referral-program

referral-program 스킬 개요

referral-program 스킬이 하는 일

referral-program 스킬은 AI 에이전트가 고객 추천 프로그램, affiliate program, 또는 하이브리드 파트너 모델을 설계·진단·개선하도록 돕습니다. 단순한 아이디어 브레인스토밍용이 아니라, 실제 성장 실행에 맞춘 스킬입니다. 프로그램 유형, 인센티브 구조, 추천 루프 설계, 툴 선택, 출시 의사결정까지 대화를 구체적인 실행안으로 밀고 갑니다.

Product Marketing 및 그로스 팀에 특히 잘 맞는 경우

이 referral-program 스킬은 기존 고객이나 파트너를 반복 가능한 획득 채널로 전환해야 하는 Product Marketing, growth, lifecycle, founder-led 팀에 특히 유용합니다. 특히 아래 같은 질문에 답해야 할 때 적합합니다.

• referral로 갈지, affiliate로 갈지, 둘 다 운영할지?
• 우리 가격 정책과 LTV에 맞는 리워드는 무엇인지?
• 참여율이 왜 낮은지?
• 출시 전에 어떤 툴과 트래킹이 필요한지?

실제로 해결하려는 핵심 과제

대부분의 사용자는 referral marketing의 정의가 필요한 것이 아닙니다. 제품, 수익 구조, 고객 행동에 맞는 실행 가능한 프로그램이 필요합니다. 이 스킬의 강점은 “입소문을 더 만들고 싶다” 같은 모호한 목표를 트리거, 공유 흐름, 전환 경로, 보상, 핵심 지표, 롤아웃 체크리스트까지 갖춘 구체적 구조로 바꾸는 데 있습니다.

일반적인 프롬프트와 다른 점

일반 프롬프트 대비 가장 큰 장점은 내장된 의사결정 경로입니다. 이 스킬은 아래 요소를 명시적으로 점검합니다.

• referral vs affiliate vs hybrid 적합성
• B2B vs B2C 맥락
• LTV 및 CAC 제약
• 현재 참여 수준과 기존 인센티브
• 제품의 공유 적합성 및 자연스러운 입소문 가능성
• 현실적인 툴 및 예산 범위

또한 affiliate 설계 관련 참고 자료와 실제 프로그램 예시도 함께 포함하고 있어, 결과가 “할인 하나 제공하세요” 수준의 뻔한 조언에 머물 가능성을 줄여줍니다.

referral-program 스킬이 특히 좋은 선택인 상황

다음 상황이라면 referral-program 스킬을 쓰는 편이 좋습니다.

• 새 refer-a-friend 또는 affiliate program을 출시하려는 경우
• 인센티브 구조를 다시 설계해야 하는 경우
• 참여율이나 전환율이 약한 경우
• 사례, 벤치마크, 툴 추천이 필요한 경우
• Product Marketing 관점에서 더 구조화된 referral-program 가이드가 필요한 경우

적합하지 않은 경우

주된 문제가 지속 운영형 추천 시스템이 아니라, 더 넓은 의미의 출시 초기 바이럴이라면 이 스킬은 적합도가 떨어집니다. 저장소 자체에서도 출시 중심의 바이럴 질문은 launch-strategy로 안내합니다. 또한 가격, LTV, 고객 유형, 현재 획득 경제성 같은 기본 사업 정보를 전혀 공유할 수 없다면 활용도가 낮아집니다.

referral-program 스킬 사용 방법

스킬 환경에 referral-program 설치하기

저장소의 SKILL.md 안에는 설치 명령이 직접 나오지 않으므로, repo root 기준의 표준 skills installer 패턴을 사용하면 됩니다.

npx skills add https://github.com/coreyhaines31/marketingskills --skill referral-program

이미 로컬 또는 동기화된 스킬을 지원하는 환경이라면, coreyhaines31/marketingskills 저장소의 skills/referral-program에서 직접 추가해도 됩니다.

처음 쓰기 전에 먼저 읽어야 할 파일

짧게 훑으면서 핵심만 파악하려면 아래 순서로 읽는 것이 좋습니다.

1. skills/referral-program/SKILL.md
2. skills/referral-program/references/program-examples.md
3. skills/referral-program/references/affiliate-programs.md
4. skills/referral-program/evals/evals.json

이 순서는 중요합니다. SKILL.md는 작업 흐름을 보여주고, 참고 자료는 구체성을 더해주며, evals/evals.json은 좋은 결과물에 무엇이 들어가야 하는지를 보여줍니다.

