마케터라면 누구나 고객 한 명 한 명에게 최적의 메시지와 타이밍을 제공하는 ‘1:1 초개인화’를 꿈꿉니다. 하지만 현실 장벽 앞에서 결국 고정된 세그먼트 분류나 수동 A/B 테스트에 머무르는 경우가 많았죠. Braze의 연례 최대 컨퍼런스 Braze FORGE 2026에서도 이에 대한 논의가 제기되었습니다. 그리고 그 해결책으로 BrazeAI Decisioning Studio™ Go가 처음으로 공개되었습니다.
2026년 10월 14일 정식 출시된 BrazeAI Decisioning Studio™ Go는 초개인화의 물리적 한계를 깨고, 데이터 전문가 도움 없이도 마케터가 대시보드에서 직접 1:1 AI 의사결정 에이전트를 구축할 수 있도록 지원하는 셀프 서브(Self-serve) 솔루션입니다.
본 포스팅에서는 Decisioning Studio Go의 작동 원리부터 실무 세팅법, 성과 측정 방법, 그리고 기존 Pro 버전과의 차이점까지 실무자가 알아야 할 Decisioning Studio Go에 대해 알아보겠습니다.
BrazeAI Decisioning Studio™ Go
Decisioning Studio Go란?
Decisioning Studio Go는 반복적인 이메일 프로그램을 위해 설계된 AI 의사결정 에이전트입니다. 이메일 제목, CTA, 이미지, 발송 요일 및 시간대 등 선택 가능한 ‘옵션 메뉴(Variants)’를 설정해 두면, 에이전트가 각 고객의 과거 반응 데이터를 기반으로 개별 고객에게 클릭을 유도할 확률이 가장 높은 최적의 조합을 찾아 발송합니다.
기존의 A/B 테스트(Optimize with BrazeAI™ 등)나 캠페인 최적화와 유사해보일 수 있지만 분명한 차이점이 있습니다. A/B 테스트 및 캠페인 최적화는 특정 오디언스나 세그먼트 전체에서 평균적으로 가장 성과가 좋은 소재(Winning Variant)를 찾아내어 그룹 전체에 일괄 적용합니다. 반면 Decisioning Studio Go는 개별 고객 단위로 의사결정을 내립니다. 같은 날 발송되는 캠페인이라도 고객 A와 고객 B는 각자의 선호도에 따라 서로 다른 제목, 이미지, CTA 조합의 이메일을 가장 반응하기 좋은 시간대에 받게 됩니다.
강화학습 기반의 최적화
Decisioning Studio Go는 텍스트나 이미지를 새로 만들어내는 생성형 AI(LLM)가 아닙니다. 마케터가 승인하고 등록한 옵션 내에서 최적의 해답을 찾아내는 강화학습 기반의 에이전트입니다.
일반적인 LLM이 방대한 지식을 바탕으로 범용적인 추론을 하는 ‘제너럴리스트’에 가깝다면, 강화학습 에이전트는 매 발송을 학습의 기회로 삼아 스스로 실험하고 결과를 관찰하며 목표를 향해 점점 더 정교해지는 ‘스페셜리스트’입니다. 이때 에이전트는 외부 커스텀 데이터가 아닌 Braze 내부의 3가지 데이터를 활용해 학습합니다.
- 오디언스: 에이전트에 연결된 세그먼트 내 사용자 정보
- 이메일 인게이지먼트: 에이전트가 보낸 이메일에 대한 사용자들의 실제 반응
- 콘텐츠에 대한 자체 이해: 등록된 각 콘텐츠에 대해 에이전트가 자체적인 표상을 구축하여 어떤 콘텐츠가 어떤 유저에게 맞는지 추론
Decisioning Studio Go 핵심 설정
Decisioning Studio Go는 복잡한 데이터 파이프라인 연동이 필요없습니다. Braze 대시보드 내에서 5단계 설정만으로 바로 시작할 수 있습니다.
① 오디언스 및 랜덤 대조군
✅권장 모수 규모: 단일 Braze 세그먼트를 진입 오디언스로 설정합니다. 원활한 AI 학습을 위해 최소 20,000명 이상(최대 40,000,000명)의 세그먼트를 권장합니다.
✅랜덤 대조군 자동 분할: 에이전트는 세그먼트를 AI 최적화 그룹과 랜덤 대조군으로 자동 분할합니다.
