이벤트 택소노미(Event Taxonomy)는 데이터 분석의 꽃이자 핵심입니다. 사용자의 행동 데이터를 수집하기 위해 이벤트와 속성을 체계적으로 정의하고 분류하는 과정이며, 유저가 서비스 안에서 무엇을 하는지를 일관된 언어로 기록하는 설계도입니다. 이벤트 택소노미가 제대로 잡혀 있지 않으면, 분석은 매번 다른 숫자를 내놓고, 잘못된 데이터를 보고 잘못된 의사결정을 하는 회의가 매주 열리게 됩니다.
AI를 활용해도 이벤트 택소노미는 중요합니다. 연구와 업계 분석에 따르면 AI 전환의 실패율은 80% 이상으로 보고되며, 실패의 핵심 원인은 대부분 같은 곳에서 수렴합니다. 모델의 성능이 부족해서가 아닙니다. 그 모델이 기댈 데이터 구조, 즉 거버넌스와 택소노미가 제대로 구축되지 않아서 입니다. AI는 항상 준비됐지만, 데이터가 준비되지 않은 것입니다.
이벤트 택소노미를 포함한 많은 트래킹 정책 설계는 항상 스프레드시트 어딘가에서 멈추고, 설계한 이벤트는 3주 뒤에야 트리거가 잘못됐다는 걸 차트로 알게 됩니다.
문제는 이러한 상황에 대해 대부분 인식하고 있지만 해결은 어려운 상황입니다. 플랜 작성, SDK 연결, 이벤트 검증, 지표 정의 합의까지 너무 많은 공수가 필요하기 때문입니다. 전임자가 만들어놓은 엑셀의 수많은 데이터들을 일일이 확인하고 택소노미를 재설계한다는 것은 말로만 들어도 골치 아픈 일이죠.
ThinkingAI의 Agentic Engine은 이 과정을 익숙한 환경에서 처음부터 끝까지 설계하고 자동화할 수 있게 해줍니다. 활용하는 코딩 에이전트에게 각 단계를 위임하고, 프롬프트를 붙여넣으면 데이터를 처리합니다. 결과는 프로덕션에 반영되기 전에 Agentic Engine 화면에서도 직접 확인할 수 있습니다.
이번 아티클에서는 Agentic Engine의 CLI 기능을 활용하여, 서비스의 비즈니스 로직을 기반으로 이벤트 택소노미를 설계하고, 이를 통해 분석 대시보드까지 생성하는 방법을 알아보겠습니다.
실제 이벤트 택소노미 자동화 과정을 구현하기 위해 가상의 온라인 뷰티 쇼핑몰 'Aurelle'을 만들었습니다. 이 웹사이트는 Next.js 기반으로 제작되었으며, 온라인 화장품 자사몰의 기본적인 기능(회원가입, 장바구니, 제품 콘텐츠 카드)이 동작하고 있습니다.
시작 전 준비사항
Node 18 이상의 환경, 코딩 에이전트, 그리고 Agentic Engine 계정이 필요합니다. (앱/웹 등 유저 행동 추적이 가능한 서비스도 있어야 합니다)
설치는 간단합니다. 터미널에서 CLI와 스킬을 설치한 뒤, Agentic Engine 계정을 연결하면 사용하는 코딩 에이전트 내에서 바로 호출 가능합니다.
npm install -g @thinkingai/ae-cli
npx skills add ThinkingAIAgenticEngine/ae-cli -g -y
ae-cli auth login첫 번째 명령어는 ae-cli를 전역으로 설치합니다. 두 번째는 에이전트가 AE를 구동할 수 있도록 AE 스킬을 추가합니다. ae-cli auth login 명령어는 CLI를 Agentic Engine 계정에 연결합니다. 최초 1회만 하면 지속적으로 연결됩니다.
