# 행동 기반 세그멘테이션: 정의와 적용 방법

> 타겟팅과 전환율을 개선하기 위해 행동 기반 세그멘테이션을 적용하는 방법을 알아보세요. 리테일, 금융, 이커머스의 실제 사례. 완벽 가이드.

Source: https://www.electe.net/ko/post/segmentazione-comportamentale

Site guide: https://www.electe.net/ko/llms.txt

이탈리아 중소기업의 마케팅 책임자가 프로모션을 시작하려 합니다. CRM에서는 고객의 연령, 성별, 거주 지역을 볼 수 있지만, 어떤 고객이 특정 카테고리를 여러 번 방문했는지, 누가 결제 단계에서 이탈했는지, 누가 할인을 받을 때만 구매하는지는 알 수 없습니다. 데이터베이스는 사람을 설명할 뿐, 실제로 무엇이 그들을 구매로 이끄는지는 말해주지 않습니다.

이것이 기존 세그멘테이션의 한계입니다. 모두에게 똑같은 메시지는 많은 연락처에 도달할 수 있지만, 실제로 와닿는 사람은 몇 안 됩니다. **행동 기반 세그멘테이션**은 관점을 바꿉니다. 행동, 빈도, 최근성, 구매 가치, 다양한 채널에서의 상호작용을 관찰한 뒤, 이러한 신호를 의사결정에 유용한 그룹으로 전환합니다.

시작하기 위해 데이터 과학 부서를 새로 만들 필요는 없습니다. CRM, 웹사이트, 이메일, 이커머스에 이미 존재하는 데이터와 AI 기반 플랫폼을 활용하면, 정적인 목록에서 **실행 가능한 인사이트**로 전환할 수 있습니다. 여기서는 리테일, 금융, 이커머스 사례와 프라이버시에 대한 고려, 세그먼트를 동적으로 만드는 방법을 포함한 실용적인 접근법을 소개합니다.

## 고객이 말할 때, 당신은 정말 듣고 있나요?

온라인 매장 담당자는 이번 달 매출을 알고 있습니다. 어떤 제품이 잘 팔리는지, 특정 지역에 사는 고객이 몇 명인지도 파악하고 있을 것입니다. 하지만 프로모션을 누구에게 보낼지 결정해야 할 때는, “특정 연령대의 여성” 또는 “북부 이탈리아 고객”처럼 일반적인 범주를 사용하는 경우가 많습니다.

이러한 정보는 유용할 수 있지만 행동을 설명하지는 못합니다. 같은 지역에 사는 두 사람도 정반대의 니즈를 가질 수 있습니다. 한 사람은 할인을 기다리지 않고 매달 구매하고, 다른 사람은 사이트에 들어와 가격을 비교한 뒤 프로모션 캠페인 기간에만 구매를 완료합니다. 이 둘을 똑같이 대하는 것은 중요한 신호를 무시하는 것과 같습니다.

행동 기반 세그멘테이션은 바로 이러한 신호를 포착합니다. 반복 방문, 최근 구매, 장바구니 이탈, Newsletter에 대한 반응은 고객이 구매 여정의 어느 단계에 있는지를 말해줍니다. 이를 통해 마케팅팀은 인구통계 데이터에만 의존하지 않고 콘텐츠, 채널, 타이밍을 조정할 수 있습니다.

> **실용적인 원칙:** 어떤 메시지를 보낼지 고민하기 전에, 어떤 고객 행동을 이해하고 싶은지부터 자문해보세요.

중소기업의 경우, 첫 단계는 간단할 수 있습니다. 구매 이력과 디지털 상호작용을 비교하여 다르게 대응해야 할 그룹을 파악하는 것입니다. [ELECTE의 고객 인사이트](https://tools.electe.net/profilazione-clienti)를 활용하면, 분석의 복잡성과 정보의 가치를 혼동하지 않고 보유한 데이터를 더 명확한 작업 기반으로 전환할 수 있습니다.

## 행동 기반 세그멘테이션이란

**행동 기반 세그멘테이션**은 고객을 그들의 실제 행동에 따라 동질적인 그룹으로 나눕니다. 인구통계 기반 세그멘테이션은 연령, 성별, 지역 등의 요소를 사용해 “고객이 누구인가?”라는 질문에 답합니다. 행동 기반 세그멘테이션은 여기에 실행에 더 유용한 질문을 더합니다. “고객이 기업과 관계를 맺을 때 어떻게 행동하는가?”라는 질문입니다.

