Agentic Engine 가이드 (2) : 유저 행동 분석부터 운영 자동화까지, 그로스 루프 완성하기

1편에서의 이벤트 택소노미는 "어떤 데이터를 어떤 형태로 수집할 것인가"를 구축했습니다. 결과적으로 보고 싶었던 행동 데이터가 실시간으로 쌓이고, Agent가 만들어준 시각화 대시보드를 통해 복잡한 숫자 나열 없이 확인할 수 있게 됐습니다. 그러나 여기서 끝난다면, Agentic Engine의 기능에 절반도 사용하지 못하고 있는 것입니다.

우리는 이제 우리 서비스 어딘가에서 유저들의 이탈이 일어나고 있다는 건 알지만, 이들을 어떻게 다시 우리 서비스로 되돌아오게 할 수 있을지 고민하는 단계가 남아 있습니다. 유저 행동 분석을 기반으로 특정 세그먼트로 만들고, 세그먼트를 다시 CRM이나 메시징 툴과 연동하고, 각각의 세그먼트에 맞는 초개인화 카피를 짜서 캠페인을 설정해야 하는 과정이 있습니다.

분석에서 실행까지 수일에서 수주가 소요되는 경우가 많은 이유가 여기에 있습니다. 데이터가 없는 게 아니라, 데이터에서 실행까지 이어지는 구조가 없는 것입니다.

그로스 루프란 유저 데이터를 분석하고, 행동 기반 세그먼트를 만들고, 운영 캠페인을 실행하고, 그 결과를 검증해 다시 분석에 반영하는 반복 실행 사이클입니다.

그로스 루프는 4단계로 구성됩니다.

1. 분석: 유저 데이터를 기반으로 이탈 구간, 리텐션 곡선, 핵심 행동 경로를 파악합니다.
2. 세그먼트: 분석 결과를 바탕으로 행동 성향을 기반으로 한 유저 그룹을 만듭니다.
3. 운영: 세그먼트에 맞는 초개인화 캠페인을 실행합니다.
4. 검증: 캠페인 결과 데이터를 수집하고, 다음 분석에 실시간으로 반영합니다.

Agentic Engine은 비즈니스 맥락에 맞게 분석 쿼리를 실행하고, 세그먼트 조건을 정의하고, 운영 플랫폼에 연동하고, 결과를 다시 분석으로 돌려보내는 플로우를 한 번에 연결합니다. 이번 가이드 2편에서 Agentinc Engine이 유저 행동 분석부터 운영 자동화까지의 그로스 루프를 어떻게 완성하는지 알아보세요.

1. 수집된 유저 행동, 어떻게 읽을 것인가 — 퍼널, 리텐션, 경로 분석

1편에서 설계한 이벤트 택소노미가 여기서 본격적으로 사용됩니다. sign_up, 온보딩 완료(onboarding_step_completed), 첫 결제(first_purchase), 핵심 기능 사용(feature_used) 등의 이벤트가 각 분석의 재료가 됩니다. 이벤트 이름과 속성을 표준화해 두지 않았다면 이 단계에서 분석 자체가 불가능합니다.

본격적으로 유저 행동 분석을 시작하기 앞서, 여기에 유저 분석의 기본적인 3가지 유형이 있습니다. 각 분석마다 그로스에 필수적인 답변을 도출해낼 수 있는 핵심 질문들이 있습니다.

퍼널 분석은 "회원가입한 유저 중 몇 퍼센트가 핵심 기능을 사용했는가(아하 모먼트)", "결제 페이지에서 이탈하는 구간은 어디인가"를 답합니다. 단계별 이탈률을 숫자로 보여주기 때문에 어디에 먼저 개입해야 하는지 우선순위가 명확해집니다.

리텐션 분석은 특정 시점에 유입된 유저 그룹(코호트)이 시간이 지난 후에도 서비스를 계속 이용하는지를 측정합니다. 예를 들어, '1월 3주차에 가입한 유저들이 7일 후에도 앱을 다시 방문했는가'를 추적하는 것입니다.

