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 루프를 전술로 설계합니다.

핵심 철학은 연속 실험은 복리로 쌓인다는 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 루프를 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.