변수에는 다음이 포함될 수 있습니다:

- **최신성(Recency):** 마지막 구매로부터 경과한 시간.
- **빈도(Frequency):** 고객이 얼마나 자주 구매하는지.
- **금전적 가치(Monetary Value):** 시간이 지나면서 또는 주문당 지출하는 금액.
- **탐색:** 어떤 페이지를 어떤 순서로 방문하는지.
- **상호작용:** 이메일, 오퍼, 커뮤니케이션에 어떻게 반응하는지.
- **이용:** 구매 후 제품이나 서비스를 어떻게 사용하는지.

가장 단순한 비유는 소매점 운영자의 경우다. 어떤 사람이 매장 근처에 산다는 것을 아는 것은 유용하지만, 그 사람이 매주 방문하고 항상 같은 제품을 찾으며 프로모션을 이용하지 않는다는 것을 기억하면 더 잘 응대할 수 있다. 행동 데이터는 관찰을 결정으로 연결한다.

이탈리아에서는 식료품 고객에 대한 조사에서 오래전부터 **지출 십분위(decili di spesa)**, 구매 빈도, 최신성을 사용해 왔다. 이러한 논리는 **RFM** 모델을 앞서 보여주는데, 이 모델은 최신성(recency), 빈도(frequency), 금전적 가치(monetary)를 기준으로 고객을 분류하여 충성 고객, 고가치 고객, 이탈 위험 고객을 구분하는 데 도움을 준다. 역사적 배경은 [멀티채널 소비자 행동](https://mglobale.promositalia.camcom.it/approfondimenti/tutte-le-news/il-comportamento-dei-consumatori-multicanale.kl)에 관한 심층 자료에서 확인할 수 있다.

### 설명만으로는 충분하지 않다

설명적 분류는 이미 알려진 특성을 그룹화한다. 반면 프로파일링은 상관관계와 모델을 사용해 미래의 성향을 추정할 수 있다. 이 차이는 중요하다. 세그먼트는 “이 고객들은 최근에 구매했다”고 말할 수 있지만, 모델은 새로운 구매와 일치하는 신호를 보이는 고객을 식별하는 데 도움을 줄 수 있다.

세분화에 관한 이탈리아 자료들은 최신성과 빈도가 단순한 인구통계학적 특성보다 예측 가치가 더 클 수 있다고 강조한다. 이는 이미 표현된 니즈를 반영하기 때문이다. 이로 인해 세분화는 캠페인과 영업 우선순위를 개인화하는 데 더욱 유용해지며, 이는 [디지털 마케팅에서의 세대별 세분화](https://www.engage.it/dati-e-ricerche/digital-marketing-il-report-di-tourtools-per-superare-la-segmentazione-generazionale-.aspx)에 관한 분석에서도 논의된다.

## 필요한 기법과 데이터

유용한 세분화는 **구조화된 데이터**, 디지털 이벤트, 비즈니스 맥락이 만날 때 생겨난다. 많은 정보를 추가하는 것만으로는 충분하지 않다. 행동을 동일한 고객에게 연결하고, 일관된 이벤트를 정의하며, 캠페인이나 영업 결정을 이끌 수 있는 변수를 선택해야 한다.

### 목표에서 시작하라

클러스터를 만들기 전에 얻고자 하는 결과를 명확히 하라. “고객을 더 잘 알기”는 너무 막연하다. “오랫동안 구매하지 않은 고객을 재활성화하기” 또는 “주력 제품을 구매한 고객에게 액세서리를 제안하기”는 데이터를 선택하는 구체적인 기준을 제공한다.

중소기업의 경우 초기 기반 데이터에는 다음이 포함될 수 있다:

- **거래 이력:** 제품, 카테고리, 금액 및 날짜.
- **사이트 이벤트:** 재방문, 내부 검색, 조회 페이지 및 결제.
- **이메일 마케팅:** 열람, 클릭 및 미반응.
- **판매 후 활동:** 문의, 반품 및 피드백.
- **맥락 데이터:** 구매 채널, 지역, 계절성 및 프로모션 민감도.

