Breaking down funnel data by cohort, a significant portion of the decline originated from new provider churn. Only 15% of new providers completed their first payment within 7 days of sign-up, and the 1-month payment rate dropped 6.3pp year-over-year. Providers who failed to convert to a first payment during this period almost always churned.

즉, 전체 효율 하락은 발송 직전 문제만이 아니라, 신규 고수의 초기 안착 실패가 엔진의 시작점부터 누적된 결과이기도 했습니다.

요청서 확인 이후 견적 발송 전환율은 35.7%에서 32.7%로 하락했고, 견적 발송까지 걸리는 시간의 중앙값도 8시간 36분에서 10시간 28분으로 증가했습니다. 전환율이 낮아지는 동시에 발송 결정 속도까지 함께 느려지고 있었습니다. 같은 구간을 더 따라가 보니, 견적 발송까지 이어지는 퍼널 안에서 캐시 구매와 스토어 방문 전환율도 함께 하락하고 있었습니다. 특히 캐시 부족 안내 모달에서 이탈이 가장 크게 나타났습니다. 전환율과 발송 속도가 동시에 느려지고 있다는 것, 그리고 이탈이 특정 지점에 집중된다는 것은 발송 직전에 고수가 망설이게 만드는 장벽이 존재한다는 신호였습니다.

신규 고수가 첫 결제까지 빠르게 도달하도록 초기 마찰 구간을 재정의하고, 활성화 기준점을 앞당기는 구조로 설계했습니다.

AS-IS

견적서 작성 후에야 캐시 부족을 알리며, 이미 리소스를 들인 뒤 이탈이 발생할 수 있었습니다.

TO-BE

작성 전에 캐시 부족 상태를 먼저 안내해, 스토어 진입과 캐시 충전으로 자연스럽게 연결되도록 바꿨습니다.

이후에는 첫 결제 이후 고수와 기존 고수의 요청 반응 구간에서, 상태별 리마인더 전송 시점을 최적화했습니다.

요청 반응 구간의 리마인더 시점과 메시지 맥락을 재설계해, OR과 CR을 함께 개선하는 전환 흐름으로 연결했습니다.

Experiment Result

OR +24.55% 견적서 오픈 비율

CR +6.19% 요청서 확인 후 견적 발송

QR +32% 견적 전환율

요청을 수신한 고수 전반에서, 요청 확인 이후 실제 견적 발송까지 이어지는 전환율이 점차 낮아지고 있었습니다. 고수는 개별 요청 알림만 받고 있었고, 요청 수신 이후 얼마나 시간이 지났는지에 대한 정보는 제품 외부에서 거의 확인할 수 없었습니다. 많은 고수가 다른 업무를 병행하며 간헐적으로 요청서를 확인했기 때문에, 초기 알림을 놓친 경우 미열람 요청을 다시 확인하지 않고 넘어가는 경우도 많았습니다.

데이터상 대부분의 고수는 요청서를 열람한 뒤 1일 이내에 견적을 발송하고 있었습니다. 이는 같은 리마인더라도 누구에게, 언제 전달하느냐에 따라 효과가 크게 달라질 수 있다는 의미였습니다. 그래서 요청서 확인 상태를 기준으로 리마인더 타이밍을 분기하는 실험을 설계했습니다.

실험 결과, 열람 후 미발송 고수에게는 열람 후 24시간 시점이 가장 효과적이었고, 미열람 고수에게는 요청 마감 1일 전 시점이 가장 효과적이었습니다. 전자는 고수가 업무 외 특정 시간대에 몰아서 요청서를 확인하는 패턴과 맞닿아 있었고, 후자는 이후에는 응답 자체가 불가능해지는 시점이라는 점에서 손실 회피 심리를 자극하기에 적절했습니다. 결과적으로 견적서 오픈 비율 24.55%, 요청서 확인 후 견적 발송 전환율 6.19%, 전체 견적 전환율 32%를 개선했습니다.

