데이터로 검증하는
출시 안전성

표본 N의 크기에 따라 분석 신뢰도가 달라집니다. 나들목은 N=3·30·50의 3단계로 분석 깊이를 차등 적용합니다.

- N ≥ 3: 직관적 결함 감지 (Kill Signal). 통계적 유의성보다 '치명적 신호 감지'에 초점.

- N ≥ 30: 중심극한정리 적용. 평균·분산 추정의 통계적 안정성 확보.

- N ≥ 50: 코호트(인구통계) 분리 분석 가능. 그룹별 차이 검정.

각 측정 항목(발림성·흡수력·수분감 등)의 평균에 대해 85~90% CI를 제공합니다.

산식: μ ± z × (σ/√N), z = 1.44 (85% CI) ~ 1.65 (90% CI)

표본이 작을 때(N<30)는 t-분포 기반으로 보수적 신뢰구간을 적용. CI 하한이 임계점을 넘어야 'GO' 판정.

CI 95%는 N≥30 + 외부 패널 데이터에서 추가 옵션으로 제공됩니다.

Kill Signal은 출시 시 클레임·반품으로 직결되는 치명적 부정 응답 비율을 자동 감지하는 알고리즘입니다.

임계값:

- 빨강 (NO-GO): 자극감·이상 반응 ≥ 15% 응답자

- 주황 (CONDITIONAL GO): 끈적임·발림감 부정 ≥ 20%

- 녹색 (GO): 모든 항목 임계값 미만

이 임계값은 화장품 식약처 부작용 보고 데이터와 산업 평균 클레임률을 참조해 보수적으로 설정.

구매 의향(종속변수)과 항목별 점수(독립변수) 간 다중 회귀 분석으로 가중치를 산정합니다.

표준화 회귀계수(β)가 큰 항목 = 구매 결정에 가장 영향이 큰 요인.

예: β(흡수력) = 0.62, β(향) = 0.18 → 흡수력이 향보다 3.4배 큰 영향.

이 데이터로 마케팅 메시지 우선순위를 정할 수 있습니다.

각 항목의 부정 응답 빈도(F) × 강도(I)를 곱한 위험 점수로 정렬합니다.

위험 점수 = (부정 응답 비율) × (평균 부정 강도)

이 점수가 높은 순으로 개선 우선순위 결정. 출시 전 '어디부터 고쳐야 하나' 판단 자료.

응답자를 인구통계별 코호트(연령·성별·피부타입·민감성)로 분리해 항목별 점수의 그룹 간 차이를 시각화합니다.

예: 30대 건성 vs 20대 지성에서 '수분감' 점수 차이가 클 경우 → 타겟 세분화 전략 수립.

검정 방식: ANOVA + 사후검정(Tukey HSD) 또는 비모수 검정(Kruskal-Wallis).

최종 판정은 다음 3개 차원의 결합으로 결정됩니다:

- Kill Signal: 치명적 임계값 초과 시 즉시 NO-GO

- CI 하한: 핵심 항목들의 CI 하한이 만족도 임계점(예: 3.0/4.0) 초과 → GO

- 개선 가능성: 하나 이상의 항목이 임계점 미만이지만 개선으로 GO 가능 → CONDITIONAL GO

응답 데이터는 블라인드·익명 수집됩니다. 패널은 브랜드명·제품명을 모르고 응답 (외부 패널 한정).

개인정보는 응답 ID와 분리 저장하며, 분석에는 통계 집계값만 사용.

원본 데이터는 검증 완료 후 12개월 보관 후 자동 파기. 고객사는 익명 처리된 CSV 다운로드 가능.