주의: 랜덤 대조군은 이메일을 아예 받지 않는 홀드아웃 그룹이 아닙니다. 마케터가 설정한 동일한 옵션과 제약 조건 내에서 무작위로 조합된 이메일을 정상 수신하는 그룹입니다. 이를 통해 AI 개인화가 무작위 발송 대비 얼마나 높은 성과를 내는지 실시간으로 측정하며, 대조군의 반응 역시 에이전트의 중요한 학습 시그널로 활용됩니다.
✅모수 규모별 권장 분할 비율: 최소 대조군 크기는 5%이며, 모수가 작을수록 통계적 신뢰도를 위해 대조군 비율을 높게 가져가는 것이 좋습니다.
💡 실무 팁: 이미 다른 캔버스(Canvas)나 캠페인에서 사용 중인 세그먼트를 중복해서 사용하는 것은 강력히 비권장합니다(설정 시 경고 표시). 외부 캠페인 메시지가 고객 반응에 영향을 미쳐 에이전트의 학습에 노이즈를 일으키기 때문이므로, 에이전트 전용 세그먼트를 구성하는 것이 가장 깔끔합니다.
② 크리에이티브와 개인화 요소
✅다차원 조합: Braze 컴포저에서 1개 이상의 베이스 크리에이티브(Base Creative)를 생성하고, 각 베이스 안에서 Liquid 태그를 사용해 제목, CTA, 이미지를 개인화 포인트로 지정한 뒤 각각의 배리언트 리스트를 입력합니다.
✅콘텐츠 블록 및 Liquid 지원: 에이전트는 최종 렌더링된 콘텐츠를 기반으로 학습합니다. 따라서 Content Blocks, 카탈로그 참조, Liquid 문법을 모두 자유롭게 활용할 수 있습니다.
✅Connected Content 주의사항: Connected Content가 포함된 이메일도 정상적으로 렌더링되어 발송되지만, 에이전트가 Connected Content가 반환하는 외부 데이터를 읽거나 학습하지는 못합니다. 따라서 두 크리에이티브의 핵심적인 차이점을 Connected Content에만 의존해서 구성하는 것은 피해야 합니다.
✅통이미지 템플릿 활용 시: 별도의 텍스트 CTA가 없는 통이미지 이메일의 경우, 여러 이미지를 각각의 베이스 크리에이티브로 쪼개서 등록하지 마세요. 1개의 베이스 크리에이티브를 만들고 그 안에서 에이전트가 이미지 배리언트와 제목을 선택하도록 구성하는 것을 권장합니다.
③ 발송 스케줄
✅발송 빈도 및 타이밍: 마케터가 발송 빈도(예: 주 3회 발송)와 허용 요일을 지정하면, 에이전트는 그 범위 안에서 각 고객에게 가장 적합한 요일과 시간대를 스스로 결정합니다. 에이전트가 빈도 자체를 바꾸지는 않습니다.
✅로컬 타임존과 방해 금지 시간: 모든 발송은 수신자의 로컬 타임존을 기준으로 이루어집니다. 단, 에이전트가 발송 시간을 선택할 때 설정된 Quiet Hours를 피하도록 제한하지만, 이것이 시스템 차원의 '절대 발송 차단'을 의미하진 않습니다. 완벽한 발송 차단이 필요하다면 워크스페이스 레벨의 Quiet Hours를 함께 설정해야 합니다.
✅Frequency Capping 연동: 워크스페이스의 글로벌 피로도 관리 규칙을 에이전트에 적용할지, 그리고 에이전트의 발송 건수를 고객의 글로벌 캡에 차감시킬지 선택할 수 있습니다.
④ 제약 조건 및 가드레일
특정 기간(Window) 동안 동일한 고객에게 같은 베이스 크리에이티브나 같은 이메일 제목이 중복 발송되지 않도록 재발송 방지 규칙을 설정할 수 있습니다. 이 규칙은 AI 최적화 그룹뿐만 아니라 랜덤 대조군에도 동일하게 적용되어 공정한 비교를 보장합니다.
⑤ 검토 및 런칭
런칭 전 최종 검증 화면에서 세팅상의 경고 사항을 확인한 뒤, 상태를 Draft에서 Active로 전환하면 즉시 에이전트가 가동을 시작합니다. 런칭 전 테스트는 Braze 컴포저의 기본 테스트 발송 및 동적 미리보기 기능을 통해 배리언트 조합이 정상적으로 렌더링되는지 확인하면 됩니다.