신규 고수의 초기 안착과 기존 고수를 포함한 반응 전환 구간을 동시에 개선하며, 성장 엔진의 시작점과 반복 구간 모두에서 전환 효율을 회복했습니다. 이후 첫 결제를 활성화의 기준점으로 다시 정의하고, 발송 직전의 마찰을 줄이고, 행동이 일어나는 시점에 맞춰 메시지를 전달하면서 엔진의 시작점과 마지막 구간을 함께 개선했습니다.

결과적으로 이 프로젝트는 단순한 알림 보강이 아니라, 고수가 첫 결제 이후 실제 행동으로 빠르게 이어지고 반복적으로 반응하도록 전환 구조를 다시 설계한 작업이었습니다.

정량 데이터가 답을 주지 못한다면, 고수에게 직접 물어보는 것이 가장 빠르게 원인을 파악할 수 있는 방법이었습니다. 별도 프로덕트 개발 없이 Braze 인앱 메시지 커스텀 코드로 서베이 모달을 직접 구현해, 버튼 클릭 반응을 통해 zero-party 데이터를 직접 수집하여 고수가 실제로 겪는 페인포인트를 파악했습니다.

유저 인터뷰와 서베이를 통해 확인한 결과, 전환을 가로막고 있던 것은 기능 부족이 아니라 결과에 대한 불확실성과 행동 장벽이었습니다.

신규 고수에게는 '일단 한 번 보내볼 수 있는 상태'를, 기존 고수에게는 요청 확인 직후 가격 판단과 발송 결정을 더 빠르게 할 수 있는 구조를 만드는 것이 목표였습니다. 해결 전략의 핵심은 단순 노출 확대가 아니라, 발송 직전의 장벽을 더 정밀하게 제거하는 데 있었습니다.

서베이 목적으로 노출한 모달이었지만, 예상치 못한 결과가 나타났습니다. CTA를 클릭해 가이드 콘텐츠로 이동한 고수는 모달을 닫은 고수 대비 1시간 이내 견적 발송 전환율이 약 9% 높게 나타났습니다. 정보의 부재가 아니라, 필요한 정보를 행동 직전에 연결해주는 전달 장치의 부재가 더 큰 문제라고 판단했습니다.

문제를 하나의 메시지로 해결하기보다, 장벽 유형에 따라 다른 접근이 필요하다고 보고 구조를 다시 설계했습니다.

AS-IS

기존 시스템 모달은 정보량은 있었지만, 행동으로 이어지는 가이드 역할은 충분하지 않았습니다.

TO-BE

개선 모달은 견적가 산정과 견적서 작성이라는 핵심 장벽을 더 직접적으로 안내하도록 바꿨습니다.

이 결과를 바탕으로 신규 고수의 첫 결제와 첫 견적 발송 이탈의 주요 원인인 '견적가 산정'과 '견적서 작성'의 어려움을 실제로 완화할 수 있는 장치가 있는지 추가로 점검했습니다. 그 결과, 기존에 견적 작성 전에 노출되던 AS-IS 시스템 모달은 필요한 정보와 행동 가이드를 충분히 전달하지 못하고 있었고, 이를 개선한 가이드 모달 캠페인으로 이어졌습니다. 개선 실험에서 견적 발송 전환율은 9.26% 유의미하게 개선됐습니다.

활성화 개선 이후에도 과제가 남아 있었습니다. 첫 결제를 유도해도 반복으로 이어지지 않았습니다. 가입 후 7일 이내 재결제 전환율은 7%, 첫 결제 고수 중 재결제 비율도 30%에 불과했습니다.

리서치에서 재결제 이탈의 주요 원인은 견적 발송 후 고객의 무응답이었습니다. 발송된 견적 대비 고객 응답률은 18.8%, 오픈된 견적 대비로도 26.8%에 그쳤습니다. 무응답은 실제로 반복 전환을 약화시키는 구조적 문제였습니다.

데이터팀과 추가로 분석한 결과에서도, 재결제를 가른 것은 첫 결제 속도가 아니라 그 이후의 경험이었습니다. 견적 발송량, 요청서 오픈율, 고객 반응 경험 여부가 핵심 변수였습니다.