경로 분석은 서비스 내에서 유저가 어떤 순서로 이동하는지를 추적합니다. 의도한 온보딩 프로세스로 움직이는 유저가 얼마나 되는지, 이탈 유저들은 어떠한 경로로 우리 서비스에서 나가는지에 대해서 각각의 유저 또는 세그먼트별로 확인 가능합니다.

퍼널 분석으로 이탈 구간을 찾고, 리텐션 분석으로 그 이탈이 언제 일어나는지 확인하고, 경로 분석으로 왜 이탈하는지 가설을 세웁니다.

2. Agent로 유저 행동 분석 자동화하기 — 바로 쓸 수 있는 3가지 프롬프트

Agentic Engine CLI를 사용하거나, Agentic Engine 솔루션을 사용한다면 앞으로의 프롬프트를 그대로 가져다 쓸 수 있습니다. 이벤트 이름만 실제 설정한 것과 같이 언급해주시면 됩니다.

Agentic Engine을 사용하면 복잡해 보이는 분석 작업이 반복 작업이 됩니다. 프롬프트를 입력하기만하면, 연결된 데이터에서 원하는 답을 도출하기 위한 분석 쿼리 실행, 결과 정리까지 처리합니다.

프롬프트 1: 퍼널 이탈 구간 찾기

유저 행동의 분석의 첫 번째 유형인 퍼널 별 전환율/이탈율을 찾아보겠습니다. 전편에서 구현해낸 뷰티 커머스 쇼핑몰 AURELLE 서비스 내에서, 웹사이트를 방문한 고객이 주문 완료까지의 긴 여정 속에서 어떤 단계에서 전환하거나 이탈하는지 확인하고 싶어, Agentic Engie 내 '분석 에이전트'에게 아래 내용을 질문했습니다.

지난 30일 동안 아래 퍼널의 단계별 전환율과 이탈률을 분석해줘.

퍼널 단계:
1. 사이트 방문
2. 상품 목록 노출
3. 상품 상세 조회
4. 장바구니 담기
5. 주문 시작
6. 주문 완료

가장 이탈률이 높은 구간을 강조하고, 그 구간에서 모바일과 데스크탑의 이탈률 차이가 유의미한지도 함께 알려줘.

분석 에이전트는 웹사이트에서 실시간 행동 데이터를 받아 대화창에서 언급한 이벤트와 이벤트 택소노미에 등록된 이벤트를 매핑합니다. 이후 각 단계별 고유 사용자와 전환율, 이탈률, 이탈자 수를 정확하게 측정해 보여줍니다. 와중에 제가 요청한 가장 이탈률이 높은 구간의 강조도 '장바구니 담기'를 볼드하여 정확하게 짚어낸 것을 볼 수 있습니다.

이탈률 상위 구간 내에서 모바일과 데스크탑 이탈률을 비교해, 통계적으로 유의한 차이가 없음을 확인받았습니다.

프롬프트 2: N일 코호트 리텐션 자동 계산

다음은 리텐션 분석의 활용 사례입니다. 분기 마지막 월을 시작하기 앞서, 지난 8주 동안의 서비스내 가입자와 그들이 얼마나 자주 서비스를 사용하고 있는지 확인하고자 아래같은 프롬프트를 입력했습니다.

지난 8주 동안 주차별로 가입한 코호트의 리텐션율을 계산해줘.

조건:
- 코호트 기준 이벤트: sign_up
- 리텐션 체크 이벤트: app_session_started (앱 세션 시작)
- 측정 시점: Day 1, Day 3, Day 7, Day 14, Day 30

출력 형식:
- 각 코호트별 리텐션 테이블 (행: 코호트 주차, 열: Day N 리텐션율)
- 전체 8주 평균 리텐션율
- 리텐션이 가장 높은 코호트와 가장 낮은 코호트를 비교해서 차이점 분석

리텐션이 평균 대비 20% 이상 낮은 코호트가 있으면 따로 표시해줘.

Agentic Engine은 회원가입 이벤트가 트리거된 유저를 코호트로, 앱 세션을 시작한 모든 코호트에 대한 리텐션 테이블을 구성합니다.

요청한 출력 형식에 맞게 에이전트가 테이블을 보여줍니다. 프롬프트 마지막 부분에 요청한 사항도 리텐션 최고 주차와 최저 주차의 상세 내용을 산출한 뒤, 코호트별 핵심 변수를 찾아서 인사이트를 도출해냅니다.