프롬프트 전에 product marketing 맥락부터 확인하기

이 referral-program 스킬은 먼저 .agents/product-marketing-context.md 또는 .claude/product-marketing-context.md를 확인하라고 에이전트에 명시합니다. 이미 그 파일에 포지셔닝, 타깃 오디언스, 가격, GTM 맥락을 정리해 두었다면, 스킬이 중복 질문을 덜 하고 더 현실적인 계획을 만들 수 있습니다.

해당 파일이 없다면, 같은 내용을 프롬프트에 직접 넣어주세요.

유의미한 결과를 끌어내는 최소 입력값

최소한 아래 정보는 제공하는 것이 좋습니다.

• 현재 필요하다고 생각하는 프로그램 유형: referral, affiliate, 또는 unsure
• B2B인지 B2C인지
• 제품과 가격 모델
• 평균 고객 LTV
• 다른 채널 기준 현재 CAC
• 이미 프로그램이 있는지 여부
• 현재 추천 참여율 또는 전환율
• 이미 시도한 인센티브
• 제품의 공유 적합성
• 현재 쓰는 툴 또는 감당 가능한 툴 범위

이 정보가 없으면 referral-program 활용 결과가 쉽게 일반론으로 흐릅니다. 보상 경제성과 프로그램 메커니즘이 이 정보에 크게 의존하기 때문입니다.

모호한 요청을 강한 referral-program 프롬프트로 바꾸기

약한 프롬프트:

Help me make a referral program.

더 나은 프롬프트:

Use the referral-program skill to design a customer referral program for our B2B SaaS. We charge $49/month, average 14-month retention, CAC is about $180 on paid channels, and we have 1,000 active customers. We do not have an existing referral program. Customers often invite teammates, but not external peers. Recommend whether referral, affiliate, or a hybrid model fits best, propose incentives, define the referral loop, suggest tools, and include a launch checklist.

이 방식이 더 잘 작동하는 이유는, 인센티브 규모를 산정하고 어떤 모델이 맞는지 판단할 만큼 충분한 정보를 스킬에 주기 때문입니다.

referral과 affiliate 로직을 분리해서 요청하기

이 저장소의 실무적 강점 중 하나는 고객 추천과 affiliate partnership을 섞어서 다루지 않는다는 점입니다. 두 모델 모두 가능한 사업이라면, 그 사실을 분명히 적고 각각 따로 추천해 달라고 요청하세요.

예시:

We have happy customers and industry creators. Use the referral-program skill to compare a customer referral program versus an affiliate program, including incentive structure, tracking requirements, fraud risk, and which should be launched first.

이렇게 하면 하나의 혼합형 프로그램을 막연히 요청하는 것보다 보통 더 나은 의사결정 결과가 나옵니다.

내장 워크플로를 따라 프로그램 설계하기

이 스킬로 referral-program을 설계할 때 안정적인 워크플로는 다음과 같습니다.

1. 맥락과 경제성 정리
2. 프로그램 유형 분류
3. 제품의 공유 행동 적합성 검토
4. referral loop 설계
5. 인센티브 선택
6. 툴 및 트래킹 방식 선정
7. 출시 체크리스트 정의
8. 성공 지표와 리뷰 주기 설정

1~3단계를 건너뛰면, 뒤 단계가 비현실적으로 흘러가기 쉽습니다.

참고 자료로 결과를 압박 테스트하기

보조 파일은 단순히 훑어보는 수준을 넘어 실제로 활용할 가치가 있습니다.

• references/program-examples.md는 인센티브 유형, 바이럴 메커니즘, 프로그램 스타일 비교에 도움을 줍니다
• references/affiliate-programs.md는 커미션, cookie window, affiliate 모집, fraud prevention 설계에 도움을 줍니다

첫 번째 초안이 너무 일반적이거나 특정 모델에 과도하게 치우쳐 보일 때 특히 유용합니다.

좋은 referral-program 결과물에 들어가야 할 것

evals 기준으로 보면, 강한 결과물에는 보통 아래 요소가 포함되어야 합니다.

• referral 모델과 affiliate 모델의 구분
• 추천 루프 제안: trigger, share, conversion, reward
• 비즈니스 모델에 맞게 산정된 인센티브 추천
• launch 또는 rollout 체크리스트
• 툴 추천
• 이미 프로그램이 있다면 최적화 조언

이 요소가 빠져 있다면 얕은 계획으로 받아들이지 말고, 에이전트에게 수정 요청을 하는 편이 낫습니다.