고객은 왜 응답하지 않을까?

고객이 응답하지 않는 이유는 두 가지였습니다. 견적을 열지 않는 경우는 가격 불만족, 열람 후 응답하지 않는 경우는 무엇을 어떻게 말해야 할지 모르는 경우가 많았습니다. 고객이 원하는 정보(가격 비교 범위, 견적 상세)와 고수가 제공하는 정보 사이의 간극이 응답을 막고 있었습니다.

그래서 고객 응답을 만들기 위해 어떤 정보를 보강해야 했을까?

고수 행동 유도

고객 답변이 없는 고수에게, 견적가 산정과 견적 내용 보강 가이드를 다시 연결

고객 행동 유도

고객이 받은 견적을 다시 떠올리고 응답을 시작할 수 있도록 설계한 앱푸시

해결 방향은 두 가지였습니다. 하나는 고객에게 직접 응답을 유도하는 것, 다른 하나는 고수의 매력도를 높여 고객에게 노출됐을 때 고용 경쟁력을 강화하는 것이었습니다. 고객에게는 받은 견적을 다시 떠올리고 응답을 시작하도록 앱푸시를 설계했습니다. 가격 불만족과 응답 부담이라는 두 장벽을 고려해, 단순 혜택보다 가격 비교와 견적 상세 확인 등 응답의 이유를 더 분명히 전달하는 방향으로 접근했습니다. 한편 고수는 고객이 견적을 받은 후 어떤 정보를 기준으로 고용을 결정하는지 알지 못했습니다. 고수에게는 고객의 고용 결정에 영향을 주는 핵심 정보(경력, 리뷰, 상세 설명, 견적 내용)를 더 잘 반영할 수 있도록 견적가 산정과 내용 보강 가이드를 재연결했습니다. 실제로 이러한 정보를 충분히 입력한 고수일수록 더 많은 고객 응답을 받았고, 응답 경험은 재결제 가능성과도 연결됐습니다. Control group 대비 견적서 오픈 후 1일 이내 고객 응답률은 17.8% 증가했고, TG 고수의 가이드 안내 적용 비율도 13.93% 높게 나타났습니다. 그런데 가이드 적용률이 높아졌다는 것은, 반대로 말하면 그 전까지 신규·기존 고수 모두에게 필요한 정보가 충분히 전달되지 않고 있었다는 의미이기도 했습니다.

리마인더 알림과 가이드 모달 개선으로 타이밍과 정보 전달을 각각 개선했지만, 고수가 실제로 행동에 나서려면 적절한 시점에 필요한 정보를 함께 전달하는 메시지가 필요했습니다. 최적의 타이밍과 콘텐츠의 조합을 빠르게 테스트할 수 있는 채널이 필요했고, 가이드 채팅방은 그 목적으로 설계됐습니다.

그러나 가이드 채팅방 실험 결과는 기대와 달랐습니다. TG 전체 기준으로 첫 결제율, 첫 견적 발송률, 재결제율, 고용률 모두 CG 대비 소폭 하락했습니다. 그런데 세그먼트를 나눠보면 다른 그림이 나타났습니다. 클릭하지 않은 TG 유저가 전체 평균을 끌어내리고 있었고, 메시지를 클릭한 유저는 CG 대비 첫 결제율 +226%, 재결제율 +285%, 21일 고용률 +243%로 훨씬 강한 후속 행동을 보였습니다.