RFM 모델은 이력을 이해하기 쉬운 세 가지 질문으로 바꿔주기 때문에 흔히 좋은 출발점이 됩니다. 누가 최근에 구매했는가? 누가 자주 구매하는가? 누가 가장 많은 가치를 창출하는가? 클러스터링은 이러한 변수를 선호 카테고리, 오퍼에 대한 반응 또는 탐색 행동과 결합할 수 있습니다.

### 접점을 연결하라

[CustomerMinding의 멀티채널 세분화 분석](https://www.customerminding.it/neuroscienze-e-scienze-comportamentali-al-servizio-del-marketing-e-della-comunicazione-con-behavioral-impact-alliance/)에 따르면, 2020년 이탈리아의 멀티채널 소비자는 **4,650만 명**으로, 14세 이상 인구 **5,270만 명** 중 **88%**를 차지했으며, 전년 대비 **6%** 증가했습니다. 같은 연구에 따르면 행동 프로필별로 결제 선호도가 달랐습니다. PayPal은 Digital Rooted와 Digital Engaged가 각각 **53%**로 선호했으며, Digital Bouncers와 Digital Rookies는 각각 **41%**와 **44%**로 충전식 카드를 선호했습니다.

이 사례의 가치는 결제 수단 자체에 있지 않습니다. 관찰 가능한 행동이 일반적인 인구통계 카테고리보다 오퍼, 채널, 메시지를 더 효과적으로 설정할 수 있음을 보여줍니다.

### 해석 가능한 클러스터를 구성하라

클러스터는 누군가가 무언가를 할 수 있도록 도와야 합니다. “그룹 4”는 마케팅 팀에게 아무 의미도 전달하지 못합니다. 반면 “최근에, 자주, 프로모션에 민감하게 구매하는 고객”은 커뮤니케이션 논리와 모니터링할 지표를 제시합니다.

데이터베이스를 중앙화하고, 일관된 식별자를 정의하며, 자동화하기 전에 데이터 품질을 확인하세요. [기업 데이터 분석 가이드](https://www.electe.net/post/analisi-dati-aziendali)는 수집, 정제, 해석을 비기술 팀도 이해할 수 있는 프로세스로 연결하는 데 도움을 줄 수 있습니다.

## 실무 워크플로우와 KPI

세그먼트는 워크플로우를 활성화할 때 비로소 유용해집니다. 이 과정은 비즈니스 목표에서 시작해 관련 이벤트 선택을 거쳐 캠페인, 영업 담당자의 조치, 또는 서비스 관련 결정으로 마무리될 수 있습니다.

### 문제에서 마이크로 세그먼트로

한 이커머스가 결제 이탈을 줄이고자 한다고 가정해봅시다. 가능한 모든 행동을 분류할 필요는 없습니다. 특정 제품을 여러 번 조회하고, 장바구니에 담았지만, 구매 전에 이탈한 고객에 집중하면 됩니다.

세그먼트는 다음을 포함할 때 실행 가능해집니다:

1. **명확한 이벤트**, 예를 들어 결제 중단과 같은 것.
2. **시간 범위**, 제품의 구매 주기에 따라 정의됨.
3. **제외 조건**, 이미 주문을 완료한 사람에게 연락하지 않기 위함.
4. **조치**, 예를 들어 리마인더, 정보성 콘텐츠 또는 영업 담당자의 연락.
5. **종료 기준**, 구매 또는 응답 후 고객을 흐름에서 제외하기 위함.

이탈리아 시장을 위한 기술 가이드에서는 RFM 지표와 반복 방문, 클릭 경로, 이메일 상호작용, 결제 중단과 같은 탐색 이벤트를 결합하여 세분화되어 있으면서도 측정 가능한 마이크로 세그먼트를 만들 것을 권장합니다. 원칙은 간단합니다. 장식적인 라벨은 줄이고, 구체적인 조치와 연결된 그룹은 늘리는 것입니다.

### 행동을 설명하는 KPI를 선택하세요

전환율은 세그먼트가 캠페인에 반응하는지를 보여줍니다. 구매 빈도는 관계가 견고해지고 있는지를 파악하는 데 도움이 됩니다. 생애 가치, 즉 LTV는 관계의 경제적 가치를 마케팅 결정과 연결하며, 이탈률은 참여도 저하를 나타냅니다.

