유료 전환 가능성이 높은 체험 사용자를 찾는 방법

AI 요약

무료 체험에 가입한 사용자를 모두 똑같이 대하면 영업과 온보딩 시간을 낭비할 수 있습니다. 이 글은 제품 사용 데이터를 Supabase에 모으고 n8n으로 정해진 시점마다 확인해, 각 사용자에게 영업 지원이 필요한지, 온보딩 안내가 필요한지, 아직 조치하지 않아도 되는지 나누는 방법을 설명합니다. OpenAI는 분류 결과를 결정하지 않고, 기록된 데이터에 근거해 안내 문구를 작성하는 역할만 맡습니다.

먼저 추적할 행동을 정합니다

제품에서 실제 가치를 얻었음을 보여주는 활성화 행동과 구매 의도를 보여주는 행동을 구분합니다. 로그인 횟수처럼 의미가 여러 가지인 신호에 기대지 말라고 권합니다. 로그인은 사용자가 적극적으로 제품을 쓰고 있다는 뜻일 수도 있지만, 다음에 무엇을 해야 할지 몰라 반복해서 들어오는 상황일 수도 있습니다. 따라서 제품에서 의미 있는 작업을 완료했는지, 구매 과정에 들어섰는지처럼 판단에 도움이 되는 행동을 기록해야 합니다.

Supabase에는 추적하려는 신호를 담을 열을 추가합니다. 참·거짓 값은 Boolean, 수치는 정수, 날짜와 시간은 timestamp, 분류명은 text로 저장합니다. 완료한 활성화 행동은 text array로 저장할 수 있습니다. 예를 들어 최근 7일 세션과 핵심 행동 횟수를 기록하고, 가입 때 얻은 정보를 바탕으로 계정 적합도(account_fit)를 high, medium, low로 표시합니다. 이메일 주소만 보고 AI가 적합도를 추측하게 해서는 안 됩니다. 제품에서 Supabase로 필요한 이벤트를 보내지 않으면 워크플로도 그 행동을 파악하지 못합니다.

n8n에서 점검 시점과 분류 규칙을 설정합니다

n8n에서 Schedule Trigger를 만들고 매일 실행하도록 설정합니다. 실행 시각은 워크플로 시간대를 따릅니다. 시간대를 지정하지 않았다면 인스턴스 시간대를 사용하므로 설정을 확인해야 합니다. 자동 실행하려면 워크플로를 저장한 뒤 게시해야 합니다. Supabase에서 최신 체험 데이터를 가져온 다음, AI를 부르기 전에 각 체험에 두 가지 점수를 매깁니다. 하나는 제품 활성화 정도, 다른 하나는 구매 의도입니다.

점수를 바탕으로 영업 지원, 온보딩, 무조치 경로를 정합니다. 규칙은 우선 단순하게 시작하고, 실제 전환 결과를 보며 조정합니다. Code 노드에서는 체험 시작 후 며칠째인지 나타내는 값을 계산합니다. 3일째, 5일째, 7일째 중 하나이고, 아직 전환되지 않았으며, 체험 기간도 끝나지 않은 사용자만 다음 점검 대상으로 표시합니다. OpenAI로 보내는 데이터도 조건을 만족하는 사용자로 제한합니다.

AI는 정해진 경로에 맞춰 문구를 씁니다

OpenAI에는 사용자의 체험 데이터와 점수, 이미 결정된 경로를 전달합니다. 프롬프트에는 제공된 정보만 사용하고 활동을 지어내지 말 것, 경로를 바꾸지 말 것을 명시합니다. 영업 경로라면 구매 결정을 돕는 내용을, 온보딩 경로라면 아직 완료하지 않은 주요 활성화 단계를 짚도록 합니다. 결과는 요약, 누락된 활성화 이벤트, 이메일 제목, 이메일 본문 네 가지 문자열로 받습니다.