프롬프트 3: 유저 여정 심화 분석

마지막으로, 유저 여정에 대한 분석입니다. 여정 분석은 서비스 내 핵심 액션(아하 모먼트)을 실행한 유저의 첫 방문부터 핵심 행동까지의 움직임을 시계열로 파악할 수 있습니다. Aurelle의 아하 모먼트는 '주문 완료'이기 때문에, 주문 완료를 트리거한 유저의 여정을 추적해보고자 프롬프트를 만들어봤습니다.

최근 30일 동안 order_complete(주문 완료)를 한 유저들이 첫 방문부터 주문까지
거친 상위 5개 경로를 분석해줘.

분석 조건:
- 추적 이벤트: ta_page_show, product_list_view, category_filter_select,
  product_detail_view, journal_article_click, add_to_cart, cart_view,
  checkout_start, order_complete

- 경로는 ta_page_show 에서 order_complete 까지 이어진 이벤트 시퀀스로 정의
- 각 경로의 빈도와 평균 소요 시간을 함께 보여줘

추가로:
- 구매 전환 유저와 미전환 유저의 경로 차이 중 통계적으로 유의미한 이벤트가
  있으면 표시해줘
- "이 이벤트를 경험한 유저의 구매 전환율이 그렇지 않은 유저보다 X% 높다"는
  형식으로 핵심 행동 2~3개를 요약해줘

주문을 완료한 유저들의 상위 5개 구매 여정을 자동으로 추출합니다. 여정 패턴을 분석한 결과, 구매를 완료한 유저들은 공통적으로 '목록 → 상세 → 장바구니 담기' 단계를 거치는 것으로 확인됩니다. 또한 구매까지 소요된 시간을 분석하여, 해당 경로를 거친 유저들의 구매 전환 세션이 많다는 사실까지 함께 확인할 수 있습니다.

우리 서비스의 데이터와 연동해서 유저 여정을 분석해보고 싶다면> → 데모 체험 신청

3. 행동 기반 세그먼트 만들기 — 인구통계에서 행동으로

정밀한 유저 행동 분석이 가능하다는 것은 정밀한 유저 세그먼트을 만들 수도 있다는 뜻입니다. 인구통계 기반 세그먼트는 "이 타겟들은 이런 것을 좋아할 것이다" 라는 합리적인 추측에 기반한 메시지를 보내는 것이 가능하지만, 유저가 지금 우리에게 얼마나 중요한 고객인지 알려주지 않습니다. 행동 기반 세그먼트는 유저의 현재 상태를 보여주기 때문에 개입의 시점과 메시지를 훨씬 구체적으로 설계할 수 있습니다. 그저 "30대 남성 서울 거주자"가 아닌, "온보딩을 시작했지만 3일 안에 핵심 기능을 사용하지 않은 유저"처럼 서비스 내 행동 패턴으로 유저를 분류하는 것이 가능해집니다.

Salesforce의 State of Marketing 2024 보고서에 따르면, 마케터 대상 조사 기준으로 높은 퍼포먼스 마케터의 78%가 행동 데이터를 기반으로 고객 세그먼트를 구성한다고 합니다. 행동 기반 세그먼트가 이미 성과 높은 팀의 표준 방식이 되고 있다는 신호입니다.

세그먼트는 운영하는 서비스와 비즈니스에 따라서 천차만별이지만, 아래와 같이 범용적으로 사용할 수 있는 세그먼트 구성을 먼저 시도해볼 수 있습니다.

프롬프트 4: 세그먼트 생성하기

세그먼트 생성도 더 이상 수작업이 필요하지 않습니다. 생성하고 싶은 세그먼트의 이름과 원하는 조건을 대화창에 입력하면, Agent가 이를 해석해 조건에 맞는 유저 세그먼트를 자동으로 생성합니다. 조건을 직접 설계하기 어렵다면, 앞선 분석 과정에서 나눈 대화 내용을 기반으로 원하는 세그먼트를 만들어 달라고 요청하기만 하면 됩니다.

아래 조건에 해당하는 유저 목록을 추출해줘.

