미디어 기업을 위한 개인화 전략

청중 기대치와 고객 경험

미디어 기업의 개인화는 경쟁 우위 요소에서 기본 기대치로 바뀌었습니다. 오늘날 스트리밍 구독자와 디지털 독자는 자신의 선호도에 맞춰진 개인화된 경험을 모든 채널에서 적시에 제공받기를 기대합니다. 콘텐츠 관련성, 전달 속도, 일관된 브랜드 메시지에 대한 청중의 기대치는 계속 가속화되고 있으며, 이를 충족하지 못하는 조직은 구독 취소, 시청 시간 감소, 사용자 참여도 하락으로 손실을 봅니다.

미디어 기업의 주요 개인화 목표는 이탈 감소, 세션 깊이 증가, 구독 수익 증대에 있습니다. 팀은 일반적으로 NPS, 시청 시간, 클릭률을 포함한 고객 경험 KPI에서 15~25% 개선을 목표로 합니다. 명확한 비즈니스 목표와 개인화 노력을 처음부터 일치시키는 것이 지속적인 가치를 제공하는 프로그램과 첫 파일럿 이후 정체되는 프로그램을 구분합니다.

데이터 분석으로 강화된 포괄적인 고객 프로필을 구축하는 조직은 점점 더 경쟁이 치열해지는 시장에서 상당한 이점을 얻습니다. 올바른 데이터 인프라와 개인화 전략에 투자하면 미디어 기업은 전체 구독자 수명 주기에 걸쳐 사용자 만족도를 높이고 지속 가능한 비즈니스 성공을 이끄는 개인화된 경험을 만들 수 있습니다.

고객 데이터 기반 구축

기존 고객 데이터 소스 감사

대부분의 미디어 기업은 CRM, 이메일 서비스 제공업체, 데이터 웨어하우스, 고객 데이터 플랫폼 등 네 개 이상의 시스템에 구독자 데이터를 보유하고 있습니다. 이러한 소스를 감사하면 어떤 데이터가 사용 가능한지, 소비자 데이터의 어떤 격차가 존재하는지, 다운스트림 개인화가 가능하기 전에 어떤 수집 지점을 수정해야 하는지 알 수 있습니다.

필요한 데이터 필드 정의 및 소유권 매핑

최소한 개인화 프로그램에는 검색 행동, 구매 내역, 인구 통계 데이터, 사용자 시청 기록 캡처가 필요합니다. 이러한 신호는 추천 모델에 공급되고 각 구독자의 사용자 선호도에 맞춰진 관련 콘텐츠 전달을 가능하게 합니다. 팀은 도구를 선택하기 전에 필요한 데이터 필드를 정의한 다음, 모든 팀이 공유된 기반에서 사용자 데이터를 분석할 수 있도록 데이터 소유권 및 수집 지점을 매핑해야 합니다.

일관된 필드 명명, 동의 태깅, 수집 빈도는 다운스트림 마케팅 전략이 성공하기 전에 필요한 전제 조건입니다. 일관되지 않은 스키마 또는 누락된 동의 태그가 있는 사용자 데이터는 수정 오버헤드 없이는 실시간 개인화를 지원할 수 없습니다. 팀은 또한 신호 품질이 가장 약한 부분을 식별하기 위해 사용자 데이터를 분석해야 합니다. 파편화된 데이터 소유권은 효과적인 개인화 전략이 예정대로 시작되지 못하는 가장 일반적인 이유입니다.

고객 행동 및 여정 매핑

세그먼트별 주요 고객 행동 차트 작성

세그먼트 수준에서 고객 행동을 이해하는 것은 모든 개인화 전략의 전제 조건입니다. 고가치 구독자 세그먼트는 평가판 또는 무료 등급 사용자보다 더 자주 스트리밍하고, 카탈로그 제목을 다시 방문하며, 다른 마케팅 메시지에 반응합니다. 세그먼트 수준 사용자 데이터는 이러한 차이를 드러내고 고객 여정 전반에 걸친 투자 결정을 알립니다.