자주 쓰는 상황별 실전 프롬프트 패턴

신규 프로그램용:

Use the referral-program skill to design a first referral program for our product. Include eligibility, incentive structure, share flow, tracking, abuse prevention, and launch checklist.

참여율이 낮을 때:

Use the referral-program skill to diagnose why only 5% of customers have ever referred someone. Prioritize participation bottlenecks, messaging issues, reward mismatch, trigger timing, and product-fit constraints.

affiliate 구축용:

Use the referral-program skill to propose an affiliate program for our subscription product, including commission model, cookie duration, recruitment channels, enablement assets, and fraud controls.

referral-program 스킬 FAQ

referral-program은 추천 프로그램용인가요, affiliate program용인가요?

둘 다입니다. 이 스킬은 고객 추천 프로그램, affiliate program, ambassador형 모델, 하이브리드 케이스를 모두 분명하게 다룹니다. 모든 파트너 기반 성장이 똑같이 작동한다고 가정하지 않고, 그중 어떤 모델이 맞는지 선택하도록 돕는 점이 핵심 가치입니다.

referral-program 스킬은 초보자에게도 괜찮나요?

네, 기본적인 사업 정보만 제공할 수 있다면 충분히 유용합니다. growth loop 전문가일 필요는 없지만, 인센티브와 채널 경제성을 추론할 수 있을 만큼의 맥락은 필요합니다. 초보자는 추천안과 함께 트레이드오프 설명까지 요청할 때 가장 큰 가치를 얻습니다.

일반 AI 프롬프트보다 이 스킬이 더 잘하는 것은 무엇인가요?

일반 프롬프트는 뻔한 인센티브 아이디어를 내놓기 쉽습니다. 반면 referral-program 스킬은 더 구조화된 체크리스트와 참고 자료를 바탕으로 작동하므로, 설정에 필요한 질문을 더 정확히 던지고, referral과 affiliate 메커니즘을 구분하며, 전략 구호에서 멈추지 않고 출시 디테일까지 포함할 가능성이 높습니다.

Product Marketing 관점에서 referral-program이 특히 유용한가요?

네. referral-program for Product Marketing은 매우 잘 맞는 조합입니다. Product Marketing은 포지셔닝, 고객 이해, 메시지, lifecycle trigger를 자주 담당하고, 이 요소들이 실제 추천 참여율에 큰 영향을 줍니다. PMM이 제품 가치, 고객 동기, 획득 경제성을 연결해야 할 때 이 스킬이 특히 유용합니다.

신규 출시뿐 아니라 최적화에도 도움이 되나요?

네. evals에는 추천 참여율이 낮은 상황을 최적화하는 명확한 활용 사례가 들어 있습니다. 즉, 이 스킬은 일회성 기획 문서용에 그치지 않고, 낮은 채택률, 인센티브 미스매치, 추천 플로우의 마찰을 진단하는 데도 쓸 수 있습니다.

언제 referral-program을 쓰지 말아야 하나요?

다음 조건이라면 이 스킬에 과도하게 의존하지 않는 편이 좋습니다.

• 제품에 자연스러운 공유 행동이 거의 없고, 인센티브가 그 한계를 넘을 이유도 뚜렷하지 않은 경우
• 특정 referral 플랫폼의 매우 기술적인 구현 디테일이 필요한 경우
• 문제가 지속형 referral-program 시스템보다 더 넓은 출시 바이럴에 가까운 경우
• 대략적인 경제성, 가격, 고객 맥락조차 공유할 수 없는 경우

이 스킬에 벤치마크나 사례가 포함되어 있나요?

대규모 벤치마크 데이터베이스보다는 선별된 사례와 설계 참고 자료가 포함되어 있습니다. 인센티브 유형, 프로그램 구조, 바이럴 메커니즘의 패턴을 잡는 데는 유용하지만, 실제 적용은 반드시 자사 가격과 타깃 오디언스에 맞춰 조정해야 합니다.

referral-program 스킬을 더 잘 활용하는 방법

리워드 아이디어보다 먼저 경제성부터 정리하기

referral-program 활용에서 가장 흔한 실수는 인센티브부터 바로 정하는 것입니다. 더 좋은 결과는 LTV, CAC, 리텐션, 마진, 고객 유형에서 시작합니다. 그래야 free month, account credit, flat payout, recurring commission 중 무엇이 재무적으로 타당한지 스킬이 판단할 수 있습니다.