세그먼트 이름: 가입 미완료군

포함 조건:
- sign_up_start 이벤트 발생일로부터 72시간 이내
- sign_up_success 이벤트 없음

추가 분석:
- 이 유저들이 가장 많이 막히는 필드를 표시해줘
- entry_source(header_button / hero_cta)별로 이탈 양상이 다른지도 비교해줘

출력:
- 유저 ID, sign_up_start 시각, 마지막 이탈 필드, 채운 필드 수, 경과 시간
- 총 유저 수와 필드별 이탈 분포 요약

가입 미완료된 유저를 대상으로 세그먼트를 만들고자 프롬프트를 입력했습니다. 뾰족하게 세그먼트를 추출하기 위해서, 72시간 내에 '가입하기' 이벤트를 시작한 유저들 중 가입을 끝까지 완료하지 않은 유저를 조건으로 지정했습니다. 또한 어떤 부분에서 가입을 주저하는지 보기 위해, '가장 많이 막히는 필드를 표시해줘' 같은 추상적인 질문을 추가로 물어봤습니다.

Agentic Engine은 이벤트와 시간 조건에 맞는 유저 세그먼트를 실시간으로 생성하는 동시에, 회원가입을 완료하지 않은 유저의 이탈 지점을 분석합니다.

분석 결과, 회원가입 폼의 Password 필드에서 가장 높은 이탈률이 확인되었습니다. 이를 바탕으로 Password 입력 과정의 버그 여부나 과도하게 복잡한 비밀번호 정책이 이탈의 원인일 가능성을 즉시 파악하고, 추가적인 검증이 필요한 개선 포인트를 도출할 수 있습니다.

4. 세그먼트에서 운영 캠페인으로 — 분석이 실행으로 닫히는 구조

세그먼트의 진정한 가치는 단순히 특정 조건에 맞는 고객을 찾아내는 데서 끝나지 않습니다. 분석을 통해 발견한 고객 행동과 인사이트를 실제 마케팅 액션으로 연결할 때 비로소 비즈니스 성과를 만들어낼 수 있습니다. 대표적인 활용 사례는 다음과 같습니다.

온보딩 자동화:

회원가입은 완료했지만 첫 구매까지 이어지지 않은 고객을 대상으로, 구매 여정의 다음 단계를 안내하는 인앱 메시지 또는 이메일 시퀀스를 실행합니다. 예를 들어, “관심 상품을 찜하고 첫 구매 쿠폰을 받아보세요” 또는 “배송지 등록을 완료하면 바로 주문할 수 있습니다”와 같이 고객이 구매를 완료하기 위해 필요한 행동을 구체적으로 제안합니다.

구매 전환 유도:

상품을 여러 번 조회하거나 장바구니에 담았지만 구매하지 않은 잠재 고객에게는 행동 맥락에 맞는 전환 메시지를 전달합니다. 단순히 모든 고객에게 할인 쿠폰을 제공하는 것이 아니라, “최근 확인한 상품 A가 아직 구매 가능하며, 현재 무료 배송 혜택을 받을 수 있습니다”처럼 고객의 관심 상품과 구매 의도를 반영한 메시지가 구매 전환율을 높일 수 있습니다.

리텐션 캠페인:

최근 구매 이후 재방문하지 않는 고객이나 이탈 가능성이 높은 고객에게 맞춤형 재방문 캠페인을 실행합니다. 마지막 구매일, 자주 구매한 카테고리, 평균 구매 주기 등의 데이터를 기반으로 메시지를 개인화할 수 있습니다. 예를 들어 “지난번 구매하신 스킨케어 제품의 재구매 시기가 다가왔습니다”와 같이 고객의 구매 경험과 연결된 메시지가 단순한 신상품 알림보다 높은 반응을 이끌어냅니다.

업셀·크로스셀:

특정 카테고리에서 반복 구매하거나 높은 구매 가치를 보이는 VIP에게 개인화된 상품 페이지나 프리미엄 상품을 제안합니다. 예를 들어 운동화를 구매한 고객에게 개인화 할인율이 들어간 양말·케어 랜딩페이지 관련 푸시 메시지를, 특정 브랜드를 지속적으로 구매하는 고객에게 신상품 및 프리미엄 라인을 소개하는 방식입니다. 고객의 구매 패턴을 기반으로 적절한 상품을 제안할 때 추가 구매와 고객 생애 가치(LTV) 향상을 기대할 수 있습니다.