고가치 상호작용 경로 식별

고가치 상호작용 경로는 전환 또는 유지율을 예측하는 시퀀스를 보여줍니다. 스트리밍 플랫폼의 경우 첫 세션 → 재생 목록 생성 → 연간 구독; 디지털 게시자의 경우 뉴스레터 열기 → 기사 스크롤 깊이 → 평가판 가입. 이러한 경로를 차트 작성하면 팀은 개인화된 개입으로 가장 큰 이점을 얻을 수 있는 고객 여정 순간을 식별할 수 있습니다. 이 데이터를 기반으로 구축된 상세한 청중 프로필을 통해 수동 큐레이션 없이도 대규모로 고객 참여를 유도할 수 있습니다.

사용자 행동 분석은 이탈 지점, 구독 취소, 건너뛴 콘텐츠와 같은 부정적인 신호까지 확장해야 합니다. 구독자가 참여를 끊는 이유를 이해하는 것은 구독자를 유지하는 이유를 이해하는 것만큼 중요합니다.

사용자 행동의 이러한 양면적인 관점은 마찰을 일으키기보다는 고객 상호작용을 개선하는 개인화 전략에 필수적입니다. 구매 내역과 콘텐츠 포기를 함께 추적하면 시간이 지남에 따라 사용자 참여를 유지하는 것에 대한 더 완전한 그림을 얻을 수 있습니다.

고객 데이터 플랫폼 선택

고객 데이터 플랫폼 평가 기준

고객 데이터 플랫폼을 평가할 때 팀은 실시간 수집, ID 확인, 잠재고객 세분화, 다운스트림 활성화, 데이터 거버넌스의 다섯 가지 기능을 평가해야 합니다. 배치 처리에 의존하는 고객 데이터 플랫폼은 개인화된 고객 여정을 방해하는 지연을 유발합니다. 트리거 이벤트 후 24시간 후에 제공되는 추천은 관련 콘텐츠로 거의 간주되지 않습니다.

통합 프로필 및 실시간 기능 요구

미디어 워크플로에 선정된 모든 CDP는 거래, 이벤트 수준, 인구 통계 데이터를 영구 레코드로 병합하는 통합 고객 프로필을 지원해야 합니다. 파편화된 프로필은 일관되지 않은 고객 상호작용을 생성하고 모든 터치포인트에서 고객 경험을 저해합니다. 목표는 모든 다운스트림 도구(이메일, 광고 플랫폼, 추천 엔진)가 원활한 고객 경험을 위해 동시에 참조할 수 있는 단일 구독자 뷰를 만드는 것입니다.

미디어의 개인화 프로그램을 위해서는 실시간 데이터 가용성이 필수적입니다. 하루 지난 세그먼트 데이터에 의존하는 마케팅 노력은 개입이 가장 중요한 순간을 놓칩니다.

실시간 개인화에는 인프라 투자가 필요하지만, 고객 만족도와 유지율 측면에서의 보상은 분명합니다. 모델 출력과 활성화 채널 간의 실시간 고객 상호작용을 지원하는 팀은 여전히 야간 배치 주기로 운영되는 팀보다 뛰어난 성과를 냅니다.

미디어 워크플로용 CDP 구성

ID 확인 및 영구 세그먼트 설계

익명 및 인증된 세션을 웹, 모바일, 커넥티드 TV 전반에 걸쳐 연결하기 위해 ID 확인 규칙을 구성합니다. 이것이 없으면 모바일의 행동 데이터가 데스크톱 추천 엔진에 영향을 주지 않아 구독자가 화면 전반에 걸쳐 기대하는 원활한 고객 경험이 중단됩니다.

수명 주기 단계, 콘텐츠 선호도, 구독 상태별로 구성된 영구 잠재고객 세그먼트를 생성하여 다양한 잠재고객 세그먼트가 중복 없이 적절하게 타겟팅된 캠페인을 받도록 합니다. 다운스트림 활성화 도구로의 이벤트 수준 스트리밍을 활성화하여 트리거 작업 후 몇 초 내에 개인화된 메시지가 구독자에게 도달하도록 하여 배치 발송에 비해 참여도 및 전환율을 개선합니다.

이벤트 수준에서 다운스트림 활성화 활성화

이메일, 푸시, 인앱 메시징, 광고 플랫폼을 통한 구독자 터치포인트는 각각 CDP에서 이벤트 수준 스트리밍이 필요합니다. 이 아키텍처를 통해 팀은 고객 여정에서 가장 중요한 순간에 개인화된 참여를 제공할 수 있습니다.