이러한 지표들을 세그먼트별로 차별화된 NPS와 함께 사용할 수 있습니다. 단, 그 데이터가 실제 행동과 함께 읽혀야 합니다. 어떤 고객은 만족을 표현하면서도 드물게 구매할 수 있고, 반대로 많이 상호작용하면서도 주문을 완료하지 않을 수 있습니다. 행동은 피드백을 대체하지 않고, 그것을 보완합니다.

> **품질 기준:** KPI는 결정을 바꿀 때 유용하며, 대시보드를 채우기 위한 것이 아닙니다.

동적 세분화는 행동이 변화할 때 그룹을 업데이트합니다. 구매를 완료한 고객은 이탈자 세그먼트에서 벗어납니다. 방문을 중단한 단골 고객은 재활성화 경로에 들어갈 수 있습니다. 이러한 관리를 체계화하고 일관된 지표를 선택하려면 [기업 KPI 분석을 위한 ELECTE](https://www.electe.net/post/key-performance-indicators-10-esempi-pratici-per-la-crescita-della-tua-azienda)를 참고하실 수 있습니다.

## 업종별 적용 사례

동일한 논리도 업종에 따라 형태가 달라집니다. 슈퍼마켓은 지출의 빈도와 가치를 관찰합니다. 금융 회사는 서비스 이용과 리스크 신호를 살펴봅니다. 이커머스는 검색, 상품, 장바구니, 결제로 이어지는 경로를 추적합니다.

### 리테일과 식료품

이탈리아 리테일 부문에서는 지출 십분위수와 구매 빈도 및 최근성 변수를 기반으로 한 세분화가 그로서리 고객에 대한 연구에서 문서화된 바와 같이 RFM 접근법의 역사적 뿌리를 이룹니다. 따라서 매장은 고가치 고객, 자주 방문하지만 지출은 적은 고객, 가끔 구매하는 고객, 그리고 방문 빈도가 줄어든 고객을 구분할 수 있습니다.

이러한 그룹이 반드시 동일한 인센티브를 필요로 하는 것은 아닙니다. 단골 고객은 더 빠른 서비스나 보완적인 제안을 받을 수 있습니다. 가끔 구매하는 고객은 이미 구매한 카테고리와 관련된 메시지가 필요할 수 있습니다. 빈도가 줄어든 고객의 경우, 자동 프로모션이 아니라 먼저 상황에 대한 분석이 필요합니다.

가격은 민감한 변수다. 어떤 가정은 유통업체 브랜드에 대한 충성도 때문에, 또는 해당 시기의 예산이 더 제한적이기 때문에 더 저렴한 대안을 구매할 수 있다. 관찰된 행동만으로는 그 이유를 설명할 수 없다.

### 금융

금융 분야에서 행동 클러스터는 고객이 서비스를 이용하는 방식, 즉 접속 빈도, 거래 유형, 선호 채널, 운영 프로필의 변화를 설명할 수 있다. 이러한 신호는 제안의 개인화, 우선순위 관리, 컴플라이언스 프로세스 모니터링을 뒷받침할 수 있다.

다만 이러한 분석은 적절히 관리되지 않는 고영향 자동화 의사결정과는 분리되어야 한다. 모델은 확인이 필요한 변화를 알릴 수는 있지만, 고객 행동에 대한 완전한 설명으로 취급되어서는 안 된다. 금융, 신용 또는 컴플라이언스 관련 활동에는 사람에 의한 검토, 문서화, 구체적인 법적 평가가 필요하다. 이 콘텐츠는 금융 자문이나 컴플라이언스 의견을 구성하지 않는다.

신중한 흐름은 다음 순서를 따를 수 있다:

- **탐지:** 거래 또는 서비스 이용에서의 변화를 식별한다.
- **맥락화:** 신호를 이력, 채널, 이용 가능한 정보와 비교한다.
- **검증:** 권한을 가진 팀의 개입을 요청한다.
- **문서화된 결정:** 근거, 통제 사항, 결과를 기록한다.

### 전자상거래

온라인 스토어는 사용자가 여정을 중단하는 지점에 따라 세그먼트를 나눌 수 있다. 상품 페이지를 여러 번 보는 사람은 결제 단계까지 갔다가 마지막 단계에서 이탈하는 사람과는 다른 관심을 가지고 있다. 클릭 없이 이메일만 여는 사람도 클릭하고 여러 상품을 비교한 뒤 사이트로 돌아오는 사람과는 다른 니즈를 나타낸다.

