카드를 만들기 전에,
스크롤
FGI (포커스 그룹 인터뷰)
12명 · 3–6주
200–500만원
가상 FGI
100명 × 27장 · 0초
$0.19
FGI 를 없앨 수는 없다. 들고 갈 시안을 미리 솎는다.
0
명. 모두 가짜지만, 통계청 숫자에서 만들어진 한국인이다. 사는 지역도, 하는 일도, 좋아하는 것도 저마다 다르다.
0명
전국에서 비율대로 뽑는다. 같은 조건이면 늘 같은 100명이다.
기존 신한카드 159종 옆에 아직 없는 시안을 놓는다. 함께 평가받게 해서 몇 등으로 들어오는지 본다.
병원·약국 특화
병원·약국 10% · 건강검진 캐시백
응답자 설명 × 100
나이 · 지역 · 직업 · 생활 이야기
카드 설명
연회비 · 혜택 · 실적 조건
점수 모델 Jev
선택지마다 확률만 낸다
“앞으로 6개월 안에 이 카드를 발급받을 가능성은?” — 전혀 없음(0)부터 거의 확실(9)까지
칸마다 한 사람 — 0–9 확률을 매긴 뒤, 그 평균이 그 사람의 점수
실제로는 동시에 50건씩, 카드 한 장을 모두에게 물은 뒤 다음 카드로 넘어간다. 분포는 예시.
100명 × 27장이면 모두 2,700번. 카드마다 평균을 내면 순위가 된다.
예) 60대 이상 · 일하지 않는 사람 100명 · 27장 중 1위, 2위와 0.44점 차이
점수는 Jev 가 매기고, 이유는 Claude 가 쓴다. 역할이 다르니 모델도 나눴다.
같은 카드가 집단마다 반대 반응을 보인다. 국민행복카드는 전국 평균보다 20대에서 0.86점 낮고, 60대 무직에서 0.91점 높다. 평균만 봐서는 보이지 않는다.
점수를 준 사람 12명에게 왜 그렇게 답했는지 묻고, 겹치는 말을 모은다. 실적 조건 없는 1.2% 시안을 3위로 끌어올린 건 “조건 없이 쓸 수 있다”였고, 발목을 잡은 건 “할인율이 약하다”였다.
국민행복카드 · 전국과 비교한 자리
20대
60대 이상 · 일하지 않는 사람
카드 이용내역 엑셀(한 사람 = 한 파일)을 올리면 그 사람의 월 이용액 · 업종 비중 · 보유 카드를 담은 응답자가 한 명 생긴다. Nemotron 과 섞지 않고 독립으로 만들며, 원본은 저장하지 않고 계산한 값과 소개 글만 남긴다.
30-39세 남자 · 경북
직업 · 소득은 엑셀에 없으면 비워 둔다
+ 월 평균 카드 이용 약 62만원
+ 배달 31% · 기타 21% · 온라인쇼핑 12% · 외식 11%
+ 보유 카드: 신한카드 SOL글로벌U 체크 외 1장
예시 파일에서 계산한 값이다. 실제 고객이 아니다.
0.075
같은 질문을 다섯 번 했을 때, 점수가 흔들린 폭
0.1점
이보다 작은 차이는 오차 범위로 본다
5분
1,000명에게 카드 10장을 모두 묻는 시간
$0.75
그 한 번의 값. FGI 는 12–40명에 몇 주
세상에 없는 카드다. “발급률 X%” 같은 숫자는 말하지 않는다. 시안끼리의 순서와 집단 차이, 거기까지만 말한다.
벡터 검색
뜻으로 찾는다
“배달 할인 반응은?” → “무실적 1.2%” 도 찾는다
Select AI
말로 묻는다
“지난 실행이 몇 건?” → DB 가 SQL 로 바꿔 답한다
JSON_TABLE 뷰
문서를 열로 읽는다
사람 한 명 = 문서 하나 → 시뮬레이션은 Nemotron 과 같은 열 이름으로 읽는다
JSON 컬렉션 · SODA
MongoDB 방식으로 찾는다
{"catShare.온라인쇼핑": {"$gte": 0.25}} → 만든 페르소나를 문서로 쌓고 조건으로 꺼냄
요약은 DB 안에서 바로 벡터가 되고, 데이터는 문서로 넣어 표로 쓰고, 만든 페르소나는 문서 컬렉션에 쌓는다. 모두 한 DB 안에서.
응답자 출처 NVIDIA Nemotron-Personas-Korea (CC BY 4.0) · 카드 정보 신한카드 공개 상품 안내 · 가상 응답자의 반응이며 실제 시장 반응을 예측하지 않습니다