1단계. 트래킹 플랜 생성
이벤트 택소노미은 보통 스프레드시트에 수작업으로 며칠을 매달리는 작업이고, 설계 관점의 차이를 극복하기 위한 개발자와 기획자간의 커뮤니케이션에도 많은 시간이 소요됩니다. 이제 Agentic Engine으로 단 몇 분 만에 인터랙티브하게 플랜을 만들고, 업로드 전에 충분히 검토할 수 있는 환경이 마련됩니다.
웹사이트 프로젝트 폴더를 지정한 코딩 에이전트에 바로 아래 프롬프트를 붙여넣기만 하면 됩니다.
현재 웹사이트 프로젝트(Next.js)를 기반으로 세 가지 시나리오에 대한 트래킹 를 생성해줘:
회원가입 전환, 콘텐츠 탐색, 장바구니 담기.
이벤트명은 snake_case를 사용하고, 공통 속성은 별도 테이블로 정리해줘.
이벤트 테이블과 속성 테이블을 먼저 보여줘서 내가 확인한 후에 업로드해줘.
각 이벤트에 트리거시점과 검수 기준을 명시해줘.즉시 CLI 구동 가능 여부를 판단하고 프로세스 가동을 시작합니다.
먼저 해당 프로젝트의 소재에 맞는 이벤트 모델 추출 방법을 선택해야합니다. Agentic Engine이 'Aurelle'이 웹사이트 프로젝트 기반임을 파악하고 코드베이스를 기본 값으로 선정하라고 권장합니다. 답변을 하면 Agentic Engine이 프로젝트 스캔을 시작합니다.
에이전트가 자동으로 코드베이스를 분석해 'AURELLE' 웹사이트의 여러 기능을 감지하고 비즈니스 로직을 파악합니다.
Agentic Enigne이 비즈니스 로직을 읽고 'AURELLE'의 수익 모델과 핵심 루프를 도출했습니다. 이를 기반으로 메인 시나리오와 엔진이 구축할 이벤트 모듈을 작성해줍니다. 회원가입, 콘텐츠 탐색, 장바구니를 웹사이트의 코어 기능으로 읽어낸 것 뿐만 아니라, 결제에 관련된 코드를 내부에서 발견했지만 웹 상에서 구현되지 않는 것을 발견하고 이를 시나리오에 포함할지 되물었습니다.
사용자가 확인하면, 각 시나리오에 맞는 이벤트 테이블과 트리거 발생 시점, 검수 기준을 설계합니다. 방금 전 메인 시나리오로 지정한 회원가입 전환, 콘텐츠 탐색, 장바구니 담기 3개의 시나리오로 총 17건의 이벤트를 만들어냈습니다.
이후 모든 이벤트에 붙는 공통 이벤트 속성을 설계합니다. 각 속성마다 메인 시나리오에서의 역할과 Null 값의 대한 대체 규칙도 확인할 수 있습니다.
마지막으로 각 메인 시나리오 이벤트 속성 테이블과 사용자 속성 테이블을 만들어줍니다.
사용자가 승인하면 Agencting Engine 내 분석 모듈에 이벤트 트래킹 정책을 업로드합니다. 이후 사용자는 Agentic Engine의 '데이터 관리' 설정에서 모든 이벤트가 표시되는지 체크만 하면 됩니다.
2단계. 이벤트 트래킹 코드 설치 & 검증
자 이제 기본적인 이벤트 택소노미는 완료됐습니다. 하지만 이벤트를 실제로 트래킹하기 위해선 SDK 연동과 호출을 위한 코드 작성이 필요합니다. 이를 구현하기 위해선 반드시 개발자와의 협업이 필요합니다. 그러나 기획자와 개발자간의 이벤트 설계 관점의 차이는 필연적으로 발생하며, 이를 방지하기 위한 커뮤니케이션 작업에서 잦은 휴먼 에러와 리소스 낭비가 나타날 수 있습니다.
Agentic Engine을 활용하면 이벤트 택소노미를 만들어낸 대화창에서 즉시 트래킹 코드를 생성하고, 이식할 수 있습니다.
이러한 트래킹 코드 설치 작업은 아래 프롬프트로 시작할 수 있습니다.