개인화에 전념하는 마케팅 리소스는 이벤트 캡처에서 활성화까지의 파이프라인이 최소한의 지연으로 실행될 때 가장 높은 수익을 창출합니다. 지연되는 매초마다 메시지 관련성과 행동 확률이 감소합니다.

콘텐츠 개인화 전략

목표 정의 및 수명 주기 단계별 세분화

콘텐츠 개인화 전략은 비즈니스 결과에 맞춰진 명확한 목표로 시작해야 합니다. 목표가 사용자 만족도 증가, 이탈 감소, 광고 수익 증대인지 여부에 따라 적절한 개인화 깊이와 신호 집합이 달라집니다. 사전에 목표를 정의하는 팀은 예산을 효율적으로 지출하고 특정 개인화 결정에 대한 성과를 추적할 수 있습니다.

콘텐츠 개인화 전략을 위한 잠재고객 세분화는 의도 신호(검색 쿼리, 콘텐츠 카테고리 선호도, 구매 내역)와 수명 주기 단계를 통합해야 합니다. 처음 30일 이내의 구독자는 온보딩 중심의 개인화된 콘텐츠가 필요하며, 갱신 시기가 다가오는 구독자는 유지 중심의 메시지가 필요합니다. 두 그룹 모두에게 동일한 관련 콘텐츠를 제공하면 참여율이 낮아지고 예산이 낭비됩니다.

콘텐츠 개인화 결정은 또한 과거 구매, 구독 등급, 참여 최근성을 고려해야 합니다. 범죄 드라마에 마지막으로 참여했던 이탈한 구독자는 첫 주에 활성 상태인 사용자보다 다른 콘텐츠 개인화가 필요합니다. 각 그룹에 상태에 맞춰진 타겟 메시지를 제공하면 모든 다운스트림 지표에서 더 나은 결과를 얻을 수 있습니다.

채널별 개인화 깊이 선택

콘텐츠 개인화 전략은 깊이가 채널 기능과 일치할 때 가장 잘 작동합니다. 이메일은 개인화된 제목 줄과 동적 콘텐츠 블록을 지원합니다. 푸시 알림은 짧은 개인화된 마케팅 메시지를 지원합니다. 홈페이지는 알고리즘 콘텐츠 타일 순위를 지원합니다. 구현 전에 각 채널에 개인화 깊이를 매핑하여 기술 요구 사항이 사용 가능한 사용자 데이터와 일치하는지 확인합니다.

미디어를 위한 개인화 사용 사례

홈페이지 및 추천 개인화

홈페이지 추천 피드는 대부분의 미디어 회사가 제어하는 가장 트래픽이 많은 개인화 영역입니다. 콘텐츠 카테고리 선호도, 최근성 신호, 시청 기록을 사용하여 콘텐츠 타일을 순위 지정하면 대규모로 편집 노력 없이 큐레이션된 것처럼 느껴지는 개인화된 경험을 만들 수 있습니다. 정확한 개인화된 콘텐츠 추천은 고객 만족도의 프록시로 사용되는 지표인 시청 시간까지의 시간을 줄입니다.

뉴스레터 및 이메일 개인화

개별 선호도에 따라 추천을 동적으로 채우는 뉴스레터 콘텐츠 개인화 템플릿을 구축하면 오픈율과 고객 충성도를 측정 가능하게 개선할 수 있습니다. 개인화된 이메일은 미디어 팀이 추적하는 모든 성과 지표에서 일괄 발송보다 꾸준히 우수한 성과를 보입니다. 14일 동안 열지 않은 구독자와 같은 행동 트리거를 중심으로 개인화된 이메일 캠페인을 설계하면 팀은 정확한 순간에 고객에게 참여할 수 있습니다.

개인화된 이메일은 고객 충성도 및 유지를 위한 검증된 레버리지이기도 합니다. 구독자가 일반적인 편집 큐레이션이 아닌 실제 사용자 선호도를 반영하는 개인화된 콘텐츠를 받으면 해당 경험은 신뢰를 구축하고 개인화가 단순한 마케팅 전술이 아닌 진정한 구독자 혜택이라는 브랜드 메시지를 강화합니다. 브랜드와 구독자 간의 이러한 개인화된 상호 작용은 사용자 만족도를 개선하고 장기적인 마케팅 전략을 약화시키는 목록 이탈을 줄입니다.

