완료 데이터를 먼저 확인한다 |
| 3. 여러 변수를 동시에 바꿈 | 헤드라인, CTA, 가격, 기능, 화면 구조를 한 번에 바꾸면 무엇이 영향을 줬는지 알 수 없음 | B안에서는 핵심 전환 논리 1개만 바꾼다 |
| 4. 테스트 기간이나 표본이 너무 작음 | 특정 요일, 특정 유입, 우연한 행동을 성과로 착각할 수 있음 | 충분한 노출 전까지는 “확정”이 아니라 “학습 신호”로 해석한다 |
| 5. 사용자 세그먼트를 섞음 | 서로 다른 고객군은 반응 이유가 다르기 때문에 메시지 효과를 판단하기 어려움 | 하나의 테스트에는 하나의 Job Story만 사용한다 |
| 6. 클릭률만 보고 성공 판단함 | 자극적인 문구로 클릭은 늘었지만 실제 행동 완료가 줄어들 수 있음 | CTA 클릭률과 함께 목표 행동 완료율을 같이 본다 |
서비스 내부에서 “고객 전환점으로 작용하는 페이지”를 특정할 수 있다면 그곳에 핀포인트 적용합니다. 랜딩페이지의 히어로 섹션이나 상세정보 섹션에 해도 됩니다.
/jtbd-abtest 스킬 사용하기MVP 가 어느정도 기능적으로 구현되었다고 해서 AB 테스트를 바로 기능 요구사항으로 만들려고 하면, 복잡성과 분량에 압도될 수 있습니다. ⇒ AB 테스트 설계를 또하나의 Product 스펙 기준점으로 삼아서 (PRD 처럼) 상세 이슈 구현계획이 도출되는 단계 구분을 적용합니다.
https://github.com/wild-mental/jtbd-abtest-skill/blob/main/.agents/skills/jtbd-abtest/SKILL.md
*AB 테스트의 본질상, 기존의 제품 서비스 경험 자체를 좌우하는 형태의 요구사항이나 기능적인 침해가 발생해서는 안됨.*