---
id: build-measure-learn-loop
title: "Build-Measure-Learn Loop"
category: "10_Wiki/Topics"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["BML Loop", "빌드-측정-학습 루프"]
duplicate_of: ""
source_trust_level: "B"
confidence_score: 0.95
created_at: 2026-06-12
updated_at: 2026-06-12
review_reason: ""
merge_history: []
tags: ["research", "Assumption Validation Loop", "Lean Startup", "Experimentation"]
raw_sources: ["NotebookLM Synthesis"]
applied_in: ["Dropbox Demo Video", "Zappos Wizard of Oz", "Buffer Landing Page", "Airbnb Air Mattress MVP", "Glovo Quick Commerce Pivot", "Taxiapp Delivery Case"]
github_commit: ""
---

# [[Build-Measure-Learn Loop]]

## 🎯 한 줄 통찰 (One-line insight)
불확실한 가설을 실제 데이터와 사용자 행동 기반의 지식으로 전환하여, "잘못된 제품을 완벽하게 만드는 실수"를 방지하는 과학적 피드백 엔진 [1-3].

## 🧠 핵심 개념 (Core concepts)
- **[[Minimum Viable Product]] (MVP):** 핵심 가설을 테스트하고 최소한의 노력으로 검증된 학습을 수집할 수 있는 가장 단순한 버전의 제품 [1, 4, 5].
- **검증된 학습 (Validated Learning):** 단순한 의견이나 허영 지표가 아닌, 실제 실험과 사용자 행동 데이터를 통해 얻은 객관적 사실 [4, 6, 7].
- **[[Pivot or Persevere]]:** 실험 데이터를 바탕으로 현재 전략을 유지할지, 아니면 핵심 가설을 근본적으로 수정할지 결정하는 전략적 변곡점 [7-9].
- **가장 위험한 가설 (Riskiest Assumption):** 실패할 경우 비즈니스 모델 전체를 무너뜨릴 수 있는 가장 치명적이고 불확실한 전제 조건 [10-12].

## 🧩 추출된 패턴 (Extracted patterns)
- **"Learn-Measure-Build" 최적화:** 전통적인 순서와 달리, 무엇을 배워야 하는지 먼저 정의(Learn)하고 측정한 뒤 코드를 작성하는 역방향 접근법 (주로 [[Riskiest Assumption Testing]]에서 강조) [11, 13].
- **연속적 검증 레이어:** 제품 라이프사이클에 따라 '문제 검증(Problem) → 솔루션 검증(Solution) → 비즈니스 모델 검증(Business Model)' 순으로 레이어를 확장하며 루프를 반복함 [3, 14].
- **시간 제한적 반복 (Time-boxed Iterations):** 실험이 무기한 지연되는 것을 방지하기 위해 2~4주 단위의 엄격한 기한을 두고 루프를 회전시킴 [15-17].
- **허영 지표 vs 실행 지표:** 단순 가입자 수(허영)보다는 활성화(Activation), 유지율(Retention), 지불 의사(WTP)와 같은 행동 데이터에 집중함 [18-20].

## 📖 세부 내용 (Details)

### 1. Build (구축) 단계: 가설의 실체화
- **실험 설계:** 루프는 답이 아닌 질문에서 시작한다 [21]. 가장 위험한 가설을 식별한 후, 이를 테스트하기 위한 최소한의 실체(MVP)를 구축한다 [16].
- **최소성의 원칙:** '최소'는 품질이 낮음을 의미하는 것이 아니라 범위(Scope)의 최소화를 의미하며, 핵심 문제를 해결하는 기능은 견고해야 한다 [22, 23].
- **다양한 MVP 모델:** 랜딩 페이지, 데모 비디오(Dropbox 사례), 컨시어지(Airbnb 사례), 오즈의 마법사(Zappos 사례) 등 가설의 성격에 맞는 모델을 선택한다 [24, 25].

### 2. Measure (측정) 단계: 데이터 수집
- **행동 데이터 우선:** 사용자가 "하겠다"고 말하는 것이 아니라 "실제로 하는 것"을 측정한다 [26, 27]. 
- **혁신 회계 (Innovation Accounting):** 전통적인 재무 지표가 0인 초기 단계에서 학습의 속도와 불확실성 감소 정도를 측정하여 진척도를 파악한다 [7, 28].
- **사전 성공 기준 설정:** 실험 시작 전, 가설 통과를 위한 정량적 문턱값(Threshold)을 미리 정의하여 사후 확신 편향(Hindsight Bias)을 방지한다 [29-31].

### 3. Learn (학습) 단계: 전략적 의사결정
- **데이터 해석:** 수집된 정량적 데이터와 사용자 인터뷰를 통한 정성적 통찰을 결합하여 가설의 유효성을 판단한다 [32, 33].
- **의사결정 경로:**
    - **Persevere (유지):** 데이터가 가설을 뒷받침할 경우 현재 방향으로 가속화한다 [9].
    - **Pivot (전환):** 핵심 가설이 틀렸음이 입증되면, 유효한 학습을 유지한 채 전략적 경로를 수정한다 [7, 9, 34].
    - **Kill (중단):** 가설이 기각되고 인접한 피벗 기회도 없을 경우 자원 낭비를 막기 위해 프로젝트를 종료한다 [9, 35].
- **재사용 가능한 지식:** 실험 결과뿐만 아니라 '왜' 그런 결과가 나왔는지 문서화하여 조직의 자산으로 축적한다 [36, 37].

