AI 기반 이터레이션 & 광고 개선(3)

3-1. A/B 테스트 기획서 작성

"잘 쓴 기획서 한 장이 실험의 성공을 결정한다" : A/B 테스트는 마케터 혼자 하는 것이 아니라 디자인, 개발, 데이터 팀과의 협업으로 이루어진다. 따라서 실험의 목적과 기대 효과를 논리적으로 전달하는 기획서가 필수적이다.

 

1. 기획서에 반드시 포함되어야 할 5가지 핵심 요소

➀ 배경 및 문제 정의 : 왜 이 실험을 하려고 하는가?

- 데이터 분석(퍼널 분석 등)을 통해 발견한 병목 지점 제시

➁ 핵심 가설 : 무엇을 바꾸면 어떤 결과가 나올 것인가?

- IF-THEN-BECAUSE 구조를 사용하여 논리적 근거(심리학적 요인 등) 명시

➂ 실험 설계 : 구체적으로 어떻게 테스트할 것인가?

- 독립변수(이미지, 문구 등)와 통제변수 정의

- 실험 대상(타깃)과 노출 비율(보통 50:50) 설정

➃ 측정 지표 : 성공과 실패를 무엇으로 판단할 것인가?

- 핵심 지표(Primary Metric) 1개를 명확히 선정

- 부수적인 영향을 체크할 보조 지표 설정

➄ 실험 기간 및 목표 모수 : 얼마나 오랫동안 진행할 것인가?

- 통계적 유의미성을 확보하기 위한 최소 샘플 사이즈와 예상 기간 명시

 

2. 가설 수립의 정교화(사례 중심)

기획서에는 막연한 추측이 아닌 데이터에 기반한 가설이 담겨야 한다.

• 사례 : "현재 상세 페이지 하단의 '구매하기' 버튼 클릭률이 낮다"라는 문제 발견

• 가설 작성 : "버튼을 상단에 고정(Sticky) 시킨다면(IF), 클릭률이 15% 상승할 것이다(THEN). 왜냐하면 사용자가 스크롤을 끝까지 내리지 않아도 언제든 구매를 결정할 수 있기 때문이다(BECAUSE)"

 

3. 성공적인 협업을 위한 커뮤니케이션 팁

• 시각적 시안 첨부 : 백 마디 말보다 A안과 B안의 디자인 시안(Wireframe)을 직접 보여주는 것이 오해를 줄이는 가장 좋은 방법

• 우선순위 공유 : ICE 프레임워크 등을 활용해 이 실험이 왜 지금 당장 필요한지 임팩트를 설명

 

4. 기획서 작성 후 체크리스트

• 해결하려는 문제가 데이터로 증명되었는가?

• 변수 통제가 확실하게 설계되었는가?

• 성공 여부를 가릴 지표가 단일화되어 있는가?

• 실험 결과에 따른 액션 플랜(성공 시 반영, 실패 시 다음 가설)이 있는가?

 

3-2. A/B 테스트 방법 소개

"어디서, 어떻게 실험할 것인가?" : A/B 테스트는 광고 매체 단독으로 이루어지기도 하지만, 웹사이트 내에서의 사용자 경험을 최적화하기 위해 다양한 도구와 방법론이 동원된다.

 

1. 테스트 실행 위치에 따른 분류

실험이 일어나는 지점에 따라 마케터가 관리해야 할 영역이 달라진다.

• 광고 매체 테스트(In-Channel) : Meta, Google Ads 등 광고 플랫폼 내에서 소재(이미지, 영상), 카피, 타기팅을 비교

• 랜딩 페이지 및 웹사이트 테스트(On-Site) : 사용자가 광고를 클릭한 후 도착하는 웹사이트 내에서 버튼 색상, 상세 페이지 구성 등을 테스트

 

2. A/B 테스트의 주요 유형

실험의 복잡도와 목적에 따라 다음과 같이 구분한다.

• 단변수 테스트(A/B Test) : 딱 하나의 변수(예 : 버튼 색상)만 변경하여 결과를 비교하는 가장 기본적이고 명확한 방법

• 다변수 테스트(Multivariate Test, MVT) : 여러 변수(예 : 제목 + 이미지)를 동시에 조합하여 최적의 시너지를 내는 조합을 발견

• A/B/n 테스트 : 기존 안(A) 외에 여러 개의 대안(B, C, D...)을 동시에 비교

 

3. 실무에서 활용하는 분석 도구(Tool)

무엇을 측정하고 개선할지에 따라 적절한 툴을 선택해야 한다.

