Madeline CRM 6개월 운영하며 다시 만든 3가지

Madeline AI CRM은 2025년 9월에 런칭해 2026년 3월 현재 6개월째 운영 중입니다. 그 사이 시스템에 손을 댄 횟수는 23번. 그중 "구조 자체를 다시 만든" 일이 세 번 있었습니다. 이 글은 그 세 번이 무엇이었고, 우리가 거기서 무엇을 배웠는지에 대한 글입니다.

왜 'follow-up' 글을 쓰나

외주 회사의 사이트는 보통 런칭 시점의 케이스 스터디로 끝납니다. "이렇게 만들었습니다. 이런 결과가 나왔습니다." 그게 다입니다. 그런데 진짜 일은 런칭 직후가 아니라 6개월~2년 사이에 일어납니다.

첫 출시는 가설을 깐 자리입니다. 그 가설이 맞는지는 데이터를 6개월쯤 봐야 알 수 있고, 안 맞는 가설은 반드시 일부 나옵니다. 좋은 운영 파트너는 그 가설을 다시 깔 줄 아는 팀이지, 첫 출시만 잘하는 팀이 아닙니다.

Madeline CRM에서 6개월 사이 우리가 다시 만든 세 가지를 그대로 공개합니다.

1. 이탈 예측 모델을 갈아엎었다

처음 깔았던 모델은 단순했습니다. RFM (Recency, Frequency, Monetary) 한 가지로 점수를 매겼습니다. 출시 당시에는 가장 검증된 프레임이었고, Madeline 같은 멤버십 비즈니스에 무난히 작동할 거라고 봤습니다.

3개월 차에 패턴이 보였습니다. RFM은 "돈을 얼마 썼는가"에 너무 가중치를 두는 모델이었습니다. 그래서 매달 정액 멤버십을 결제하는 회원은 항상 "VIP"로 분류되는데, 정작 그 회원이 운동을 안 와도 시스템은 그걸 못 잡았습니다. 출석은 떨어졌는데 자동이체는 그대로 빠져나가니까요.

그래서 4개월 차에 모델을 다시 만들었습니다. 새 모델은 세 가지 신호를 따로 봅니다.

출석 빈도 변화: 최근 4주 출석 vs 이전 8주 평균
마지막 상담 후 경과 시간: 트레이너와의 마지막 깊은 대화에서 얼마나 지났는가
결제 패턴: 정액 갱신 시점과 추가 세션 구매 빈도

세 가지를 합쳐 0~100 점수로 환산. 이 점수가 60 아래로 떨어지면 트레이너에게 알림이 갑니다. 결과적으로 "표면적으로는 VIP인데 곧 떠날 사람"이 RFM 단일 모델 대비 2.4배 더 일찍 잡혔습니다.

2. 트레이너 성과 정산을 세 갈래로 쪼갰다

처음에는 성과를 "세션 수"만 봤습니다. 일주일에 몇 번 회원과 만났는가. 단순하고 명확했습니다.

2개월 차에 트레이너 한 분이 이야기를 꺼냈습니다. "내가 신규 가입을 가장 많이 만드는데, 그 부분이 급여에 안 잡힌다." 맞는 말이었습니다. 그 트레이너는 친구·지인을 데려오는 능력이 탁월했지만, 본인이 직접 가르치는 세션은 다른 트레이너보다 적었습니다.

5개월 차에 정산 구조를 다시 만들었습니다. 한 가지 점수가 아니라 세 가지 갈래로 분리했습니다.

직접 세션 기여: 본인이 진행한 세션 수
신규 유입 기여: 본인이 데려온 회원의 가입·등록
리텐션 기여: 본인 담당 회원의 3개월 유지율

각 갈래의 가중치는 클리닉 운영자가 설정 가능하게 두었습니다. 어떤 지점은 신규 유입이 더 중요하고, 어떤 지점은 리텐션이 더 중요하니까요. 정산을 세 갈래로 쪼개고 나서 트레이너의 만족도와 매장 매출이 동시에 올랐습니다.

3. 운영자 알림 라우팅을 줄였다

가장 부끄러운 변화입니다. 출시 초기에는 "운영자가 모든 변화를 알아야 한다"는 전제로 알림을 설계했습니다. 신규 가입, 이탈 위험, 결제 실패, 트레이너 결근, 회원 컨디션 이상 — 거의 모든 이벤트가 운영자 알림 큐로 들어갔습니다.

3개월 차에 운영자 한 분이 "알림이 너무 많아서 보기를 포기했다"고 말씀하셨습니다. 하루 평균 알림 30~50건. 그중 정말 행동이 필요한 건 5건도 안 되었습니다. 자동화가 사람의 일을 줄이는 게 아니라 늘리고 있었습니다.

5개월 차에 알림 라우팅을 처음부터 다시 깔았습니다.

AI가 우선순위 매김: Claude가 그날의 모든 이벤트를 보고 "운영자가 오늘 봐야 할 3~5건"으로 요약
나머지는 일·주 단위 요약 리포트로: 결제·출석 같은 정형 데이터는 매일 아침 한 번 묶어서 발송
트레이너 알림과 운영자 알림 분리: 회원 컨디션 이상은 트레이너에게, 매장 운영 이슈는 운영자에게

알림 수는 하루 평균 30건에서 5건으로 줄었지만, 실제 대응한 건은 오히려 2.3배 늘었습니다. 알림이 줄어드니 운영자가 다시 알림을 보기 시작한 것입니다.

6개월 운영에서 배운 한 가지

위 세 가지를 다시 만들 수 있었던 이유는 명확합니다. 처음부터 데이터를 우리 DB에 저장해뒀기 때문입니다. RFM 모델을 갈아엎을 때, 출석 빈도와 결제 패턴 데이터가 6개월 치 그대로 있어서 새 모델을 즉시 백테스트할 수 있었습니다. 만약 GHL 같은 외부 도구에만 데이터를 두었다면, 모델 변경 자체가 큰 작업이 됐을 겁니다.

이게 우리가 "데이터는 내가 소유"를 매번 강조하는 이유입니다. 도구는 교체 가능해야 하고, 모델은 갈아엎을 수 있어야 합니다. 그 둘이 가능하려면 데이터가 내 자리에 있어야 합니다.

다음 6개월에 다시 만들 것

지금 4월 시점에 이미 다음 라운드 손볼 영역이 보입니다.

트레이너용 코칭 챗봇 — 트레이너가 회원 컨디션을 보고 "오늘 어떤 운동을 시키면 좋을까"를 AI에게 물어보는 흐름
회원 셀프 서비스 확장 — 멤버십 변경·일정 변경을 운영자 손 없이 회원이 직접 처리
다지점 통합 KPI — 지점 3개가 된 시점에 지점 간 비교·이전이 가능한 KPI 대시보드

6개월 뒤에 또 글을 쓰겠습니다. 그게 운영 파트너가 일하는 방식이라고 생각합니다.

첫 출시가 끝이 아닙니다. 첫 출시는 가설을 깐 자리고, 6개월 운영하며 다시 만드는 일이 진짜 일입니다.