이는 가이드 채팅방이 그 자체로 강한 성과 채널이었다기보다, 클릭이 발생했을 때 이후 전환 가능성이 높은 유저를 포착하거나 증폭시킬 수 있는 채널임을 보여줬습니다. 따라서 핵심 과제는 채널의 존재 여부보다, 어떤 콘텐츠와 구조로 클릭률을 높일 것인가에 있었습니다.

provider·service 단위 예측 score를 관리하는 BigQuery 데이터마트

BigQuery 예측값을 Braze 유저 프로퍼티로 연동한 구조

Braze Canvas에서 세그먼트별 메시지와 발송 시점을 분기한 운영 구조

그러나 현재 구조의 세그먼테이션으로는 최적의 세그먼트×USP 조합을 도출하는 데 한계가 있었습니다. 이에 데이터 사이언티스트·분석가와 함께 견적 발송 예측 모델 실험을 진행했습니다. 모델은 고수 × 등록 서비스 단위로 견적 발송 가능성을 예측했고, RFM 변수와 최근 행동 데이터를 입력값으로 사용했습니다.

도출된 예측 점수를 실제 CRM 실험으로 이어지는 구조로 설계하기 위해, 데이터옵스팀과 협업해 모델 추출 결과를 BigQuery에 적재한 뒤, 실험에 필요한 변수를 Braze 유저 어트리뷰트로 연동하고, 서비스 평균 대비 발송 가능성 변화 점수(`score_14_diff`) 구간별로 세그먼트를 나눠 Braze Canvas에서 메시지 실험을 집행할 수 있는 파이프라인을 구축했습니다. 그 결과 전체 평균에서는 효과가 희석됐지만, score_14_diff와 행동 경험 기준으로 나누면 구간별 uplift가 반복적으로 확인됐습니다. 이를 통해 같은 고수라도 상태와 경험에 따라 필요한 개입 목적과 메시지 톤이 달라진다는 점을 확인했고, 현재는 score와 행동 맥락에 따라 메시지와 타이밍을 자동 분기하는 운영 구조로 확장 적용을 탐색하고 있습니다.

1차 — 전체 평균

1차·2차 — 구간별 반응 패턴

3차 — score 구간 × 견적 경험 유무

고수가 멈추는 이유가 다르면 같은 메시지도 다르게 작동했습니다. 그래서 이 프로젝트에서는 장벽을 유형별로 분류하고, 각 장벽에 맞는 노출 시점과 메시지를 설계해 반복 행동 구간의 전환율을 개선했습니다.

예측 모델 실험에서도 전체 평균만으로 효과를 판단하기보다, 어떤 조건에서 차이가 나타나는지를 먼저 봤습니다. 서베이에서 시작한 질문이 모달 실험으로, 다시 가이드 채팅방으로 이어졌듯, 차이가 발생하는 조건을 발견한 실험은 실패가 아니라 다음 실험 구조를 설계하기 위한 학습이 되었습니다.

유저가 어디서 멈추는지를 먼저 알아내고, 그 지점에 맞는 메시지를 더 정교하게 설계해 전환율을 개선한 프로젝트였습니다.

대상을 먼저 좁혔습니다. BigQuery에서 고수 매출·활동 데이터를 분석해 월 매출 구간, 카테고리, 재구매 패턴을 기준으로 광고 상품의 핵심 타겟 세그먼트를 SQL로 정의한 뒤, 해당 그룹을 중심으로 수요 검증과 선수요 확보 전략을 설계했습니다.

※ 당시 숨고플러스는 ‘최상단 고정 광고’라는 명칭으로 운영됐으며, 2주간의 입찰 기간 종료 후 낙찰자가 확정되는 구조였습니다. 현재는 입찰 방식은 유지하되, 고수가 보유한 캐시로 입찰하고 고액 입찰자 등장 시 기존 결제가 자동 취소되는 방식으로 변경되었습니다.

개발 리소스를 최소화하면서도, 신청 의사를 빠르게 수집하고 오픈 시점에 다시 연결되는 운영 구조를 만들었습니다.

저는 오픈 알림 신청 이벤트를 리드하며, 기획부터 빠르게 실험할 수 있는 구조를 만드는 데 집중했습니다. Braze 커스텀 어트리뷰트를 활용해 별도 개발 없이 신청 의사를 수집하고, 오픈 시점에 자동 알림이 발송되는 구조를 구축했습니다.

