MONKi
매출업 V1에서 V2로
SellUp 매출업 · 자동 캠페인 엔진 · 2026-11-02 기준
01
1 · 흐름
출시에서 전면 시행까지
항목을 누르면 자세히 보인다
02
2 · 기존
V1은 무엇이었나
한 줄로: 매장 지표가 나빠지면 경보 노드 하나를 골라(상태·지원 여부·쿨다운·기존 캠페인 여부 확인 뒤) LLM에 넘겨 캠페인을 만들고 보내는 "경보 → 발송" 자동화였다.
03
3 · 새로운 것
V2는 무엇인가
한 줄로: "오늘 이 매장에서 할 수 있는 캠페인 후보를 전부 평가해, 기대 매출이 가장 큰 것만 실행하고, 결과를 재서 다음 판단에 반영하는" 자기개선(RSI) 엔진이다. 핵심 목표는 매장마다 AI 매출 비중 10% 이상을 유지하는 것.
V1 과 가장 다른 점은 후보가 여러 개라는 것, 실행 전에 "얼마나 될지"와 "측정할 수 있는지"를 계산한다는 것, 그리고 결과가 다음 결정에 돌아온다는 것이다.
04
3 · 새로운 것
V2가 매일 하는 일
운영 기준 KST
쿠폰 기간이 끝난 캠페인의 실적을 대조군과 비교해 확정하고, 유형·세그먼트별 반응률(prior)을 전량 다시 계산한다. 결과가 쌓인 유형은 승격해 후보에 넣는다.
매장별 회원 상태 스냅샷(방문·주문·쿠폰·쿨타임)을 만든다.
모든 자동운항 매장에서 후보 전부를 평가해 기록한다. 안 하는 후보도 이유와 함께 남는다. 11/1~2 이틀 135매장 4.9만 행.
할인 예산이 남았는지 먼저 판정하고, 순위대로 목표 격차·동시 진행·발송 가능 인원을 확인해 캠페인을 만든다. 대조군은 회원별 해시 버킷(월 단위)으로 배정하고(기본 유형별 10% + 전역 3%), 진행 중인 유형별 배정은 그 기간 동안 유지한다.
매장 매출 패턴에 맞는 시각(점심형 10:30·저녁형 16:00)에 보낸다. 노출 기록이 30일 이상 쌓인 매장부터 같은 고객 14일 1회·30일 2회 접촉 상한을 적용한다.
05
4 · 보완과 기대 효과
V1의 어떤 문제가 어떻게 바뀌나
캠페인당 최소 인원(기본 30명, 운영자가 매장별 조정 가능). 미달이면 같은 유형의 세그먼트를 합치고, 그래도 안 되면 안 한다. 회원별 쿨타임을 켠 매장은 이 하한을 1명으로 본다.
매출 0 캠페인이 줄고, 한 캠페인이 매장 회원 기반에 비례한 규모로 나가기를 기대한다. 10월 시범에서 타겟 중앙값 21 → 97명확인됨
운항 분석 · 캠페인 타겟 수, NONE 사유 TOO_SMALL_TARGET
지표 하나에 원인별 후보 여러 개(신규 2차 방문 실패 / 단골 주기 이탈 / VIP 이탈 …)를 만들어 기대 매출로 순위를 매긴다.
같은 "재방문율 하락"이라도 원인에 맞는 세그먼트가 선택된다. 어느 유형이 그 매장에서 통하는지 비교할 축이 생긴다.
운항 분석 · 일별 분석(후보·선택·NONE 사유), 유형 카탈로그
대조군을 회원별 해시 버킷(월 단위)으로 배정(기본 10% + 전역 3%, 진행 중 유형별 배정은 유지), 쿠폰 보유자 등은 대조군이 아니라 사전 제외로 분리. 실행 전 "측정 가능한가"(필요 표본·검출 가능 효과)를 판정하고, 쿠폰 기간이 끝나면 결과를 불변으로 기록.
"AI 매출"(귀속)과 "실제 순증"(대조군 대비)을 구분해 말할 수 있다. 숫자가 틀렸을 때 어느 산식·어느 날 기준인지 추적된다.
관리자 운항 분석 · 캠페인 효과(측정 가능 여부·순증), campaign_outcome
매일 02:00 모든 결과를 다시 읽어 유형·세그먼트별 반응률과 신뢰도를 갱신하고, 예측이 실적보다 낙관적이면 보정 계수를 낮춘다. 증거가 쌓인 유형은 승격, 미승격 유형은 소규모 탐색.