런칭 후 점검 요소
에이전트 학습 단계 확인
런칭 직후에는 대기 기간 없이 첫날부터 이메일이 발송되며, 신규 진입 유저는 진입 당일 첫 이메일을 받고 다음 날부터 개인화 적용을 받습니다. 에이전트는 아래 5단계를 거치며 진화하고, 대시보드 리포팅 화면에서 현재 어느 단계에 있는지 항상 투명하게 확인할 수 있습니다.
💡 런칭 후 1~2주간 성과가 낮아 보인다면?
초기 몇 주 동안 에이전트의 성과가 정체되어 보이거나 기존에 오랫동안 수동으로 고도화해 온 캠페인보다 낮아 보일 수 있습니다. 에이전트가 충분한 클릭 시그널을 모아 탐색을 거쳐 완전 학습에 도달할 때까지 시간을 두고 기다리는 것이 중요합니다. 또한 리포팅 데이터는 약 1일의 지연이 있으므로, 조회 종료일을 오늘 기준 이틀 전으로 설정해야 완전히 집계된 데이터를 볼 수 있습니다.
핵심 최적화 지표와 'Genuine Clicks(순수 클릭)' 필터링
에이전트는 Unique Customers Who Clicked Daily(일별 클릭한 순수 고객 수)를 극대화하도록 학습하며, AI 그룹과 랜덤 대조군 간의 이 지표 차이가 기준이 됩니다.
Decisioning Studio Go의 클릭 수는 Braze 내 일반 이메일 분석 리포트보다 낮게 집계될 수 있습니다. 에이전트가 오직 실제 사람의 반응만을 학습하도록, 자동화된 봇 활동과 수신거부 관련 클릭을 걸러내는 독립적인 검증 필터를 거치기 때문입니다. 이 필터링은 AI 그룹과 대조군 양쪽에 동일하게 적용되므로 비교 대조군 비교에는 문제가 없습니다.
💡 세부 성과 확인: Agent preferences 뷰를 통해 에이전트가 각 배리언트를 얼마나 자주 선택했는지, 개별 제목·CTA·이미지가 조합별로 어떤 성과를 내고 있는지 상세히 파악할 수 있습니다.
데이터 분석
내부 BI 툴이나 데이터 웨어하우스에서 결과를 직접 분석하고 싶다면, 이메일 발송 이벤트(users.messages.email.Send)의 message_extras 필드에 자동으로 기록되는 3가지 식별자를 활용하면 됩니다.
- ds_go_agent_id: 어떤 에이전트가 발송했는지 식별
- ds_go_agent_regime: 해당 유저가 AI 최적화 그룹인지 랜덤 대조군인지 식별
- ds_go_rec_id: 개별 의사결정(Decision)의 고유 ID
💡 심화: 데이터 익스포트 시 Send 이벤트에 message_extras가 포함되어 있는지 확인한 뒤, 오픈 및 클릭 이벤트 데이터와 user_id 및 dispatch_id를 기준으로 조인(Join)하면 심층 분석이 가능합니다.
런칭 후 에이전트 수정 시 주의사항
Decisioning Studio Go는 런칭 이후에도 오디언스, 스케줄, 크리에이티브, 제약 조건 등 모든 설정을 수정할 수 있으며, 변경 사항은 Promote(적용) 버튼을 눌러야 실제 반영됩니다. 수정 시 다음 요소를 주의하세요.
- 학습 유지: 런칭 후 새로운 배리언트(새 제목, 새 이미지 등)를 추가하거나 수정하더라도 기존 배리언트에 대해 에이전트가 쌓아온 학습 데이터는 초기화되지 않습니다.
- 모수 리셔플 주의: 크리에이티브, 스케줄, 제약 조건을 수정하는 것은 기존 그룹 구성을 건드리지 않습니다. 하지만 1️⃣AI 그룹과 랜덤 대조군의 분할 비율을 변경하거나, 2️⃣대상 세그먼트 자체를 교체하는 경우에는 AI 그룹과 대조군 사이의 유저들이 다시 섞이는 리셔플이 발생합니다. 따라서 캠페인 운영 도중에는 이 두 가지 설정을 가벼운 마음으로 변경하지 않도록 주의해야 합니다.