오픈 알림 신청 운영 구조

이벤트 페이지 모달 노출

→

'예' 클릭

→

Braze 커스텀 어트리뷰트 적재

→

오픈 시 알림톡 자동 발송

→

실제 입찰

오픈 알림 신청 모달에서 ‘예’ 클릭 시 커스텀 어트리뷰트를 적재한 코드

{
  "eventType": "SET_CUSTOM_USER_ATTRIBUTE",
  "key": {
    "operator": "LITERAL_VALUE",
    "value": "adsopennoti_p-125_250529"
  },
  "value": {
    "operator": "LITERAL_VALUE",
    "value": "true"
  }
}

Braze 기반으로 별도 개발 없이 신청 의사를 수집하고, 이후 입찰 여부까지 추적할 수 있도록 설계했습니다.

이벤트 페이지와 인앱 모달을 활용해 초기 수요를 확보

오픈 시점에 맞춰 인앱/알림톡으로 실제 입찰 행동을 유도

세그먼트 × 소구점 실험을 반복하며, 이후에는 서비스·지역 정보를 결합한 메시지 파이프라인을 구축해 시장 유형별 USP를 자동으로 반영하는 구조로 고도화했습니다. 이를 위해 SQL로 서비스·지역·고수 특성 데이터를 결합한 마케팅용 테이블을 직접 생성하고, Braze Connected Content로 메시지 발송 시점에 해당 데이터를 호출하는 구조를 설계했습니다.

대표 자동화 메시지 예시

성장 기회형 시장

“⏳ $[지역]$ $[서비스]$ 성수기 성장 기회! 입찰이 적은 지금, 하루 800원으로 초기 고객을 확보하세요.”

지정 요청 확대형 시장

“🎯 $[지역]$ $[서비스]$ 지금 고수님들이 주목하는 시장! 성수기 광고로 지정 요청을 늘려 고객이 직접 당신을 찾게 만드세요.”

경쟁 방어형 시장

“🚀 $[지역]$ $[서비스]$는 성수기 최대 요청 달성 중! 그만큼 경쟁도 치열해요. 지금 광고로 지정 요청을 늘려 성수기 매출을 지키세요.”

효율 강조형 시장

“☄️ $[지역]$ $[서비스]$ 성수기 수요 급등을 잡으세요! 하루 최소 800원으로 모든 요청 확보하는 효율적 광고 집행하세요!”

시장 유형과 고수 특성에 따라 동일 상품도 서로 다른 USP로 커뮤니케이션했습니다.

Built the initial communication structure without engineering and strengthened message impact through segment refinement

Using only Braze — without additional engineering — I built the open-alert opt-in and automated send structure, enabling fast and stable initial communication operations. After the payment model shifted to immediate payment, CRM message attribution expanded significantly. Post-refund attribution rose from an average of 16.9% in rounds 1–5 to an average of 58.5% in rounds 6–9, peaking at 73.2%. This demonstrated that messages were functioning as a direct conversion trigger — not just a reminder. Subscription conversion rates and post-bid repurchase changes were analyzed directly in SQL and fed back into subsequent communication and segment design improvements.

※ 광고 구좌 및 입찰자·낙찰자 관련 상세 수치와 세부 분석 데이터는 대외비에 해당해, 본 문서에서는 구조와 핵심 인사이트 중심으로만 정리했습니다.

Breaking down funnel data by cohort, a significant portion of the decline originated from new provider churn. Only 15% of new providers completed their first payment within 7 days of sign-up, and the 1-month payment rate dropped 6.3pp year-over-year. Providers who failed to convert to a first payment during this period almost always churned.

In other words, the overall efficiency decline was not only a pre-send problem but also the cumulative result of new providers failing to get established right from the engine's starting point.

Quote send conversion rate after viewing a request dropped from 35.7% to 32.7%, and the median time to send a quote increased from 8 hours 36 minutes to 10 hours 28 minutes. Conversion rate was declining while send decision speed was also slowing simultaneously. Following the same funnel further, cash purchase and store visit conversion rates within the quote-sending funnel were also declining. Drop-off was largest at the cash shortage notification modal in particular. Both the declining conversion rate and slower send speed, along with drop-off concentrated at a specific point, signaled the existence of a barrier causing providers to hesitate right before sending.