이후 Switch 노드는 OpenAI가 새로 제안한 경로가 아니라 Code 노드에서 정한 경로를 기준으로 분기합니다. 무조치 사용자는 여기서 멈추고, 영업이나 온보딩 대상으로 분류된 사용자만 Gmail 단계로 보냅니다. 처음 몇 주는 이메일을 자동 발송하지 말고 초안으로 생성해 잘못된 권고, 어색한 문장, 잘못된 분류가 없는지 사람이 검토합니다. 결과가 안정되면 자동 발송으로 바꿀 수 있습니다.

결과를 다시 저장하고 규칙을 점검합니다

Gmail 단계 뒤에 Supabase 노드를 추가해 사용자 ID로 기록을 갱신합니다. 한 사용자가 여러 번 체험을 시작할 수 있다면 사용자 ID 대신 고유 체험 ID를 사용합니다. 전환이나 체험 만료 결과는 앱이나 별도의 n8n 워크플로가 기록하도록 합니다. 이 워크플로는 특정 체험일에만 사용자를 점검하기 때문입니다. 완료된 체험이 20~30건 쌓일 때마다 신호와 점수 기준을 검토합니다. 글은 더 똑똑한 AI부터 찾기보다 더 나은 행동 신호부터 마련하라고 강조합니다.