캠페인은 이러한 차이를 반영해야 한다. 정보성 메시지는 검토 중인 사람에게 도움이 될 수 있다. 리마인더는 체크아웃을 중단한 사람에게 적합할 수 있다. 보완적인 제안은 이미 구매를 완료한 사람에게 유용할 수 있다. 목표는 더 많은 커뮤니케이션을 보내는 것이 아니라, 행동과 콘텐츠 사이의 거리를 줄이는 것이다.

### 경제적 맥락이 해석을 바꾼다

이탈리아 가정에 대한 연구는 표명된 의도와 관찰된 행동 사이에 서로 다른 클러스터가 있음을 보여준다. 일관된 그룹과 더 모순적인 그룹이 존재하며, 따라서 사람이 선호한다고 말하는 것이 항상 실제 구매와 일치하지는 않는다.

2024년 중반, 파르마 대학교 아카이브에 게재된 연구에서 인용된 Statista 데이터에 따르면 **이탈리아 저소득층 소비자의 85%**가 이미 트레이드다운을 실행하여 더 저렴한 대안을 선택한 것으로 나타났다. [파르마 대학교 아카이브](https://air.unipr.it/handle/11381/3050533). 이것이 자동으로 충성도 저하를 증명하는 것은 아니다. 일시적인 예산 제약을 나타내는 것일 수 있다.

이런 이유로 리테일과 이커머스는 행동, 가격, 카테고리, 채널, 맥락을 결합해야 한다. 가격 민감도를 실제 선호도와 혼동하는 세그먼트는 잘못된 캠페인과 고객에 대한 부당한 결론으로 이어질 수 있다.

## 구현 및 통합을 위한 모범 사례

정적 세그먼트에서 동적 세그먼트로의 전환은 알고리즘에만 좌우되지 않는다. CRM이 웹사이트와 연동되지 않고, 이메일이 동일한 식별자를 공유하지 않으며, 영업팀이 이벤트를 마케팅팀과 다르게 해석한다면, 중소기업은 좋은 모델을 갖추고도 저조한 결과를 얻을 수 있다.

이탈리아에서는 AI 도입이 중소기업보다 대기업에서 더 널리 확산되어 있다: [이탈리아 기업의 인공지능에 관한 인테사 산파올로 연례 보고서](https://group.intesasanpaolo.com/it/sezione-editoriale/eventi-progetti/tutti-i-progetti/innovazione/2025/12/intelligenza-artificiale-imprese-italiane-report-annuale)에 따르면, **대기업의 53.1%**가 AI 솔루션을 사용하는 반면 **중소기업은 15.7%**에 그친다. 이 수치는 방법론 자체의 가치 부족이 아니라 인프라, 역량, 데이터 품질의 격차를 보여준다.

### 기술보다 업무 조직을 먼저 정비하라

범위가 명확한 사용 사례부터 시작하라. 목표가 비활성 고객을 재활성화하는 것이라면, 자사 비즈니스에서 '비활성'이 무엇을 의미하는지, 어떤 이벤트가 이를 확인해 주는지, 어느 팀이 개입해야 하는지를 정의하라. 그런 다음 책임을 배정하라: 누가 데이터를 관리하는지, 누가 캠페인을 승인하는지, 누가 결과를 측정하는지.

지속 가능한 접근 방식은 다음을 포함한다:

- **비즈니스 목표:** 개선하고자 하는 의사결정을 선택하라.
- **우선순위 변수:** 목표와 실제로 연관된 소수의 행동 변수를 선정하라.
- **통합:** CRM, 영업, 웹사이트, 이메일, 전자상거래를 연결하라.
- **통제된 테스트:** 확대 적용하기 전에 제한된 캠페인에서 세그먼트를 시험하라.
- **검토:** KPI, 데이터 품질, 진입 및 이탈 규칙을 점검하라.

극도로 복잡한 세그멘테이션부터 시작할 필요는 없다. 명확히 정의되고, 정기적으로 업데이트되며, 분명한 액션과 연결된 소규모 그룹이 아무도 사용하지 않는 수십 개의 클러스터보다 더 많은 가치를 제공한다.

