25년 6월 17일 , 오픈서베이 Data on Fire 2025는 첨단기술의 변화가 가져온 리서치 대전환(Research Transformation)에 대한 화두를 던지고, 리서치의 영역과 역할을 확장하는 업계 리더와 실무자의 인사이트를 공유했습니다.
이번 아티클은 오픈서베이 Data on Fire 2025 키노트 세션 ‘Research Transformation: 리서치의 전환’ 내용을 요약합니다. 디지털 전환과 AI 기술로 빠르게 진화하는 리서치 환경에서 데이터 품질, 실행 중심의 리서치, 데이터 기반 협업 문화, AI와의 공존까지—지금 기업이 고민해야 할 리서치의 새로운 기준을 함께 살펴보세요!
전환은 이미 시작되었습니다
이번 키노트의 핵심 메시지는 분명합니다. Research Transformation은 ‘예고’가 아니라 ‘진행 중’이라는 사실입니다.
오픈서베이의 Research Transformation Report 2025 (8월 발행 예정)에 따르면, 이미 많은 기업이 리서치를 외주에서 내부 수행으로 전환하고 있으며, 리서치 결과 역시 제한된 팀이 아닌 전사적으로 공유되는 흐름이 강해지고 있습니다. 또, 리서치 목적 역시 브랜드 전략, UX, CX 등으로 세분화되고 있으며, 단순한 리포팅을 넘어 비즈니스 문제 해결의 도구로 활용되고 있습니다. 또한 리서치의 많은 부분에 AI를 도입하여 수작업으로 이루어지던 부분을 자동화하는 것 역시 가속화 되고 있습니다.
하지만 이러한 변화에도 불구하고, 리서치가 조직 내에서 완전히 자리를 잡기 위해서는 네 가지 과제가 남아 있습니다. 바로 ‘좋은 품질의 데이터 확보’, ‘실행으로의 연결’, ‘인사이트 자산화와 전사적 활용’, ‘AI와의 협업’입니다. 키노트 세션에서는 이 네 가지 과제를 하나씩 짚어보며, 리서치 전환의 완성을 위해 리서처와 데이터로 일하는 사람들, 리서치 산업에 속한 이들이 나아가야 할 방향을 함께 고민해 보겠습니다.
좋은 품질의 데이터 확보 – Quality First
리서치의 시작은 언제나 데이터 품질입니다. 여기서 말하는 품질은 단순히 ‘정확도’만을 의미하지 않습니다. 응답자의 대표성과 참여도, 즉 리서치 대상자의 속성과 응답 태도까지 고려된 총체적인 개념입니다.
대표성은 과거처럼 ‘전 국민 대표 샘플’을 만드는 것이 아니라, 비즈니스 목적에 맞춘 타겟 집단의 대표성 확보가 핵심입니다. 특정 제품군의 잠재 고객이나 경험자의 응답이 실행을 위한 더 실용적인 인사이트를 주기 때문이죠.
다음으로 중요한 기준은 응답자의 참여도입니다. 오픈서베이는 리서치 응답자의 진입률(초대받은 사람 중 실제 설문에 참여한 비율), 완료율(설문을 끝까지 마친 비율)을 핵심 지표로 제시합니다. 이 지표는 운영 성과 이상으로, 응답자가 ‘얼마나 진정성 있게 응답했는가’를 보여주는 정성적 힌트가 되기도 합니다. 또한 참여도가 높아지면 대표성이 좋아집니다. 1만 명을 타겟팅해서 100명만 응답했을 때보다 3천명이 응답했을 때 그 3천명이 1만명을 대표할 가능성이 높기 때문입니다.
리서치가 대표성과 참여도를 확보하려면 응답자 친화적이어야 합니다. 너무 긴 설문, 응답자의 사고의 흐름과는 다르면서 과하게 자세한 답을 요구하는 질문, 응답하기 어려운 UI 등의 문제는 단지 응답자가 불편한 것이 아니라, 데이터 품질을 해친다는 점입니다.
리서치가 데이터 수집 수단이자 고객, 사용자가 브랜드를 느끼는 접점, 소통 창구임을 이해하고, 비즈니스 목적에 충실할 뿐만 아니라 응답자 친화적일 수 있도록 관심을 기울여 고객의 목소리를 왜곡 없이 담아내고 관계를 만들어갈 필요가 있습니다.
