방문 24.5만, 참여 7.2만 — 장기 운영이 만든 것
장기 운영으로 요일, 시간대, 지역, 연령, 성별에 따른 변화를 확인할 수 있었습니다. 방문 24.5만 명 중 7.2만 명이 참여했고 참여율은 29.4%였습니다. 기간을 두고 모은 데이터는 다음 캠페인의 지역별, 시기별 기준선으로 쓸 수 있습니다.
무슨 프로젝트였나
매장을 방문한 고객이 QR 로 접속해 PASS 본인인증(만 19세)을 거치고, AI 이미지 인식으로 빈 맥주병을 촬영하면 경품에 응모되는 구조입니다. 확률형 당첨 결과 확인부터 기프티콘 발송까지 자동으로 처리되고, 이벤트 관리자는 참여 데이터를 실시간으로 봅니다.
이 숫자를 읽는 기준
방문, 참여 수와 매출 증가는 브랜드가 공유한 값입니다. 참여율 29.4% 는 그 두 값에서 저희가 계산한 파생값입니다. 매출 +5% 는 비교 기준 기간이 공개 범위에 포함되지 않았습니다. 저희가 가이드 01에서 분모를 사전에 합의하라고 쓴 것과 같은 이유로, 이 수치는 “증가했다”는 방향까지만 읽는 것이 정확합니다.
구조를 분해하면 무엇이 남는가
- 이벤트 방문24.5만 명
- 이벤트 참여7.2만 명
참여율 29.4% 는 두 값에서 계산한 파생값입니다. 방문, 참여 수는 출처 유형: 브랜드 공표
이 이벤트에서는 참여자 수와 함께 세부 축별 변화가 기록됐습니다. 전국 단위로 장기간 운영했기 때문에 다음과 같은 단면이 만들어졌습니다.
- 요일별 참여 — 주중/주말 중 어느 쪽이 실제 구매 접점인지
- 시간대별 참여 — 매장 방문 피크와 이벤트 참여 피크가 겹치는지
- 지역별 참여 — 유통 채널 분포와 참여 분포가 일치하는지
- 연령, 성별 참여 — 본인인증을 거쳐 확인한 값
- 교차 단면 — 시간대 × 연령, 요일 × 지역처럼 축을 겹쳐 보는 것
단발성 팝업에서는 이 축들이 만들어지지 않습니다. 3일짜리 행사에서 요일별 차이를 보는 것은 의미가 없고, 한 지점에서 지역별 분포를 볼 수도 없습니다. 장기, 전국 운영이 데이터의 성격 자체를 바꿉니다.
왜 참여율이 29.4% 까지 나왔는가
일반적인 부스 이벤트와 다른 점이 세 가지 있었습니다. 아래는 하이프의 해석입니다.
| 설계 | 참여에 준 영향 | 대가 |
|---|---|---|
| 참여 조건이 이미 하는 행동 빈 병을 찍는 것 | 새로 배워야 할 규칙이 없습니다. 구매 후 자연스럽게 생기는 상태가 곧 참여 자격입니다 | 구매하지 않은 방문객은 참여할 수 없습니다 |
| 앱 설치 없음 QR → 웹 | 진입 단계가 하나 줄어듭니다 (가이드 06) | 없음 |
| 본인인증이 앞에 있음 주류라 만 19세 확인 필수 | 참여자가 확정 식별되어 연령, 성별 통계를 실측할 수 있습니다 | 인증 단계에서 이탈이 생깁니다. 그럼에도 29.4% 가 나온 것은 참여 동기가 인증 부담보다 컸다는 뜻입니다 |
우리 캠페인에는 어떻게 적용하는가
- 참여 조건을 이미 하는 행동에서 찾습니다. 새 규칙을 배우게 하는 순간 참여율이 내려갑니다.
- 장기 운영을 전제로 축을 설계합니다. 요일, 시간대, 지역을 나중에 보려면 처음부터 그 값을 이벤트에 남겨야 합니다.
- 인증이 필요한 업종이면 그걸 자산으로 씁니다. 부담이지만, 추정 없는 연령, 성별 데이터는 그 대가로 얻는 것입니다.
- 매출 연결에 쓸 룩백 윈도우를 사전에 합의합니다. 이번 사례에서 저희가 아쉬웠던 부분이기도 합니다.
한계
주류 브랜드, 전국 유통, 장기 운영이라는 조건이 겹친 프로젝트입니다. 단일 팝업이나 단기 캠페인에 참여율 29.4% 를 그대로 벤치마크로 쓰면 과대 기대가 됩니다. 비교하려면 참여 조건이 구매와 얼마나 붙어 있는지를 같이 봐야 합니다.
정리
- 장기, 전국 운영으로 요일, 시간대, 지역, 연령별 참여 변화를 비교할 수 있었습니다.
- 참여 조건을 이미 하는 행동(빈 병 촬영)에서 찾으면 새로 배울 규칙이 없어 참여율이 올라갑니다.
- 본인인증은 이탈 요인이지만, 그 대가로 추정 없는 연령, 성별 데이터를 얻습니다.
- 매출 +5% 는 비교 기준 기간이 공개되지 않았습니다. 방향까지만 읽는 것이 정확합니다.
