Unbounce 같은 랜딩 페이지 제작툴로 추천인/피추천인 랜딩 페이지 구현. 카카오톡 공유, 모바일 share dialog 등 자바스크립트 구현은 LLM 도움을 받기
마이페이지에 친구초대 구현하기
친구 초대 클릭 시 아래와 같이 utm 에 추천인 이름, 추천인 user id, 그리고 referral 이라는 정보를 넣어 놓는다. 브랜치의 Analytics mapping with UTM 이라는 기능 (브랜치 공식 문서) 을 사용해서 referrer 와 referee 의 attribution 정보를 저장하기 위함이다
추천인이 추천인 랜딩 페이지에서 추천링크 복사 버튼을 클릭 시 아래의 링크가 복사된다. URL Path 가 referrer 에서 referee 로 변경된 것을 알 수 있다. utm source 에 있는 추천인 이름인 심규섭이 피추천인 랜딩 페이지에서 call out 된다
goods_code 를 URL path 에서 찾으려는 꼼수를 써 보려 했지만 URL path 가 변경 된 goods_code 를 반영하지 않기 때문에 https://bizapi.giftishow.com/bizApi/goods 호출로만 정확하게 찾을 수 있음
callback_no 를 가라 (e.g. 12341234)로 쓰면 전송이 안 됨
gubun : N
글을 마치며
냉전 시대 때 러시아 과학자가 성공한 연구의 논문을 보면서 미국 과학자가 재현하려고 했지만 번번히 실패했다고 한다. 나중에 러시아 과학자들에게 물어보니 논문에 쓰여 있는 실험 환경은 30% 밖에 설명을 하지 않았고 나머지 70% 는 인터뷰를 통해 밝힌 암묵지였다고 한다. 모든 케이스에 대해 도큐멘테이션은 불가능하겠지만 지속적으로 질답에 대한 케이스를 업데이트하면 기업의 shared knowledge 가 올라갈 수 있다고 믿는다. 암묵지를 가진 professional 도, 이를 캐고 싶은 워너비 프로페셔널 (주니어?) 도 노력해서 지식의 명시화를 위해 노력해야한다.
Open AI API Chat completions 의 endpoint 에 대한 이해 (공식 도큐먼트 바로가기)
방법
Open AI API Chat completions 도큐먼트로 가서 curl 로 library 를 바꾸면 아래와 같은 API call 방법이 나온다
curl https://api.openai.com/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"model": "gpt-4o-mini",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "Who won the world series in 2020?"
},
{
"role": "assistant",
"content": "The Los Angeles Dodgers won the World Series in 2020."
},
{
"role": "user",
"content": "Where was it played?"
}
]
}'
이 명령어를 Braze Connected Contents 에서 호출하기 위해서 아래와 같은 형태로 변경해야한다
Open AI API 는 중첩된 객체 (Nested Objects) 로 돼 있는데, 브레이즈 커넥티드 컨텐츠 문서에는 key <> value pair 예시 밖에 없다.
브레이즈 커넥티드 컨텐츠 두 번째 문서인 Local Connected Content variables 에 Body in an assign statement: spaces allowed 라는 예제가 있고, 아래와 같이 include 라는 객체에 attributes 라는 또 다른 객체가 중첩되어 있다. 그 안에 withkey 라는 배열이 포함 돼 있다
아래와 같이 capture postbody 에 body 를 assign 하고 connected contents 의 body 에서 {{postbody}} 로 호출한다. response 를 호출하고 response 의 message.content 만 불러올 수 있도록 JSON 을 Parsing 한다
나의 모든 Social capital 을 동원한다. 브레이즈 리셀러 CSM, 브레이즈 본사 CSM 친구 등에게 Open AI API 방법에 대해 물어본 결과 Webhook 으로 받은 response 는 save 할 수 없다는 사실을 알아차리고 Webhook 방법은 포기하고 Connected Contents 로 보기로 했다. Social capital 에게 질문하기가 1번인 이유는, 그들이 칼답을 하지 않기 때문에 그들의 응답을 기다리는 시간을 최소화하기 위해 최대한 빠르게 질문한다. 질문을 논리적으로 설명하기 위해서 정리를 하다보면 문제에 대한 실마리를 스스로 얻기도 한다
공식 문서를 뒤진다. Connected Contents 로 방향을 잡았으니 커넥티드 컨텐츠 문서를 스캐닝하면서 실마리를 잡는다
Tools: LLM (GPT or Claude 3.5 Sonnet) 과 대화 해 본다. 브레이즈가 커넥티드 컨텐츠로 호출 시 response Error 를 출력할 수 있도록 구조를 만들어서 점차 문제 해결에 다가갈 수 있었다. 리퀴드 랭귀지 pase_json 과 message_content 를 assign 하는 법도 GPT 가 짜 주었다
시도해 본 내용과 response 를 구글시트에 적어보면서 다음 시도(실험) 을 디자인한다
글을 마치며
결국 ex-브레이즈 본사 CSM 이였던 친구의 LinkedIn 쪽지로 받은 해결책 두 개 중 하나였던 capture postbody 로 문제를 풀었다. 다른 해결책은 내가 이미 익숙했던 방법이라 빠르게 실험 해 보고 안 된다고 징징댔는데, capture postbody 는 써 본적이 없었기 때문에 실험을 계속 미루다가, 마지막 실험에서 이를 써 보고 바로 작동했다.
AC2 의 퍼포먼스 공식, Essence of Agile, 야생학습 휴리스틱 등을 사용하여 ‘학습 과정 중 새로운 정보가 들어오면 그에 맞게 목표를 지속적으로 조정’ 하고 내가 가진 자원 (bird in hand) 을 적극적으로 활용했다. 에러 핸들링을 위해 response 를 저장하고 이를 피드백 루프에 사용하기 (이 케이스에서 도움은 별로 안 됐음) 도 하였다.
내가 풀려는 문제는 무엇인지 빠르게 정의하고 내가 가진 리소스를 최대한 사용하고 Reflection-in-action 으로 피드백을 초단기로 받으면 문제는 조금 더 수월하게 풀리는 것 같다. 방법은 나의 hard skill 이고, 내가 문제를 푼 방식이 암묵지이며, 글을 마치며가 내 task 에 대한 나의 회고다.
마켓핏랩 GrowthxFest에서 Paul 에게 전수 받은 키토 다이어트. 케톤 수치를 소변검사로 측정할 수 있는 검사용 시험지를 구매했다. 매일 케톤 수치와 몸무게를 측정하니 3개월만에 15kg 를 뺄 수 있었다. 간헐적 단식의 기간을 늘리기 위해 다양한 실험을 해 봤는데, Micheal 이 추천해준 사골국물이 나의 허기를 달래고 최대 23시간까지 단식을 할 수 있게 도와줬다.
