AI 채용 매칭을 체감시키는 체험 데모

문제 정의

광고로 들어온 사람들은, 차별성을 느끼기도 전에 떠났다

SearchRight는 기업 데이터로 후보가 다닌 회사의 맥락까지 읽어내는 AI 채용 매칭 서비스다. 나는 외부 AX 빌더로 이 회사의 전환 문제를 맡았다. 광고로 유입된 방문자가 JD Creator나 문의하기로 거의 넘어오지 않았고, 가설은 헤드헌터나 채용 플랫폼과 뭐가 다른지 30초 안에 못 느끼고 이탈한다는 것이었다. 더 깊은 문제는 입구에 있었다. 차별성을 보여주려 만든 체험의 첫 단계가 ‘JD를 입력하세요’였는데, JD를 복붙하는 행동 자체가 마찰이라 보여줄 기회조차 얻기 전에 사람들이 떨어졌다. 실제 후보 데이터는 쓸 수 없어 모든 후보를 가상으로 합성하되 진짜 같다는 신뢰를 줘야 했고, 외부 빌더로서 대표가 확신할 수 있는 범위 안에서 움직여야 했다.

가설 수립

설명하지 말고, 만지게 한다

서비스의 강점을 글로 나열하는 대신 두 개의 감각으로 압축했다. 내가 평가 요건을 바꾸면 결과가 살아 움직이는 통제감, 그리고 이 후보가 다닌 회사를 우리가 안다는 회사 맥락. 물론 제품의 풀스펙을 그대로 시연하는 방향도 있었으나, 핵심 두 시그널만 30초에 체감시키는 쪽이 전환에 더 직접적이라 판단했다. JD 입력 허들도 제품 안에서만 풀 문제가 아니었다. 입구의 마찰을 제품 안에서는 JD를 안 써도 진입되는 길로, 제품 밖에서는 기업이 JD를 쓰기 전에 우리가 먼저 그 회사 JD로 후보를 보여주는 방식으로, 양쪽에서 없애기로 했다.

솔루션 도출

통제감은 매칭 설계에서 나왔고, 유입은 개인화에서 나왔다

통제감의 메커니즘은 매칭 방식에 있었다. JD를 하나의 덩어리로 보지 않고 여러 조건으로 쪼개 각각 회사 풀에 매칭했다. 일부 후보는 일부러 부분 매칭으로 남겨, 사용자가 가중치를 조정하면 순위가 실제로 뒤바뀌게 했다. PRD를 아홉 번 고치며 후보를 다섯에서 셋으로 줄이고 LLM을 교체해 한 번 체험하는 비용을 약 50% 낮췄으며, 스트리밍 중 후보가 사라지던 버그는 상태 저장을 컴포넌트 밖으로 빼서 잡았다. 동시에 67개 이벤트를 퍼널 전 구간에 심어 모든 단계를 측정 가능하게 만들었다. 유입 쪽에서는 채용 사이트 12종에서 기업 JD를 모으는 리드젠 도구를 거의 하루 만에 만들어, 타깃 기업의 실제 JD를 담은 1:1 메일로 받는 사람이 자기 회사 후보를 곧장 보게 했다.

결과 & 배운 점

전환 도구로 만들었지만, 먼저 손에 쥔 건 데이터였다

기업의 실제 JD를 담은 1:1 개인화 아웃바운드를 두 차수에 걸쳐 329개 기업에 보냈다. 발송도 실험처럼 다뤘다. 1차는 IT 스타트업 중심으로 197건을 보내되 발송 중 비대상 업종이 섞인 것을 발견하자 목표 건수를 채우는 대신 필터 강화를 택했고, 오픈율은 메일 클라이언트의 프록시 선열람 때문에 참고 지표로 내리고 클릭을 핵심 지표로 삼았다. 검수용 수신을 제외하고 집계한 1차 187개사 기준 오픈 60.4% → 클릭 33.2% → 랜딩 31.0%. 메일을 받은 기업 세 곳 중 한 곳이 링크를 눌러 체험까지 들어왔다는 뜻이고, 일반적인 콜드 아웃바운드에서는 나오기 어려운 수치다. 그 차이는 ‘당신 회사 JD로 이미 후보를 뽑아봤다’는 개인화에서 나왔다.

들어온 뒤의 행동은 더 선명하게 갈렸다. 발송 직후 하루 동안 아웃바운드 유입과 일반 유입을 비교하면 자기 회사 후보 3명 화면까지 도달한 비율이 92.3% 대 11.1%, 평균 체류가 44초 대 7.9초. 메일 속 JD가 체험 안까지 그대로 이어지는 설계 덕에 아웃바운드 유입은 들어오자마자 자기 회사 후보를 봤다. 2차는 같은 메일 포맷으로 타겟만 비IT까지 넓혀 132건을 보냈는데, 클릭이 19.7%로 1차의 6할 수준까지 떨어진 반면 랜딩 이후 후보 열람 전환은 43%와 45%로 거의 같았다. 격차가 메일 카피나 제품이 아니라 타겟 적합도에서 나온다는 사실이 분리 검증된 셈이다.

가장 정직한 수치는 따로 있다. 문의 제출은 두 차수 모두 0건이다. 합쳐서 78개 기업이 랜딩해 대부분 자기 회사 후보 화면까지 갔지만 그 자리에서 문의를 남긴 곳은 없었고, 문의 CTA 클릭률은 오히려 일반 유입이 더 높았다(11.1% 대 7.7%). 메일에서 랜딩, 랜딩에서 열람까지는 작동하는데 마지막 한 칸이 비어 있는 것. 병목의 좌표가 ‘랜딩 이후 전환 설계’로 특정됐다. 랜딩 후 후보를 열어보지 않는 약 57%를 겨냥해 1순위 후보를 자동으로 펼쳐 보여주는 개선을 곧장 배포했고, 효과는 IT 타겟으로 회귀한 3차 코호트에서 측정한다.

원래 KPI였던 상담 전환으로 보면 이 실험은 아직 0이다. 다만 67개 트래킹을 먼저 깔아둔 덕에 ‘안 됐다’가 아니라 ‘어느 칸에서 멈췄다’로 말할 수 있게 됐고, 그 사이 78개 기업이 어떤 포지션을 어떻게 평가하는지의 니즈·행동 데이터가 손에 남았다. 카카오페이에서는 이미 트래픽이 흐르는 서비스의 전환율을 다뤘다면, 이번에는 제품을 0에서 직접 만들고 유입을 설계하고 그 유입을 차수 단위 실험으로 검증하는 데까지 갔다. PM의 일이 기획에서 끝까지 만들어 시장에 부딪혀 보는 쪽으로 넓어지는 전환점이었다.