광고 지원 모델을 위한 개인화된 마케팅

광고 지원 미디어 회사의 경우 콘텐츠 선호도와 연결된 개인화된 마케팅을 통해 타사 쿠키 없이도 광고주의 대상 고객에게 관련성 있는 메시지를 전달할 수 있습니다. 구독자가 구매 내역 및 과거 콘텐츠 상호 작용을 포함하여 시청, 읽기 또는 듣는 내용과 같은 첫 번째 사용자 데이터는 타겟 캠페인을 의미 있는 신호로 전달하는 세그먼트를 생성합니다. 광고 타겟팅에 적용된 데이터 기반 개인화는 광고 지출 수익을 개선하고 관련성 있고 방해가 되지 않는 광고를 제공하여 광고주와 구독자 모두에게 고객 만족을 창출합니다.

광고를 위한 데이터 기반 개인화에 투자하는 미디어 회사는 직접 판매에서 이점을 얻습니다. 첫 번째 신호에서 구축된 상세한 잠재고객 프로필을 통해 계정 팀은 검증된 관심 데이터가 있는 잠재고객 세그먼트를 판매할 수 있습니다. 이는 일반 광고 플랫폼이 복제할 수 없는 타사 잠재고객 추정보다 상당한 업그레이드입니다.

AI 기반 콘텐츠 개인화 기능

AI 모델 선택 및 재훈련 주기 설정

AI 기반 추천 시스템은 확장 가능한 콘텐츠 개인화의 엔진입니다. 협업 필터링, 콘텐츠 기반 필터링 및 하이브리드 접근 방식은 다양한 카탈로그 크기와 사용자 기반 성숙도에 적합합니다. 팀은 특정 사용 사례를 기반으로 AI 모델을 선택해야 하며, 온라인 추천 시스템 구축 가이드는 이 결정에 대한 자세한 기술 청사진을 제공합니다.

콘텐츠 개인화를 위한 머신러닝 모델은 사용자 선호도가 변경되고 카탈로그가 성장함에 따라 성능이 저하됩니다. 모델이 현재 사용자 행동을 반영하도록 하려면 높은 트래픽 카탈로그의 경우 주간 재훈련 주기를 설정하십시오. 실시간 머신러닝 아키텍처는 데이터 캡처와 모델 출력 간의 지연 시간 격차를 해소합니다. 다양한 잠재고객 세그먼트가 비례적으로 다양한 개인화된 콘텐츠 추천을 받는지 확인하여 모델 공정성을 검증하십시오. 편향 검사는 모든 재훈련 파이프라인의 일부로 실행되어야 합니다.

콘텐츠 순위를 위한 실시간 채점 활성화

실시간 개인화는 밀리초 단위의 실시간 채점을 요구합니다. 이를 위해서는 사전 계산된 사용자 임베딩을 채점 계층에 제공하는 저지연 기능 저장소가 필요합니다. Databricks Feature Store를 사용하면 팀이 단일 진실 공급원에서 일괄 및 실시간 채점 파이프라인 모두에 기능을 제공할 수 있어 채널 전반에 걸쳐 일관된 개인화된 콘텐츠 전달을 보장합니다.

실시간 채점을 위한 머신러닝 알고리즘은 일반적으로 2단계 아키텍처로 배포됩니다. 빠른 검색은 후보 풀을 좁히고, 재순위 지정은 더 미세한 개인화 신호를 적용합니다. 이 고급 분석 접근 방식은 구독자가 참여를 끊기 전에 개인화된 콘텐츠를 제공하는 데 필요한 속도와 정확도의 균형을 맞춥니다.

데이터 신선도와 스키마 드리프트를 추적하기 위해 기능 파이프라인을 계측하십시오. 개인화된 사용자 경험 구독자가 기대하는 것에 영향을 미치기 전에 성능 저하를 감지하기 위해 Lakehouse Monitoring을 사용하여 모델 성능을 모니터링하십시오.

