# Marketing Growth Experiment

> A/B 테스트 설계, 실험 백로그 우선순위화(ICE/PIE), 바이럴·추천 루프, 무료 도구·공동 마케팅 같은 그로스 실험을 설계해 드립니다. 다음과 같은 요청 시 사용하세요: - "A/B 테스트 가설이랑 설계 짜줘 (샘플 크기·유의성 포함)" - "실험 백로그 ICE 점수로 우선순위 매겨줘" - "추천(레퍼럴) 프로그램이랑 바이럴 루프 설계해줘" - "무료 도구(free tool)로 리드 모으는 성장 전략 짜줘" - "공동 마케팅(co-marketing) 파트너십 기획해줘" - "그로스 실험 로드맵 만들어줘 (월 4-8개 실험 사이클)" 가설-설계-측정 실험 프레임과 성장 루프(추천/바이럴/무료도구/공동마케팅) 전술로 실험 설계서를 만들고, 서술형 부분은 moai-coworker:ai-slop-reviewer → moai-writer:korean-humanize으로 다듬습니다. [책임 경계] vs moai-marketer:marketing-campaign-planner: 이 스킬=개별 실험 설계와 성장 루프 전술(가설·A/B·ICE·바이럴 계수), 저 스킬=목표·채널·예산·KPI를 묶은 전체 캠페인 기획. 실험은 캠페인의 하위 단위입니다.

- Skill: `modu-ai/marketing-growth-experiment` (Agent Skill)
- Install (CLI): `npx skillmds@latest add modu-ai/marketing-growth-experiment`
- Raw SKILL.md: https://api.skillmd.com/api/skills/modu-ai/marketing-growth-experiment/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Marketing & Growth
- Author: modu-ai (https://skillmd.com/u/modu-ai)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/modu-ai/marketing-growth-experiment

---


# 그로스 실험 (Growth Experiment)

## 개요

"이걸 바꾸면 지표가 오를까?"를 데이터로 증명하는 스킬입니다. 개별 A/B 테스트를 통계적으로 엄밀하게 설계하고, 실험 백로그를 ICE/PIE로 우선순위화하며, 추천(레퍼럴)·바이럴 루프·무료 도구·공동 마케팅 같은 **복리형 성장 루프**를 전술로 설계합니다.

핵심 철학은 **연속 실험은 복리로 쌓인다**는 것입니다. 한 방의 대박이 아니라, 월 4-8개 실험을 돌려 20-30% 승률로 검증된 승리를 플레이북에 축적하는 사이클을 만듭니다.

참고 원본: github.com/coreyhaines31/marketingskills (MIT — 전문 고지: 저장소 루트 `NOTICE`) — ab-testing·referrals·free-tools·co-marketing 스킬의 방법론을 재구성했습니다.

## 트리거 키워드

그로스 실험, A/B 테스트, 실험 설계, ICE, PIE, 실험 우선순위, 바이럴 루프, 추천 프로그램, 레퍼럴, 바이럴 계수, k-factor, 무료 도구, 공동 마케팅, 그로스 해킹, 성장 실험

## 실전 그로스 실험 패턴

### 1. A/B 테스트 5기둥

| 기둥 | 원칙 |
|---|---|
| **가설 주도** | "[관찰] 때문에, [변경]이 [대상]의 [결과]를 일으킬 것이다" |
| **통계적 엄밀** | 사전에 샘플 크기 확정, 조기 중단 금지, 95% 신뢰수준(p < 0.05) |
| **단일 변수** | 한 번에 한 가지만 변경해 인과 분리 |
| **지표 위계** | 1차(결정 지표) + 2차(맥락) + 가드레일(부작용 방지) |
| **학습 기록** | 결과를 플레이북 패턴으로 축적해 스케일 |

**샘플 크기가 기간을 결정합니다.** 기준 전환율 × 목표 향상폭으로 변형당 필요 트래픽이 정해집니다:
- 기준 1%, 향상 20% → 변형당 약 39,000명
- 기준 10%, 향상 10% → 변형당 약 12,000명

> **피킹(peeking) 문제**: 유의성 나올 때까지 훔쳐보고 조기 중단하면 거짓 양성률이 폭증합니다. 샘플 크기를 미리 계산(Evan Miller 방식)하고 그때까지 안 봅니다.

**승자 판정 전 4중 확인**: 통계적 유의성 → 효과 크기의 실질성 → 세그먼트 일관성 → 가드레일 지표 이상 없음.

### 2. 실험 우선순위: ICE / PIE

한정된 실행력을 어디에 쓸지 백로그를 점수화합니다.

