Prompt Analytics - 사용자 세그먼테이션과 프롬프트 전략

1 User Segmentation

사용자를 특정 기준에 따라 그룹으로 분류하는 방법

1.1 Segmentation의 필요성

AI 서비스에서 사용자 세그먼트를 파악하는 것은 다음과 같은 이유로 중요하다.

• 개인화된 경험 제공: 사용자 성향에 맞는 응답 전략 수립
  
• 리텐션 개선: 이탈 가능성이 높은 세그먼트를 사전에 식별
  
• 프롬프트 최적화: 세그먼트별로 효과적인 프롬프트 패턴 적용
  
• 서비스 개선: Heavy User와 Low Retention User의 행동 차이 분석

프롬프트 분석만으로도 사용자의 성향을 예측할 수 있다는 점이 핵심이다. 별도의 설문조사나 행동 추적 없이도 대화 패턴을 통해 사용자를 분류할 수 있다.

1.1.1 개인화 정교화 단계

• GenAI 나 Platform Service시 사용자에 맞춤화된 서비스를 제공하면 고객의 이탈률을 방지하고 서비스 품질을 극대화할 수 있다.
  
• Cutomization의 단계별 차이점을 설명하겠다: Segmentation, Personalization, Hyperpersonalization

1.1.1.1 Segmentation

• 그룹 단위 분류
  • 사용자를 공통 특성에 따라 그룹으로 묶는 것
    
  • 같은 세그먼트 내 사용자들은 동일한 전략 적용
    
  • 기준: 인구통계(나이·성별), 행동 데이터, 관심사 등
  • 큰 사용자 집단을 효율적으로 나누어 반응을 높일 수 있다.
  • 예
    • SI 계열 사용자 전체에게 동일한 FAQ 제공
      
    • 20대 남성 러너 VS 40대 여성 건강관심층
      
    • 온라인 쇼핑에서 “반려동물 용품 관심군” 대상 타깃 광고
      
    • LLM 기반 챗봇에서 “초보자 그룹”과 “전문가 그룹”으로 응답 톤을 달리함

[예시]
세그먼트: MIEP (멀티턴, 정보검색, 긍정감정, 선호구조)
→ 이 그룹 전체에게 "Gamification + 페르소나" 전략 적용
→ 그룹 내 모든 사용자가 같은 경험

1.1.1.2 Personalization

• 개인화: 개인별 맞춤 조정
  
• 그룹이 아니라 한 사람 단위: 개별 사용자의 과거 행동, 선호도, 컨텍스트를 기반으로 맞춤 제공
• 같은 세그먼트라도 개인별로 다른 경험
• 사용자의 행동 데이터 및 선호 기반
• 개인별 추천 알고리즘, 컨텍스트 기반 응답 생성 등
• 예:
  • 사용자 A는 Python 관련 FAQ, 사용자 B는 JavaScript 관련 FAQ
  • 사용자 검색/클릭 패턴 기반 상품 추천
  • 교육용 LLM이 사용자의 지난 답변 스타일을 반영
  • 스트리밍 서비스가 개인 취향 기반 플레이리스트 생성

[예시]
사용자 A (MIEP): 최근 Python 학습 → Python 추천 질문 제공
사용자 B (MIEP): 최근 웹개발 학습 → JavaScript 추천 질문 제공
→ 같은 세그먼트지만 개인별로 다른 콘텐츠

1.1.1.3 Hyperpersonalization

• 초개인화: GenAI·LLM·RAG·Behavioral Modeling 등이 여기에 결합된다.
• 정적 정보·과거 행동뿐 아니라 실시간 데이터, 상황, 맥락(Context), 사용자 상태고려하여 초정교하게 개별화하는 방식
  
• 현재 상황, 감정, 의도까지 실시간 분석하여 최적화
• 개인화보다 한 단계 더 깊은 초개인화
  
• 실시간 컨텍스트: 위치, 시간대, 최근 행동, 입력 문맥
  
• GenAI가 사용자의 의도·상황·감정·패턴을 실시간 분석해 즉답 생성
• 모델이 계속 사용자를 학습하며 출력이 변화
• AI/ML을 활용해 예측적으로 대응
• 다양한 데이터 소스 통합 (행동, 위치, 시간, 디바이스 등)
• 예:
  • 지금 이 순간의 감정 상태, 급한 정도까지 반영
    