프롬프트 5: 세그먼트 생성하기

Agentic Engine은 분석 결과로 생성된 세그먼트를 CRM 캠페인과 연동하여, 각 고객의 행동 단계와 구매 의도에 맞는 개인화된 메시지를 자동으로 실행할 수 있습니다. 이를 통해 고객을 일괄적으로 관리하는 것이 아니라, 구매 여정의 각 단계에 맞는 최적의 경험을 제공할 수 있습니다.

이번에는 '가입 미완료'가 아닌 '장바구니 이탈' 세그먼트 대상으로, 이들에게 구매 전환을 유도하기 위한 캠페인을 진행하고자 합니다. 아래 프롬프트로 Agent에게 개인화된 운영 캠페인 제작 및 A/B테스트 안을 만들어달라고 요청했습니다.

아래 세그먼트를 운영 플랫폼으로 내보내고 캠페인을 설정해줘.
대상 세그먼트: 장바구니 이탈군

캠페인 설정:
- 채널: 문자 메시지(연동된 플랫폼 기준)
- 발송 시점: 마지막 add_to_cart 로부터 4시간 후
- 개인화 변수: 이탈한 상품명, 가격, 장바구니 합계, 보유 쿠폰율
- 카피 방향: 일반 프로모션이 아니라 "장바구니 담아두신 [상품명]" 처럼

그 사람이 실제로 본 상품을 언급하는 형태로 3개 안을 제안해주고, 안마다 A/B테스트를 진행하고 싶어.

이번에는 ‘가입 미완료’ 세그먼트가 아닌, ‘장바구니 이탈’ 세그먼트​를 대상으로 구매 전환을 유도하는 캠페인을 설계합니다.

Agent에게 해당 유저군의 행동 데이터를 기반으로 개인화된 운영 캠페인과 A/B 테스트 방안을 생성하도록 요청했습니다.

그 결과, 구매 이탈 원인을 고려한 개인화 변수로 상품 리마인드, 쿠폰 활용, 장바구니 마무리 3가지 전략을 도출했습니다.각 전략별로 서로 다른 메시지 방향의 카피를 2개씩 생성하여, 총 6개의 A/B 테스트 플로우를 구성했습니다.

이를 통해 어떤 메시지와 접근 방식이 장바구니 이탈 고객의 구매 전환에 가장 효과적인지 캠페인이 종료된 뒤 확인할 수 있습니다.

5. 루프 완성 — 검증하고 반복한다

분석이 세그먼트를 만들고, 세그먼트가 캠페인을 실행하고, 캠페인 결과가 다시 분석으로 돌아오는 루프입니다. 루프가 완성되려면 마지막 단계, 검증이 있어야 합니다.

검증 없는 루프는 반복만 하고 개선하지 않습니다. 어떤 캠페인이 효과가 있었는지, 어떤 메시지가 전환율을 높였는지 측정하지 않으면 다음 사이클이 더 나아지지 않습니다. Amazon, Booking.com 같은 기업들이 연간 수만 건의 실험을 운영한다는 사실은 잘 알려져 있습니다. 실험을 반복 실행하는 구조 자체가 의사결정 속도와 정확도를 높이는 방식이기 때문입니다.

프롬프트 6: A/B 테스트 결과 자동 분석

앞서 진행한 운영 캠페인 역시 Agentic Engine을 통해 성과 분석과 인사이트 도출까지 자동화할 수 있습니다.

장바구니 이탈군에게 운영 실행한거, A/B 테스트 결과를 분석해줘.