수면 관리
극심한 스트레스로 입면시간이 길어지고 렘/딥슬립 시간이 짧아지고 5시간 이상 수면을 지속하지 못하는 상태가 되었다. 병원, 수면 코치, 운동 코치 등으로부터 수면의 질을 향상 시키는 법을 배웠다. 샤오미 미밴드를 구매 해 수면의 질, 수면 시간을 측정하기 시작했다. 매일 몇 시간을 잤는지, 수면 퀄리티, 마신 커피양, 복용약, 운동 등을 구글시트에 기록하고 Keep, Problem, Try (KPT) 회고를 통해 수면을 관리했다.
스트레스 관리
명상 코치, 수면 코치, 그리고 AC2 Level 1의 워크샵 주제 중 하나였던 acute stress response theory 를 통해 스트레스 관리 법을 배웠다. 배운것들을 하나씩 실행 해 본 뒤 스트레스 레벨이 얼마나 낮아지는지 측정 해 보았다.
스트레스 받는 즉시 이완 (얼굴에 미스트 뿌리기, 핸드크림 향 맡기, 싱잉볼 치거나 듣기, 478 호흡 명상)
전전두엽은 뇌에서 가장 늦게 진화한 부분인데, 스트레스 상황에서 이 기능이 저하된다. 도시 생활의 스트레스는 우리 뇌의 고차원적 기능을 일시적으로 마비시킨다. 이는 야생에서 생존하던 시절에는 토론보다 즉각적인 반응이 중요했기 때문이다. 따라서 효과적인 의사소통을 위해서는 나와 상대방 모두의 전전두엽 기능을 회복시켜야 한다. 이를 위해 먼저 진정이 필요하다. 스트레스가 높을 때는 잠시 멈추는 것이 좋다. “잠시 물 한 잔 마시고 할까요?”라고 제안하는 것도 좋은 방법이다. 이 과정에서 자신의 마음 상태를 인식하고 알아차리는 것이 중요하다
샤오미 미밴드9 으로 스트레스 레벨 측정
자기 전 폼롤러 & 마사지볼
운동 관리
수면에 가장 도움되는 것이 무엇일까? 컨설팅, 코칭, 의사와 상담을 통해 다양한 방법을 배웠다. 그 중 가장 도움이 되는 것으로 보이는 게 러닝이였다. 처음부터 자세하게 배우기보다는 일단 해 보고 KPT 회고를 통해 조금씩 개선을 하고 있었다. AC2 Level2 에서 같은 기수 도반님들과 2박3일 여행을 떠났는데, 거기서 러닝을 잘 하시는 분에게 러닝의 기초에 대해 배웠다. 다음날부터 샤오미 미밴드의 측정치를 러닝 코치에게 공유하고 지속적으로 피드백을 받았고 아래와 같은 목표를 세웠다.
-output metric: 35분 내 5km 뛰기
-input metrics: Pace 7, Zone 2 유지, 180 메트로놈에 맞춘 발굴리기
두째날 37분 내 5km 를 뛸 수 있게 되었는데, input 이 맞지 않는 부분들을 기록을 통해 찾아냈고 러닝 코치와 GPT 의 도움을 받아 해결 방법 (보폭 줄여서 Zone2 유지) 에 대한 가설을 발굴했다.
글을 마치며
내가 리드하거나 코칭하는 제품/서비스의 측정>가설>실험>측정>가설의 Growth Loop 은 잘 돌리는데, 이걸 내 인생에 적용 해 볼 생각은 전혀하지 못 했고 38년간 방치 돼 있었다. 개인적으로 무척 둔감한 사람이라, 내 몸이 망가지는 것을 너무 늦게 알아차렸다. 내 퍼포먼스의 20% 밖에 발휘하지 못하는 수준이 되었다는 진단을 받은 뒤 아래와 같은 Growth Loop 을 돌리기 시작했다.
다양한 방법을 수집하고 (input)
나에게 맞을 것 같은 방법들을 실험 디자인하고 (hypothesis)
구글시트에 output 을 기록하고
KPT 회고를 통해 더 나은 실험을 디자인
측정을 통해 내 인생을 향상 시키는 경험을 통해 70살까지 하루하루 성장하며 일 할 수 있는 physical & mental health 를 챙길 것이다.
Special thanks to
창준님, 폴, 성재님, 성호님, 키키, 김경철 원장님, AC2 도반님들, 마켓핏랩 길드원님들, 젬팍, GPT&Claude, Google Sheets, 퍼포먼스 공식
위의 구글시트 데이터를 위의 블로그 포스팅을 활용해서 Connected contents 로 불러온다. 이 때 구글시트는 URL parameter 를 통해 특정 row(s) 를 가져올 수 없다. 구글시트의 셀이 너무 많아지면 데이터를 불러오는데 시간이 너무 오래 걸리고 timeout 에 걸린다. 특히 real time trigger 가 필요한 인앱메세지는 거의 불가능하다
2번의 제약으로 인해 sheet2api 같은 써드파티를 사용한다. 하지만 API 콜 당 과금이고, pay as you go 플랜이 없어서 쿼타를 다 쓰면 캠페인이 멈추는 단점이 있다. 이를 피하기 위해서 비슷하게 (내가 아닌, 개발자가) 개발을 진행한 적이 있는데, 딱히 어려운 개발은 아니여서 제법 빠르게 진행되었다
이를 통해 아래와 같은 알림톡 (채용 공고를 봤으나 1시간 이 내에 지원하지 않은 유저에게 해당 공고와 유사한 공고의 정보를 불러오기 + branch.io 의 퀵링크 API 를 호출하여 숏 딥링크) 과 자동화된 이메일을 구현할 수 있었다
2024년 4월 26일 인천 공항에서 출발해서 하와이에서 3박, 산호세에서 5박하고 5월 5일에 돌아온 일정의 여행. 하와이까지 10시간 비행이고 하와이 -> SFO 까지 또 4시간이라 비행 시간도 아깝고 이코노미는 너무 갑갑해서 이코노미 클래스 증후군이 처음으로 도졌음. 다음부터 3시간 이상 비행엔 무조건 복도석으로 해야겠다.