콘텐츠 관리 시스템 통합

CMS 요구 사항 및 동적 콘텐츠 후크

콘텐츠 관리 시스템은 렌더링 시점에 동적 콘텐츠를 삽입하기 위해 개인화 스택에 API를 노출해야 합니다. 필요한 통합 기능에는 구조화된 메타데이터 지원, API 우선 아키텍처 및 CDP ID 출력과의 호환성이 포함됩니다. CMS 후크를 사용하면 개인화 엔진이 사용자마다 렌더링되기 전에 개인화된 콘텐츠를 대체할 수 있어 팀이 무엇을 개인화하고 신호가 없을 때 정적 대체로 무엇을 제공할지 세밀하게 제어할 수 있습니다.

메타데이터 표준화 및 개인화 스택 연결

모델 훈련 전에 모든 콘텐츠 자산에 걸쳐 메타데이터 분류를 표준화하십시오. 비디오, 기사 및 팟캐스트 간의 일관성 없는 태그 지정은 추천 모델이 신뢰할 수 있는 콘텐츠 기능을 학습하는 것을 방지하여 개인화 프로그램의 정확도를 제한합니다. 요청 시 사용자 컨텍스트(세그먼트 멤버십, 선호도 점수 및 수명 주기 단계)를 CMS 렌더링 엔진에 노출하고 개인화된 콘텐츠를 CMS API를 통해 라우팅하여 거버넌스 정책과 일치하는 감사 가능하고 일관된 전달을 보장합니다.

구현 계획

단계적 출시 및 파일럿 선택

단계적 출시는 콘텐츠 개인화 프로그램을 프로덕션으로 전환하는 가장 안전한 경로입니다. 1단계는 CDP 배포, ID 확인 및 기능 파이프라인 계측과 같은 데이터 인프라를 다룹니다. 2단계는 단일 콘텐츠 수직에 대한 추천 모델 및 A/B 테스트를 도입합니다. 3단계는 기준선 성능이 검증되면 모든 채널로 확장됩니다.

파일럿 선택은 4~6주 이내에 통계적 유의성에 도달할 만큼 충분한 트래픽이 있는 수직을 우선시해야 합니다. 사용자 참여가 강하고 명확한 전환 신호가 있는 콘텐츠 수직은 개인화가 변화를 일으키는지 여부에 대한 가장 명확한 통찰력을 팀에 제공합니다.

측정 및 개인 정보 보호 거버넌스

성공 지표는 참여(클릭률, 세션 깊이), 사용자 만족도(NPS) 및 비즈니스 결과(이탈, 구독 수익)에 걸쳐야 합니다. 개인화가 구독자가 실제로 원하는 것과 일치하는지 이해하기 위해 설문 조사 및 선호도 센터를 통해 고객 피드백을 수집합니다. 이는 시간이 지남에 따라 개인화 전략을 개선하는 데 필수적입니다.

GDPR 및 CCPA는 소비자 데이터 수집에 대한 명시적인 동의를 요구합니다. 구독자가 데이터 사용을 제어할 수 있도록 하는 선호도 센터는 동의를 핵심 기술 종속성으로 취급합니다. 액세스 제어를 시행하고 원시 이벤트 데이터에서 모델 출력까지의 계보를 감사하는 Unity Catalog를 통해 관리되는 카탈로그에 데이터 보존 및 액세스 정책을 문서화합니다. 명확한 거버넌스는 데이터 오용 위험을 줄이고 규정이 발전함에 따라 개인화 노력이 규정을 준수하도록 보장합니다.

잠재고객 기대치 모니터링

사용자 설문 조사 및 이탈 신호 추적

소비자 기대치는 시간이 지남에 따라 변합니다. 정기적인 설문 조사(최소 분기별)는 알고리즘 개인화가 구독자가 원하는 것과 행동이 암시하는 것과 일치하는지 측정합니다. 주요 개인화 로직 변경 후 30일 이내의 이탈 신호를 추적합니다. 취소 이벤트, 요금제 다운그레이드 및 비활성 기간은 구독자 기반의 상당 부분이 영향을 받기 전에 조기 경고를 제공합니다.

모니터링 노력의 데이터 분석은 개인화 전략 반복에 직접적으로 반영됩니다. 성과 지표, 만족도 신호 및 모델 업데이트 간의 루프를 닫는 팀은 지속적인 개선 주기를 구축합니다. 이 데이터 기반 개인화 관행은 프로그램이 변화하는 잠재고객 기대치를 앞서도록 유지하고 투자를 정당화하는 고객 충성도 이익을 유지합니다.