테스트 설정:
- 배정 단위: 유저 
- 세그먼트: 장바구니 이탈군
- 측정 기간: 메일 발송 후 7일

분석 항목:
- 각 그룹의 오픈율
- 클릭율
- 발송 후 7일 내 order_complete 전환율 (발송 대상 전체 기준, ITT)
- 통계적 유의성 검증

결론:
- 어느 버전이 주문 전환율에서 통계적으로 유의미하게 높은가
- 그렇지 않다면 현재 샘플 크기 기준으로 유의미한 결과를 얻으려면
  테스트를 얼마나 더 진행해야 하는가
- 다음 테스트 주제로 제안할 가설 1개

Agentic Engine은 각 캠페인별 클릭률과 주문 전환 성과를 비교하고, 통계적 검증을 기반으로 가장 효과적인 안을 도출합니다. 또한 현재 데이터만으로 충분한 판단이 가능한지, 추가 테스트가 필요한지까지 분석해 다음 실험 방향을 제안합니다.

저의 A/B 테스트 에이전트는 A1안이 가장 높은 전환율을 기록했지만, 통계적으로 유의미한 승자로 확정할 수 없다고 판단했습니다. A1 vs A2, 개인화안 A vs 비개인화안 C 모두 유의미한 차이가 없었으며, 개인화 전략의 우위보다는 B안의 낮은 성과가 전체 결과에 영향을 미쳤을 가능성이 높다고 분석했습니다.

AI Agent가 완성하는 그로스 루프 Workflow

지금까지 유저 행동 분석부터 운영 캠페인 실행까지 이어지는 그로스 루프와, 각 단계에서 AI Agent가 어떻게 활용될 수 있는지 살펴보았습니다. 이 4가지 과정을 하나의 자동화된 흐름으로 연결하면, AI Agent가 직접 그로스 루프를 완성하고 반복적인 분석과 실행 과정에서 사람의 개입을 최소화할 수 있습니다.

1단계: 이탈 구간 감지 및 이상 알림

AI Agent가 온보딩 2단계 이탈률 급증과 같은 이상 패턴을 자동으로 감지하고 팀 채널에 알립니다. 매일 대시보드를 확인하지 않아도, 사전에 설정한 기준을 벗어나는 순간 즉시 대응할 수 있습니다.

2단계: 원인 분석 및 가설 도출

알림을 받은 PM은 Agent에게 “온보딩 2단계에서 이탈한 유저와 완료한 유저의 행동 차이를 분석해줘”라고 요청할 수 있습니다. Agent는 두 그룹의 디바이스 분포, 이전 단계 체류 시간, 이탈 직전 이벤트 패턴 등을 비교해 이탈 원인에 대한 가설을 제시합니다.

3단계: 세그먼트 생성 및 캠페인 실행

Agent는 “온보딩 2단계에서 이탈한 유저 중 최근 48시간 이내 이탈한 유저”와 같이 조건에 맞는 세그먼트를 즉시 생성하고, 연동된 메시징 툴로 전달합니다. 이후 팀은 해당 유저군에 맞는 인앱 메시지나 이메일 캠페인을 실행할 수 있습니다.

4단계: 결과 추적 및 다음 사이클 반영

캠페인 실행 이후 AI Agent는 일정 기간 동안 온보딩 완료율 변화를 자동으로 추적하고, 캠페인 결과를 기존 이탈 분석과 연결해 다음 개선 사이클의 인사이트로 활용합니다.

1편에서 이벤트 택소노미를 설계하고, 2편에서 그 데이터로 그로스 루프를 완성했습니다. 분석이 세그먼트가 되고, 세그먼트가 캠페인이 되며, 캠페인의 결과가 다시 분석으로 이어지는 구조입니다. 이제 이 전체 과정을 SQL 작성이나 분석가의 도움 없이 실행할 수 있는 방법까지 확인했습니다.

결국 ThinkingAI의 Agentic Engine은 이 그로스 루프의 각 연결 지점을 자동화합니다. 이탈 감지부터 원인 분석, 세그먼트 생성, 운영 플랫폼 연동, A/B 테스트 검증까지 이어지는 전체 사이클을 PM과 마케터가 직접 실행할 수 있도록 지원합니다.

데이터를 발견하는 것에서 끝나는 것이 아니라, 인사이트를 실행으로 연결하고 다시 학습하는 자동화된 그로스 루프를 구축할 수 있습니다.

Agentic Engine이 우리 팀의 그로스 루프에서 어떤 단계를 자동화할 수 있는지 지금 확인해 보세요.

데모 체험 신청 →