• 행동 분석 및 실험 : Amplitude, Mixpanel 등을 통해 특정 행동을 한 유저 그룹을 나누어 실험 결과를 분석

• 웹 로그 분석 : GA4를 활용하여 유입 채널별 전환 효율과 이탈률을 파악

• 시각적 분석 : 히트맵(Heatmap) 툴을 통해 사용자가 페이지의 어느 부분을 가장 많이 보는지 확인하여 가설의 근거를 마련

 

4. 신뢰할 수 있는 실험을 위한 통계적 장치

실험 결과가 우연이 아님을 증명하기 위해 다음 개념을 활용한다.

• p-value(유의 확률) : 실험 결과가 우연히 발생했을 확률. 보통 0.05 미만일 때 실험 결과가 유의미하다고 판단

• 신뢰 수준(Confidence Level) : 실험 결과를 얼마나 믿을 수 있는지 나타내며, 일반적으로 95% 이상을 목표로 함

• 샘플 사이즈 : 결과의 왜곡을 막기 위해 필요한 최소한의 사용자 수. 모수가 너무 적으면 통계적 유의미성을 확보하기 어려움

 

5. 테스트 결과 분석 시 주의 사항

• 세그먼트 분석(Segmentation) : 전체 평균에서는 차이가 없더라도, '신규 방문자'나 '모바일 사용자' 등 특정 그룹에서는 유의미한 결과 도출 가능

• 외부 변수 통제 : 실험 기간 동안 대규모 할인 행사나 서버 오류 등 결과에 영향을 줄 수 있는 외부 요인이 없었는지 체크 필수

 

3-3. A/B 테스트 리포트 분석 및 결론 도출

"실험의 끝은 결과 확인이 아니라, 다음 액션의 결정이다" : 통계적 수치를 넘어 비즈니스 관점에서 의미 있는 결론을 도출하고, 조직 전체가 배움을 공유하는 과정이 중요하다.

 

1. 리포트 분석의 3단계 프로세스

실험 종료 후 리포트를 읽을 때 거쳐야 하는 표준 절차이다.

➀ 통계적 유의성 검증 : p-value를 확인하여 결과가 우연이 아님을 먼저 확정

➁ 핵심 및 보조 지표 비교 : 메인 KPI뿐만 아니라 가드레일 지표(다른 부작용이 없었는지)를 함께 분석

➂ 세그먼트 심층 분석 : 전체 결과에서는 차이가 없어도 특정 그룹(예 : 신규 고객, 모바일 기기 등)에서 유의미한 변화가 있었는지 쪼개어 확인

 

2. 결론 도출의 유형

실험 결과에 따라 다음과 같은 의사결정을 내릴 수 있다.

• 성공(Winning) : 가설이 입증되었으므로 전체 서비스에 반영(Roll-out)하고, 왜 성공했는지 인사이트를 정리

• 실패(Losing) : 가설이 틀렸음을 인정하고, 왜 실패했는지 원인을 분석하여 다음 실험의 밑거름으로 삼기

• 무승부(Flat) : 유의미한 차이가 없을 경우, 실험 설계의 문제였는지 혹은 가설 자체가 약했는지 검토 후 재실험 여부를 결정

 

3. 결과 리포트 작성 시 포함 내용

동료들과 공유하기 위한 최종 리포트의 핵심 구성 요소이다.

• 실험 요약 : 가설, 실험 기간, 대상, 핵심 결과 수치

• 시각적 비교 : A안과 B안의 성과 차이를 보여주는 그래프와 통계 데이터

• 주요 발견(Key Insights) : 데이터 뒤에 숨겨진 고객의 심리나 행동 변화에 대한 해석

• 다음 액션(Next Step) : 결과에 따른 실행 계획 및 이어지는 후속 실험 가설

 

4. 실무자를 위한 '인사이트' 추출 팁

단순히 "B안이 더 좋았다"로 끝나지 않기 위한 분석 관점이다.