  • 피트니스 앱에서 “현재 심박·날씨·사용자 피로도·과거 패턴”을 반영한 운동 플랜 생성
    
  • GenAI 에이전트가 사용자의 프로젝트 이력과 현재 진행상황을 반영하여 자동으로 문서 초안 생성
    
  • 은행에서 거래 패턴, 위치, 소비 흐름 기반 실시간 금융 제안

[예시]
사용자 A (MIEP):
- 오전 9시, 모바일, "급해!" 표현 → 간결한 답변 우선
- 오후 8시, 데스크탑, 여유로운 대화 → 심화 설명 제공
- 에러 3번 반복 → 감정 공감 강화 + 단계별 가이드

→ 같은 사람이라도 순간순간 다른 경험

1.1.1.3.1 비교표

구분	Segmentation	Personalization	Hyperpersonalization
단위	그룹	개인	개인 + 상황
기준	공통 특성	과거 행동/선호	실시간 컨텍스트
정적/동적	정적	반정적	완전 동적
데이터	기본 분류 기준	사용자 히스토리	다중 소스 실시간
기술	규칙 기반	데이터 분석	AI/ML 예측
예시	SI 그룹 → FAQ	사용자별 주제 추천	현재 감정/상황 반영

1.2 실무 적용 단계

1. Segmentation

• LLM 기반 고객 분류: “러닝 관심군”, “취업준비군”, “기술 문서 작성군”
  

2. Personalization:

• 사용자 과거 대화 톤·문체를 반영한 응답 생성
  
• 프로젝트 히스토리를 학습한 맞춤형 설명
  

3. Hyperpersonalization
   

• 사용자의 현재 질문 패턴, 이전 세션 히스토리, 업무 스타일, 선호 포맷을 조합해 문서 초안·코드·전략을 ‘지금 상황에 최적화된 형태로’ 생성
  
• 실시간 RAG로 개인 문서·기록까지 결합해 맞춤형 조언 생성

1.3 Segmentation 분류 기준

사용자 세그먼트는 대화 분석의 네 가지 기준을 조합하여 분류한다.

1.3.1 Turn (턴): 대화 범위

• 싱글턴 (Single Turn, S): 한 번의 질문-답변으로 완결, 추가 맥락, 후속 질문 없음
  
• 멀티턴 (Multi Turn, M): 여러 차례 이어지는 대화

1.3.2 Action (행위): 대화 목적

• Information Seeking (I): 정보 검색 및 조회 (창의성 결여)
  • “코사인 유사도 계산식이 뭐야?”
    
  • “한국 평균 수면 시간은 몇 시간이야?”
    
  • “SQL 인덱스는 왜 필요해?”
    
• Other Action (O): 생성, 변환, 분석, 조언, 창작 등 (창의성 포함)
  • “이 내용을 기반으로 발표 스크립트 만들어줘.” (생성)
  • “내 프로젝트 요약문을 3문단으로 다시 작성해줘.” (생성)
  • “이 코드를 파이썬에서 자바로 변환해줘.” (변환)
  • “이 표를 JSON 형식으로 바꿔줘.” (변환)
  • “이 로그 패턴을 보고 어떤 문제가 있는지 분석해줘.” (분석)
  • “이 튜닝 파라미터 값이 모델에 어떤 영향을 줄지 해석해줘.” (분석)
  • “데이터 사이언티스트 면접에서 이력 설명을 어떻게 구성하면 좋겠어?” (조언)
  • “복합갈등 상황에서 어떤 소통전략이 효과적일까?” (조언)
  • “딥러닝 개념을 쉽게 설명하는 비유를 새로 만들어줘.” (창작)
  • “운동 루틴을 내 조건에 맞게 디자인해줘.” (창작)

1.3.3 Stance (입장): 감정적 태도

• 발견되지 않음 (Unobserved, U)
  • 감정 표현이 거의 없음
    
  • 객관적 정보 질문
    
  • 요청 자체가 중립적이며 냉정한 정보 탐색의 형태
  • 예시
    • “BERT와 GPT의 구조적 차이를 정리해줘.”
      