I redesigned the initial friction stage and structured the experience to bring the activation benchmark forward, helping new providers reach their first payment faster.

AS-IS

Cash shortage was only surfaced after the quote had been written, meaning drop-off could occur after the provider had already invested time and effort.

TO-BE

Changed to surface the cash shortage state before writing, creating a natural path into the store and cash top-up flow.

Next, I optimized the timing of state-based reminder messages within the request response stage for both post-first-payment and existing providers.

By redesigning the reminder timing and message context within the request response stage, I connected them into a conversion flow that improved both OR and CR together.

Experiment Result

OR +24.55% Quote Open Rate

CR +6.19% Quote Sent After Request Review

QR +32% Quote Conversion Rate

Across all providers who received requests, the conversion rate from reviewing a request to actually sending a quote was gradually declining. Providers were only receiving individual request notifications, and information about how much time had passed since receiving a request was barely accessible outside the product. Since many providers were checking requests intermittently while juggling other work, missing the initial notification often led to unread requests going unchecked.

Data showed that most providers sent their quote within 1 day of opening the request. This meant that even the same reminder could vary greatly in effectiveness depending on who received it and when. I therefore designed an experiment that branched reminder timing based on the request review status.

Experiment results showed that for providers who had opened but not yet sent a quote, 24 hours after opening was most effective; for providers who had not yet opened, 1 day before the request deadline was most effective. The former aligned with the pattern of providers checking requests in batches during specific off-work hours, while the latter was well-suited to trigger loss-aversion psychology — being the point after which responding becomes impossible. Overall, this improved quote open rate by 24.55%, quote send conversion after request review by 6.19%, and overall quote conversion rate by 32%.

By simultaneously improving new provider onboarding and the response conversion stage across all providers, conversion efficiency was recovered at both the starting point and the repeat stage of the growth engine. Redefining the first payment as the activation benchmark, reducing pre-send friction, and delivering messages aligned with the moment of action improved both the engine's starting point and its final stage.

Ultimately, this project was not merely a notification enhancement — it was a redesign of the conversion structure to help providers quickly move into real action after their first payment and repeatedly engage thereafter.

If quantitative data couldn't provide the answer, asking providers directly was the fastest way to identify the cause. Without additional product development, I implemented a survey modal directly using Braze in-app message custom code, collecting zero-party data through button click responses to understand the actual pain points providers were experiencing.

User interviews and surveys confirmed that what was blocking conversion was not a lack of features, but uncertainty about outcomes and behavioral barriers.

The goal was to create a state where new providers could 'just try sending once', and for existing providers, a structure that allowed faster pricing judgment and send decisions immediately after reviewing requests. The core of the solution strategy was not simply increasing exposure but more precisely removing the barriers right before sending.

Although the modal was deployed for survey purposes, an unexpected result emerged. Providers who clicked the CTA to access the guide content showed approximately 9% higher quote send conversion within 1 hour compared to those who closed the modal. It was concluded that the bigger problem was not an absence of information, but the absence of a delivery mechanism connecting necessary information right before the moment of action.

Rather than solving the problem with a single message, I concluded that different approaches were needed based on barrier type and redesigned the structure accordingly.

AS-IS

The existing system modal had information, but was not sufficient in its guiding role toward action.

TO-BE

The improved modal was redesigned to more directly address the core barriers of pricing a quote and writing the quote itself.

Based on these results, I further examined whether there was a mechanism that could actually alleviate the difficulties of 'pricing a quote' and 'writing a quote' — the main causes of drop-off for new providers at first payment and first quote. It was found that the existing AS-IS system modal displayed before quote writing was not sufficiently delivering the necessary information and action guidance, leading to the improved guide modal campaign. In the improvement experiment, quote send conversion rate improved significantly by 9.26%.

Challenges remained even after the activation improvement. Even when first payment was achieved, it did not lead to repeat behavior. The repurchase conversion rate within 7 days of sign-up was 7%, and repurchase rate among providers who made a first payment was only 30%.