• 비즈니스 임팩트 계산 : 전환율 상승이 실제 매출이나 이익에 어느 정도 규모로 기여할지 환산

• 심리적 원인 추론 : 고객이 왜 B안을 더 선호했는지(예 : 가격 저항 감소, 정보 신뢰도 상승 등)를 정의

 

5. 실험의 자산화 : 지식 저장소 구축

성공과 실패의 기록을 꾸준히 남겨 조직의 실험 문화를 정착시킨다.

• 실험 아카이빙 : 중복 실험을 방지하고, 새로운 팀원이 들어와도 과거의 시행착오를 활용한 빠른 온 보딩

 

4-1. A/B 테스트 외 주요 최적화 전략

"실험을 넘어 최적화로" : 매번 수동으로 실험을 설계하기 어려운 상황이나, 실시간으로 변화하는 시장 상황에 대응하기 위해 AI와 머신러닝을 활용한 최적화 기법이 중요해지고 있다.

 

1. 다변량 테스트(Multivariate Testing, MVT)

A/B 테스트가 한 번에 하나의 요소만 바꾼다면, MVT는 여러 요소의 조합을 동시에 테스트한다.

• 특징 : 이미지, 헤드라인, 버튼 문구 등 여러 변수를 동시에 변경하여 요소 간의 시너지 효과를 파악

• 장점 : 가장 복합적으로 우수한 '최적의 조합'을 한 번에 도출 가능

• 주의점 : 변수 조합이 많아질수록 필요한 트래픽(모수)이 기하급수적으로 늘어나므로 트래픽이 많은 서비스에 적합

 

2. 멀티암드 밴딧(Multi-Armed Bandit, MAB)

전통적인 A/B 테스트의 단점(실험 기간 중 성과가 낮은 안에도 트래픽을 계속 보내는 기회비용 발생)을 보완한 알고리즘이다.

• 원리 : 실험 초반에는 여러 안에 트래픽을 골고루 배분하다가, 시간이 흐를수록 성과가 좋은 안(Winning Variant)에 트래픽을 자동 집중하는 방식

• 장점 : 실험과 동시에 성과를 최적화하여 수익 손실 최소화

• 적합한 상황 : 이벤트 페이지처럼 실험 기간이 짧아 빠르게 최적화가 필요한 경우에 매우 유리

 

3. 개인화 최적화(Personalization)

모든 사용자에게 동일한 실험안을 보여주는 것이 아니라, 사용자의 특성에 맞춰 각기 다른 경험을 제공하는 전략이다.

• 방법 : 유입 경로, 과거 구매 이력, 기기 종류, 위치 등의 데이터를 기반으로 맞춤형 콘텐츠를 노출

• 효과 : "모두를 위한 정답" 대신 "개개인을 위한 최적해"를 제공하여 전환율 극대화

 

4. 광고 매체 내 자동 최적화 기능 활용

매체(Meta, Google 등)에서 제공하는 머신러닝 기반 최적화 도구를 적극 활용한다.

• 다이내믹 소재 광고(DCO) : 여러 이미지와 문구를 조합해 유저별 최적 소재 자동 노출

• 어드밴티지 + 쇼핑 캠페인 (Meta) : 타기팅과 소재 배분을 자동화하여 성과 높은 구간에 예산 집주

 

5. 최적화 전략 선택 가이드

• 명확한 인과관계 파악이 목적일 때 : 단일 변수 A/B 테스트

• 여러 요소의 결합 시너지를 찾고 싶을 때 : 다변량 테스트(MVT)

• 실험 중 발생하는 기회비용을 줄이고 싶을 때 : 멀티암드 밴딧(MAB)

• 유저별로 다른 니즈를 충족시켜야 할 때 : 개인화(Personalization) 전략

 

4-2. AI/머신러닝 기반 광고 최적화 원리

"사람이 하는 타기팅의 시대에서 시스템이 찾는 최적화의 시대로" : 과거에는 마케터가 일일이 타깃을 설정했다면, 이제는 AI가 방대한 데이터를 학습하여 가장 전환 가능성이 높은 유저를 실시간으로 찾아낸다.

 

1. 광고 머신러닝의 3대 핵심 요소

AI가 광고를 최적화하기 위해 활용하는 세 가지 축이다.

