Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →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=
.claude/skills/modu-ai-marketing-growth-experiment/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-03 | ✗→✓ | ▲ Improved | 44% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 46% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 83% | 0% |
| case-18 | ✗→✓ | ▲ Improved | 40% | 0% |
| case-22 | ✗→✓ | ▲ Improved | 113% | 0% |
"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.
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
| 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:
> 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.
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.
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:
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.
가치 교환으로 리드를 모으는 도구 주도 성장:
검색·유입 → 무료 사용(즉시 가치) → 자연 지점에서 이메일 수집 → 너처링 → 제품 전환예산을 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.
가설 생성 → ICE 우선순위 → 실험 출시 → 플레이북 기록 → 승리 스케일목표: 월 4-8개 실험, 승률 20-30%가 정상. 실패도 학습으로 기록해 다음 가설의 Confidence를 높입니다.
개선할 지표(전환율/가입/활성화/추천), 현재 기준값, 트래픽 규모, 실험 유형(A/B / 성장 루프)을 확인합니다.
"[관찰] 때문에 [변경]이 [대상]의 [결과]를 일으킬 것" 형식으로 가설을 세우고, 여러 후보를 ICE(또는 PIE)로 점수화해 백로그를 정렬합니다.
단일 변수 정의, 1차·2차·가드레일 지표 확정, 기준 전환율과 목표 향상폭으로 변형당 샘플 크기·소요 기간 산정, 트래킹 검증을 수행합니다.
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.
승자 판정 4중 확인(유의성·효과 크기·세그먼트·가드레일) 기준을 명시하고, 결과를 플레이북에 기록할 템플릿과 스케일 조건을 정의합니다.
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
| 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-planner로 안내 |
가설 설명·성장 루프 설계 서술·파트너십 제안 등 서술형(prose) 산출물은 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
| 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 |
moai-marketer:marketing-campaign-planner 사용moai-marketer:marketing-landing-page-conversion-audit 사용moai-marketer:marketing-performance-report 사용| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 31,285 | 28,478 | -9% | 1 | 1 | 0% | 4,378 | 7,283 | +66% | 0 | 0 | — |
case-02 | fail→fail | 23,896 | 28,956 | +21% | 1 | 1 | 0% | 3,731 | 7,005 | +88% | 0 | 0 | — |
case-03 | fail→pass | 19,669 | 13,282 | -32% | 1 | 1 | 0% | 3,257 | 4,702 | +44% | 0 | 0 | — |
case-04 | fail→fail | 27,216 | 19,659 | -28% | 1 | 1 | 0% | 3,328 | 6,273 | +88% | 0 | 0 | — |
case-05 | fail→pass | 21,915 | 17,053 | -22% | 1 | 1 | 0% | 3,487 | 5,102 | +46% | 0 | 0 | — |
case-06 | fail→pass | 24,473 | 22,829 | -7% | 1 | 1 | 0% | 3,472 | 6,363 | +83% | 0 | 0 | — |
case-07 | pass→pass | 25,885 | 18,033 | -30% | 1 | 1 | 0% | 2,512 | 6,622 | +164% | 0 | 0 | — |
case-08 | pass→pass | 11,922 | 12,065 | +1% | 1 | 1 | 0% | 1,998 | 5,083 | +154% | 0 | 0 | — |
case-09 | pass→pass | 19,659 | 17,288 | -12% | 1 | 1 | 0% | 2,425 | 5,852 | +141% | 0 | 0 | — |
case-10 | pass→pass | 22,621 | 16,772 | -26% | 1 | 1 | 0% | 2,757 | 5,829 | +111% | 0 | 0 | — |
case-11 | pass→pass | 17,636 | 17,380 | -1% | 1 | 1 | 0% | 2,810 | 6,164 | +119% | 0 | 0 | — |
case-12 | pass→pass | 15,303 | 22,250 | +45% | 1 | 1 | 0% | 2,545 | 6,034 | +137% | 0 | 0 | — |
case-13 | pass→pass | 24,087 | 12,734 | -47% | 1 | 1 | 0% | 1,879 | 5,407 | +188% | 0 | 0 | — |
case-14 | pass→pass | 17,749 | 18,051 | +2% | 1 | 1 | 0% | 2,120 | 5,305 | +150% | 0 | 0 | — |
case-15 | pass→pass | 15,402 | 13,033 | -15% | 1 | 1 | 0% | 1,713 | 5,000 | +192% | 0 | 0 | — |
case-16 | pass→pass | 13,479 | 9,932 | -26% | 1 | 1 | 0% | 1,556 | 4,755 | +206% | 0 | 0 | — |
case-17 | pass→pass | 21,787 | 22,434 | +3% | 1 | 1 | 0% | 3,777 | 6,191 | +64% | 0 | 0 | — |
case-18 | fail→pass | 19,296 | 10,015 | -48% | 1 | 1 | 0% | 2,894 | 4,042 | +40% | 0 | 0 | — |
case-19 | pass→pass | 13,913 | 20,772 | +49% | 1 | 1 | 0% | 2,359 | 5,537 | +135% | 0 | 0 | — |
case-20 | pass→pass | 18,405 | 25,520 | +39% | 1 | 1 | 0% | 2,210 | 6,568 | +197% | 0 | 0 | — |
case-21 | pass→pass | 22,797 | 18,807 | -18% | 1 | 1 | 0% | 2,839 | 6,063 | +114% | 0 | 0 | — |
case-22 | fail→pass | 22,095 | 20,822 | -6% | 1 | 1 | 0% | 2,643 | 5,634 | +113% | 0 | 0 | — |
case-23 | pass→pass | 16,599 | 24,567 | +48% | 1 | 1 | 0% | 2,813 | 5,853 | +108% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 23 cases were attempted. The headline lift of +22 percentage points is the difference between those two pass rates over the 23 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.