d1:
에어비앤비 체크인 시간 전에 하와이에 도착. J 께서 마중 나와주셔서 X5 로 와이키키로 이동. 무스비와 포케를 먹고 바로 Moana Surfrider (Westin 호텔답게 무척 클래식함) 로 가서 바로 앞에 있는 와이키키 비치에서 서프 보드를 빌려서 1시간 정도 서핑. 파도가 양양 늦여름보다 안 좋은 수준인데 라인업이 엄청 멀어서 비치로 돌아오다가 패들링 힘 빠져서 죽을 뻔함. 이제 위험한 서핑은 걍 안 하기로, 물론 surf buddy 가 있으면 하겠지만, 처음으로 하는 바다에서 혼자 하면 위험. 걍 앞으로 서핑 하지 말자
Bellows Field Beach Park 에 이틀 동안 텐트를 쳐 놓았는데, 첫 날만 이용했다. 군대 이 후 처음으로 치는 텐트였는데, 1시간만에 뚝딱 해치워서 뿌듯했음. 캠핑+파킹 퍼밋을 예약 후 이용 할 수 있다. 파킹 예약 시 차량 정보가 필요하기 때문에 렌트카 하려면 차량 번호판 정보가 있어야할듯. (근데 딱히 입출입을 관리하고 있진 않았음. <- 이는 변경될 수 있기 때문에 조심) 바다 바로 앞에서 지인들과 푸드트럭 음식 먹기. 저녁에 텐트 앞에서 담소, 쏟아지는 별, 전기도 안 들어오는 캠핑장. 디지털 기기 없는 몇 시간이 무척 소중했다. 앞으로 차박 자주 해야지
d2:
J 님과 아침에 만나서 Island Brew Coffeehouse 에서 시간을 보냄. Koko Isle 이라는 조그만한 동네에 타운홈 몇 개가 있는데, 프라이빗 선박장이 있어서 개인 요트나 제트스키 등을 파킹 해 놓을 수 있는 구조. marina 에서 웨이크보드 타던 사람 개부럽…무튼 맛있는 커피, 독서, 앵그리버드 관찰 등으로 즐거운 시간 보냈음
저녁은 한국에서도 안 가본 볼프강 스테이크에서 먹음. 웤인하니까 안에 자리가 없다고 테라스로 안내 했는데, 안으로 들어가고 싶다고 지속적으로 말했더니 바로 옮겨줬음. 고급 레스토랑에서는 매너 있지만 가격만큼의 권리를 요구해야한다는 사실을 다시 한 번 리마인드 했음. 안에서 담당자의 고급진 서비스를 받을 수 있어서 만족스러웠음
저녁은 Cheese cake factory 에서 단체로 했는데, 예약이 안 돼서 walk-in 으로 갔다. 예약 걸어 놓고 Moana Surfrider 에서 프리 드링크 한 잔하면서 기다렸음. 모든 양식을 꽤 잘 하는 레스토랑인데, TGIF 상위호환 같은 느낌. 이곳에서 파는 치즈케잌은 한 입 먹으면 혈당 스파이크가 뽝 오는게 관자놀이에서도 느껴질 정도로 강하다. 하와이에서 경험한 모든 빨대는 BPI Certified 라고 적혀 있었음. 근데 아무리 환경 친화적인 소재라고 해도 과소비를 하면 지구에 해가 되는 거 아닌가? 개인적으로 소비 자체를 줄이고 플라스틱 최소화를 열심히 해 보자. 제발 그만 사 심슨!!!ㅠㅠ
d4: 첫 San Jose 저녁
아침에 일어나니 폴이 커피 마시러 간다고 하길래 나도 따라 나옴. Jae 님과 만나서 Barefoot Beach Cafe 에서 커피 한 잔. Kapiʻolani Regional Park 에 위치 해 있는데, 와이키키 주변에 국가에서 관리하는 공원들이 많아서 좋았음. 서울에 살면서 한강, 산, 공원 액세스 뿐 아니라 2~3시간 운전으로 갈 수 있는 바다가 있다는 장점을 다시 느꼈음
차를 렌트하고 바로 에어비앤비로 이동. 저녁 12시에 인앤아웃에서 애니멀 스타일 더블더블+감튀 먹고 바로 올리 두 개 먹고 딥슬립 -> 다음 날 새벽 5시에 뉴욕팀 (?) 과 컨콜이 있었음 ㅠㅠ
d5 ~ 7: 마텤 솔루션들과의 만남
Iterable: 브레이즈 쓰기 전에 비슷한 툴 리서치 했을 때 자주 보였던 툴. 브레이즈와 많이 닮았으면서도 각 툴의 엣지가 약간씩 다른듯. 이런 마텤이 대부분 미국에서 시작하고 가장 잘 팔리는 (internalization 에 여력이 있는) 툴이 한국 시장까지 진출을 하니까 dominance 가 너무 쎈 거 같다. 앰플리튜드보다는 믹스패널을, 앱스플라이어보다는 브랜치를 선호 (물론 툴 별 장단점이 있고 어떤 제품에는 어떤 툴을 도입하는게 더 맞는 경우가 많지만) 하는 나에게 Iterable 을 꽤 깊게 배울 수 있는 시간이였다. 기회가 된다면 꼭 한 번 써 보고 싶음
Iterable 장점:
CSM 이 진짜 잘 해준다고
발전된 Last touch / attribution model. 이를 통한 brand affinity report
Hightouch: composable CDP / rETL 컨셉인데, 주변 (믹스패널 PM / Robinhood PM) 에서도 칭찬이 자자함. 하이터치에서 데이터를 보관하지 않기 때문에 하이터치에서 데이터웨어하우스 운영할 필요가 없기 때문에 저렴한 비용으로 이용 가능하다고. 마텤이 쓸데 없이 비싼 경우가 많은데, 대부분 데이터웨어하우스 비용인듯. 마텤을 쓰다보면 Renewal Price Increase 라는 조항이 있는데, 계약 갱신 시 x% 의 비용이 오른다. 데이터 스토리지 비용 때문이라고하는데, 차라리 데이터를 고객의 웨어하우스에서 관리하게 하면 win-win 이 되지 않을까? 하이터치는 고객사의 DB 가 source 가 되기 때문에 single source of truth 라는 장점도 있음. 하이터치가 smart ingest 라는 기능을 Iterable 과 함께 개발했는데, 브레이즈의 Cloud data ingestion 보다 훨씬 사용성이 좋다. 브레이즈는 개발 리소스도 꽤 들고 테이블을 따로 운영해야하는데, 하이터치는 기존에 존재하는 테이블에서 바로 가져올 수 있다. smart ingest 의 기본 기능은 무료이지만, 잘 쓰기 위해서는 유료로 써야하는 거 같음. 데이터웨어하우스들이 신기능을 내 놓으면서 이런 변화를 빠르게 캐치하여 철옹성 같은 incombents 와 차별화를 바탕으로 새로운 시장을 개척해 나가는 플레이 너무 멋지다. 이런 시장의 변화에 기민하게 대응해서 우리 제품에 어떻게 반영할지 (e.g. rETL 로 우리 마텤에 데이터 피딩 한 방에 하기) 에 대해서 고민하기. incombents 는 혁신기업의 딜레마/Counter-Positioning 를 항상 고민해야 시장에서 도태되지 않는듯
Mixpanel: 본사의 높은 사람들과 만날 수 있는 기회가 있었는데, Vijay 라는 분의 인사이트와 내공을 느낄 수 있는 자리였다
Reverse free trial 이 성공하기 위해서는 premium feature 에 대한 aha-moment 를 정해진 trial 기간 내에 경험 시키기가 가장 중요한데, 이를 위한 장치를 마련하는 법
Casey Winters 와 우연히 만나서 그가 말해준 마케터의 미래. 디지털 제품 중심의 회사에 마케팅팀의 존재는 계속 약해진다. 브랜드 마케팅은 디자인팀으로, LIfecycle marketing (CRM) 은 제품팀으로, 애퀴지션 담당자들은 자동화나 퍼포먼스 마케팅 플랫폼에서 제공하는 머신러닝으로 인해 해자가 사라짐. 게다가 Andrew Chen 이 말한 The Law of Shitty Clickthroughs 로 인해 애퀴지션을 하나의 퍼널로 딱 떼어내서 생각할 수 없다. 에어비앤비의 PM -> PMM (Product marketing manager) 로의 전환이나 애플의 마케팅 방식 (퍼포먼스 마케팅에서 매 년 x 회의 큰 브랜드 캠페인) 을 차용한 것을 봤을 때 나도 충분히 이해가 가는 변화인듯. 한국에서는 이런 변화 (마케팅과 제품의 사일로을 부셔버리는) 가 언제쯤 받아들여질 수 있을까? 이걸 기다리기보다는 이미 변화한 조직에서 일하거나 변화를 일으키기 위해 설파하거나 둘 중 하나를 해야겠지?