**ICE** (각 1-10점):
| 항목 | 의미 |
|---|---|
| **Impact** | 성공 시 지표 이동폭 |
| **Confidence** | 데이터 기반 성공 가능성 (직감 아님) |
| **Ease** | 출시·측정까지의 속도 |

`ICE 점수 = (Impact + Confidence + Ease) / 3` — 높은 순으로 백로그 정렬.

**PIE** (대안, CRO 계열): Potential(개선 여지) · Importance(트래픽·가치 중요도) · Ease(난이도). 페이지 개선 실험에 적합.

> Confidence를 직감이 아니라 데이터로 채우는 것이 핵심. 근거 없는 자신감은 승률을 떨어뜨립니다.

### 3. 성장 루프 — 추천/바이럴 (Referral Loop)

낱개 캠페인이 아니라 **자기 강화 루프**를 만듭니다.

```
트리거 순간 → 공유 행동 → 추천된 사용자 전환 → 보상 → (다시 루프)
```

**트리거 타이밍**(가장 중요): 아하 모먼트 직후, 마일스톤 달성 후, 훌륭한 지원 경험 후, 갱신·업그레이드 시점.

**공유 수단 전환율 순위**: ① 인프로덕트 네이티브 공유 > ② 개인 추천 링크 > ③ 이메일 초대 > ④ 소셜 공유 > ⑤ 오프라인 코드.

**인센티브 구조**:
- 단면(referrer만): 단순, 고가 제품에 적합
- **양면(win-win)**: 양쪽 모두 보상 → 전환율 높음
- 티어·게이미피케이션: 누적 보상 → 반복 추천

**바이럴 계수(k-factor)**: `k = 사용자당 초대 수 × 초대 전환율`. k ≥ 1이면 자생 성장. 벤치마크 — 추천 고객은 LTV 16-25% 높고, 이탈률 18-37% 낮으며, 재추천 확률 2-3배.

### 4. 성장 루프 — 무료 도구 (Free Tool / Tool-led)

가치 교환으로 리드를 모으는 도구 주도 성장:
```
검색·유입 → 무료 사용(즉시 가치) → 자연 지점에서 이메일 수집 → 너처링 → 제품 전환
```
- **게이팅 선택**: 완전 게이팅(최대 수집·사용률↓) / 부분 / 비게이팅(SEO·브랜드 플레이)
- **선정 기준**: 검색 수요 존재 · 경쟁 대비 차별 · 타깃=바이어 정합 · 구현 가능성
- **MVP 원칙**: "한 가지를 잘"— 계정 생성·고급 기능·엣지케이스는 나중
- **분포**: "계산기/생성기/무료 도구" 키워드 랜딩 + 유용해서 자연 링크 획득
- 평가 스코어카드(수요·정합·차별·통합·구현·유지·링크·공유성) 25점+ = 강력 후보

### 5. 성장 루프 — 공동 마케팅 (Co-marketing)

예산을 안 쓰고 청중을 교환합니다.

**파트너 선정 3기준**: ① 청중 겹침(예산 경쟁 없이 같은 바이어) ② 파트너 스코어링(정합·규모·브랜드·참여·상호성·실행 용이, 1-5점) ③ 발굴 소스(연동 생태계·인접 카테고리·커뮤니티·계정 겹침 데이터).

**4가지 캠페인 유형**: 콘텐츠(공동 글·이북·리서치) · 이벤트(공동 웨비나·워크숍) · 제품(연동 출시·번들·인앱 프로모션) · 커뮤니티(소셜 테이크오버·기브어웨이·AMA).

**구조화 필수**: 리드 소유·공유 규칙, 양측 홍보 약속, 자산 제작 책임, 마일스톤 일정, 성공 지표(리드·전환·매출 귀속·청중 성장), 후속 케이던스.

### 6. 실험 사이클 (월간 케이던스)

```
가설 생성 → ICE 우선순위 → 실험 출시 → 플레이북 기록 → 승리 스케일
```
목표: 월 4-8개 실험, 승률 20-30%가 정상. 실패도 학습으로 기록해 다음 가설의 Confidence를 높입니다.

### 그로스 실험 안티 패턴

- 조기 중단·피킹 (유의성 나올 때까지 훔쳐보기 → 거짓 양성)
- 한 번에 여러 변수 변경 (인과 분리 불가)
- 가드레일 지표 없이 승자 선언 (1차 지표만 보고 부작용 놓침)
- ICE Confidence를 직감으로 채움 (승률 저하)
- 추천 프로그램에서 트리거 타이밍 무시 (아하 모먼트 전 요청 → 저조)
- 루프 없는 낱개 전술 (복리 안 됨)

## 워크플로우

### 1단계: 실험 대상·목표 확인

개선할 지표(전환율/가입/활성화/추천), 현재 기준값, 트래픽 규모, 실험 유형(A/B / 성장 루프)을 확인합니다.