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **MVP vs RAT:** 전통적인 루프는 제품(MVP)을 만드는 데서 시작하지만, 최신 방법론인 RAT(Riskiest Assumption Testing)는 제품을 만들기 전에 인터뷰나 스프레드시트만으로도 루프를 돌릴 수 있다고 주장하며 "Learn"을 우선시한다 [11, 13].
- **속도 vs 품질:** 루프의 속도를 강조하다 보면 품질이 낮은 제품(Broken MVP)을 내놓기 쉬우나, 이는 신뢰를 잃게 하여 검증된 학습을 방해할 수 있다 [22, 38].

## 🛠️ 적용 사례 (Applied in summary)
- **Dropbox:** 실제 코드를 짜기 전 3분짜리 데모 비디오로 대기자 명단을 5천 명에서 7만 5천 명으로 늘리며 수요 가설을 검증함 [39-41].
- **Airbnb:** strangers가 타인의 집에서 자는 것에 비용을 지불할지 확인하기 위해 에어 매트리스 3개와 단순 웹사이트만으로 첫 수익을 창출함 [42, 43].
- **Zappos:** 신발 재고를 확보하기 전 로컬 매장 사진을 찍어 웹에 올리고 주문이 들어오면 직접 구매해 배송하는 '오즈의 마법사' 방식으로 온라인 구매 수요를 확인 함 [44-46].
- **Taxiapp (이탈리아 사례):** 코로나19 위기 상황에서 승객 운송 수요가 급감하자, 기존 기술을 활용해 물품 배송 서비스로 빠르게 피벗하여 생존 전략을 수집함 [47, 48].

## ✅ 검증 상태 및 신뢰도
- **상태:** draft
- **검증 단계:** conceptual (다수의 성공적인 글로벌 스타트업 사례를 통해 방법론적 타당성 검증됨)
- **출처 신뢰도:** B (Lean Startup 방법론 기반의 전문 아티클 및 학술 사례 연구 종합)
- **중복 검사 결과:** 신규 생성 (New discovery)

## 🔗 관련 문서 링크 (Related document links)

### 상위/유사 개념

#### [루트 프레임워크]
- [[Assumption Validation Loop]]
  - 연결 이유: BML 루프는 가설 검증 루프를 구동하는 구체적인 실행 엔진임.
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 불확실성을 관리 가능한 데이터로 전환하는 체계적 방법론.

#### [실행 도구]
- [[Minimum Viable Product]]
  - 연결 이유: 'Build' 단계에서 활용되는 핵심 검증 도구임.
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 무엇이 '최소'이고 무엇이 '실행 가능'한지에 대한 정의.

- [[Riskiest Assumption Testing]]
  - 연결 이유: BML 루프를 더욱 날카롭게 만든 변형 모델로, 제품 이전의 학습에 집중함.
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 자원 투입 전 치명적인 위험을 식별하는 법.

### 심층 후속 질문 (Deeper Research Questions)
- BML 루프의 회전 속도(Iteration Velocity)를 높이기 위해 AI 도구(Claude Code 등)가 구체적으로 어떤 단계에서 병목을 제거하는가? [49]
- '혁신 회계'를 대기업의 기존 재무 보고 시스템과 어떻게 충돌 없이 통합할 수 있는가? [50, 51]
- 피벗(Pivot) 결정 시 매몰 비용 오류(Sunk Cost Fallacy)를 극복하기 위한 객관적인 'Kill Criteria'는 어떻게 설정하는가? [27, 52]
- 사용자 인터뷰(정성)와 데이터 분석(정량) 결과가 상충할 때 루프의 "Learn" 단계에서 우선순위는 무엇인가? [53]

### 실무 적용 맥락 (Practical Application Contexts)
- **Implementation:** 주간 단위로 가설 보드(Assumption Board)를 업데이트하고 실험 결과를 리뷰함 [54].
- **System Design:** 기능 배포 전 데이터 로깅 및 분석 도구(Mixpanel, Amplitude 등)를 먼저 연동하여 측정 환경을 구축함 [55, 56].
- **Operation / Maintenance:** 가시적인 성과가 없는 '허영 지표'를 제거하고 North Star Metric에 기여하는 행동 지표 중심으로 리포트를 재구성함 [57, 58].
- **Learning Path:** [[Kano Model]]을 활용하여 어떤 기능이 고객에게 감동을 주는지 분류하고 다음 BML 루프의 우선순위를 정함 [59, 60].

### 인접 주변 주제 (Adjacent Topics)
- [[Jobs-to-Be-Done]]
  - 확장 방향: 사용자가 제품을 '고용'하는 근본적인 동기를 파악하여 더 정교한 가설을 수립하는 데 도움을 줌 [61, 62].
- [[Design Thinking]]
  - 확장 방향: 공감과 문제 정의 단계를 통해 BML 루프의 시작점인 '아이디어'의 질을 높임 [63, 64].

## 📝 변경 이력 (Change history)
- 2026-06-12: Initial draft generated via Datacollector_MAC P-Reinforce engine.