특강) AI Native PM / Claude 활용법+숙련 과제(장바구니 전환율 개선) 피드백

◾과제 : 장바구니 담기 전환 데이터 분석 & 개선안 제안

• 목표 KPI : 상세페이지 > 장바구니 담기 전환율을 상승시키고자 함
• 숙련 개인 과제 관련 게시글
  • Part1.누구를 분석할 것인가?
  • Part 2. 데이터가 말하는 문제는 무엇인가?
  • Part 3. 어떻게 전환율을 높일 것인가?
  • 과제 제출 파일

🔹AI 네이티브 PM 특강 + 숙련 과제 피드백 정리 ▼

1. 원칙부터 — 판단과 책임은 사람이, 생산은 AI와 함께
2. 업무 성격에 따라 활용 범위를 구분한다
3. 도구는 업무에 따라 선택한다
4. AI-Native PM의 작업 흐름
5. 잘못된 사용이 만드는 문제
6. Claude를 용도별로 이해한다
7. 비용 구조를 이해해야 제대로 쓸 수 있다

+) 오늘의 Q&A
++) 숙련 과제(장바구니 전환율 개선) 피드백
+++) 오늘의 인사이트/KPT 회고

 

활동 내역

• AI 네이티브 PM 특강 정리
• 서비스 기획 심화 2강 수강
• 정보처리기사 실기 공부(D+20)

 

---

 

AI Native PM
-
AI를 사용하는 사람이 아니라 AI와 함께 일하는 PM

 

 

1. 원칙부터 — 판단과 책임은 사람이, 생산은 AI와 함께

• AI는 생산 속도를 높이는 도구이고, PM은 판단의 질을 높이는 사람이다.
• AI가 만든 결과물이라도 검토하고 제출했다면 책임은 사용자에게 있다.
  따라서 최종 검토와 비즈니스 판단은 어떤 상황에서도 사람의 영역이다.

 

2. 업무 성격에 따라 활용 범위를 구분한다

AI가 잘하는 영역	사람이 반드시 해야 하는 영역
회의록 요약, PRD 초안 작성	문제 정의, 우선순위 결정
인터뷰 녹취 정리, 자료 수집	유저 인터뷰 진행, 이해관계자 설득
이메일 초안 작성	갈등 조율 및 1:1

• 유저 인터뷰가 대표적인 예다. 질문지 초안은 AI가 작성할 수 있다. 그러나 실제 인터뷰는 다르다.
  표정, 말투, 침묵, 맥락처럼 비언어적 요소까지 읽어야 하는 영역은 AI가 대체할 수 없다.
  → AI는 맥락이 없고, 언어적·비언어적 표현을 동시에 이해하는 데 구조적 한계가 있기 때문이다.

 

3. 도구는 업무에 따라 선택한다

• 업무 단계에 맞는 도구를 선택하는 것이 더 본질적인 접근이다.

업무	추천 도구
경쟁사 리서치	Perplexity
PRD 작성	Claude
데이터 분석	ChatGPT / Gemini
회의록 정리	Clova Note + Claude
SQL 작성	Claude Code / ChatGPT
ex. Perplexity로 리서치 → ChatGPT로 정보 정리 → Claude로 PRD 작성처럼, 단계별로 도구를 연결하는 방식이다.

 

4. AI-Native PM의 작업 흐름

• AI-Native PM은 AI를 많이 쓰는 사람이 아니라, AI와 함께 일하는 방식을 가진 사람이다.
  1. 내가 해야 할 일을 정의한다
  2. 업무를 작은 단위로 나눈다
  3. 각 단계에 적합한 AI를 선택한다
  4. 결과를 검토하고 최종 판단한다
• 업무를 먼저 구조화한 뒤, 필요한 부분만 위임하는 것이다.
  필요에 따라 MCP 등을 활용해 여러 도구를 하나의 흐름으로 연결하는 방식도 유효하다.

 

5. 잘못된 사용이 만드는 문제

• 자주 나온 의견을 가장 중요한 문제로 착각한다
• AI 결과를 검토 없이 그대로 제출한다
• 맥락 없이 프롬프트를 작성한다

Garbage In, Garbage Out.

