"매출이 왜 안 오를까?" 데이터로 범인을 찾는 법 — 블럭스 에이전트 A to Z ①
"어제 매출이 왜 빠졌지?" — 마케터라면 매일 아침 마주하는 질문입니다. 대시보드는 매출이 얼마나 빠졌는지는 보여주지만, 왜 빠졌는지는 답해주지 않습니다. 그 '왜'를 찾으려면 퍼널을 단계별로 쪼개고, 가설을 세우고, 데이터로 하나씩 확인해야 하죠. 지금까지는 데이터 분석가의 일이었습니다.
블럭스 에이전트는 이 과정을 대화로 대신합니다. 이 글에서는 블럭스 에이전트가 실제 고객사와 나눈 분석 세션 네 장면을 통해, AI 에이전트의 데이터 분석이 어디까지 와 있는지 보여드리겠습니다.
이 글은 블럭스 에이전트가 할 수 있는 일을 영역별로 짚어가는 시리즈 '블럭스 에이전트 A to Z'의 1편입니다. 사례는 모두 실제 블럭스 에이전트 세션 기록이고, 본문 이미지는 실제 세션 화면 그대로이며, 고객사를 특정할 수 있는 브랜드명·상품명·담당자명만 익명 처리했습니다(브랜드 A, B사 등).
장면 ① "매출이 왜 안 오를까?" — 트래픽 탓인 줄 알았던 범인은 상세페이지였다
한 뷰티 브랜드가 물었습니다. "사이트 주요 지표를 확인해주고 보완할 부분을 체크해줘. 일 매출이 올라가야 하는데 안 올라가." 에이전트는 최근 8주 추세와 퍼널부터 쪼갰습니다. 첫 발견 — "안 오르는" 게 아니라 6월 들어 꺾인 것이었고, 방문은 23% 줄었는데 전환율은 절반으로 빠져 있었습니다. 사람은 여전히 들어오는데 안 사고 나간다, 즉 문제는 유입량이 아니라 전환입니다. 몇 번의 추가 분석 끝에 원인은 6월 초 주력 상품(117번) 재등록 이후 그 페이지의 전환 붕괴로 좁혀졌습니다.
대화가 이어지며 마케터의 맥락이 쌓입니다. "117번(주력 상품) 리뷰를 다시 다 세팅했어, 일별 전환율 한번 봐줘"라는 말에 에이전트는 그 상품의 일별 전환을 추적해, 리뷰가 온전히 노출된 첫날 전환이 월 최고치로 반등한 것을 실측했습니다 — 동시에 "아직 하루짜리 소표본이니 2~3일 더 봐야 한다"는 경고까지 붙여서요.
"가격 인상은 필수불가결한 결정이었어. 이게 문제라고 삼아지면 안 돼"라는 반박에는 동의하면서 오히려 데이터로 화답합니다. 같은 가격대 안에서도 전환이 천차만별이고 정작 더 싼 상품이 가장 안 팔리고 있으니, 가격의 '수준'이 전환을 결정하지 않는다는 근거를 내놓고, 진단의 축을 "가격을 내려라"가 아니라 "이 가격을 정당화하라"로 바꿔 그 관점을 기억에 고정합니다.
"옵션으로 번들 구성을 해뒀는데 효과도 봐줘"라는 요청에는 번들이 객단가를 약 1.9배 끌어올리고 있음을 확인했고, "개별 단가는 5+2가 제일 싼데 왜 다들 2+1에서 멈출까?"라는 질문에는 단가 사다리를 계산해 절감 폭의 83%가 첫 칸(단품→2+1)에서 소진된다는 답을 내놨습니다. 옵션 설계가 잘못된 게 아니라 소비자가 가장 합리적인 지점을 고르고 있는 것 — 그래서 상위 구성은 첫구매가 아니라 재구매 단계에 미는 걸 권합니다.
그리고 "다른 상품에서 개선할 점"을 묻자 새 패턴이 드러났습니다. 같은 상품이 서로 다른 페이지 두 개로 팔리고 있는데, 트래픽을 많이 받는 쪽은 전환 1%대, 적게 받는 쪽은 11% — 9배 차이였습니다.
여기서 마케터가 결정적인 맥락을 줍니다. "페이지별로 상세페이지 메시지가 다른 거거든." 에이전트는 이를 즉시 "그렇다면 이 격차는 사실상 상세페이지 메시지 A/B 결과"로 재해석하면서, 한 발 더 나갑니다 — 페이지별로 유입 소스가 다르면 메시지 효과가 아니라 트래픽 질 차이일 수 있다는 것. 확인해 보니 전환 낮은 페이지는 유입의 88~99%가 콜드 광고, 높은 페이지는 직접·자연 유입이 절반이었습니다. 공정한 비교를 위해 같은 콜드 유입끼리만 다시 계산합니다.