Lesson learned
ROVL 카드 혜택으로 인천공항 발렛파킹이 포함 돼 있음. EV 는 주차 50% 할인이라 꽤 쏠쏠한데, 발렛이 붐비면 사전 예약 안 하면 발렛 자체를 이용 못 함. 인천 공항에 발렛하려면 꼭 사전 예약하자. 인천공항 주차 대행 사이트
여행할 때 아프지 말자. 온도가 떨어지면 감기에 걸릴 수 있다. 자켓, 타월 (수영 후 몸 녹이기), 각종 약 (incl. 멜라토닌/올리) 챙기기
여행하는 나라의 Outlet type 사전 조사 + 구매하기
마음 맞는 사람들끼리 여행하면서 하나의 에어비앤비 숙소를 빌려 놀고 배우고 공유하는 포맷이 너무 좋았다.
잡담
마텤 리서치 할 때 G2 grid 를 가장 먼저 참고. 예시: 모바일 마케팅 grid. 브레이즈가 부동의 1등이였던 거 같은데, 2024 년 기준 인사이더가 점수가 더 높아짐
CRM/email 솔루션의 경우 Subscriber based pricing 인 경우가 많은데, sunset policy, resurrected users 처리 방법 등을 고민할 경우 MAU or data point based pricing 보다 저렴하게 운영할 수 있다
Liquid Death 의 CEO 가 서밋의 키노트 스피커였는데, 인기가 정말 대단했다. Lifecycle marketing 서밋이라 대부분의 청중이 태키한 사람들이라고 생각됐는데, 브랜딩 관련 담화가 제일 인기가 좋았다. CPG 는 브랜딩으로 차별화가 필요한 시점인듯하다. 인스타, 틱톡, 유튜브 같은 소셜 미디어에서 기막힌 크리에이티브 / co-created 크리에이티브로 free eyeballs 을 살 수 있는 방법을 고민하자
CSC ServiceWorks 라는 회사에서 근무하는 사람이랑 라운드테이블에 앉을 기회가 있었다. 그들의 비지니스 모델이 신기했음. 공간 사업자와 revenue share 하는 모델이 코어이고 시작만 세탁/건조기로 했을 뿐. 스카이스캐너의 we happened to be in travel industry, but we are data company 라는 기조나 우버/에어비앤비 같은 asset-light 가 생각났음. (다만 CSC ServiceWorks 는 장비는 소유하되 기존 공간에서 기생하고 revenue share 하는 모델이라 100% 일치하진 않음) 관련 지피티 쓰레드
개인적인 pain point는 빨래방 이용 시 세탁기에서 건조기로 세탁물 이동 시키는 것인데, 이걸 해결하는 스타트업은 없나? 예전 단골 크린토피아 사장님이 이걸 대행해주시고 천원 받는 꿀같은 BM 도 생각났음 ㅋㅋ
기존에 존재하는 정수기를 클라우드 액세스 할 수 있는 구독모델은 어떨까? 독특한 디자인의 텀블러를 보내주고 매 달 5천원 정도 받고 기존에 존재하는 정수기에서 RFID 칩을 통해 급수 받을 수 있음. 예쁜 디자인으로 인해 casual contact viral loop 와 echo-friendly 함으로 인해 talk of the town 도 되면서 이미 있는 인벤토리를 사용하기 때문에 에셋 라이트하기까지한 이 비지니스 모델은 너무 매력적이지 않나? (뽕 맞음) 이런 비지니스 모델은 공간 비지니스를 하고 있는 패스트파이브에서 아주 쉽게 실험 해 볼 수 있을 거 같다. 패파 신규 사업 팀에 속해서 2~3개 정도 BM 을 테스트 해 보고 싶다는 생각이 자주 들었음
기존의 주차장에 전기차 충전 시설을 만들어주고 revenue share 하는 모델도 재미있는듯. 220v 만 존재해도 콘솔과 케이블만 깔고 앱으로 payment 만 만들어주면 되는거라 (이미 한국에 존재함. 근데 GTM 을 잘 못하는듯 ㅠㅠ)
컨퍼런스 전반에 걸쳐 가장 많이 나온 메세지 Speed to market & agility. 왜 우리의 가설 실험이 느릴까? why not within a day? (오늘 론칭 못 하는 이유가 뭐야? 왜 일주일이 걸려?) 를 항상 물어보고 impediment 를 치워줄 수 있는 사람이 되자
Otter.ai 너무 좋다. usecase 가 infrequent 한 경우가 많아서 monthly <-> yearly subscription 의 가격차이를 무척 높게 설정해서 손실회피 성향을 레버리지한 pricing 또한 인상적.
손실회피 pricing 두 가지 사례: barre3 / whoop (이런 얘들은 약간 강제 habit forming 용. 근데 activation / retention 을 신경쓰지 않는다면 word of mouth 가 안 나올듯)
whoop 은 굳이 subscription 모델이 아니라 device purchase 로도 가능할 거 같은데. 역시 구독 모델이 대세 (LTV 가 더 좋음) 인듯
Calm 이 election day 에 CNN 띠 배너 샀다고. 스트레스와 손에 땀을 쥐는 날에 Calm 으로 명상하라라는 메세지ㅋㅋㅋ바이럴 제대로 됐다고
pet peeve: outcome over output. we can do anything, but not everything / shiny v.s meaningful – what to focus on. 이건 한국만인줄 알았는데, 미국도 똑같네ㅋㅋㅋ
AI feature 는 빌딩하기 전에 프로덕 로드맵만 나오면 바로바로 컨퍼런스에서 발표해야지 고객을 빼앗기지 않는다. 고객은 이 기능이 이미 나온 기능인지 곧 나올 기능인지, 아니면 몰래 짬 될 기능인지 따위는 중요하지 않는가보다
우연히 Target 을 갔다가 Pickle ball 코너가 있길래 라켓이랑 공을 샀음. 그 날 바로 플레이 해 봤는데 존잼
수업 공지에는 프로젝트 제안 마감, 과제 5 제출, 그리고 코랩 이용을 권장하는 내용이 포함되어 있어요.
이 강의에서는 큰 모델 사용의 목표와 언어 모델이 세상을 모델링하기 시작하는 과정에 대해 설명하고, 언어 모델이 문맥을 이해하고 지식을 예측하는 과정을 다루며, 수학적 추론 문제나 의학적 지식 생성 등 다양한 활용 가능성도 제시해요.