산업별 활용 시나리오
Decisioning Studio Go의 진가를 발휘하는 영역은 ‘안정적인 오디언스 볼륨’과 ‘클릭 가능한 콘텐츠’가 뒷받침되는 반복형 이메일 프로그램입니다.
1. 이커머스 — 시즌별 카탈로그 및 큐레이션
- 시나리오: 시즌에 따라 빠르게 회전하는 상품 카탈로그나 개인화된 추천 상품을 주기적으로 제안하는 상시 에버그린 캠페인
- 활용 포인트: 고객마다 끌리는 상품 이미지나 할인 혜택 표현 방식이 다르므로, 여러 상품 베이스 크리에이티브와 제목 조합을 등록해 두어 개인별로 가장 구매 욕구를 자극하는 조합을 찾아냅니다.
2. 푸드 — 첫 구매 유도 여정
- 시나리오: 회원가입을 완료했으나 아직 첫 주문을 하지 않은 고객들을 대상으로 하는 온보딩 및 첫 구매 유도 프로그램.
- 활용 포인트: 가입 직후 이탈율이 높은 고객군에게 시그니처 메뉴 이미지, 첫 주문 할인 혜택 CTA, 최적의 발송 타이밍을 동적으로 조율하여 첫 결제 전환율을 극대화합니다.
3. 여행 숙박 — 포인트 소진 및 리워드 독려
- 시나리오: 일정 기간 동안 보유 중인 리워드 포인트나 마일리지 소진 내역이 없는 로열티 프로그램 멤버십 대상 캠페인.
- 활용 포인트: "소멸 예정 포인트 안내"나 "인기 여행지 추천" 등의 제목 및 이미지 배리언트를 에이전트가 조합하여, 고객이 잠자는 포인트를 사용하도록 적극적인 클릭과 재방문을 유도합니다.
4. 금융 — 핵심 상품 가입 및 락인 유도
- 시나리오: 통장을 개설했으나 아직 주거래 계좌로 연결하지 않은 고객을 대상으로 급여 이체나 자동납부 설정을 유도.
- 활용 포인트: 금융 서비스 특유의 신뢰감 주는 이미지와 직관적인 CTA 버튼, 고객이 가장 여유롭게 확인하는 시간대를 찾아내어 가입 전환을 이끌어냅니다.
5. OTT 및 스트리밍 — 휴면 복귀 넛지
- 시나리오: 구독을 해지했거나 최근 앱 접속이 뜸해진 휴면 시청자들을 다시 플랫폼으로 불러들이기 위한 개인화된 리인게이지먼트 캠페인.
- 활용 포인트: 최근 인기작이나 고객의 과거 시청 장르에 맞춘 이미지 배리언트를 활용해, 다시 구독 버튼을 누르게 만드는 최적의 타이밍과 메시지를 찾아냅니다.
💡 팁: 시즌성 캠페인 운영 전략 단발성 프로모션을 위해 별도의 에이전트를 새로 띄우는 것은 권장하지 않습니다. 에이전트가 충분히 학습을 마치기도 전에 프로모션 기간이 끝나버리기 때문입니다. 대신 상시 운영되는 에이전트를 계속 가동하여 학습 상태를 유지하고, 시즌이 바뀔 때마다 그에 맞는 시즌용 크리에이티브 배리언트를 추가·교체하는 방식으로 운영하는 것을 추천합니다.
Decisioning Studio Go vs Pro
Decisioning Studio Go와 Pro는 동일한 강화학습 의사결정 엔진을 공유합니다. Go에서 할 수 있는 모든 것은 Pro에서도 가능하며, 비즈니스의 요구사항과 리소스 상황에 맞춰 선택하거나 단계적으로 확장할 수 있습니다.
한눈에 보는 Go vs Pro 스펙 비교
비즈니스에서 가장 핵심적이고 매출 직결도가 높은 여정에는 전담 데이터 사이언티스트가 정교하게 튜닝하는 Decisioning Studio Pro를 배치하고, 그 외의 일상적인 라이프사이클 이메일 캠페인에는 빠르게 시작할 수 있는 Decisioning Studio Go를 배치해 보세요.
FAQ
Q1. 랜덤 대조군은 아예 이메일을 안 받는 홀드아웃 그룹인가요?