Indie Hackers 반응

• @James_UtilitySEO — 1단계에는 모든 후속 사용 행동보다 먼저, 나머지 기능을 열어주는 설정 행동에 더 높은 가중치를 주면 좋겠습니다. 분석이나 SEO 제품에서는 데이터 소스를 연결하는 일이 보통 그렇습니다. UtilitySEO에서는 Search Console과 GA4를 연결하기 전까지 유료 제품의 기능이 별 의미가 없습니다. 연결하지 않은 체험은 느린 사용자가 아니라 멈춰 있는 사용자입니다. 체험 방식도 해석을 바꿉니다. 저희는 카드 등록 없이 30일 체험을 제공해서 구매 의도가 낮은 가입자가 더 많이 들어옵니다. 그래서 ‘아직 조치하지 않음’ 분류가 커지고 영업 연락 기준도 더 중요해집니다. 솔직히 아직 체험 수가 충분하지 않아 어떤 기준이 맞는지 모릅니다. 가설로 봐야 합니다. 데이터에서 첫 설정 행동이 전체 사용량보다 전환을 더 잘 예측하나요?
• @enderyentar — 이메일에 대한 답장도 놓치는 신호입니다. 체험 사용자가 “X를 어떻게 연결하나요?”라고 답하면 어떤 점수보다 많은 정보를 주지만, 워크플로는 초안 생성에서 끝나므로 답장이 Gmail에만 남고 테이블로 돌아오지 않습니다. 답장을 같은 행에 기록하고, 사람이 확인하기 전까지는 답장 자체를 높은 의도로 취급하겠습니다. 발송을 자동화한 뒤에는 실제 사람이 읽는 주소에서 평문으로 보내는 편이 좋습니다. 그런 이메일이 전달되고 답장을 받기 쉽습니다.
• @ironserzh — 더 똑똑한 AI보다 더 나은 신호를 강조한 점이 좋습니다. 실제 전환 데이터를 코호트별로 살펴 점수 기준을 조정하고, 매주 작은 홀드아웃 그룹도 검토하겠습니다. checkout_started는 잡음이 있을 수 있고 account_fit 라벨에는 편향이 들어갈 수 있습니다. 개입 결과를 기록하면 온보딩이 실제로 도움이 되는지 알 수 있습니다. 초안을 먼저 만드는 방식은 안전한 출발입니다.
• @rishita_naraway — 활성화와 구매 의도를 구분한 점이 유용합니다. 점수 모델은 설명 가능하게 유지하고, 반복 로그인보다 지원 문의와 설정 실패를 신호로 쓰는 편이 도움이 됐습니다. 수십 건의 체험이 끝난 뒤 결과를 검토하면 과적합하지 않고 기준을 조정하기 쉬워집니다.
• @rishita_naraway — 로그인 횟수보다 행동 신호를 강조한 점이 좋습니다. 점수와 함께 가치 도달 시간(time-to-value), 마지막으로 의미 있는 행동을 기록하면 도움이 됩니다. 일반적인 “잘 지내시나요?” 메일 대신 빠진 단계를 겨냥해 다음 안내를 보내면 좋습니다.
• @WECHANGEONE — 활성화와 구매 의도를 나누면 가입자를 모두 같은 가치로 취급하지 않아도 됩니다. AI를 추가하기 전에 명시적인 규칙부터 시작하는 점도 좋습니다. 초기 제품이라면 첫 가치 도달 시간과 사용자가 다시 돌아오게 만든 정확한 행동도 기록하겠습니다. 이런 신호가 어떤 온보딩을 바꿔야 할지 알려주는 경우가 많습니다.
• @Bullpicks — 활성화와 구매 의도를 나누고 AI보다 단순 규칙을 먼저 쓰는 구성이 좋습니다. 체험 20~30건 뒤에는 각 신호의 전환율을 기준선과 비교하고 요금제나 회사 규모 같은 교란 요인도 살펴보겠습니다. 온보딩 경로에서는 여러 문단의 AI 이메일보다 누락된 활성화 행동을 짚는 구체적인 한 단계가 더 효과적일 수 있습니다. 전환뿐 아니라 첫 가치 도달 시간도 추적하면 사용자가 결국 결제했는지만 보는 대신 마찰이 어디서 시작되는지 알 수 있습니다.
• @erku — 로그인에 관한 의견에 동의합니다. 제 경우에는 첫 작업 묶음을 완료하는 순간만 믿을 만한 신호입니다. 그때 제품이 사용자에게 이해되거나 그렇지 않다는 점이 드러납니다. 체험 제안은 그 뒤에 보여주고 그 전에는 보여주지 않습니다. 실제 사용자가 아직 없어 효과를 말하기엔 이릅니다.
• @AmandaBrown — ‘아직 조치하지 않음’ 분류가 가장 흥미롭습니다. 점수만큼 시점도 중요합니다. 14일 체험의 2일째에 높은 점수를 받은 사용자와 12일째에 같은 점수를 받은 사용자는 상황이 다릅니다. AI가 이메일 초안을 작성하는 방식도 적절합니다. 영업 연락은 누구에게 연락할지 몰라서가 아니라 글을 쓰는 일이 병목입니다. 그 일을 덜어주면 팀이 연락을 미뤄두지 않고 실제로 이메일을 보냅니다. 점수 기준은 설정한 뒤 고정하나요, 아니면 실제 전환 데이터로 시간이 지나며 ‘높은 구매 의도’의 기준을 조정하나요? 첫 기준은 보통 추측이지만 코호트 몇 개를 거치면 훨씬 나아집니다.
• @serverdrop — 가치 있어 보이는 사용자와 실제로 ‘아하’ 순간에 도달한 사용자를 나눈 점이 체험 대시보드에서 자주 빠지는 부분입니다. 가입 양식에 적힌 대기업 이름이 첫 실제 작업 흐름을 완료했다는 뜻은 아닙니다. Discord 탐색 사이드 프로젝트에서도 허영 지표에 가까운 가입과 7일 뒤 돌아와 의미 있는 행동을 한 사용자를 구분했습니다. 두 번째 그룹은 아주 작고 개인적으로 연락할 가치가 있는 사람은 그들뿐입니다. 2일이 지난 뒤에는 제품 사용 신호를 회사 정보보다 더 높게 평가하나요, 아니면 계속 섞어서 보나요?
• @austinparker — 화면만 쳐다보며 고민하는 일은 이제 건너뛰겠네요, 하하. 다시 한번 감사합니다.

원문: Indie Hackers / 번역·요약: Trawling