/ae-generate-tracking-code에이전트가 프로젝트 구조를 분석해 적절한 위치에 이벤트 트래킹 코드를 자동으로 삽입합니다. 이벤트는 중앙에서 관리되므로 유지보수가 쉽고, 코드 적용 후에는 프로덕션 빌드를 실행해 오류 여부까지 검증합니다. 또한 배포 전에 모든 이벤트가 실제로 발화하는지, 플랜과 하나씩 대조해서 확인할 수 있습니다. 기존에 사람이 수작업으로 진행했던 작업을 Agent가 처리해 리소스를 효율화할 수 있습니다.
이벤트를 하나씩 확인하면서 디버그 검증을 진행해줘.
에이전트가 서버를 열고 실제 브라우저(playwright)를 구동해 모든 이벤트를 트리거한 뒤, 수신된 내용을 플랜과 이벤트 단위로 대조합니다. 구조 검증 뿐만 아니라 테스트 하면서 발생한 오류들을 실시간으로 디버깅합니다.
<hr />3단계. 지표 지식 베이스 구축
분석은 두 사람이 같은 지표를 서로 다르게 정의하는 순간 무너집니다. 실제로 많은 회의에서 "구매 전환율에 환불 고객이 포함되나요?", "활성 사용자의 정확한 기준은 무엇인가요?" 같은 논의에 적지 않은 시간을 쓰곤 합니다.
지식 베이스는 이러한 정의의 불일치를 해결합니다. 이벤트, 속성(Property), 지표의 계산 방식, 비즈니스 용어를 한곳에서 관리해 사람과 AI 모두가 동일한 기준을 참조하도록 만듭니다. 그 결과 매번 정의를 다시 확인하는 대신 분석과 의사결정에 집중할 수 있으며, 이벤트 택소노미 역시 조직 전반에서 일관된 기준으로 활용될 수 있습니다.
Agentic Engine은 앞서 정의한 이벤트 택소노미를 기반으로 지식 베이스를 구축하고, 이를 AI가 이해할 수 있는 컴파일 규칙으로 변환합니다. 이를 통해 조직 구성원은 이벤트와 지표의 정의를 쉽게 이해하고 공유할 수 있을 뿐 아니라, AI 역시 이벤트 간의 관계, 지표의 계산 방식, 비즈니스 맥락까지 함께 이해합니다. 결과적으로 AI는 조직의 실제 데이터 구조를 기반으로 더욱 정확한 분석과 답변을 제공할 수 있습니다.
"웹사이트 지표 정의"라는 이름의 지식 베이스를 만들고,
트래킹 플랜과 내가 업로드하는 지표 정의 문서를 추가해줘.
컴파일이 완료되면 다음 질문에 답해줘:
웹사이트 회원가입 전환율의 분자와 분모는 무엇이고, 어떤 이벤트 데이터를 사용하는지?
답변에는 출처를 반드시 인용해줘.잠시 후 Agentic Engine의 '지식 베이스(Knowledge Base)' 메뉴에서 'AURELLE' 웹사이트의 이벤트와 지표를 기반으로 생성된 지식 베이스를 확인할 수 있습니다.
또한 CLI에서는 앞서 입력한 프롬프트에 대한 AI의 응답을 확인할 수 있습니다. 이는 LLM이 단순히 일반적인 지식을 활용하는 것이 아니라, 구축된 지식 베이스를 근거로 조직의 이벤트와 지표를 이해하고 분석 결과를 생성한다는 것을 확인할 수 있습니다.
여기서 끝이 아닙니다. Agentic Engine의 지식 베이스는 이벤트 택소노미만 저장하는 공간이 아니기 때문입니다 구축된 지식 베이스를 기반으로 CRM, 주문·결제 데이터, 회원 정보와 같은 정형 데이터는 물론, VOC, 고객 상담 내역, 리뷰, 운영 문서와 같은 비정형 데이터까지 함께 연결할 수 있습니다. 이를 통해 AI는 단순히 이벤트와 지표만 이해하는 것이 아니라, 비즈니스의 실제 운영 맥락까지 함께 이해하게 됩니다.