    • “SQL 조인 종류를 표로 설명해줘.”
      
    • “하프마라톤 페이스 계산법 알려줘.”
      
• 감정 있음 - 긍정 (Emotion Positive, E)
  • 만족, 호의, 긍정적 감정 표현이 명시적으로 표현된 경우.
    
  • 예시
    • 이 설명 좋았다. 비슷한 방식으로 한 번 더 정리해줘.”
      
    • “아 이거 유용하네. 다음 단계도 알려줘.”
      
    • “괜찮은데? 이 흐름으로 문서 만들어줘.”
      
    • “좋아, 이 방식 마음에 들어.”
      
• 감정 있음 - 부정 (Emotion Negative, N)
  • 불만, 좌절, 부정적 감정 표현
    
  • “이 설명 너무 복잡하다. 더 간단히 해.”
    
  • “이건 내가 원하는 방향이 아닌데.”
    
  • “이해가 안 된다. 다시 제대로 정리해라.”

1.3.4 Structure (구조): 대화 흐름 선호도

Structure는 사용자의 암묵적 기대를 나타낸다. 같은 질문이라도 맥락에 따라 선호 구조가 달라질 수 있다:

• 선호 구조 (Preferred, P)
  • 사용자가 AI가 주도적으로 바로 행동·생성·해결해주길 기대
  • 요구사항이 명확하고 즉각적 실행을 요청
    
  • 예:
    • “파이썬 코드 작성해줘” → 즉시 코드 생성 기대
      
    • “이 내용을 요약해줘.”
      
    • “파이썬 코드로 즉시 구현해줘.”
      
    • “이 데이터로 인사이트 5개 뽑아줘.”
      
• 비선호 구조 (Dispreferred, D)
  • 비선호 구조 (Dispreferred, D)
    • 사용자가 AI가 바로 답변하지 않고, 먼저 질문하거나 맥락을 확인해주길 기대
    • 요구사항이 불명확하거나, 상황에 따라 맞춤형 제안을 원함
    • 대부분 “맞춤형 추천” 또는 “기획·설계” 상황에서 나타난다.
    • 예
      • “우리 회사 데이터 처리 파이프라인 설계 도와줘” → AI가 먼저 현재 시스템, 데이터 규모, 처리 목적 등을 질문한 뒤 맞춤형 답변 제공
      • “내 상황에 맞는 머신러닝 알고리즘 추천해줘” → AI가 데이터 유형, 목표, 해석 가능성 등 추가 정보를 요청한 뒤 추천
      • “프로젝트 구조 추천해줘” → 맥락 및 요구사항 확인 후 맞춤 제안 기대
        
• 알 수 없음 (Unobserved, Zero의 Z)
  • 요청이 짧거나 모호해서 선호 구조를 단정하기 어려운 경우.
    
  • 실행을 원하는지, 질문을 원하는지 불명확.
  • 예
    • “이거 어떻게 해야 하지?”
      
    • “다음 단계는 뭐야?”
      
    • “이 문제 해결하려면?”
      
    • “이거 좀 봐줘.”
      
    • “설명 좀.”

[선호 구조 - Preferred]  
사용자: "파이썬으로 CSV 파일 읽는 코드 짜줘"  
→ 기대: 즉시 코드 제공  

[비선호 구조 - Dispreferred]  
사용자: "우리 회사 데이터 처리 파이프라인 설계 도와줘"  
→ 기대: 현재 시스템, 데이터 규모, 처리 요구사항 등 질문 먼저  

1.3.5 Domain

(추후에 추가예정)

1.3.6 코드 요약표

위치	기준	코드	의미
1번째	Turn	S	Single-turn (싱글턴)
		M	Multi-turn (멀티턴)
2번째	Action	I	Information Seeking (정보검색)
		O	Other Action (기타행위: 생성/변환/분석/조언/창작)
3번째	Stance	U	Unobserved (감정 미관찰)
		E	Emotion Positive (긍정 감정)
		N	Emotion Negative (부정 감정)
4번째	Structure	P	Preferred (즉시 답변/행동 선호)
		D	Dispreferred (질문/확인 먼저 선호)
		Z	Zero/Unobserved (선호 불명확)
5번째	Domain	B	Bio (생물학)

1.3.7 세그먼트 명명 규칙

세그먼트 코드는 5 가지 기준을 조합하여 구성된다.