A: 랜덤 대조군은 이메일을 받지 못하는 그룹이 아닙니다. AI가 최적 조합을 골라주는 ‘Decisioning Studio 그룹’과 마찬가지로 대조군 고객들도 정상적으로 이메일을 수신합니다. 단, AI가 개인별 맞춤 조합을 계산하는 것이 아니라, 마케터가 설정한 전체 옵션 풀 내에서 완전 무작위 조합으로 이메일을 받게 됩니다. 이 구조를 통해 "AI가 개인화를 했을 때, 무작위로 보냈을 때보다 클릭률이 얼마나 더 향상되었는가"를 실시간으로 공정하게 측정할 수 있습니다.
Q2. 이미 다른 캔버스나 캠페인에서 사용 중인 세그먼트를 에이전트에 그대로 연결해도 되나요?
A: 기술적으로는 가능하지만, 절대 권장하지 않습니다.(실제 세팅 시 경고 문구가 노출됩니다.) 동일한 사용자가 다른 캔버스나 마케팅 캠페인에서 동시에 메시지를 받고 있다면, 그 외부 메시지로 인한 고객 반응이 에이전트의 학습 데이터에 섞이게 되어 AI가 정확한 인과관계를 학습하기 어려워집니다. 가장 깨끗하고 신뢰할 수 있는 성과를 위해 에이전트 전용 단독 세그먼트를 구성하는 것을 권장합니다.
Q3. 런칭 이후에 새로운 이메일 제목이나 이미지 배리언트를 추가하면, 에이전트가 처음부터 다시 학습하나요?
A: 아니요, 학습이 초기화되지 않습니다. 기존 배리언트에 대해 에이전트가 그동안 쌓아온 학습 데이터는 그대로 유지된 채, 새롭게 추가된 옵션에 대해서만 탐색 과정이 추가됩니다. 따라서 캠페인 운영 중간에 시즌에 맞는 새로운 크리에이티브를 유연하게 추가·교체할 수 있습니다.
(⚠️ 단, 분할 비율인 Split Proportion을 변경하거나 대상 세그먼트 자체를 통째로 교체하는 경우에는 유저들의 그룹 간 리셔플이 발생하므로 주의해야 합니다.)
Q4. 리포팅 대시보드 데이터를 확인했는데, 일반 Braze 이메일 리포트보다 클릭 수가 낮게 나옵니다. 에러인가요?
A: 에러가 아닙니다. Decisioning Studio Go는 에이전트가 오직 '진짜 사람의 반응'만을 학습하고 평가할 수 있도록, 자동화된 봇 활동이나 수신거부 관련 클릭을 철저하게 걸러내는 독립적인 검증 필터를 거칩니다. 이 때문에 raw 데이터 기반의 일반 이메일 리포트보다 클릭 집계 숫자가 낮아 보일 수 있습니다. 단, 이 필터링은 AI 그룹과 랜덤 대조군 양쪽에 정확히 동일하게 적용되므로 두 그룹 간의 상대적인 성과 비교와 신뢰도에는 아무런 문제가 없습니다.
Q5. 에이전트를 런칭한 지 일주일이 지났는데, 리포트상 성과가 기존 프로그램과 비슷하거나 오히려 낮아 보입니다. 문제가 있는 것인가요?
A: 대부분 정상적인 현상입니다. 런칭 직후 에이전트는 충분한 '순수 클릭' 시그널을 모으고 최적의 조합을 찾아가는 학습 단계를 거칩니다. 이 시기에는 오랫동안 수동으로 최적화되어 온 기존 캠페인과 성과가 비슷하거나 약간 낮아 보일 수 있습니다. 충분한 데이터가 쌓여 상태가 'Fully trained(학습 완료)' 단계로 전환될 때까지 기다린 후 최종 성과를 판단하는 것이 좋습니다.
< 함께 보면 좋은 콘텐츠 >
🔗Braze FORGE 2026 리뷰: 마케터의 본질과 고객 인게이지먼트의 미래를 만나다
🔗BrazeAI Operator 이해하기: Braze 속 업무 파트너
🔗프리미엄 가이드: 나만의 AI 에이전트 만들기
브레이즈, 자동화, A/B테스트, 인공지능(AI), 이메일, 개인화, Decisioning Studio
![브레이즈 에반젤리스트가 말하는 고객 인게이지먼트[Braze 인터뷰]](https://d302mq5mw4yo36.cloudfront.net/upload/BoardThumbnail/38822/ecOIjT4T.webp "브레이즈 에반젤리스트가 말하는 고객 인게이지먼트[Braze 인터뷰]")
