모든 개인화·추천 엔진은 유저 행동 이력이 쌓여야 작동합니다. 방금 설치한 신규 유저에겐 — 그 이력이 없죠.
Entry API는 이력이 없어도, 설치 후 5분에 이 유저에게 가장 반응할 맞춤 경험을 골라줍니다.
지금 벌어지는 일
ENTRY API 이전
CRM · 쿠폰 · 리타겟팅 · 추천 엔진 —
예산 전부가 이 230명에게 몰립니다
77% 이탈
Entry API 적용 후
잔존 기반이 두꺼워지면
CRM · 쿠폰 · 리타겟팅 ROI가 같이 올라감
2배 이상 개선
2~5천원
유저 한 명 광고비 (CPI)
77%
Day 1 이후 이탈률
0원
첫 5분에 투입되는 개인화 비용
Entry API는 첫 순간부터 개인화합니다.
설치 5분 후 API 한 번. 이 유저가 가장 반응할 맞춤 옵션을 돌려받습니다.
Airbridge만의 해법
유저의 이력은 설치 순간이 아니라,
첫 광고 노출부터 시작됩니다.
유저는 앱을 설치하기까지 수많은 광고를 거칩니다. 어떤 매체에서 몇 번 봤는지, 클릭까지 얼마나 걸렸는지, 다시 다른 광고로 옮겨갔는지. 이 모든 기록이 이미 Airbridge에 쌓여 있습니다.
Meta · Google · TikTok이 수십억 달러를 투입한 타겟팅 결과가 이 여정에 고스란히 찍혀 있습니다. Airbridge는 그 데이터를 첫 순간 개인화에 씁니다.
이 유저가 어떤 사람인지 알려줍니다.
이 유저가 지금 뭘 원하는지 드러냅니다.
“누구인지”와 “지금 뭘 원하는지”를 동시에 보는 플랫폼은, 지금 Airbridge뿐입니다.
한 눈에 보는 작동 방식
앱이 실험하고 싶은 것 하나를 고르고(쿠폰·배너·CRM 메시지 등), 그 안에 변형 3~6개를 준비합니다. 유저의 광고 여정 + 첫 5분 행동을 바탕으로 Contextual Bandit이 실시간으로 최적 변형을 골라냅니다.
앱에서 실험 하나 선택, 변형 3~6개 준비
예시: 쿠폰 실험 → 쿠폰 변형 4종
쿠폰 A
20% 할인
쿠폰 B
5,000원 즉시 할인
쿠폰 C
무료배송 + 적립 2배
쿠폰 D
오늘만 50%
⚠️ 중요: 한 실험 안의 변형은 같은 종류여야 합니다. “쿠폰 vs 배너 vs 튜토리얼”처럼 다른 종류를 섞으면 공정한 비교가 불가능합니다. 쿠폰이면 쿠폰끼리, CRM 메시지면 메시지끼리.
Airbridge 강화학습 엔진이 매칭
입력
광고 여정
+ 첫 5분 행동
엔진
Contextual Bandit
(S-Learner CATE)
출력
유저 × Treatment
최적 매칭
유저마다 다른 Treatment 반환
유저 A
Google 검색 → 즉시 설치
"구매 의도 높음"
API 응답
→ 쿠폰 A (20%)
유저 B
Meta 디스플레이 노출 3번 → 설치
"탐색 중, 혜택 유형 불명확"
API 응답
→ 쿠폰 B (5천원)
유저 C
TikTok 광고 → 고민 후 설치
"가격 민감"
API 응답
→ 쿠폰 D (오늘만 50%)
같은 앱, 같은 Treatment 4개. 그런데 유저마다 받는 게 다릅니다.
반응 데이터가 쌓일수록 매칭 정확도는 계속 올라갑니다. (강화학습)
어떤 실험이든 돌릴 수 있습니다
실험 한 가지를 고르고, 그 안에 변형 3~6개를 준비합니다. 쿠폰 실험이면 쿠폰 변형끼리, CRM 메시지 실험이면 메시지 변형끼리 — 같은 종류의 변형만 비교해야 공정합니다.