실행으로 연결 – Data to Action
여전히 많은 기업이 리서치를 ‘데이터의 수집’으로만 활용하고 있습니다. 데이터를 수집하고, 보고서로 정리한 뒤, 인사이트를 확인하는 데 그치는 것이죠. 하지만 ‘리서치의 성과는 인사이트가 아니라 실행’입니다. 좋은 리서치는 그 자체로 의사결정의 근거가 되고, 실제 행동을 이끌어내는 데까지 나아갈 수 있어야 합니다.
이를 위해서는 리서치를 설계하는 단계부터 전략이 필요합니다. 단순히 ‘무엇을 알고 싶은가?’라는 질문에서 출발하는 것이 아니라, ‘이 리서치 결과를 바탕으로 어떤 결정을 내릴 수 있을까?’, ‘A와 B 중 어떤 선택지를 검토할 수 있을까?’라는 관점에서 기획되어야 합니다. 조사 설계에서부터 실행까지 연결되는 사고방식이 필요하다는 것입니다.
조직적으로 이를 가능케 하기 위해서는 조직 내의 비즈니스 문제 해결 방법론을 표준화하고 일관된 방식으로 비즈니스 의사결정을 하는 것이 필요합니다. 또한, 현상을 이해하는 분석에서 그치는 것이 아니라, 성장 기회에 대한 제언을 도출하는 분석을 하고, 그 결과를 대시보드로 공유해 조직이 같은 지표를 보며 같은 생각을 할 수 있어야 합니다. 이를 통해 조직은 개선 우선 순위에 대해 합의하고, 실행 후에는 개선 효과를 측정하고 다음 목표를 세우며 지속적인 실행과 개선을 체내화할 수 있습니다.
‘그래서 뭐?’라는 말이 리서치 결과를 본 사람들의 입에서 나오는 순간, 그 리서치는 실패한 것입니다. 데이터를 해석하고, 팀 내에서 실행 아이디어로 전환할 수 있는 문제해결력을 갖춘 조직, 협업 구조, 실행 습관이 무엇보다 중요합니다.
인사이트 자산화와 전사적 활용 – Insights Enablement
리서치 결과는 한 번 보고 사라져서는 안 됩니다. 하지만 아직까지 많은 기업에서 리서치는 일회성 프로젝트로 운영되고 있으며, 결과 역시 파편화되어 조직 전반에서 축적되거나 재활용되지 못하는 경우가 많습니다. 이처럼 리서치 자산이 흩어져 있을 경우, 비슷한 주제의 조사도 반복되기 쉽고, 조직 전체가 축적된 인사이트를 기반으로 의사결정을 내리는 데 어려움이 생깁니다.
이 문제를 해결하기 위한 핵심 솔루션은 바로 인사이트 저장소입니다. 인사이트 저장소는 단순한 문서 보관함이 아닙니다. 조사 주제, 조사 대상, 활용 맥락 등의 메타데이터가 함께 구조화되어 조직 내 누구나 쉽게 접근하고 검색할 수 있도록 하며, 리서치 결과가 사라지지 않고, 축적되어 재활용될 수 있는 조직의 학습 자산으로 쌓는 인프라입니다.
특히, 이러한 인사이트 저장소의 역할은 한국 기업의 리서치 수행 환경에서 더 중요하게 부각됩니다. 기업 내 리서치를 담당하는 조직이 기존 리서처 중심에서 PwDRs(People who Do Research), Research Ops, 그리고 최종적으로는 조직 전체의 인사이트 활용을 미션으로 하는 Insights Enablement까지 확대되고 있지만, 한국 기업의 리서치 운영 조직화는 아직 글로벌 수준에 미치지 못하고 있습니다. 전담 리서처 없이 부서 내 각 담당자가 필요 시 리서치를 수행하는 경우가 절반을 넘는 환경에서 ‘인사이트 저장소’는 단지 시스템이 아니라, 조직의 데이터 문화와 실행력을 연결하는 구심점이 되어야 합니다.
새로운 팀원과 일하는 법 – Research with AI
AI는 이제 리서치의 주변 기술이 아닙니다. 우리는 AI를 “새로운 팀원”이라고 명명하며, 리서치 워크플로우에 깊이 통합되고 있는 글로벌 트렌드를 소개합니다.