맥락 없이 질문하면 맥락 없는 답이 나온다. 배경, 목적, 제약조건, 원하는 출력 형식을 함께 전달할수록

결과 품질도 높아진다. 좋은 프롬프트는 결과 품질뿐 아니라 비용 절감에도 직결된다.

 

6. Claude를 용도별로 이해한다

• Claude는 단일 챗봇이 아니라, 용도에 따라 역할이 나뉘는 작업 환경에 가깝다.

기능	주요 역할
Chat	기획안 초안, 아이디어 정리, 문서 작성
Cowork	회의록 정리, 주간 리포트 등 반복 업무 자동화
Code	SQL 작성, CSV 분석, 로그 분석

• 회의록의 경우, 단순 요약보다 어떤 이슈가 있었는지, 어떤 의사결정을 했는지, 다음 액션이 무엇인지까지 정리하는 것이 실질적 활용이다.
• 모델 선택 : 간단한 작업은 Haiku, 일반 PM 업무는 Sonnet, 복잡한 분석이나 긴 문서는 Opus가 적합하다.

 

7. 비용 구조를 이해해야 제대로 쓸 수 있다

• AI 서비스는 구독형, 사용량 기반 API, 크레딧 방식으로 나뉜다.
  핵심은 토큰(Token) 개념이다. 입력이 많고 출력이 길수록 사용량이 늘어난다.
• 비용을 줄이는 방법은 결국 프롬프트를 잘 설계하는 것과 같다.
  → 질문을 한 번에 구조화하고, 출력 형식을 먼저 지정하고, 적절한 모델을 선택하는 것.
• 좋은 프롬프트는 품질과 비용, 두 가지를 동시에 최적화한다.

AI는 판단을 대신하지 않는다. 판단의 속도와 질을 높이는 환경을 제공할 뿐이다.

결국 AI를 잘 쓰는 사람은 AI를 많이 쓰는 사람이 아니라, 자신의 판단 구조를 먼저 명확히 가진 사람이다.

 

 

오늘의 Q&A

 

Q1. Claude 프로젝트는 서로 내용이 섞이지 않나요?

• 기본적으로 프로젝트는 서로 분리해서 사용할 수 있다.
• 필요하면 특정 프로젝트를 참고하도록 지정할 수 있으며,
  프로젝트별로 맥락을 구분해서 관리하는 것도 어렵지 않다고 답변했다.

Q2. 한국어보다 영어를 사용하는 것이 더 좋나요?

• 예전에는 영어 프롬프트를 추천하는 경우가 많았지만,
  현재는 한국어 성능도 많이 향상되었다고 한다.
• 한국어가 토큰은 조금 더 사용할 수 있지만,
  굳이 번역해서 사용할 필요는 없으며 자연스럽게 한국어를 사용하는 것을 추천했다.

Q3. Claude 토큰은 계속 사용할 수 있나요?

• 플랜마다 제공량이 다르다.
• 토큰을 모두 사용하면 일정 시간이 지난 뒤 다시 사용할 수 있으며,
  남은 사용량을 확인하면서 사용하는 습관을 들이는 것이 좋다고 답변했다.

 

 

---

 

서비스 기획 숙련 개인 과제 피드백
-
장바구니 전환율 개선

 

 

👍잘한 점

• 문제 현상 → 원인 가설 → 데이터 근거를 명확히 구분하여 문제 정의를 구조적으로 작성했다. 특히 데이터 근거를 바로 연결해 '왜 리뷰 클릭이 핵심 변수인지'를 한눈에 이해할 수 있도록 구성한 점이 좋았다.
• 경쟁사 분석을 단순 기능 비교가 아닌 '이 UI는 어떤 문제를 해결하기 위해 만들어졌는가?'라는 관점에서 분석했다. 또한 캡처 화면에 직접 표시를 추가해 가독성을 높였고, 이를 '체류시간보다 신뢰 형성에 집중한다'는 인사이트로 연결한 점이 인상적이었다.
• KPI를 단순 목표 수치가 아니라 데이터 기반으로 산정했다. 리뷰 클릭률 목표를 현재 전환 유저 수준(47.9%)으로 설정하고, 이를 바탕으로 예상 장바구니 전환율과 장바구니 담기 사용자 수(+3명)를 계산해 목표의 근거를 명확하게 제시했다.
• 지난 프로젝트보다 데이터 분석부터 경쟁사 벤치마킹, KPI 설계까지 논리적으로 연결되는 흐름이 한층 자연스러워졌다는 점에서 성장한 모습이 보였다.