언어모델링의 발전과 ChatGPT 작업
언어 모델링 아이디어를 심각하게 받아들일 때, 언어 모델 빌딩에 대한 관심 재고가 생겼죠.
이는 ChatGPT와 같이 ‘I want to create a three-course meal’와 같은 작업을 할 수 있는 언어 모델이 탄생했어요.
단, 기본 언어 모델링 목표에서 여러 단계가 필요하죠.
Few-shot 및 zero-shot 학습부터 ChatGPT와 같은 복잡한 기능까지 진화해왔어요.
GPT-2는 2019년에 출시된 15억 개의 매개변수로, GPT보다 10배 큰 구조를 가졌고, 훨씬 더 많은 데이터를 학습했죠.
프론트단 언어모델 활용 방법은?
Winograd schema challenge는 대표 지시어 해결 문제로, 세계지식이 필요한 대표 지시어 해결 작업이에요.
예를 들어, ‘고양이는 너무 커서 모자에 들어가지 않았다’는 경우, 어떤 것을 지칭하는지 이해하는 게 중요해요.
GPT-2와 같은 언어 모델로부터 zero-shot 예측을 얻는 방법은, 언어 모델에 더 확률적으로 다가갈 수 있는 시퀀스를 물어보는 것, 결과적으로 어느 정도 성취도를 보여줘요.
Lambada와 같은 언어 모델링 작업에서 GPT-2는 목표 단어를 예측하여 주어진 문맥에 대해 이전의 학습되지 않은 상태에서 좋은 결과를 얻었답니다.
GPT-3의 학습 방식 변화는?
GPT-3는 적은 샷 학습을 통해 업계에서 주목받았어요.
적은 샷 학습은 뉴럴 네트워크가 훈련이 아닌 작은 데이터셋을 바탕으로 작업을 처리하는 과정을 가리킵니다.
이는 향후 업무에 있어 더 효율적인 접근 방식을 제시하고 있죠.
적은 샷 학습의 획기적 발전과 모델 규모 증가 사이의 상관 관계가 관심을 끌고 있어요.
프롬프팅 전략은 무엇을 위한 것인가요?
모델이 답을 예측할 때 필요한 추론 단계를 나타내는 Chain of Thought prompting 방식을 소개해.
GPT-3와 같은 대규모 모델의 성능 향상을 위해 체인 오브 쏘트 프롬프팅을 사용하는 접근법이에요.
이는 인간들도 어려워하는 수학 문제에 대한 모델의 답변 해석을 돕는 목적이에요.
모델이 훈련을 진행할 때 그래디언트 업데이트 없이 학습하는 방식과 모델 해석에 대한 연구가 계속되고 있어요.
모델에게 사고과정 유도하는 새로운 개념은?
모델에게 사고과정 요청할 수 있을까요? ‘Zero-shot Chain of Thought Prompting’을 도입한 새로운 개념에 대해 설명해요.
질문과 답변을 제시하고, ‘step by step’이라는 토큰을 붙여 모델에게 사고과정을 유도하는 방식이에요.
이렇게 하면 모델을 테스트할 때 사고과정 없이 정답을 요청하면 정확도가 향상되요.
최적의 프롬프트를 찾기 위해 다양한 시도를 거쳐 ‘let’s work this out step by step’이 가장 효과적이라는 것을 발견했어요.
‘프롬프트 엔지니어링’은 신흥 과학 및 직종으로 자리 잡고 있어요.
모델에 대한 AI 피드백과 촬영 최적화, 어디서 이루어지는가?
모델이 오답을 내더라도 힌트를 주지 않고 정확도를 평가하는 것을 강조하며, AI 피드백을 통합하는 아이디어는 흥미로울 수 있어요.
제로샷과 퓨샷 인컨텍스트 학습의 이점은 채우기나 세밀히 작성된 프롬프트로 성능을 향상시킬 수 있지만, 컨텍스트에 적합한 것에는 한계가 있을 수 있죠.
퓨처리 및 초복잡한 작업에 대해서는 세부적인 조정이 필요할 수 있고, 컨텍스트 창이 고정되어 있다는 한계가 있어요.
이러한 이슈들은 미래에 질문을 던질 수 있는 흥미로운 논의를 야기할 수 있어요.
모델 세부조정의 목적은?
언어 모델은 문장 토큰의 가장 가능성 높은 계속을 예측하게 훈련되어 있지만, 사용자를 돕는 것과는 상이해요.
GPT-3을 예로 들면, ‘달 착륙 설명해줘’라는 프롬프트를 제공하면 선하하는 것이 아닌 리스트를 예상할 수 있어요.
모델과 사용자 의도가 맞지 않는다는 문제점이 있어서, 사용자 의도에 모델을 더 잘 맞출 수 있는 방법은 기계 학습을 통한 세부조정이에요.
이를 위해 사람에게 ‘정답을 주세요’하고, ‘정답에 어떻게 응답해야 하는지’에 대한 정보를 모아 세부조정을 실시해요.
세밀한 세부조정의 중요성은?
단일하게 sentiment analysis와 같은 하나의 하위 작업에 대한 세부조정이 아닌 다양한 작업에 대한 세부조정을 실시해요.
instruction-output 쌍의 예를 여러 작업에 걸쳐 수집하고, 언어모델을 세부조정하고 보임작업에 대한 일반화를 평가하는거죠.
대규모의 기계학습작업에서 세부조정을 하여 모델의 성능을 평가하는 Benchmark인 MMLU에 대한 연구가 진행 중이에요.
이러한 Benchmark를 통해 언어모델을 감정 분석 뿐만 아니라 천문학, 논리, 유럽사까지 평가하죠.
instruction fine-tuning을 통해 큰 모델일수록 더 큰 이점을 얻고, 작고 instruction fine-tuned된 모델도 상당한 성능을 보인다구요.
Flan T5의 한계?
기능을 이해하려면 직접 사용해보기 권장해요.
Flan T5는 Hugging Face에 호스팅되며 데모를 제공하고 있어요.
이를 통해 기능을 탐색할 수 있어요.
비지도 사전 학습 모델은 질문에 답하지 못할 때 지시 사전 학습을 통해 정확한 답변이 가능한데, 사람들이 다르게 생각하는 것이 입력을 복잡하게 만들어 지시 사전 학습의 단점이 존재하죠.
또한, 정답이 없는 작업에서 모델이 확률을 올바르게 분배할 수 없게 되는 문제가 있어요.
언어모델과 강화학습의 관계?
언어 모델을 요약과 같은 작업에 학습 중이라면, 각 샘플 S에 대한 인간 보상을 얻는 방법이 있죠.
인간보상으로 각 요약을 평가하는 경우, 높은 보상 R(s)이 좋아요.
언어모델 샘플의 기대 보상을 극대화하고 있죠.
학습 목표는 모델 샘플의 기대 보상을 극대화하는 것이 명확하며, 이러한 작업은 강화 학습 영역이에요.