[Turn][Action][Stance][Structure][Domain]  

예시:
- MIEP = Multi-turn (M) + Information Seeking (I) + Emotion Positive (E) + Preferred (P) + Bio (B) - SIUP = Single-turn (S) + Information Seeking (I) + Unobserved (U) + Preferred (P)
- MOND = Multi-turn (M) + Other Action (O) + Emotion Negative (N) + Dispreferred (D)

실무 간소화:
4가지 기준을 모두 명시하면 코드가 길어지므로, 실무에서는 주요 특성만 표기하는 경우가 많다:
- SI = Single-turn + Information Seeking (Stance와 Structure는 맥락에서 판단)
- MISP = Multi-turn + Information Seeking + Stance(감정) + Preferred

1.4 세그먼트 분류표 (전체 36가지)

Turn	Action	Stance	Structure	코드	특징	빈도
Single	IS	Unobserved	Preferred	SIUP	빠른 정보 검색, 감정 없음	★★★★★
Single	IS	Unobserved	Dispreferred	SIUD	정보 검색 전 맥락 확인 필요	★☆☆☆☆
Single	IS	Unobserved	Zero	SIUZ	정보 검색, 선호 불명확	★★☆☆☆
Single	IS	Emotion Positive	Preferred	SIEP	긍정적 정보 요청	★★☆☆☆
Single	IS	Emotion Positive	Dispreferred	SIED	긍정적이지만 맥락 확인 선호	★☆☆☆☆
Single	IS	Emotion Positive	Zero	SIEZ	긍정적 정보 요청, 선호 불명확	★☆☆☆☆
Single	IS	Emotion Negative	Preferred	SINP	부정적이지만 즉시 답변 요구	★★★☆☆
Single	IS	Emotion Negative	Dispreferred	SIND	불만족하며 맥락 확인 요청	★☆☆☆☆
Single	IS	Emotion Negative	Zero	SINZ	부정적 정보 요청, 선호 불명확	★☆☆☆☆
Single	OA	Unobserved	Preferred	SOUP	즉시 생성/변환 요청, 감정 없음	★★★☆☆
Single	OA	Unobserved	Dispreferred	SOUD	생성 전 요구사항 확인 필요	★☆☆☆☆
Single	OA	Unobserved	Zero	SOUZ	생성 요청, 선호 불명확	★☆☆☆☆
Single	OA	Emotion Positive	Preferred	SOEP	협조적 창작/생성 요청	★★☆☆☆
Single	OA	Emotion Positive	Dispreferred	SOED	긍정적이지만 맥락 확인 선호	★☆☆☆☆
Single	OA	Emotion Positive	Zero	SOEZ	긍정적 생성 요청, 선호 불명확	★☆☆☆☆
Single	OA	Emotion Negative	Preferred	SONP	불만족하며 즉시 수정/변환 요구	★★☆☆☆
Single	OA	Emotion Negative	Dispreferred	SOND	부정적이며 맥락 확인 요청	★☆☆☆☆
Single	OA	Emotion Negative	Zero	SONZ	부정적 생성 요청, 선호 불명확	★☆☆☆☆
Multi	IS	Unobserved	Preferred	MIUP	탐색적 학습자, 즉시 답변 선호	★★★☆☆
Multi	IS	Unobserved	Dispreferred	MIUD	탐색적이며 맥락 확인 선호	★★☆☆☆
Multi	IS	Unobserved	Zero	MIUZ	탐색적 학습, 선호 불명확	★☆☆☆☆
Multi	IS	Emotion Positive	Preferred	MIEP	AI 친화적 학습자 (충성도 높음)	★★★★☆
Multi	IS	Emotion Positive	Dispreferred	MIED	긍정적이지만 맥락 확인 선호	★★☆☆☆
Multi	IS	Emotion Positive	Zero	MIEZ	긍정적 학습자, 선호 불명확	★☆☆☆☆
Multi	IS	Emotion Negative	Preferred	MINP	불만족 사용자, 즉시 해결 요구 (이탈 위험)	★★☆☆☆
Multi	IS	Emotion Negative	Dispreferred	MIND	불만족하며 맥락 확인 요청	★☆☆☆☆
Multi	IS	Emotion Negative	Zero	MINZ	불만족 사용자, 선호 불명확	★☆☆☆☆
Multi	OA	Unobserved	Preferred	MOUP	중립적 창작/분석, 즉시 실행 선호	★★☆☆☆
Multi	OA	Unobserved	Dispreferred	MOUD	세밀한 조정 선호, 맥락 확인 필요 (전문가형)	★★☆☆☆
Multi	OA	Unobserved	Zero	MOUZ	중립적 창작, 선호 불명확	★☆☆☆☆
Multi	OA	Emotion Positive	Preferred	MOEP	창작 협업자, 즉시 실행 선호 (프리미엄 전환)	★★★☆☆
Multi	OA	Emotion Positive	Dispreferred	MOED	긍정적 협업자, 맥락 확인 선호	★★☆☆☆
Multi	OA	Emotion Positive	Zero	MOEZ	긍정적 창작자, 선호 불명확	★☆☆☆☆
Multi	OA	Emotion Negative	Preferred	MONP	불만족하며 즉시 수정 요구	★★☆☆☆
Multi	OA	Emotion Negative	Dispreferred	MOND	불만족하며 맥락 확인 요청	★☆☆☆☆
Multi	OA	Emotion Negative	Zero	MONZ	부정적 창작 요청, 선호 불명확	★☆☆☆☆