🔎개선할 점

• 페르소나 중복 여부를 명확히 설명할 필요가 있다. 각 페르소나 인원수를 합하면 전체 데이터 수를 초과하는데, 이는 동일 사용자가 여러 페르소나 조건을 동시에 만족하는 구조이기 때문이다. 이러한 중복 구조를 설명하거나 비교 기준을 명시하면 분석의 신뢰도를 높일 수 있다.
• 가격대 분석에서 5~15만 원 구간의 장바구니 전환율이 가장 낮다는 흥미로운 인사이트를 발견했지만, 이후 문제 정의나 해결 방안에서는 활용되지 않았다. 핵심 문제에서 제외한 이유를 한 줄 정도 설명하면 분석 흐름이 더 자연스러울 것 같다.
• 페르소나 우선순위 선정 근거를 보강하면 좋다. C와 D를 비교하면서 '비즈니스 영향이 높다'와 같은 정성적 표현을 사용했는데, 광고 유입 규모나 사용자 수 등 객관적인 데이터를 함께 제시하면 왜 D를 최종 페르소나로 선정했는지 더 설득력 있게 전달할 수 있다.

💡다음 프로젝트에서 적용할 점

• 페르소나를 비교할 때는 중복 여부와 비교 기준을 먼저 설명해 분석 전제를 명확히 작성하기.
• 분석 과정에서 발견한 모든 인사이트는 활용하거나 제외한 이유까지 함께 기록해 분석의 흐름을 완성하기.
• 우선순위 선정은 정성적 판단에 그치지 않고 수치와 데이터로 근거를 보강하여 의사결정의 설득력을 높이기.

 

 

---

 

 

오늘의 인사이트

 

Garbage In, Garbage Out은 AI에만 해당하는 말이 아니다.
분석도 마찬가지다. 입력이 부실하면 출력도 부실하기 마련이다.

(인풋과 아웃풋이 확실한 편)

 

클로드 팀 플랜 처음 써봤는데 채팅, 코워크, 코드 등
여러 기능을 제공하고 있어 이것저것 만들어보고 싶은 호기심이 든다.
사실 유료는 GPT밖에 안 써봐서...
클로드랑 같이 유료 버전 써보고 하나를 구독하든지 해도 될 것 같다.

 

 

To. 지피티...

너 요즘 환각 쩔드라...?

암튼 뭐 그렇게 됐다.

멀리 안 나간다.

 

 

---

 

오늘의 KPT 회고

 

Keep	• 문제 현상 → 원인 가설 → 데이터 근거 순으로 구조를 잡는 습관이 자리를 잡아가고 있다. • 경쟁사 분석을 기능 비교가 아닌 '이 UI는 어떤 문제를 해결하기 위해 만들어졌는가'라는 관점으로 접근한 것.
Problem	• 분석 과정에서 발견한 인사이트를 끝까지 활용하지 못했다. 5~15만 원 구간 전환율 이슈처럼 흥미로운 발견을 하고도 이후 흐름에 연결하지 않으면 분석이 아니라 관찰에 그친다.(왜 그랬을까...? 뭔가 하나에 꽂혀서 그랬던 건가? 혼자 하다보니 살짝 놓치는 부분들이 있는 듯) • 우선순위 선정 근거가 정성적 표현으로 마무리되는 경우가 반복되고 있다. 수치로 뒷받침하지 않으면 설득이 아니라 주장이 된다. • 페르소나 중복 구조처럼 분석 전제가 되는 조건을 명시하지 않으면 읽는 사람 입장에서 신뢰도가 흔들린다.
Try	• 다음 과제부터는 분석 중 발견한 모든 인사이트를 '활용 or 제외 이유'까지 한 줄씩 기록하는 것을 원칙으로 삼기. • Claude 팀 플랜 기능(Chat / Cowork / Code)을 업무 단계별로 실제 적용해보고, GPT와 병행 사용하면서 어떤 작업에 어떤 도구가 맞는지 직접 비교해보기.