그 결과 "구매 전환율이 왜 하락했는가?"와 같은 질문에도 단순히 수치를 보여주는 것을 넘어, 고객 피드백과 운영 이슈, 캠페인 변화 등 다양한 데이터를 종합적으로 분석하여 비즈니스 맥락에 맞는 인사이트를 제공합니다. 즉, 이벤트 데이터는 더 이상 개별 로그가 아니라, 조직의 모든 데이터와 연결된 지식으로 확장됩니다.
4단계. 대시보드 생성
지금까지 만든 이벤트 택소노미가 정상적으로 동작하고 데이터 수집이 시작됐다면, 이제는 이를 활용해 리포트를 생성할 차례입니다.
에이전트는 앞서 구축한 이벤트 택소노미와 지식 베이스를 기반으로 사용자가 대화창에 입력한 자연어를 프로젝트의 실제 이벤트와 지표에 자동으로 매핑합니다.
"회원가입 퍼널을 분석해줘", "최근 7일간 구매 전환율이 감소한 원인을 알려줘"와 같은 요청도 추측에 의존하지 않고, 프로젝트에서 정의된 이벤트와 지표를 기준으로 정확하게 해석합니다.
"웹사이트 지표 정의"의 정의를 기반으로
"웹사이트 전환 개요"라는 대시보드를 생성하고 리포트 3개를 만들어줘:
1) 최근 30일간 일별 UV 추이
2) 회원가입 퍼널: page_view → register_click → register_submit
3) 가입 완료 사용자의 7일 리텐션
대시보드가 완성되면 링크를 보내줘.
이후 에이전트는 요청한 내용을 바탕으로 분석 리포트를 생성하고, 핵심 지표와 인사이트를 대시보드 형태로 시각화합니다.
요청한 분석 주제에 맞춰 적절한 차트와 대시보드를 자동으로 구성해, 누구나 한눈에 이해할 수 있는 사용자 행동 분석 리포트를 생성합니다.
Agentic Engine으로 완성하는 그로스 루프
지금까지 Agentic Engine을 활용해 이벤트 택소노미를 정의하고, 트래킹 코드를 생성·적용한 뒤, 지식 베이스를 완성하고 자연어 기반 분석 리포트까지 생성하는 전체 과정을 살펴봤습니다.
이번 예시는 온라인 쇼핑몰을 대상으로 했지만, 이러한 접근 방식은 게임, B2B SaaS, 핀테크, F&B 등 유저 행동 기반 데이터를 활용하는 다양한 산업에도 동일하게 적용할 수 있습니다. 중요한 것은 산업군이 아니라 비즈니스의 이벤트를 일관된 기준으로 정의하고, AI가 이해할 수 있는 형태로 연결하는 것입니다.
하지만 이것이 끝은 아닙니다. 데이터를 수집하고 분석 리포트를 확인하는 것은 시작에 불과합니다. 진정한 가치는 분석 결과를 바탕으로 문제를 발견하고, 개선 방안을 도출하며, 실제 운영과 실행까지 이어지는 그로스 루프를 만드는 것에 있습니다.
Agentic Engine은 이러한 과정도 지원합니다. 분석 결과를 기반으로 캠페인 실행, 사용자 세그먼트 관리, 개인화 액션, A/B 테스트 제안까지 하나의 워크플로우로 이어져 분석에서 실행까지의 흐름을 자연스럽게 연결합니다.
다음 편에서는 Agentic Engine을 활용해 분석 이후의 운영까지 AI와 함께 수행하는 방법, 그리고 지속적인 성장을 위한 AI 기반 그로스 루프를 만드는 과정을 소개하겠습니다.
우리 서비스에도 Agentic Engine을 적용해보고 싶다면?
이벤트 택소노미 설계부터 AI 기반 분석 리포트까지, 실제 데이터를 활용한 데모를 통해 Agentic Engine이 비즈니스에 어떤 가치를 제공하는지 직접 확인해 보세요.