빈도 범례:
- ★★★★★ = 매우 흔함 (60-70%)
- ★★★★☆ = 흔함 (20-30%)
- ★★★☆☆ = 보통 (5-10%)
- ★★☆☆☆ = 드묾 (1-5%)
- ★☆☆☆☆ = 매우 드묾 (<1%)

1.5 대표적인 3가지 핵심 세그먼트

실무에서 가장 빈번하게 관찰되는 세 가지 세그먼트는 다음과 같다.

1.5.1 Segment 1: Single-Turn, Information Seeking (SI 계열)

• 대표 코드: SIUP, SINP
  
• 특징:
  • 정보 검색형 사용자
    
  • 즉흥적으로 문제를 해결하려는 경향
    
  • 빠른 답변을 원하며, 답을 얻으면 즉시 이탈
    
  • 대화의 깊이보다 속도를 중시
    
  • 직접적인 답변 선호 (Preferred Structure)

행동 패턴:

사용자: "파이썬 리스트 정렬하는 방법?"  
AI: [답변 제공]  
[대화 종료]  

프롬프트 전략:
- 간결하고 명확한 답변
- 코드 예시 즉시 제공
- 추가 질문 유도 장치 필요 (멀티턴 전환)

1.5.2 Segment 2: Multi-Turn, Emotion Positive, Preferred (MIEP, MOEP)

대표 코드: MIEP, MOEP

특징:
- AI 친화적이고 사교적인 사용자
- 긍정적인 대화를 선호함
- AI와의 유대감 형성에 관심
- 대화의 길이가 길고, 목표가 명확함
- 직접적인 가이드 선호

행동 패턴:

사용자: "머신러닝 공부 시작하려고 하는데 도움 줄 수 있어?"  
AI: [학습 로드맵 제시]  
사용자: "좋아! 첫 번째 단계부터 자세히 설명해줘"  
AI: [설명 제공]  
사용자: "완전 이해했어! 다음 단계는?"  
[대화 계속]  

프롬프트 전략:
- 공감적 표현 사용
- 단계별 가이드 제공
- Gamification 요소 적용
- 캐릭터/페르소나 활용

1.5.3 Segment 3: Multi-Turn, Unobserved (MI 계열, MO 계열)

대표 코드: MIUP, MIUD, MOUP, MOUD

특징:
- 새로운 아이디어를 고민하는 사용자
- 여러 턴의 대화를 통해 가능성을 탐구
- 명확한 감정 표현 없이 탐색적 질문
- 브레인스토밍 또는 개념 정리 목적
- Structure는 상황에 따라 다름 (P 또는 D)