Research identified customer non-response after quote sending as the primary cause of repurchase drop-off. The customer response rate was 18.8% against quotes sent, and only 26.8% against quotes opened. Non-response was a structural problem that was actually weakening repeat conversion.

Further analysis with the data team also confirmed that what differentiated repurchasers was not the speed of first payment but the experience that followed. Quote send volume, request open rate, and whether the provider experienced customer responses were the key variables.

Why Don't Customers Respond?

There were two reasons customers didn't respond. For those who didn't open the quote, price dissatisfaction was common; for those who opened but didn't respond, many didn't know what or how to reply. The gap between the information customers wanted (price comparison range, quote details) and the information providers supplied was blocking responses.

So What Information Needed to Be Reinforced to Generate Customer Responses?

Provider Behavior Nudge

For providers without customer replies, reconnecting them to pricing guidance and quote content reinforcement guide

Customer Behavior Nudge

App push designed to help customers recall the quote they received and initiate a response

There were two solution directions. One was to directly prompt customers to respond; the other was to increase provider appeal and strengthen their hiring competitiveness when exposed to customers. For customers, I designed an app push to help them recall the quote they received and initiate a response. Accounting for the two barriers of price dissatisfaction and the burden of responding, the approach focused on communicating the reasons to respond — such as price comparison and quote detail review — more clearly rather than simply offering benefits. Meanwhile, providers didn't know what information customers used to make hiring decisions after receiving a quote. I reconnected providers to pricing guidance and quote content reinforcement guides so they could better reflect the key information (experience, reviews, detailed description, quote content) that influences customer hiring decisions. Providers who sufficiently entered this information did receive more customer responses, and response experience was also connected to repurchase likelihood. Compared to the control group, customer response rate within 1 day of quote open increased by 17.8%, and the guide application rate among TG providers was 13.93% higher. However, the higher guide application rate also implied that, until then, necessary information was not being sufficiently delivered to both new and existing providers.

While reminder notification and guide modal improvements each addressed timing and information delivery, providers needed messages that delivered necessary information together at the right moment to actually take action. A channel was needed to rapidly test the optimal combination of timing and content, and the guide chat room was designed for that purpose.

However, the guide chat room experiment results differed from expectations. Across the entire TG, first payment rate, first quote send rate, repurchase rate, and hire rate all declined slightly compared to CG. But when the segment was broken down, a different picture emerged. TG users who did not click were pulling down the overall average, while users who did click showed much stronger follow-up behavior: first payment rate +226%, repurchase rate +285%, and 21-day hire rate +243% compared to CG.

This showed that the guide chat room was less a strong performance channel in itself, and more a channel that could capture or amplify users with high conversion potential when a click occurred. Therefore, the core challenge was not whether the channel existed, but what content and structure would increase click-through rate.

BigQuery data mart managing prediction scores at the provider·service level

Structure connecting BigQuery prediction values to Braze user properties

Operational structure branching segment-specific messages and send timing in Braze Canvas

However, the current segmentation structure had limitations in deriving the optimal segment × USP combination. Accordingly, I conducted a quote send prediction model experiment with data scientists and analysts. The model predicted quote sending probability at the provider × registered service level, using RFM variables and recent behavior data as inputs.

To design a structure connecting the derived prediction scores into actual CRM experiments, I collaborated with the DataOps team to load model extraction results into BigQuery, linked the necessary experiment variables to Braze user attributes, and built a pipeline enabling message experiments in Braze Canvas by segmenting based on the probability change score compared to service average (`score_14_diff`). While the effect was diluted in the overall average, uplift by segment was repeatedly confirmed when broken down by score_14_diff and behavioral experience. This confirmed that even for the same provider, the required intervention purpose and message tone differ based on state and experience — and we are currently exploring extending this into an operational structure that automatically branches messages and timing based on score and behavioral context.