이커머스 앱
실험: 쿠폰 실험
4가지 쿠폰 변형 중 유저별 최적
20% 할인
첫 구매 20% 정률 할인 쿠폰
5천원 즉시 할인
금액 할인 쿠폰
무료배송 + 적립 2배
배송·적립 혜택
오늘만 50%
한정·긴급성 쿠폰
다른 실험 예: 첫 배너 실험 · 온보딩 경로 실험 · 추천 상품 실험
게임 앱
실험: 스타터팩 실험
4가지 스타터팩 변형 중 유저별 최적
990원 부스터팩
저가 진입 팩
3,900원 스타터팩
표준 가격 제안
첫 로그인 무료 선물
혜택 선지급
제안 없음
자연스럽게 진입
다른 실험 예: 튜토리얼 경로 실험 · 첫 퀘스트 실험 · 데일리 리워드 디자인 실험
금융 · 간편결제 앱
실험: 가입 유도 메시지 실험
4가지 가입 메시지 변형 중 유저별 최적
리워드 강조
가입 시 5만원 즉시 지급
보안 강조
5,000 기업이 쓰는 보안
속도 강조
10초 만에 시작
수수료 강조
평생 수수료 0원
다른 실험 예: KYC 경로 실험 · 주력 상품 추천 실험 · CRM 푸시 문구 실험
학습 · 콘텐츠 앱
실험: 첫 추천 전략 실험
4가지 추천 방식 중 유저별 최적
트렌딩 강좌
이번주 가장 많이 듣는 강의
초급 경로
기초부터 시작하는 추천
무료 체험
첫 3일 무료 강의
개인화 추천
관심사 기반 맞춤 강의
다른 실험 예: 무료 체험 기간 실험 · 온보딩 퀴즈 실험 · 구독 유도 실험
위는 예시입니다. 실제 실험 종류와 변형은 Airbridge 팀과 함께 정의하시면 됩니다.
API 한 번으로 얻는 것
“이 유저에겐 뭘 보여줄까” 한 가지. 여기에 이 유저의 구매 · 이탈 · LTV 예측 3종. API 호출 한 번에 전부 돌아옵니다.
앱에서 준비한 실험 변형 3~6개 중, 이 유저가 가장 반응할 것을 실시간으로 골라줍니다.
쿠폰 실험 — 4종 쿠폰 변형 중 → 이 유저는 "쿠폰 B (5천원 즉시 할인)"
살 유저에게는 쿠폰 집중. 안 살 유저에겐 예산 절약.
87% → 20% 할인 쿠폰 ON 12% → 쿠폰 OFF, 혜택 없이 환영만
곧 떠날 유저를 미리 포착. 적시에 리텐션 메시지를 띄우세요.
72% → 즉시 리텐션 푸시 예약 9% → 자연스럽게 두기
11만원짜리 유저인지, 250원짜리 유저인지. 쿠폰·광고 재투자 금액을 데이터로 정하세요.
High 등급 → 20% 프리미엄 쿠폰 Low 등급 → 쿠폰 없이 환영만
검증 결과
실제 커머스 앱 · 4만 명 이상 신규 설치 · 실측 기준
모델이 구매 가능성 높은 순으로 유저를 줄 세웠을 때, 실제 구매율
모델이 “산다”고 찍은 유저 집단의 실제 구매율이 95%입니다.
154배 차이“이탈할 것” 상위 10%가 실제로 떠난 비율
곧 떠날 거라고 찍은 유저 중 81.2%가 실제로 3일 내 이탈했습니다.
“안 떠날 것”으로 찍은 유저는 11.9%만 이탈.