행동 패턴:

사용자: "GPT와 BERT의 차이를 설명해줘"  
AI: [설명 제공]  
사용자: "그럼 각각 어떤 상황에 적합할까?"  
AI: [비교 설명]  
사용자: "실제 프로젝트에 적용할 때 고려사항은?"  
[탐색적 대화 계속]  

프롬프트 전략:
- 다각적 관점 제시
- 비교/대조 정보 제공
- 후속 질문 유도
- 심화 자료 링크 제공

1.6 일반적인 세그먼트 분포

실제 AI 서비스에서 관찰되는 세그먼트 비율은 다음과 같다.

SI 계열 >>>> MIEP/MOEP 계열 > MI/MO 계열 (Unobserved)

분포 특징:
- SI 계열 (정보 검색형): 전체의 60-70%
- MIEP/MOEP 계열 (사교형): 전체의 20-30%
- MI/MO Unobserved 계열 (탐색형): 전체의 5-10%

이 분포는 대부분의 사용자가 즉각적인 문제 해결을 원한다는 것을 보여준다.

1.7 4 가지 기준 통합 분석

효과적인 프롬프트는 네 가지 기준을 모두 고려해야 한다.

1.7.1 예시 1: 정보 검색 (싱글턴, 비감정적, 선호 구조)

프롬프트:

"파이썬 3.11의 주요 변경 사항을 공식 문서 기준으로 정리해줘.  
성능 개선, 새로운 기능, 제거된 기능으로 분류해서 설명해줘."  

분석:
- Turn: 싱글턴 (S) - 한 번에 완결
- Action: 정보 검색 (I) + 분류
- Stance: 감정 없음 (N) - 객관적 정보 요청
- Structure: 선호 구조 (P) - 직접 답변 기대
- 세그먼트 코드: SINP

1.7.2 예시 2: 복잡한 문제 해결 (멀티턴, 부정적 감정, 선호 구조)

프롬프트:

"머신러닝 프로젝트에서 과적합(overfitting)이 계속 발생해서 정말 답답해.  
단계별로 해결 방법을 알려주고, 각 단계마다 내가 질문할게."  

분석:
- Turn: 멀티턴 (M) - 점진적 해결 계획
- Action: 조언 (O) + 문제 해결
- Stance: 감정 있음 - 부정 (N) - “답답해”
- Structure: 선호 구조 (P) - 직접적 가이드 기대
- 세그먼트 코드: MONP

1.7.3 예시 3: 탐색적 질문 (멀티턴, 감정 미관찰, 비선호 구조)

프롬프트:

"스타트업 초기에 어떤 기술 스택을 선택해야 할까?  
우리 상황에 대해 물어보고 추천해줘."  

분석:
- Turn: 멀티턴 (M) - 대화형 탐색
- Action: 정보 검색 (I) + 조언
- Stance: 발견되지 않음 (U) - 감정 표현 없음
- Structure: 비선호 구조 (D) - 질문/확인 요청
- 세그먼트 코드: MIUD

1.7.4 예시 4: 즉각적 작업 요청 (싱글턴, 긍정적 감정, 선호 구조)

프롬프트:

"CSV 파일 읽는 파이썬 코드 빠르게 짜줘!  
급하게 필요해서 그래."  

분석:
- Turn: 싱글턴 (S) - 즉시 완결 기대
- Action: 생성 (O) - 코드 작성
- Stance: 감정 있음 - 긍정 (E) - 협조적 태도
- Structure: 선호 구조 (P) - 즉시 코드 제공 기대
- 세그먼트 코드: SOEP

1.8 프롬프트 개선 사례

1.8.1 학습 맥락

• Before: 일반적 응답

[사용자] "데이터 분석 공부 시작하려는데 뭐부터 해야 할까?"  

[AI - Before]  
"데이터 분석을 시작하려면:  
1. Python 기초 학습  
2. Pandas, NumPy 라이브러리 학습  
3. 데이터 시각화 (Matplotlib, Seaborn)  
4. 통계 기초  
5. 실전 프로젝트  

각 단계를 순서대로 진행하면 된다."  