수익화 및 비즈니스 모델

개인화와 광고 타겟팅 및 프리미엄 등급 조정

데이터 기반 개인화는 광고 지원 미디어 회사에 직접적인 수익 가치를 창출합니다. 첫 번째 사용자 데이터에서 파생된 상세한 잠재고객 프로필을 통해 영업 팀은 광고주에게 검증된 잠재고객 세그먼트를 제공할 수 있습니다. 이는 맥락 타겟팅만 하는 것보다 더 강력한 가치 제안입니다. 개인화 인프라를 더 광범위한 마케팅 전략과 조정하면 구독자 유지 및 광고 수익 모두에서 마케팅 노력을 증폭시킬 수 있습니다.

개인화된 사용자 경험을 유료 혜택으로 취급하는 프리미엄 구독 등급을 설계합니다. 더 깊은 개인화된 콘텐츠 큐레이션, 큐레이션된 편집 추천 액세스 또는 선호도 모델링을 기반으로 한 조기 카탈로그 액세스를 제공합니다. 구독자 선호도 데이터와 연결된 타겟 메시지는 이러한 등급을 업그레이드할 가능성이 가장 높은 잠재고객에게 홍보할 수 있습니다. 팀이 이 수준에서 개인화된 경험을 성공적으로 제공하면 해당 결과는 지속적인 플랫폼 투자를 정당화하는 비즈니스 결과로 직접 전환됩니다.

개인화된 각 표면당 수익 증가를 측정합니다. 구독 전환 및 광고 수익을 특정 콘텐츠 개인화 프로그램에 귀속시켜 팀이 개인화 전략을 개선하는 것이 가장 높은 마케팅 노력 수익을 제공하는 곳을 우선순위화하고 신호가 약한 곳은 우선순위에서 제외할 수 있습니다.

기능 감사, 공급업체 선택 및 로드맵

기존 기능 감사 및 격차 해소

새로운 툴링에 투자하기 전에 기존 개인화 기능을 검토하세요. 각 기능을 비즈니스 우선순위와 비교하여 평가하세요. 현재 고객 참여 성과 및 향후 12개월간의 전략적 중요성을 기준으로 합니다. 중요한 사용 사례를 차단하는 기능 격차를 우선순위화하세요. 배치로만 실행되는 기능 파이프라인 때문에 실시간 점수 매기기가 불가능하다면, 지연 시간에 민감한 모든 사용 사례가 차단됩니다. 새로운 추천 기능을 구축하기 전에 인프라 격차를 해소하세요.

공급업체 후보 선정 및 체험 통합 요청

CDP, CMS 및 추천 엔진 공급업체 후보를 선정할 때 Databricks Data Intelligence Platform과의 기본 연결 및 Feature Store와의 통합을 요구하세요. 스트리밍 규모에서의 미디어별 사례 연구를 요구하세요. 즉, 높은 카디널리티 카탈로그, 실시간 사용자 데이터 수집 및 개인화된 이메일 워크플로입니다. 구매 전에 대표적인 프로덕션 데이터 조각으로 체험 통합을 요청하세요.

MVP 범위 및 교차 기능 실행

미디어 회사를 위한 현실적인 MVP는 세 가지 결과물을 포함합니다. 통합 데이터 수집 파이프라인, 홈페이지 추천 표면 및 재참여를 위한 트리거된 이메일 흐름입니다. 시작 시 데이터 엔지니어링, 제품, 마케팅 및 편집 전반에 걸쳐 교차 기능 소유자를 지정하세요. 성과 지표를 검토하고, 고급 분석을 통해 감지된 모델 드리프트를 표시하고, 다음 개선 반복을 우선순위화하기 위해 월별 검토 회의를 예약하세요.

엄격하고 데이터 기반 개인화에 투자하는 미디어 회사는 참여, 유지 및 광고 수익에서 동종 업계보다 꾸준히 뛰어난 성과를 냅니다. Databricks Data Intelligence Platform은 Delta Lake, Mosaic AI, Unity Catalog 및 Feature Store를 결합하여 스택의 모든 계층에서 개인화된 경험을 구축, 확장 및 관리하기 위한 통합 기반을 제공합니다. 미디어 및 엔터테인먼트 솔루션 페이지에서 자세히 알아보세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)