강화 학습 분야에서 복잡한 언어모델 문제를 해결하기 위해 2013년부터 다양한 알고리즘 발전이 있었고, 심층 신경망에 강화 학습을 적용하는 관심이 생겨났죠.
강화 학습에서 정책 그라디언트 방법의 문제는?
목표를 최대화하기 위해 정책 그라디언트 방법을 활용하지만, 기울기 상승을 사용하여 방향을 설정하다가 문제가 발생할 수 있어요.
보상 함수가 미분 가능하지 않은 경우, 흑 상자로 작업을 해야 하며, 강화 학습의 정책 그라디언트 방법은 목표를 추정하고 최적화하는 데 도움을 줄 수 있어요.
로그 미분 트릭을 사용하여 보상 샘플의 예상치를 추정하여 쉽게 추정됩니다.
기대값을 근사하는 방법은?
각종 샘플을 통해 기대값을 근사하는 방법이 무엇인지 알고 계신가요? 목적 함수를 모든 샘플을 추출하고 평균화하여 근사하여 업데이트 규칙을 얻을 수 있어요.
단순한 경우로 바이너리 보상일 때 목적 함수가 어떻게 축약되는지 이해하고, ‘고양이(cat)’ 단어가 포함된 문장에 대한 보상을 고려하여 언어 모델을 학습할 때 기울기 하강법을 적용해야해요.
일반적인 경우로 보상이 스칼라로 주어지는 상황을 고려해야 하는 것이 중요해요.
강화학습의 핵심 이치는?
모델 샘플을 가중치로 고려하여 기대치를 계산하며, 그렇기에 기대값으로 재작성 가능해요.
경사를 기대치 내부로 이동시키고 있으며, 높은 보상을 받을 때 확률을 증가시키려 하고, 낮은 보상을 받을 때는 반대로 확률을 감소시키는 방식으로 작동하죠.
움직인 경사가 미래 행위에도 영향을 줄 수 있는 ‘강화학습’의 핵심 이치를 통해 우리에게 생생한 영어 해석을 제공해요.
비디오 게임에서 좋은 점수를 얻을 때 동일 행위를 강화하려는 이런 원리가 우리 모두에게 직관적으로 와닫기를 기대하죠.
폴리시 그래디언트를 사용하는 이유와 과정은?
폴리시 그래디언트를 사용하는 이유는 다양한 메소드 및 디자인 공간 미탐험으로, RL과 언어 모델에 적용 가능성이 존재하죠.
실제로 사용하는 방법은 ‘프록시멀 폴리시 최적화’와 같은 고급 방법이며, 샘플 점수 판단이 매우 중요해요.
사람의 취향 모델을 구축하여 RL과 언어 모델을 훈련해요.
절대 평가가 아닌 선택지 비교로 오류를 최소화하는 방법을 사용하죠.
사람의 평가에 대한 신뢰도 문제를 해결하기 위해, 더 나은 선택을 판단하는 방식을 채택하여, 심리학 및 의학 분야에서 더 신뢰할 만한 결과를 얻어요.
언어모델 기반 보상모델의 핵심은?
언어모델을 기반으로 하는 보상모델은 pairwise 비교에 의한 잠재적인 점수를 생성해요.
이 모델은 샘플을 받아들여 점수 또는 보상을 생성하며, 통계적 비교 모델을 활용하여 훈련돼요.
보상모델을 훈련시키기 위해서는 우승 샘플과 패배 샘플을 샘플링한 후 높은 샘플의 점수는 낮은 샘플의 점수보다 높아야 해요.
인간의 주관에 기반하여 순위를 매기는 언어모델을 구축하고, 이를 보상으로 활용하는 방법은 인간의 선호도를 모델에 학습시킬 수 있는 잠재력이 있어요.
강화 학습에서 사람 피드백의 중요성은?
강화 학습 모델을 사람 피드백으로 최적화할 때 사전 훈련된 모델을 복제해서 모델의 사본을 만들어요.
이를 모델의 사본이라고 하며, 이는 실제로 최적화할 RL 모델과 매개변수 데이터를 가지고 있어요.
강화 학습으로 다음 보상을 최적화할 때 추가 용어는 사전 훈련 모델과 지나치게 차이나는 것을 방지하는 패널티가 있어요.
키 포인트: 사람 피드백을 통해 모델을 평가하면 참고 요약보다 우수한 요약을 만들 수 있어요.
이는 감독 학습만으로는 어려운 성과라는 결론이 나왔어요.
따라서 이런 인간 피드백이 중요하다는 것을 알 수 있어요.
GPT 모델 학습의 핵심 전략은?
GPT 모델 학습을 다루는 기본 아이디어는 하나의 프롬프트뿐만 아니라 수십, 수백 혹은 수천 개의 프롬프트로 LHF를 확장하는 거예요.
이때 제안된 3가지 부분 중에는 instruction fine-tuning, reward model training, 그리고 RHF가 있어요.
모델 향상을 위해 핵심인 부분은 규모와 다양성에 따른 과제네.
이들은 성과에 큰 영향을 미쳐요.
감독 학습은 중간 단계의 fine-tuning에서 사용되며, RL 정책의 초기화는 감독된 정책에 의해 이뤄져요.
AI 모델 학습과 챗봇의 동향은?
AI 모델 학습에서 구조화된 BT에서 몇 번의 반복 작업을 수행하게 되었어요.
OpenAI와 같은 회사들은 최근에는 모델 학습에 대한 자세한 내용 공개가 줄어들고 있어요.
GPT-3 API 사용자들은 많은 입력 데이터를 수집하고 라벨러로부터 수집한 작업 유형을 공유하면서 모델을 향상시키고 있어요.
챗봇의 핵심 결과는 InstructGPT에서 나오며, 사용자 명령에 잘 따르는 모델로 피드백을 받고 있어요.
최근에 등장한 ChatGPT는 학습 내용이 제한적하지만 채팅 TBT의 능력을 강조하며, RL이 어렵고 데이터 소비가 많은 한계가 있다고 해요.
인공지능 보상함조와 보상 해킹
(LHF)의 한계뿐만 아니라 RL의 일반적인 한계와 인간 *보상을 모델링하거나 포착할 수 있는 개념에 대해 이야기할 때, 인간 선호도는 매우 불안정할 수 있죠.
RL 전문가들은 이를 ‘보상 해킹(reward hacking)’이라고 부르며, 개발자가 지정한 것을 최적화하되 실제로는 우리가 관심을 가지는 것이 아닌 문제가 발생하는 경우를 의미한다.
OpenAI에서 예를 들면, 보트 경주를 훈련 중인 중에 점수를 극대화하도록 학습하는데, 실제로 우리가 관심을 가지는 것은 단순히 다른 이들보다 경주에서 먼저 도착하는 것이라 보이며, 인간의 선호도를 하나의 숫자로 모두 포착하고 특정 스칼라 값으로 할당할 수 있다고 생각하는 것은 더 단순한 생각일지도 모르죠.
이미 이러한 사례가 발생하고 있는 예시는 혹시 이전에 챗봇과 대화를 해 본 적이 있지 않은지 확인했을 때, 혹시 주장하는 많은 거짓 정보들을 발견할 수 있을 거예요.