### 2단계: 가설 수립 & 우선순위

`"[관찰] 때문에 [변경]이 [대상]의 [결과]를 일으킬 것"` 형식으로 가설을 세우고, 여러 후보를 ICE(또는 PIE)로 점수화해 백로그를 정렬합니다.

### 3단계: A/B 설계 (해당 시)

단일 변수 정의, 1차·2차·가드레일 지표 확정, 기준 전환율과 목표 향상폭으로 변형당 샘플 크기·소요 기간 산정, 트래킹 검증을 수행합니다.

### 4단계: 성장 루프 설계 (해당 시)

추천/바이럴: 트리거 타이밍 → 공유 수단 → 인센티브 구조(단면/양면/티어) → k-factor 목표. 무료 도구: 도구 선정 → 게이팅 → 전환 경로. 공동 마케팅: 파트너 스코어링 → 캠페인 유형 → 구조화 항목.

### 5단계: 측정·판정 계획

승자 판정 4중 확인(유의성·효과 크기·세그먼트·가드레일) 기준을 명시하고, 결과를 플레이북에 기록할 템플릿과 스케일 조건을 정의합니다.

## 사용 예시

**예시 1**: "랜딩 헤드라인 A/B 테스트 설계해줘. 현재 전환율 3%"
→ 가설 → 단일 변수 → 샘플 크기(변형당 N) → 지표 위계 → 판정 기준

**예시 2**: "SaaS 추천 프로그램 설계해줘. 지금 바이럴이 없어"
→ 트리거 타이밍 → 양면 인센티브 → 공유 수단 → k-factor 목표 → 측정

**예시 3**: "실험 아이디어 10개 있는데 뭐부터 할지 ICE로 정렬해줘"
→ 각 항목 Impact·Confidence·Ease 점수 → 백로그 랭킹 → 이번 달 4개 선정

## 출력 형식

- A/B 테스트 설계서 (가설 · 변수 · 샘플 크기 · 지표 위계 · 판정 기준)
- 실험 백로그 우선순위표 (ICE/PIE 점수 · 랭킹)
- 성장 루프 설계도 (추천/바이럴 · 무료 도구 · 공동 마케팅)
- 월간 실험 사이클 로드맵
- 플레이북 기록 템플릿

## 주의사항

| 상황 | 대응 |
|------|------|
| 트래픽이 부족한 경우 | 샘플 크기 도달까지 소요 기간이 길어짐을 명시. 낮은 트래픽에선 A/B보다 성장 루프·정성 실험 우선 권고 |
| 기준 전환율 데이터가 없는 경우 | 업종 벤치마크로 임시 기준 설정 후 실측 확보 권고 |
| 다변량(MVT) 요청 | 트래픽이 충분치 않으면 단일 변수 A/B로 분할 권고 |
| 전체 캠페인 기획이 필요한 경우 | 본 스킬 범위 밖. `moai-marketer:marketing-campaign-planner`로 안내 |

## 후처리 (필수 체인 — 서술형 부분만)

가설 설명·성장 루프 설계 서술·파트너십 제안 등 **서술형(prose) 산출물**은 발행 전 후처리 체인을 거칩니다. 샘플 크기 계산·ICE 점수표·지표 위계 표 등 **수치·표 산출물은 대상이 아닙니다**.

**권장 체인(서술형 부분)**: `marketing-growth-experiment(서술형) → moai-coworker:ai-slop-reviewer → moai-writer:korean-humanize → 최종 검수`

## 관련 스킬

| 스킬 | 사용 시점 |
|------|----------|
| `moai-marketer:marketing-campaign-planner` | 실험을 목표·채널·예산·KPI 캠페인으로 확장 (페어 분리) |
| `moai-marketer:marketing-landing-page-conversion-audit` | A/B 대상 랜딩 페이지의 전환 저해 요소 진단 |
| `moai-marketer:marketing-performance-report` | 실험 결과·성과 분석 보고서 |
| `moai-marketer:content-email-sequence` | 무료 도구·추천 이후 너처링·초대 이메일 시퀀스 |
| `moai-coworker:ai-slop-reviewer` | 사후 체이닝(필수, 서술형 부분): 실험 설계 서술의 AI 패턴 검수 |
| `moai-writer:korean-humanize` | 사후 체이닝(필수, 서술형 부분): ai-slop-reviewer 다음 단계로 한국어 AI 티 제거 |

## 이 스킬을 사용하지 말아야 할 때

- 목표·채널·예산·KPI를 묶은 전체 캠페인 기획: `moai-marketer:marketing-campaign-planner` 사용
- 랜딩 페이지 전환 요소 진단: `moai-marketer:marketing-landing-page-conversion-audit` 사용
- 성과 분석 보고서: `moai-marketer:marketing-performance-report` 사용