### 프라이버시를 프로젝트의 일부로 다루라

[개인정보보호 감독기구(Garante Privacy)가 프로파일링 정의에서 명시](https://www.garanteprivacy.it/home/docweb/-/docweb-display/docweb/3881513)하듯이, GDPR은 프로파일링을 선호도, 관심사, 신뢰도, 행동, 위치, 이동 등 개인적 측면을 평가하는 데 사용되는 자동화된 처리의 한 형태로 정의한다. 이탈리아에서 감독기구는 또한 데이터 수집과 특정 목적을 위해 정보주체를 동질적인 그룹으로 이후에 구분하는 것을 구별한다.

마케팅 목적의 프로파일링의 경우, 동의는 원칙적으로 프로모션 커뮤니케이션 발송에 대한 동의와 **구체적이고 별도로** 이루어져야 한다. [GDPR 프로파일링에 관한 이탈리아 실무 요약](https://www.studiolegalecalzoni.com/profilazione-gdpr/)에 따르면, 개인정보처리방침은 프로파일링을 설명해야 하고, 해당 처리는 처리활동 기록부에 기재되어야 하며, 대규모로 이루어지는 경우에는 영향평가가 필요할 수 있다.

Google에 대한 가란테(Garante)의 사례는 사전 동의 없이 프로파일링 목적으로 데이터를 사용할 수 없다는 점도 보여준다. [Google에 대한 가란테의 조치](https://www.garanteprivacy.it/home/docweb/-/docweb-display/docweb/3291294)에서 드러나듯, 개인정보 처리방침은 핑거프린팅과 같은 기법을 포함하여 광고 목적의 데이터 모니터링 및 사용에 대해 명확히 설명해야 한다.

### 세그먼트와 예측 프로필의 차이

[프로파일링과 세그멘테이션의 차이](https://www.iusprivacy.eu/differenze-fra-le-attivita-di-profilazione-e-segmentazione-96032.post)에 대한 분석에 따르면, 단순한 세그멘테이션은 알려진 특성에 대한 쿼리를 사용할 수 있다. 프로파일링은 성향이나 행동을 추정하기 위해 모델, 상관관계, 추론을 추가한다.

이 구분은 책임 소재를 바꾼다. 모델을 활성화하기 전에 법적 근거, 투명성, 데이터 품질, 그리고 세그먼트 활용을 설명할 수 있는 가능성을 확인해야 한다. **중소기업을 위한 AI 기반 데이터 분석 플랫폼인 ELECTE**와 같은 플랫폼은 소스를 연결하고, 전처리와 분석을 자동화하며, 패턴·이상치·트렌드를 파악하고 보고서를 생성하는 데 도움을 줄 수 있지만, 목적과 처리에 대한 거버넌스는 기업의 책임으로 남는다.

## 이론에서 실전으로, 다음 단계

행동 세그멘테이션은 대기업만을 위한 프로젝트가 아니다. 관찰 가능한 행동을 소매 프로모션, 장바구니 관리, 나아가 금융 서비스의 신호 해석에 이르기까지 일상적인 의사결정과 연결하는 방법이다.

이미 보유한 데이터에서 시작하라. 목표를 정하고, 가장 관련성 높은 변수를 파악하며, CRM, 웹사이트, 이메일, 판매 데이터가 서로 연동될 수 있는지 확인한 후 해석 가능한 첫 세그먼트를 만들어라. 일관된 KPI로 반응을 측정하고, 행동, 경제적 맥락, 기업 우선순위가 변화할 때 규칙을 업데이트하라.

정적 세그멘테이션과 동적 세그멘테이션의 차이는 기술에만 있는 것이 아니다. 최근 구매나 중단된 결제와 같은 이벤트를 시기적절하고 개인정보를 존중하는 조치로 전환하는 팀의 역량에 있다. AI 기반 프로세스는 수작업을 줄이고 데이터 사이언스 팀 없이도 인사이트에 접근할 수 있게 해준다.

---

ELECTE는 기업의 데이터 소스를 연결하고, 구매 행동을 자동으로 분석하며, 세그먼트·이상치·트렌드를 활용 가능한 보고서로 전환하는 데 도움을 준다. [ELECTE](https://www.electe.net)를 방문하여 동적 세그멘테이션을 중소기업의 일상 업무에 어떻게 적용할 수 있는지 알아보라.