이것이 LHF를 통해 발생하는 결과라고 할 수 있어요.
챗봇은 권위있게 보이거나 도움이 되는 답변을 제공하는 것에 보상을 받지만, 사실인지 여부는 고려하지 않는다고 해요.
결과적으로 사실을 날조하게 되는 현상이 발생하죠.
챗봇과 AI에서 보상 모델의 문제?
챗봇 관련 뉴스에서 많이 보는데, 기업들이 챗봇을 론칭하며 실수를 하곤 했어요.
보상 모델에 대한 과도한 최적화가 실제 사용자와의 선호도 차이를 초래할 수 있죠.
인간의 선호도는 비신뢰적하고, 더 나아가 모델을 훈련할 때 우리는 어떻게 작동하는지 모르는 딥 모델도 함께 사용합니다.
이는 매우 위험할 수 있어요.
AI 정렬 문제와 같은 실제 우려가 있는데, 사람들은 보상을 지도하는 데서 좋지 않다고 해요.
각각의 방법은 근본적인 한계가 있죠.
RL은 그것이 정확하게되는 것이 까다롭고, AR은 전진 패스 및 멀티 헤드 어텐션 컨셉으로 병렬화하기 쉽지만 병렬화에서 한계가 있습니다.
강화 학습과 피드백의 중요성은?
강화 학습에서의 경쟁은 이전에 보여준 수학적 통찰력을 토대로 샘플 기대치를 얻기 위한 것이에요.
샘플링에 대해 고민할 때, 어떻게 병렬로 만드느냐가 중요하며, 샘플링을 적응적으로 중단하고 시작 시점을 알 수 없는 경우가 있어요.
강화 학습에서 인간 피드백으로부터 배우고, 강화 학습에서 새로운 방법론을 탐구하는 중요한 단계에 대해 논의했어요.
앞으로는 AI 피드백을 통해 강화 학습을 발전시키는 새로운 방향을 모색하며, 언어 모델을 활용한 학습 모델의 발전 가능성에 관심을 갖고 있어요.
언어 모델 보안에 대해 무엇이 중요한가?
언어 모델 보안 문제는 대규모 경량 언어 모델의 한계로 이해되며, 알려진 문제로는 환영 현상과 엄청난 크기 및 컴퓨팅 부하가 있어요.
AI 또는 인간 피드백을 이용하여 잠범탄 상황을 완화할 수 있으나, 사용자의 이에 대응하기 어렵죠.
보안 및 사이버 보안에서는 공격자의 유리가 있으며 새로운 공세 방법을 항상 대비해야해요.
언어 모델 보안 문제는 아직 해법이 명확하지 않지만, 잠범이 발생하는 경우 그를 완화할 수 있다고 해요.
대화 후에 어떤 질문이 의미 있는 정보로 이어졌는지, 어떤 질문이 더 잘 표현될 수 있었는지 생각해 보세요.
피드백 요청하기
대화나 회의 후에 다른 사람들에게 여러분의 질문에 대한 피드백을 요청하세요.
질문이 명확했나요? 대화를 진행하는 데 도움이 되었나요?
전문가로부터 배우기
숙련된 질문자가 이끄는 인터뷰, 팟캐스트, 대화를 시청하세요.
효과적인 의사소통과 질문 기술에 대한 다양한 자료, 책, 기사를 활용하세요.
여러분의 질문 기술을 향상시키는 것은 지속적인 과정입니다. 이는 호기심, 개방성, 그리고 타인을 이해하고자 하는 진정한 관심에 관한 것입니다. 여러분이 더 나은 질문을 할 수 있는 능력을 갈고닦음으로써, 단지 프롬프트 엔지니어링뿐만 아니라 모든 의사소통 영역에서 더 통찰력 있고 생산적이며 의미 있는 상호작용으로 이어질 것입니다.
더 나은 질문을 할 수 있는 방법
호기심을 가지세요. 더 나은 질문을 하는 가장 좋은 방법은 호기심을 가지는 것입니다. 세상에 대해 더 많이 배우고 싶어하고, 다른 사람들의 관점을 이해하고 싶어하세요.
열린 마음을 가지세요. 더 나은 질문을 하려면 열린 마음을 가져야 합니다. 새로운 아이디어와 관점에 열려 있어야 하며, 자신의 가정에 도전할 의지가 있어야 합니다.
적극적으로 들어보세요. 더 나은 질문을 하려면 적극적으로 들어야 합니다. 다른 사람이 말하는 것을 정말로 듣고, 그들의 말의 의미를 이해하려고 노력하세요.
명확하고 간결하게 질문하세요. 더 나은 질문을 하려면 명확하고 간결하게 질문해야 합니다. 질문이 너무 길거나 복잡하면 상대방이 이해하기 어려울 수 있습니다.
올바른 유형의 질문을 사용하세요. 더 나은 질문을 하려면 올바른 유형의 질문을 사용해야 합니다. 정보를 수집하고 싶다면 개방형 질문을 사용하세요. 상대방의 의견을 알고 싶다면 폐쇄형 질문을 사용하세요.
질문의 순서에 주의하세요. 더 나은 질문을 하려면 질문의 순서에 주의해야 합니다. 먼저 쉬운 질문을 하고, 점차 더 어려운 질문으로 넘어가세요.
비언어적 신호를 사용하세요. 더 나은 질문을 하려면 비언어적 신호를 사용하세요. 눈을 마주치고, 미소를 지으며, 고개를 끄덕이는 등의 행동을 통해 상대방에게 관심이 있다는 것을 보여주세요.
피드백을 받으세요. 더 나은 질문을 하려면 피드백을 받으세요. 다른 사람들에게 자신의 질문에 대한 피드백을 요청하고, 그들의 의견을 반영하세요.
더 나은 질문을 위한 몇 가지 예
“어떻게 생각하세요?”
“왜 그렇게 생각하시나요?”
“그것에 대해 더 자세히 설명해 주실 수 있나요?”
“그렇게 하면 어떤 결과가 있을까요?”
“다른 가능성은 무엇입니까?”
“장단점은 무엇입니까?”
“어떻게 개선할 수 있을까요?”
“앞으로 어떻게 하실 건가요?”
“무엇을 배우셨나요?”
“어떤 조언을 해 주실 수 있나요?”
이러한 팁을 따르면 더 나은 질문을 하고, 더 의미 있는 대화를 나눌 수 있을 것입니다.
더 나은 질문을 하기 위해 질문의 순서를 결정하는 몇 가지 방법은 다음과 같습니다.
쉬운 질문부터 시작하세요. 대화를 시작할 때는 쉬운 질문부터 시작하는 것이 좋습니다. 이렇게 하면 상대방이 편안해지고 대화에 참여하기 쉬워집니다.
점차 더 어려운 질문으로 넘어가세요. 대화가 진행됨에 따라 점차 더 어렵고 도전적인 질문으로 넘어갈 수 있습니다. 이렇게 하면 상대방이 더 깊이 생각하고 더 의미 있는 대답을 하도록 유도할 수 있습니다.