• After: 세그먼트 기반 맞춤 응답

세그먼트 분석: MIED (Multi + IS + Emotion Positive + Dispreferred)
- 멀티턴 대화 가능성
- 긍정적 태도 (학습 의지)
- 맥락 확인 후 맞춤 추천 선호

[사용자] "데이터 분석 공부 시작하려는데 뭐부터 해야 할까?"  

[AI - After]  
"데이터 분석 공부를 시작하려는 거구나! 좋은 결정이다.  
맞춤형 로드맵을 제시하기 위해 몇 가지 질문을 하겠다:  

1. 프로그래밍 경험이 있나? (Python, R 등)  
2. 관심 분야는? (비즈니스, 마케팅, 금융, 연구 등)  
3. 학습에 할애할 수 있는 시간은? (주 몇 시간?)  
4. 목표는? (취업, 이직, 프로젝트, 취미)  

답변을 바탕으로 단계별 로드맵과 추천 자료를 제공하겠다."  

개선 효과:
- 사용자 맥락 파악 → 맞춤형 추천 가능
- 멀티턴 대화 자연스럽게 유도
- 긍정적 감정 공감 표현

1.9 실무 적용 로드맵

1.9.1 Phase 1: 현황 분석 (1-2주)

Step 1: 데이터 수집

- 사용자 프롬프트 로그 수집  
- 대화 패턴 분석  
- 이탈 지점 파악  

Step 2: 세그먼트 분류

LLM을 활용한 자동 분류:  

프롬프트:  
"다음 대화를 분석하여 세그먼트를 분류한다.  

대화:  
[사용자 발화들]  

출력 형식:  
{  
  "turn": "S/M",  
  "action": "I/O",  
  "stance": "U/E/N",  
  "structure": "P/D/Z",  
  "segment_code": "XXXX",  
  "confidence": 0.95  
}"  

Step 3: 분포 분석

세그먼트별 비율 산출:  
- SI 계열: 65%  
- MIEP 계열: 25%  
- MI 계열: 10%  

우선순위 결정:  
1. SI → MI 전환 (Quick Win)  
2. MIEP 리텐션 강화  
3. MI 심화 콘텐츠 제공  

1.9.2 Phase 2: 전략 수립 (1-2주)

Step 1: 세그먼트별 전략 정의

[SI 계열]  
목표: 멀티턴 전환율 +30%  
전략: 동적 FAQ 생성  
KPI: 전환율, FAQ 클릭율  

[MIEP 계열]  
목표: 재방문율 +25%  
전략: Gamification + 페르소나  
KPI: 재방문율, 세션 길이  

[MI 계열]  
목표: 만족도 향상  
전략: 다각적 분석 제공  
KPI: NPS, 후속 질문 수  

Step 2: 프롬프트 템플릿 개발

각 세그먼트별로:  
- System Prompt 작성  
- 응답 구조 정의  
- 예시 생성  
- 엣지 케이스 처리  

Step 3: A/B 테스트 설계

- 가설 설정  
- 메트릭 정의  
- 샘플 크기 계산  
- 테스트 기간 결정  

1.9.3 Phase 3: 구현 및 테스트 (2-4주)

Step 1: 파일럿 테스트

소규모 사용자 그룹 (10-20%):  
- 기술적 안정성 검증  
- 초기 피드백 수집  
- 버그 수정  

Step 2: 전체 롤아웃

단계적 확대:  
Week 1: 30% 트래픽  
Week 2: 60% 트래픽  
Week 3: 100% 트래픽  

Step 3: 모니터링

실시간 대시보드:  
- 세그먼트별 전환율  
- 에러율  
- 응답 시간  
- 사용자 만족도  

1.9.4 Phase 4: 분석 및 최적화 (지속)

Step 1: 주간 분석

- 메트릭 추이 검토  
- 세그먼트 이동 패턴  
- 이상 징후 탐지  

Step 2: 월간 리뷰

- 목표 달성도 평가  
- 개선 기회 식별  
- 다음 달 계획 수립  

Step 3: 지속적 개선

- 새로운 패턴 발견  
- 프롬프트 템플릿 업데이트  
- 세그먼트 재정의