같은 실수를 반복할 가능성이 낮아지고, 매장마다 "이 매장에서 통하는 유형"으로 수렴하기를 기대한다. 측정 불가 결과도 낮은 가중(0.25)으로 반영되지만, 믿을 수 있는 학습은 측정 가능한 결과가 쌓여야 하므로 효과는 수 개월 단위로 본다.
prior 이력 화면, 캘리브레이션 화면, 유형 승격 로그
안 하는 것(NONE)을 1급 결정으로 기록: 인원 미달·최근 접촉·목표 달성·예산 소진·측정 불가·트리거 없음 등 사유 코드.
캠페인 수가 아니라 기대 매출로 판단한다. 운영자가 "왜 오늘 이 매장은 안 나갔나"에 즉시 답할 수 있다.
운항 분석 · NONE 사유 분포
월 할인 예산(이달 예상 매출 × 점주 한도)이 남았는지를 운항마다 판정하고, 기대 할인액을 원장에 예약·확정한다. 미정산 위험 상한을 둔다. 발송비 30원/건을 비용 항목으로 기록.
예산이 소진된 매장은 그날 운항이 멈추고, 어디에 얼마를 썼는지 원장으로 추적된다. 운항 안에서 후보별로 다시 차감·확인하지는 않으며, 비용 대비 매출을 직접 비교해 거르는 규칙도 아직 없다.
예산 원장 apilot_budget_ledger, NONE 사유 BUDGET_EXHAUSTED
실제 노출 기준 피로도 캡(14일 1회·30일 2회, 노출 기록 30일 웜업 뒤 적용)과 회원별 쿨타임(반응 없는 회원은 단계적으로 쉬게 함).
반응 없는 고객에게 비용을 쓰지 않는다. 10월 분석: 쿨타임 3/6/9 기준이면 발송 63% 절감, 순증 손실은 거의 없음.
관리자 쿨타임 모달(쉬는 중 인원), campaign_exposure
가드레일: 쿠폰 사용률 급락·객단가 역전·할인 급증을 매일 03:00 평가해 경보(정지는 운영 설정으로).
효과가 사라지거나 비용이 새는 매장을 자동으로 잡는다.
가드레일 설정·이력 화면
기대 효과는 기대치다 · 확인됨 표시만 실측
06
5 · 지금까지의 결과
10월 효과 측정 — 15매장 9월·10월
AI 매출 증가(+81%)는 발송이 늘어난 결과다. 발송 건수가 +95% 늘면서 캠페인 받은 사람의 결제로 귀속되는 금액이 커졌다.
총매출의 순증 효과는 11월부터 홀드아웃 대조군(매일 약 4천 명)과의 비교로 측정한다.
매출 증가율은 일평균 기준(9월 30일 · 10월 31일) · 타겟 중앙값은 V1 9월 → V2 시범 10월
07
5 · 지금까지의 결과
매장별 비교
08
5 · 지금까지의 결과
지금 위치와 앞으로 볼 것
결정의 질은 바뀌었다.기본 설정에서는 30명 미만 캠페인이 나가지 않고(쿨타임 매장은 예외), 안 나간 이유가 전부 기록되며, 대조군이 모든 캠페인에 같은 규칙으로 배정되고, 예측이 실적과 대조된다.
매출 효과는 11월부터 홀드아웃 비교로 본다보고 지표는 매장별 AI 매출 비중(C) · 대조군 대비 순증(C_net) · 측정 가능 캠페인 비율 세 가지
| 비교 항목 | V1 (2026-09, 114매장) | V2 시범 (2026-10, 15매장) | V2 전면 첫날 (2026-11-02, 142매장) |
|---|---|---|---|
| 캠페인 수 | 1,518건 / 월 | 192건 / 월 | 176건 / 일 |
| 알림톡 수신 | 149,021건 / 월 | 34,165건 / 월 | 32,130명 예정 (+홀드아웃 4,446) |
| 캠페인 타겟 중앙값 | 21명 | 97명 | — |
| 대조군 | 1~9월 캠페인×월의 68.9%에 없음 | 모든 캠페인에 같은 규칙 (기본 10% + 전역 3%) | 동일 |
| 안 한 결정 기록 | 없음 | 매일 전 후보 기록 (10월 35.3만 행) | 매일 전 후보 기록 (11/1~2 4.9만 행) |
| AI 매출 비중 (15매장) | 4.56% (9월) | 7.88% (10월) | — |
09
매출업 V1에서 V2로
2026-11-02 전면 시행 · 180개 매장
10