상대방의 반응에 주의하세요. 상대방의 반응에 주의를 기울이고, 그에 따라 질문을 조정하세요. 상대방이 어려움을 겪고 있다면 더 쉬운 질문으로 돌아가거나, 더 자세한 설명을 해줄 수 있습니다.
대화의 목표를 고려하세요. 대화의 목표를 고려하여 질문의 순서를 결정하세요. 정보를 수집하고 싶다면 개방형 질문을 많이 사용하세요. 상대방의 의견을 알고 싶다면 폐쇄형 질문을 많이 사용하세요.
자연스러운 흐름을 따르세요. 질문의 순서는 자연스럽게 흐르도록 해야 합니다. 질문이 너무 생경하거나 불연속적으로 느껴져서는 안 됩니다.
다음은 질문의 순서를 결정하는 데 도움이 되는 몇 가지 구체적인 예입니다.
인터뷰를 할 때:
먼저 상대방의 배경과 경험에 대한 쉬운 질문을 합니다.
점차 더 구체적이고 도전적인 질문으로 넘어갑니다.
상대방의 반응에 주의를 기울이고, 그에 따라 질문을 조정합니다.
고객 서비스를 제공할 때:
먼저 고객의 문제를 이해하기 위한 질문을 합니다.
점차 더 구체적인 질문으로 넘어가 문제의 근본 원인을 파악합니다.
고객의 문제를 해결하기 위한 질문을 합니다.
판매를 할 때:
먼저 고객의 니즈를 이해하기 위한 질문을 합니다.
점차 더 구체적인 질문으로 넘어가 고객의 니즈를 정확히 파악합니다.
고객의 니즈를 충족시킬 수 있는 제품이나 서비스를 소개합니다.
이러한 팁을 따르면 질문의 순서를 효과적으로 결정하고, 더 의미 있는 대화를 나눌 수 있을 것입니다.
더 나은 질문을 하기 위한 추가 팁
5W1H를 사용하세요. 5W1H(Who, What, When, Where, Why, How)는 질문을 구성하는 데 도움이 되는 기억술입니다. 이러한 질문 유형을 사용하면 더 구체적이고 포괄적인 질문을 할 수 있습니다.
개방형 질문과 폐쇄형 질문을 혼합하세요. 개방형 질문은 상대방이 자유롭게 대답할 수 있는 질문입니다. 폐쇄형 질문은 상대방이 “예” 또는 “아니오”로 대답할 수 있는 질문입니다. 개방형 질문과 폐쇄형 질문을 혼합하면 다양한 정보를 수집할 수 있습니다.
질문을 구체적으로 하세요. 질문이 너무 일반적이면 상대방이 무엇을 묻는지 이해하기 어려울 수 있습니다. 질문을 구체적으로 하면 상대방이 더 정확한 대답을 할 수 있습니다.
질문을 중립적으로 하세요. 질문이 편향되어 있으면 상대방이 방어적이거나 불안해질 수 있습니다. 질문을 중립적으로 하면 상대방이 더 편안하게 대답할 수 있습니다.
적절한 시점에 질문하세요. 질문을 하는 시점은 중요합니다. 상대방이 바쁘거나 스트레스를 받고 있을 때 질문을 하면 상대방이 질문에 제대로 대답하지 못할 수 있습니다. 적절한 시점에 질문을 하면 상대방이 더 집중하고 더 의미 있는 대답을 할 수 있습니다.
더 나은 질문을 하기 위한 몇 가지 예
대신에 “어떻게 생각하세요?”라고 묻는 대신, “이 프로젝트의 가장 큰 도전은 무엇이라고 생각하시나요?”라고 물어보세요.
대신에 “왜 그렇게 생각하시나요?”라고 묻는 대신, “그렇게 생각하게 된 배경을 설명해 주실 수 있나요?”라고 물어보세요.
대신에 “무엇을 하실 건가요?”라고 묻는 대신, “이 문제를 해결하기 위해 어떤 조치를 취하실 계획이신가요?”라고 물어보세요.
대신에 “좋았나요?”라고 묻는 대신, “이벤트에 대해 어떻게 생각하셨나요?”라고 물어보세요.
대신에 “무엇을 배우셨나요?”라고 묻는 대신, “이 경험에서 가장 중요한 교훈은 무엇이라고 생각하시나요?”라고 물어보세요.
비즈니스 세계의 복잡함을 뚫고 명확함을 찾는 것은 매우 중요합니다. ProfitWell을 놀라운 2억 달러 가치로 이끈 패트릭 캠벨은 비즈니스 도전을 탐색하기 위한 간단하지만 깊이 있는 프레임워크인 “문제 > 원인 > 해결 접근법”을 옹호합니다. 이 글에서는 이 변혁적인 프레임워크를 탐구하며, 이 방법의 각 단계를 안내합니다.
첫 번째 단계: 문제 파악하기
문제를 식별하는 것은 당연해 보일 수 있지만, 이 단계에서의 정밀함이 성공의 무대를 마련합니다. 패트릭 캠벨은 단지 문제를 인식하는 것이 아니라 올바른 문제를 정의하는 것의 중요성을 강조합니다. 잘 정의된 문제는 그 문제의 근본 원인을 탐색하는 데 견고한 기반을 제공하며, 후속 단계가 목표 지향적이고 효과적이도록 보장합니다.
더 깊이 파고들기: 원인 이해하기
원인을 이해하는 것은 문제를 식별하고 해결책을 고안하는 사이의 다리입니다. 이 단계는 표면적인 질문에 관한 것이 아니라 문제 뒤에 있는 ‘왜’에 대한 깊은 탐구입니다. 패트릭은 문제의 층을 벗겨내어 현재의 이슈로 이끈 근본적인 조건들을 밝혀내는 철저한 탐색을 옹호합니다. 이러한 이해의 깊이는 해결책이 문제의 근본을 해결하고 있음을 보장하는 데 매우 중요합니다.
마지막 단계: 해결책 만들기
문제와 그 원인을 명확하게 파악하면, 효과적인 해결책을 만드는 것이 더욱 가능해집니다. 패트릭의 접근 방식은 초기 문제 정의만큼 정밀하고 목표 지향적인 해결책을 만드는 데 중점을 둡니다. 그것은 현재의 문제를 해결할 뿐만 아니라 미래의 도전에 대비할 수 있도록 전략적이고 혁신적이며 지속 가능한 답변을 개발하는 것에 관한 것입니다.
결론
패트릭 캠벨의 “문제 > 원인 > 해결 접근법”은 단순한 방법을 넘어서는 것이며, 한 가지 마인드셋을 나타냅니다. 그것은 전략적이고 철저하며 통찰력 있는 문제 해결 방식을 채택하는 것을 증명합니다. 이 프레임워크를 마스터함으로써, 당신은 비즈니스의 복잡성을 정밀하게 탐색할 수 있으며, 해결책이 단순히 효과적일 뿐만 아니라 지속 가능하도록 보장할 수 있습니다.