소스를 통제한 결론은 선명했습니다. 크림의 신·구 페이지는 같은 콜드 트래픽에서도 8배 차이 — 페이지 효과가 100% 진짜였고(처방: 잘 팔리는 페이지의 메시지·리뷰를 이식하고, 복구 전까지 광고 랜딩을 그쪽으로), 겔 마스크의 9배는 절반이 워밍 트래픽 덕이라 4배로 스스로 정정했으며, 세럼 계열은 메시지와 무관하게 콜드 광고에서 전멸이니 콜드 광고 예산을 다른 카테고리로 옮기라는 재배치 처방이 나왔습니다. 부풀려진 수치는 걷어내고, 진짜만 남긴 겁니다.
이 대화의 핵심은 변수 통제입니다. "매출이 안 오른다"는 표면 증상에서 시작해, 마케터의 반박과 맥락을 흡수할 때마다 분석이 정교해지고, 마지막에는 교란 변수(트래픽 질)를 통제한 비교로 범인(상세페이지)을 특정합니다. 결론도 보고서가 아니라 광고 랜딩 변경과 페이지 이식이라는, 내일 아침에 실행할 수 있는 처방입니다.
장면 ② "발송 건수가 급감했는데, 원인 알 수 있어?" — 가설을 하나씩 지워가는 수사
한 커머스 앱의 마케터가 물었습니다. "이 시나리오, 지난주 대비 최근 일주일 발송 건수가 급감했는데 원인 알 수 있어?" 장바구니에 상품을 담은 고객에게 자동으로 리마인드 메시지를 보내는 시나리오였습니다.
발송이 줄어드는 이유는 여러 가지일 수 있습니다. 에이전트는 용의선상에 오를 수 있는 가설을 하나씩 데이터로 확인하고 지워나갔습니다.
트리거가 줄었나? — 장바구니 담기는 -8%로 거의 평탄. 발송은 -77%. 원인이 아님.
발송 빈도 제한에 걸렸나? — 1인당 일 발송 수에 변화 없음. 배제.
같은 시기에 켜진 새 시나리오가 발송을 가져갔나? — 두 시나리오는 서로 뺏는 관계라면 반대로 움직여야 하는데, 같은 날 함께 오르고 함께 꺾였음. 심지어 둘 다와 무관한 '검색 후 미구매' 시나리오를 대조군으로 놓고 봐도 같은 패턴. 배제.
메시지의 개인화 이미지 변수가 비어서 발송이 막혔나? — 이미지 보유율은 오히려 개선. 배제.
특정 시간대만 죽었나? — 전 시간대가 고르게 축소. 스케줄 문제 아님.
모든 가설이 지워진 뒤, 에이전트는 관찰 기간을 한 달 전체로 넓혔습니다. 그러자 그림이 뒤집혔습니다. 최근 주가 급감한 게 아니라, 비교 기준이었던 '지난주'가 비정상적으로 높았던 것이었습니다. 열흘 남짓한 기간 동안 카카오로 실제 발송 가능한 유저 풀이 일시적으로 4배 가까이 넓어졌다가 원래 크기로 돌아왔고, 최근 주는 사실상 평상 수준이었던 겁니다.
"왜 떨어졌나"라는 질문에 "떨어진 게 아니라 기준점이 높았다"라고 답하려면, 질문 자체를 의심할 수 있어야 합니다. 이 세션에서 에이전트는 수십 번의 쿼리를 돌리며 트리거 볼륨, 빈도 제한, 시나리오 간 잠식, 메시지 변수, 시간대 패턴을 차례로 검증했고 — 마지막에는 같은 상황이 반복될 때 바로 알아챌 수 있도록 도달 지표를 추적하는 일별 데이터셋까지 만들어 전달했습니다.
장면 ③ 임원 보고용 리포트 — 조건을 바꿔도 다시 물어보면 그만
한 패션 플랫폼의 MD는 아예 구조화된 요청을 던졌습니다. "이 브랜드의 1~5월 구매자를 분석해줘. ① 첫구매 비중과 동일 브랜드·타 브랜드 재구매 비중, ② 재구매자의 기존 구매 브랜드 상위 10개, ③ 이 브랜드만 단독 구매하는지, 다른 카테고리와 같이 구매하는지."
에이전트는 구매자를 세 세그먼트(플랫폼 첫구매 / 타 브랜드 구매 후 유입 / 동일 브랜드 재구매)로 나누고, 함께 구매되는 브랜드와 동반 카테고리 구성까지 차트와 표로 정리해 한 번에 답했습니다.
절반 이상이 다른 브랜드를 구매하다 유입된 고객이라는 것, 특정 브랜드군 구매자가 유독 많이 넘어온다는 것이 확인되자 — "그 브랜드군 구매 이력이 있지만 이 브랜드는 아직 안 산 고객"을 타겟 오디언스로 만들자는 다음 액션까지 제안했습니다.