• 사용자 데이터(User Signal) : 유저의 관심사, 행동 패턴, 기기 정보, 위치, 시간대 등 실시간으로 발생하는 수천 개의 신호를 분석

• 광고 콘텐츠(Creative) : 텍스트, 이미지, 영상 등 다양한 소재 중 어떤 조합이 특정 유저에게 가장 효과적일지 예측

• 최적화 목표(Conversion) : 마케터가 설정한 목표(구매, 가입 등) 전환 유저 학습 및 유사 타깃 확장

 

2. 머신러닝의 학습 단계 : '머신러닝 기간(Learning Phase)'

광고가 집행된 직후 시스템이 데이터를 모으고 효율을 찾아가는 필수적인 시기이다.

• 정의 : 시스템이 타기팅과 노출 위치를 최적화하기 위해 충분한 전환 데이터를 확보하는 과정

• 주의 사항 : 성과 변동성 존재, 잦은 세팅 변경 금지(학습 방해)

• 탈출 조건 : 일정 전환수 확보 시 안정화(예 : 메타 광고의 경우 약 50건)

 

3. 주요 최적화 알고리즘 및 기법

• 전환 가능성 예측(Conversion Probability) : 특정 유저가 광고를 보았을 때 실제 구매로 이어질 확률을 0.1% 단위까지 계산하여 입찰가(Bid)를 조정

• 다이내믹 타기팅(Broad Targeting) : 마케터가 좁게 설정한 타깃보다 더 넓은 범위에서 AI가 자유롭게 전환 유저를 찾도록 하여 확장성을 확보

• 어드밴티지+ / 자동화 캠페인 : 소재 배분부터 예산 할당까지 머신러닝에 전적으로 맡겨 운영 효율을 극대화

 

4. 머신러닝 기반 최적화의 장점

• 실시간 대응 : 사람이 도저히 따라갈 수 없는 속도로 수만 건의 경매(Auction)에 참여하고 최적의 가격을 결정

• 개인화된 노출 : 동일한 상품이라도 유저의 성향 기반 최적 소재 매칭

• 성과 극대화 : 마케터의 고정관념에서 벗어나 데이터가 가리키는 새로운 우수 타겟 발굴

 

5. 마케터의 새로운 역할

AI가 운영을 대신해 주므로 마케터는 기술적인 세팅보다 더 본질적인 업무에 집중해야 한다.

• 고품질 소재 기획 : AI가 학습할 수 있는 좋은 '재료(이미지, 카피)'를 풍부하게 제공하는 것이 가장 중요

• 정확한 성과 측정(Pixel/API) : AI에게 '누가 진짜 구매자인지' 정확한 신호를 보내주기 위한 전환 데이터 추적 및 신호 정교화

• 전략적 목표 설정 : 비즈니스 상황에 맞는 올바른 KPI 설계 및 학습 방향 가이드

 

4-3. AI 자동 최적화 캠페인(1) : Google P-Max의 이해

"구글의 모든 지면에 AI가 알아서 광고를 뿌려준다": P-Max는 마케터가 목표만 설정하면 구글의 검색, 유튜브, 디스플레이, Gmail, 지도 등 모든 채널에 머신러닝이 실시간으로 최적의 광고를 노출하는 통합 캠페인입니다.

 

1. P-Max의 핵심 특징

• 전 채널 통합 노출 : 단일 캠페인으로 유튜브, 검색, 디스플레이, 메일 등 구글의 모든 인벤토리에 광고 집행 가능

• 목표 중심 최적화 : 마케터가 설정한 목표(구매, 리드 등)를 달성하기 위해 AI가 모든 지면을 넘나들며 최적의 경로 탐색

• 에셋 기반 광고 생성 : 마케터가 텍스트, 이미지, 영상을 제공하면 AI가 각 지면에 맞는 최적의 조합으로 광고를 자동 생성

 

2. P-Max가 활용하는 7개 주요 광고 지면

P-Max는 하나의 에셋 그룹으로 아래 7가지 구글 주요 지면 전체에 광고를 송출한다.

➀ 유튜브(YouTube) : 영상 에셋을 활용해 전 세계 최대 동영상 플랫폼에 노출

➁ 디스플레이(Display) : 300만 개 이상의 웹사이트 및 앱 네트워크에 배너 형태로 노출

➂ 검색(Search) : 구글 검색 결과 페이지 상단에 텍스트 광고로 노출

➃ 디스커버(Discover) : 구글 앱 홈 화면의 맞춤 피드에 카드 뉴스 형태로 노출

➄ 지메일(Gmail) : 사용자 편지함의 프로모션 탭 상단에 노출

➅ 구글 지도(Maps) : 장소 검색이나 길 찾기 시 지도 위에 핀이나 목록으로 노출

➆ 쇼핑(Shopping) : 제품 사진과 가격이 포함된 카탈로그 형태로 검색 결과에 노출

 

3. P-Max 운영의 3대 요소

성공적인 P-Max 운영을 위해 마케터가 제공해야 할 '재료'이다.