예측 등급별 실제 7일 평균 매출
상·하위 440배 차이
<200ms
API 응답 시간
5분
설치 후 예측까지
1주
파일럿 셋업 기간
왜 Airbridge만 가능한가
설치 이전 데이터가 있어야 하는데, 이건 MMP만 가진 자산입니다.
| 어떤 데이터로 예측? | 정확도 | 누가 갖고 있나 |
|---|---|---|
| 디바이스 정보 (기종, OS만) | 거의 없음 | 아무나 |
| 광고 여정 (매체/클릭/빈도) | 높음 | Airbridge만 |
| 첫 5분 앱 행동 | 높음 | SDK 쓰는 앱 |
| 광고 여정 + 앱 행동 | 최고 | Airbridge만 |
디바이스 정보 (기종, OS만)
광고 여정 (매체/클릭/빈도)
첫 5분 앱 행동
광고 여정 + 앱 행동
시간 흐름
준비한 옵션 3~6개를 유저에게 골고루 노출해 반응 데이터를 쌓습니다. 이 기간에도 구매 · 이탈 · LTV 예측 3종은 첫날부터 바로 돌아갑니다.
쌓인 데이터를 학습한 모델이, 유저별로 가장 반응할 옵션을 골라 API로 돌려줍니다. 앱 코드는 그대로 — 응답만 바뀝니다.
매주 새 데이터로 모델을 재학습합니다. 시간이 갈수록 개인화 정확도가 올라갑니다.
Live Demo
목업 아닙니다. 실제 서버에서 돌아온 진짜 응답입니다.
curl -X POST https://airbridge-entry-api-prototype.onrender.com/v1/entry/predict \
-H "Content-Type: application/json" \
-d '{"app_id":"sample_1","airbridge_uuid":"363c178f-ad44-4e18-ad81-ed098e28919f"}'위 명령어를 터미널에 붙여넣으면 실제 응답이 돌아옵니다.
응답 예시
{
"user_id": "363c178f-ad44-4e18-ad81-ed098e28919f",
"best_trigger": "social_proof",
"trigger_scores": {
"price_appeal": 0.18,
"social_proof": 0.28,
"scarcity": 0.20,
"novelty": 0.19
},
"is_random": false,
"d3_purchase_prob": 0.22,
"d3_churn_prob": 0.34,
"pltv": {
"tier": "medium",
"percentile": 59,
"tier_avg_ltv": 9338
}
}👉 읽는 법 (커머스 앱 예시)
best_trigger: "social_proof" — 이 유저에겐 “인기 상품” 배너를 보여주세요.
d3_purchase_prob: 0.22 — 3일 내 구매 확률 22%. 중간 수준의 쿠폰을 검토해볼 만합니다.
pltv.tier: "medium" — 예상 LTV 9,338원의 중간 가치 유저. 일반 쿠폰 정도로 충분합니다.
옵션 이름(price_appeal, social_proof 등)은 이 데모 앱(커머스)에서 정한 것입니다. 실제로는 앱에서 정의한 이름이 그대로 돌아옵니다.
⚠️ 데모 서버는 첫 요청 시 약 30초간 웜업이 필요합니다 (무료 티어). 실서비스는 200ms 이내 응답합니다.
연동 방법
모델 학습, A/B 설계, 주간 재학습, 실시간 응답 — 이 운영을 전부 Airbridge가 맡습니다.
상품 조회, 로그인, 장바구니, 구매 — 주요 이벤트가 Airbridge SDK로 수집되고 있는지 확인. 이미 Airbridge 쓰고 계시면 대부분 끝난 일입니다.
실험할 것 하나를 고르세요(쿠폰 · 배너 · CRM 메시지 등). 그 안의 변형 3~6개를 준비. 같은 종류 변형끼리만 비교해야 공정합니다. 예: 쿠폰 실험 → 쿠폰 A/B/C/D.
설치 5분 후 app_id + uuid로 POST. 응답의 best_trigger에 맞춰 해당 옵션을 띄우면 끝. 모델 학습과 실시간 응답은 전부 Airbridge가 운영합니다.
1주 안에 셋업 완료. 장기 계약 없이 파일럿만 먼저.
시작하기
파일럿 셋업 1주. 계약 부담 없이 먼저 돌려보세요.