자연스러운 공유 행동이 있는지 명확히 말하기

이 스킬은 제품이 공유하기 쉬운지, 네트워크 효과가 있는지, 원래도 사람들이 이야기하는 제품인지 묻습니다. 여기서는 솔직해야 합니다. 고객이 제품 이야기를 거의 하지 않는다면, 정답은 대규모 인센티브 롤아웃이 아니라 작은 referral test나 affiliate program일 수 있습니다.

추천 요청이 발생할 고객 순간을 구체적으로 설명하기

추천 프로그램은 타이밍에 따라 성패가 크게 갈립니다. 어떤 순간에 추천 요청을 넣을지 함께 알려주세요.

• activation 직후
• 성공 경험을 만든 마일스톤 직후
• NPS 또는 긍정적 피드백 직후
• 팀 초대 또는 협업 이벤트 직후
• 반복 구매 직후

이 정보가 있어야 스킬이 “공유 버튼을 추가하라” 수준의 일반론이 아니라, 실제로 작동할 만한 referral loop를 설계할 수 있습니다.

툴과 운영의 실제 제약을 알려주기

가벼운 툴이 필요하다면 그렇게 말하세요. 재무팀이 월별 지급만 처리할 수 있다면 그것도 말해야 합니다. 리워드에 법무 승인 절차가 필요하다면 그 점도 포함하세요. 제약을 정확히 줄수록 referral-program 가이드의 실용성이 높아집니다.

의사결정 가능한 형식으로 결과를 요청하기

보통 아래 같은 섹션을 지정해서 요청하면 결과 품질이 더 좋아집니다.

• recommended model
• incentive options with pros and cons
• referral loop
• tooling
• launch checklist
• success metrics
• risks and fraud controls

이 형식은 내부 검토를 쉽게 하고, 다른 대안과 비교하기에도 좋습니다.

사례를 활용해 답변의 구체성을 끌어올리기

첫 답변이 추상적이라면, 저장소의 예시 한두 개를 기준점으로 삼아 수정해 달라고 요청하세요.

Rework this referral-program recommendation using Dropbox-style double-sided value and Morning Brew-style gamified milestones, but adapted to our SaaS economics.

이 방식은 단순 재시도보다 인센티브 설계와 플로우 설계를 훨씬 또렷하게 만드는 경우가 많습니다.

자주 나타나는 실패 패턴 주의하기

품질이 낮은 referral-program 결과물은 대개 아래 문제를 보입니다.

• 고객 추천과 affiliate 모집을 혼동함
• unit economics 확인 없이 리워드를 추천함
• 참여 마찰을 무시함
• 모든 제품이 원래 공유되기 쉽다고 가정함
• 클릭 이후 referred-user 경험을 건너뜀
• fraud 또는 abuse 방지 장치를 빠뜨림

이런 문제가 보이면, 해당 빈틈을 겨냥해 수정 요청을 하세요.

날카로운 후속 질문으로 초안 품질 높이기

좋은 후속 프롬프트 예시는 다음과 같습니다.

• “Revise this for B2B with longer sales cycles.”
• “Make the incentive safer for a low-margin subscription.”
• “Show 3 reward options ranked by ROI risk.”
• “Add fraud prevention and tracking requirements.”
• “Diagnose why participation is low before suggesting bigger rewards.”

이런 요청이 효과적인 이유는, 단순히 아이디어를 더 늘리는 대신 트레이드오프를 강제로 검토하게 만들기 때문입니다.

eval 기대치와 대조해 검증하기

referral-program 결과를 개선하는 실용적인 방법 중 하나는 출력 내용을 evals/evals.json과 비교하는 것입니다. product-marketing 맥락 확인, referral과 affiliate 로직 분리, loop 정의, 인센티브 규모 산정, launch 가이드 포함이 빠져 있다면, 저장소가 의도한 품질 기준보다 낮을 가능성이 큽니다.

referral-program을 자동조종 장치가 아닌 구조화된 조언자로 다루기

이 스킬의 가치는 판단 자체를 대신하는 데 있지 않고, 의사결정을 더 빠르고 선명하게 만드는 데 있습니다. 가장 좋은 결과는 강한 사업 맥락을 제공하고, 제안된 메커니즘을 비판적으로 검토하며, 첫 번째 초안에서 드러난 실제 트레이드오프를 바탕으로 한 번 더 다듬을 때 나옵니다.