Round 1 — Overall Average

Rounds 1 & 2 — Response Pattern by Segment

Round 3 — Score Segment × Quote Experience Status

When the reasons providers stop differ, even the same message works differently. In this project, barriers were classified by type, and the exposure timing and messages tailored to each barrier were designed to improve conversion in the repeat behavior stage.

Even in the prediction model experiment, rather than judging effectiveness from the overall average alone, I first looked at under what conditions differences appeared. Just as a question that started with a survey led to a modal experiment and then a guide chat room, an experiment that discovers the conditions under which differences occur is not a failure but a learning that shapes the design of the next experiment.

This was a project that first identified where users were stopping, then designed more precise messages for those points to improve conversion.

I started by narrowing the target. Analyzing provider revenue and activity data in BigQuery, I defined the core target segment for the ad product in SQL based on monthly revenue range, category, and repurchase patterns, then designed a demand validation and pre-demand capture strategy centered on that group.

※ At the time, Soomgo Plus operated under the name 'Top Fixed Ad', with winning bidders confirmed after a 2-week bidding period. Currently, the bidding mechanism remains but has been updated so providers bid using their held cash, and existing payments are automatically cancelled when a higher bidder appears.

I built an operational structure that minimized engineering resources while rapidly collecting sign-up intent and reconnecting at the launch moment.

Leading the open-alert signup event, I focused on building a structure that could be experimented with quickly from planning. Using Braze custom attributes, I collected sign-up intent without additional engineering and built a structure where automatic notifications were sent at launch.

Open-Alert Signup Operational Structure

Event Page Modal Display

→

'Yes' Click

→

Braze Custom Attribute Set

→

Auto KakaoTalk Notification on Launch

→

Actual Bid

Code for setting custom attribute when 'Yes' is clicked on the open-alert signup modal

{
  "eventType": "SET_CUSTOM_USER_ATTRIBUTE",
  "key": {
    "operator": "LITERAL_VALUE",
    "value": "adsopennoti_p-125_250529"
  },
  "value": {
    "operator": "LITERAL_VALUE",
    "value": "true"
  }
}

Designed using Braze without additional engineering to collect sign-up intent and track subsequent bidding behavior.

Capturing initial demand using event page and in-app modal

Driving actual bidding behavior through in-app and KakaoTalk notifications at launch

Through repeated segment × value proposition experiments, I subsequently built a message pipeline combining service and regional data to automatically reflect market-type USPs. To do this, I directly created a marketing table in SQL combining service, regional, and provider characteristic data, and designed a structure using Braze Connected Content to call that data at message send time.

Representative Automated Message Examples

Growth Opportunity Market

“⏳ $[Region]$ $[Service]$ peak season growth opportunity! With fewer bids right now, secure your first customers for just ₩800/day.”

Direct Request Expansion Market

“🎯 $[Region]$ $[Service]$ is a market top providers are watching! Use peak season ads to grow direct requests and have customers seek you out.”

Competitive Defense Market

“🚀 $[Region]$ $[Service]$ is hitting peak season maximum requests! Competition is fierce. Advertise now to grow direct requests and protect your peak season revenue.”

Efficiency-Focused Market

“☄️ Capture the $[Region]$ $[Service]$ peak season demand surge! Run efficient ads from just ₩800/day minimum to capture all requests!”

The same product was communicated with different USPs based on market type and provider characteristics.

Built the initial communication structure without engineering and strengthened message impact through segment refinement

Using only Braze — without additional engineering — I built the open-alert opt-in and automated send structure, enabling fast and stable initial communication operations. After the payment model shifted to immediate payment, CRM message attribution expanded significantly. Post-refund attribution rose from an average of 16.9% in rounds 1–5 to an average of 58.5% in rounds 6–9, peaking at 73.2%. This demonstrated that messages were functioning as a direct conversion trigger — not just a reminder. Subscription conversion rates and post-bid repurchase changes were analyzed directly in SQL and fed back into subsequent communication and segment design improvements.

※ Detailed figures and analysis data related to ad slots, bidders, and winning bidders are confidential; this document covers only the structure and key insights.