• 에셋 그룹(Asset Groups) : 광고에 쓰일 이미지, 로고, 동영상, 헤드라인, 설명 문구의 집합

• 입찰 전략(Bidding) : 목표 ROAS나 목표 CPA 등 AI가 지켜야 할 가이드를 설정

• 대상 신호(Audience Signals) : AI가 '어떤 사람부터 찾아야 할지' 힌트를 주는 단계로, 기존 구매 고객 데이터나 특정 키워드 관심 유저 정보를 제공

 

4. P-Max의 주요 장점

• 전환수 극대화 : AI가 지면의 경계 없이 전환 가능성이 가장 높은 유저를 찾아내므로 기존 캠페인보다 높은 성과 기대 가능

• 운영 효율화 : 여러 캠페인을 개별적으로 관리할 필요가 없어 운영 공수가 획기적으로 감소

• 새로운 고객 발굴 : 마케터가 미처 생각하지 못한 지면이나 타깃에서도 AI가 성과를 발견

 

5. 주의사항 및 실무 팁

• 충분한 학습 데이터 : P-Max는 머신러닝 의존도가 매우 높으므로, 캠페인 초기 1~2주는 성과 변동을 지켜보며 기다려주는 인내심이 필요• 고품질 에셋 준비 : 최대한 다양한 사이즈의 이미지·영상 등 소재 품질 및 다양성 확보

• 제외 키워드 관리 : 브랜드 이미지 보호를 위해 원치 않는 검색어·지면 차단을 통한 브랜드 보호

 

4-4. AI 자동 최적화 캠페인(2) : Meta Advantage+의 이해

"가장 효율적인 타깃과 소재를 AI가 실시간으로 매칭한다" : Advantage+ 쇼핑 캠페인(A+SC)은 타깃 설정, 예산 배분, 소재 조합을 메타의 머신러닝 알고리즘에 완전히 맡겨 전환 성과를 극대화하는 캠페인 유형이다.

 

1. Advantage+ 쇼핑 캠페인(A+SC)의 핵심 특징

• 머신러닝 기반 자동화 : 타기팅, 입찰, 게재 위치 등을 시스템이 자동으로 최적화하여 마케터의 수동 관리 공수를 줄여주는 구조

• 통합적인 성과 관리 : 단일 캠페인 내에서 신규 고객 획득과 기존 고객 리타기팅을 동시에 수행하며 최적의 예산 배분을 찾아내는 통합적인 성과 관리 방식

• 단순화된 캠페인 구조 : 복잡한 타기팅 설정을 최소화하고, 머신러닝이 자유롭게 학습할 수 있도록 설계된 단순화된 캠페인 구조

 

2. 메타가 활용하는 주요 광고 지면

A+SC는 메타 생태계 내의 다양한 지면에 광고를 자동 최적화하여 노출한다.

• 페이스북/인스타그램 피드 : 사용자가 스크롤하며 가장 먼저 접하는 핵심 지면

• 스토리 및 릴스 : 세로형 풀스크린 영상/이미지를 통해 높은 몰입감을 제공

• 탐색 탭 : 사용자가 새로운 콘텐츠를 찾고 있을 때 관련성 높은 광고를 노출

• 메신저 및 오디언스 네트워크 : 페이스북 외부 앱이나 사이트까지 도달 범위를 확장

 

3. Advantage+ 운영의 핵심 요소

성공적인 메타 자동화 광고를 위해 마케터가 집중해야 할 요소이다.