그리고 MD가 한마디를 덧붙였습니다. "분석 기간을 1~5월에서 4~5월로 정정할게. 다시 분석해줘." 사람이었다면 하루치 작업을 다시 하는 요청이지만, 에이전트는 같은 분석 전체를 새 기간으로 다시 돌려 몇 분 안에 갱신된 리포트를 내놨습니다. 재구매율이 기간을 좁히자 더 낮아졌다는, 조건을 바꿔야만 보이는 차이와 함께요.
분석의 반복 비용이 0에 가까워지면 일하는 방식이 달라집니다. "이 조건으로도 한번 볼까?"를 망설일 이유가 없어지니까요.
장면 ④ "며칠로 두는 게 좋을까?" — 분석이 결정이 되고, 결정이 실행이 된다
마지막 장면은 질문이 분석이 아니라 결정에서 출발합니다. 한 브랜드의 마케터가 물었습니다. "가입하면 바로 알림톡을 보내서 첫구매를 유도하고, 그다음 미구매자에게 한 번 더 보내려고 하는데 — 대기 기간을 며칠로 두는 게 좋을까?"
에이전트는 가입자 1만 3천여 명의 첫구매 시점 분포를 분석했습니다. 첫구매자의 약 87%가 가입 당일에 구매를 끝내고, 7일이면 누적 95%에 도달한다는 분포가 나왔습니다. 7일을 넘겨서 들어오는 전환은 긴 꼬리뿐이니, 대기는 7일이면 충분하다는 권장안이 데이터와 함께 제시됐죠.
마케터가 "7일로 진행"을 선택하자, 에이전트는 가입 직후 환영 메시지 → 7일 대기 → 미구매자에게만 두 번째 메시지가 나가는 시나리오 초안을 그 자리에서 구성했습니다. 대기 중에 구매한 고객은 자동으로 시나리오에서 빠지도록 이탈 조건까지 걸어서요.
이어진 "7일 뒤엔 어떤 혜택을 주는 게 좋아?"라는 질문에는 첫구매 객단가 분포를 근거로 정액 쿠폰·정률 쿠폰·체험키트·상품 추천을 비용 대비 효과로 비교해 답했습니다.
분석 결과가 보고서로 끝나지 않고 발송 대기 기간이라는 설정값이 되고, 곧바로 시나리오 초안이 되는 흐름 — 블럭스 에이전트의 데이터 분석이 별도의 분석 도구와 가장 크게 갈라지는 지점입니다. 분석과 실행이 같은 대화 안에 있으니, 인사이트가 액션으로 넘어가는 데 드는 비용이 사라집니다.
네 장면에 공통된 것 — '차트 뽑아주는 봇'과의 차이
자연어로 물으면 SQL을 만들어 차트를 그려주는 도구는 이미 많습니다. 위 네 장면이 보여주는 건 그다음 단계입니다.
질문을 분해합니다. "매출이 왜 안 오르지?"를 유입·전환·객단가·페이지로 쪼개고, 어디서 끊겼는지 단계별로 확인합니다.
가설을 세우고, 기각합니다. 트리거·빈도 제한·시나리오 잠식·메시지 변수를 하나씩 검증해 지우고, 필요하면 대조군까지 놓고 비교합니다.
반박을 환영하고, 스스로 정정합니다. 마케터가 "그건 아닌 것 같은데"라고 하면 그 반박을 데이터로 다시 확인하고, 처음 가설이 틀렸으면 결론을 바꿉니다.
분석을 실행에 연결합니다. 결론이 나면 오디언스·캠페인·시나리오 초안으로 이어지고, 최종 결정은 항상 마케터가 내립니다.
그리고 이 모든 분석은 블럭스 안에 이미 쌓여 있는 고객 데이터 위에서 돌아갑니다. 고객 데이터를 외부 AI 서비스에 업로드할 필요가 없으니, 데이터 유출 걱정 없이 분석과 실행을 한곳에서 처리할 수 있습니다.
우리 데이터로 직접 물어보세요
"어제 매출이 왜 빠졌을까", "재구매 유도 메시지는 며칠 뒤에 보내야 할까", "이번 달 캠페인 중 뭐가 제일 잘됐고 왜 잘됐을까" — 지금 머릿속에 있는 그 질문 그대로면 됩니다. 블럭스 에이전트가 데이터를 쪼개고, 가설을 검증하고, 다음 액션까지 함께 제안합니다.
블럭스 에이전트 A to Z — 시리즈 전체 보기
① 데이터 분석 — "매출이 왜 안 오를까?" (이 글)
② 말로 만드는 타겟과 캠페인 (발행 예정)
③ 자동화 시나리오, 설계부터 초안까지 (발행 예정)
④ 소재 제작: 이미지 생성부터 알림톡 검수까지 (발행 예정)
⑤ 고객마다 다른 메시지: 개인화 추천 (발행 예정)
⑥ 발송 버튼 누르기 전에: 점검과 예약 (발행 예정)
⑦ 에이전트와 함께 일하는 법 (발행 예정)