추천 프로그램
Referral Program
추천 프로그램은 기존 고객이나 사용자가 지인을 소개하도록 링크·코드·보상 체계를 제공하고, 소개받은 사람의 가입·구매를 추적하는 고객 획득 프로그램입니다.
AI 보조 조사·작성 후 원문과 대조한 설명입니다. 사례·계산은 별도 출처 표기가 없는 한 이해를 위한 가상 예시이며 실제 고객 성과가 아닙니다.
누가 누구를 추천하는지 구분합니다
추천인은 기존 고객이나 사용자이고 피추천인은 소개받은 잠재고객입니다. 한쪽만 보상하거나 양쪽 모두 혜택을 줄 수 있습니다. 보상 조건은 링크 클릭이 아니라 본인 인증된 신규 가입, 첫 구매, 환불 기간 경과처럼 검증 가능한 사건으로 정합니다. 추천 메시지가 개인의 경험처럼 보이면서 보상을 받는다면 경제적 관계를 공개할 필요가 있습니다. 미국 FTC 지침은 무료·할인 제품이나 금전 보상 같은 중요한 관계를 명확히 알리라고 합니다. FTC 중요 관계 공개
추천 비용과 기여이익을 계산합니다
기존 고객 2,000명 중 240명이 링크를 공유하고 600명이 방문해 90명이 첫 구매했다면 공유 참여율은 12%, 방문 대비 구매율은 15%입니다. 구매 1건당 추천인에게 10,000원을 지급하면 직접 보상비는 90만 원입니다. 피추천인 할인, 시스템 비용, 부정 사용을 더한 CAC를 첫 주문이 아니라 예상 기여이익과 비교합니다.
제휴 마케팅과 무엇이 다른가요?
추천 프로그램은 실제 고객 관계와 지인 소개를 중심으로 설계되는 경우가 많습니다. 제휴 마케팅은 전문 매체·크리에이터가 지속적으로 트래픽이나 판매 수수료를 얻는 상업 채널에 가깝습니다. 경계가 겹칠 수 있으므로 참여 자격, 보상 방식, 공개 문구를 기준으로 구분합니다. 고객이라는 이유만으로 추천이 자동으로 진실하거나 무보수인 것은 아닙니다.
보상을 키우면 추천이 계속 늘까요?
과도한 보상은 저품질 가입, 자기 추천, 계정 중복과 신뢰 저하를 부를 수 있습니다. Harvard 연구는 추천 인센티브가 클수록 항상 좋은 것이 아니라 최적점이 있을 수 있음을 제시합니다. HBS 추천 보상 연구 대조군으로 자연 추천과 증분 추천을 나누고, 신규성·환불·90일 유지·기여이익을 추적합니다. 부정 탐지와 개인정보·표시 의무는 관할별로 검토합니다.
부정 추천은 어떻게 걸러내나요?
동일 결제수단·기기·주소, 비정상적으로 짧은 가입 간격, 반복 환불을 이용해 자기 추천과 계정 농장을 찾되 정상 가족·팀 사용자를 잘못 차단하지 않도록 자동 규칙과 수동 검토, 이의 제기 절차를 함께 둡니다.
자주 묻는 질문
- 추천 프로그램과 제휴 마케팅은 같은가요?
- 같지 않습니다. 추천은 기존 고객의 지인 소개가 중심이고 제휴는 전문 파트너의 지속적 수익 배분 구조가 흔합니다.
- 추천 보상은 반드시 공개해야 하나요?
- 관할에 따라 다르지만 보상이 추천의 신뢰도에 영향을 줄 수 있다면 관계를 명확히 알리는 것이 중요합니다. 법률 검토가 필요합니다.
- 추천 구매는 모두 신규 고객인가요?
- 아닙니다. 기존 고객의 새 계정, 자기 추천, 중복 기기와 자연 유입이 섞일 수 있어 신규성 규칙과 대조군이 필요합니다.
출처와 확인 범위
- Disclosure of material connections · Electronic Code of Federal Regulations / FTC · 확인 2026-10-27
추천 보상처럼 추천인의 신뢰도에 영향을 줄 수 있는 경제적 관계는 명확하고 눈에 띄게 공개해야 한다고 설명합니다.
확인 범위: 미국 FTC 지침이며 한국 등 다른 관할의 표시·광고 의무는 별도 검토가 필요합니다.
- Designing Freemium: A Model of Consumer Usage, Upgrade, and Referral Dynamics · Harvard Business School · 확인 2026-10-27
추천 보상은 클수록 항상 좋은 것이 아니며 사용자 가치·업그레이드·추천률을 함께 고려한 최적점이 있을 수 있음을 연구합니다.
확인 범위: 한 클라우드 저장 서비스 데이터 기반 연구라 다른 상품의 최적 보상액을 직접 제시하지 않습니다.