전문 리서처가 아닌 PwDRs(People who Do Research)에게 필요한 리서치에 대한 조언과 가이드를 제공하고, 중요도 대비 시간을 많이 쓰는 단계를 효율화하는 것을 중심으로 AI의 도움을 받을 수 있는 영역은 넓어지고 있습니다. 문제는 AI의 장점과 한계를 고려해 어떻게 최대로 활용할 수 있을지를 찾는 것입니다.
LLM(Large Language Model)의 언어 기반 요약과 해석에서의 강점은 탐색적 접근이 중요한 정성조사에서 유용하게 활용할 수 있습니다. 동일한 데이터에 다양한 시각으로 접근할 수 있다는 점에서, 새로운 통찰을 발굴하는 파트너가 될 수 있습니다. 하지만 한계도 분명합니다. 비결정성(nondeterminism) 특성상 동일한 프롬프트에도 결과가 다르게 도출될 수 있어 정량 리서치에서 요구되는 일관성과 재현성 확보에는 적합하지 않습니다. 또한 복잡한 Prompt 설계에 대한 인지적 부담, AI가 생성한 결과물의 품질 검증 문제 등도 우리가 AI와 협업할 때 반드시 고려해야 할 부분입니다.
더불어 AI Participant(응답자)의 사용 가능성과 그 윤리적 리스크도 검토해야 할 때입니다. AI가 학습한 편향이 응답에 반영될 수 있는 만큼 어떤 데이터를 학습했는지 명확히 알 수 있어야 하고, AI가 생성한 데이터를 다시 학습한 AI가 만드는 응답의 품질 저하 문제에 대한 해법도 미리 고민해야 합니다.
따라서 지금 필요한 것은 기술에 대한 맹목적 기대가 아니라, AI의 장점을 전략적으로 활용하고, 한계를 인지하며 협업하는 사고방식입니다. 오픈서베이가 제안하는 ‘Research with AI’는 결국 AI가 리서처 및 PwDR의 대체재가 아니라 보완재로, 반복 업무를 줄이고 중요한 판단에 더 많은 시간을 쓸 수 있도록 돕는 역할로 리서치에서 필수적인 동료가 되는 미래의 모습을 의미합니다.
아직 완성되지 않은 전환 – 다음으로 나아가기 위해
리서치 트랜스포메이션은 단지 새로운 기술이나 방법론의 도입만을 의미하지 않습니다. 조직의 태도, 업무 방식, 실행 구조 전반의 재설계가 필요한 근본적 전환입니다. 이 전환을 완성하기 위해, 기업과 리서치 산업 전반은 품질 중심 사고, 실행 연결 구조, 자산화 시스템, 그리고 AI 협업이라는 네 가지 과제를 반드시 풀어야 합니다.
오픈서베이는 이 전환의 여정을 리드할 준비가 되어 있습니다. 데이터로 일하는 모든 사람들에게, 더 나은 리서치 환경과 실행력 있는 도구를 제공함으로써, 리서치가 고객과 사용자에 대한 이해를 넘어 비즈니스의 중심축이 되도록 만드는 것. 이것이 오픈서베이가 하고자 하는 일입니다.
데이터스페이스가 만드는 리서치의 새로운 미래
이미 시작된 Research Transformation, 이제 리서치는 단순한 데이터 수집과 분석을 넘어 기업의 문제 해결 역량과 성장 가능성을 강화하는 필수 자산으로 진화하고 있습니다.
오픈서베이 데이터스페이스와 함께 데이터에서 성과와 액션을 발견하고, 리서치를 통해 고객과 소통하고 관계를 강화하며, 기업 내 데이터 기반 협업을 내재화하고 인사이트를 확산하세요.
리서치 내재화의 시작을 데이터스페이스가 함께 합니다. 지금 바로 경험해 보세요! (📍데이터스페이스 소개 미팅 신청)
Data on Fire 2025 다시보기
리서치의 미래, 오픈서베이 Data on Fire 2025의 뜨거운 현장을 영상으로 생생하게 전달합니다.
📜 오픈서베이 컨퍼런스 Data on Fire 25의 주요 아티클을 만나보세요
Keynote
Case study
소비자 데이터 플랫폼
황희영 HY
오픈서베이 CEO