• 크리에이티브 다각화 : AI가 유저의 취향에 맞게 골라 쓸 수 있도록 다양한 각도와 소구점의 이미지/영상을 제공

• 계정 수준의 고객 정의 : 기존 고객과 신규 고객을 구분하는 기준을 설정하여 AI가 각 집단에 맞는 예산 비중을 결정하도록 유도

• 비즈니스 목표 최적화 : '구매'나 '가입' 등 최종 전환 성과를 목표로 설정하여 머신러닝의 방향성을 명확히 설정

 

4. Advantage+ 쇼핑 캠페인의 주요 장점

• 광고 효율(ROAS) 개선 : 머신러닝이 실시간으로 성과가 좋은 조합을 찾아 예산을 집중하여 수동 캠페인 대비 효율 개선

• 지속적인 학습과 적응 : 트렌드나 유저 반응 변화에 따라 시스템이 스스로 타기팅을 조정하며 성과를 유지하는 자동 최적화

• 소재 피로도 감소 : 유저별로 적합한 소재를 번갈아 노출함으로써 광고 피로도를 낮추고 반응률을 높이는 운영 방식

 

5. 주의사항 및 실무 팁

• 학습 기간의 존중 : 캠페인 수정 후 '학습 중' 단계에서는 성과가 불안정할 수 있으므로 최소 7일간은 큰 수정 없이 지켜보는 운영 방식

• 넓은 타기팅(Broad Targeting) 활용 : AI에게 제약을 주기보다 타깃 범위를 넓게 설정하여 더 많은 전환 데이터를 학습할 수 있도록 하는 전략

• 고성과 소재의 분석 : AI가 선택한 우수 소재를 분석해 다음 소재 기획 시 효과적인 소구점을 도출하는 인사이트 확보

 

4-5. 퍼포먼스 마케터의 하루

"데이터로 시작해서 데이터로 끝나는 일과" : 퍼포먼스 마케터는 단순히 광고를 집행하는 사람이 아니라, 매일의 지표 변화를 읽고 즉각적인 대응과 장기적인 가설 검증을 반복하는 비즈니스 해결사이다.

 

1. 오전 : 성과 모니터링 및 이상 징후 파악

출근 직후 가장 먼저 수행하는 핵심 루틴이다.

• 주요 지표 체크 : 전날의 ROAS, CPA, CPC, 전환수 등 핵심 KPI가 목표 범위 내에 있는지 확인

• 이상 징후 발견 : 지표가 급락하거나 급등한 캠페인이 있다면 원인을 분석

• 예산 소진 확인 : 머신러닝이 예산을 의도한 대로 잘 사용하고 있는지 체크

 

2. 오후(초반) : 캠페인 최적화 및 운영

오전의 분석 결과를 바탕으로 실제 광고 계정에서 액션을 취하는 시간이다.

• 입찰가 및 예산 조정 : 성과가 좋은 광고 세트에는 예산을 증액하고, 효율이 낮은 소재는 Off 하거나 조정

• 머신러닝 상태 점검 : P-Max나 Advantage+ 캠페인이 '학습 중' 단계를 벗어나 안정화되었는지 확인

• 소재 교체 : 피로도가 높아진 소재를 신규 소재로 교체하여 AI에게 새로운 학습 데이터를 제공

 

3. 오후(후반) : 실험 설계 및 리포트 작성

장기적인 성장을 위해 인사이트를 정리하고 다음 실험을 준비한다.

• A/B 테스트 기획 : 데이터에서 발견한 병목 지점을 해결하기 위한 새로운 'IF-THEN-BECAUSE' 가설을 수립

• 리포트 분석 : 종료된 실험의 p-value와 신뢰 구간을 확인하여 통계적으로 유의미한 결론을 도출

• 협업 커뮤니케이션 : 디자인팀에 성과가 좋았던 소재의 특징을 공유하고 신규 제작 가이드를 전달

 

4. 퍼포먼스 마케터의 핵심 업무 루프

성공적인 마케터는 다음의 3단계 루프를 끊임없이 반복한다.

➀ 현상 파악 : "어떤 지표가 왜 변했는가?"

➁ 가설 수립 : "무엇을 바꾸면 이 지표가 개선될 것인가?"

➂ 실행 및 검증 : "실제로 바꿔보고 데이터로 증명되었는가?"

 

5. 실무자의 마음가짐(Mindset)

• 숫자 뒤의 유저 읽기 : 데이터는 숫자에 불과하지만, 데이터 속 숫자에 담긴 유저의 심리와 행동을 이해하는 관점

• 빠른 실행과 실패 수용 : 완벽한 계획보다 빠른 테스트를 통해 효과 없는 요소를 걸러내는 실행 방식

• 지속적인 학습 : AI 자동화 도구(P-Max, A+SC)의 변화를 빠르게 익히고 시스템을 효과적으로 활용하는 전략