VoC, 가장 솔직한 고객의 경험과 생각
지금 이 순간에도 다양한 경로로 우리 제품, 서비스, 브랜드에 대한 고객의 소리(VoC, Voice of Customer)가 데이터로 쌓이고 있습니다. 앱스토어 리뷰, 이커머스 리뷰, 소셜 미디어 댓글, 홈페이지 문의, 고객센터로 접수되는 클레임 등이 모두 VoC 데이터라고 할 수 있는데요. 이러한 VoC는 고객의 진짜 경험, 생각, 감정을 표현한 데이터입니다. 이를 통해 기업은 놓치고 있던 문제를 발견할 수 있습니다. 또한 표면적으로 드러난 현상 뒤에 숨겨진 원인이나 동기를 파악함으로써, 문제를 근본적으로 해결할 기회를 제공합니다.
또한 고객과 깊은 관계를 맺고 있는 브랜드일수록 VoC 데이터는 고객과의 소통의 산물로서 더 큰 가치를 가집니다. 브랜드에 대한 관여도가 높거나 애정이 큰 고객일수록 브랜드에 해주고 싶은 이야기가 많습니다. 그리고 그 생각들을 정말이지 놀라울 정도로 세세하게 VoC에 담아냅니다. 가장 가까이서 브랜드를 경험한 고객이 해주는 이야기는 브랜드가 지금 바로 해야 할 일을 알려주는 러브레터라고 할 수 있죠.
이러한 VoC는 설문 형식으로 수집하는 경우가 많은데요, 주관식 문항으로 제품, 서비스, 브랜드에 대해 만족하는 점, 개선이 필요한 점, 브랜드에 대한 인식을 묻는 것이 여기 해당합니다. 객관식으로 질문하면 정량화가 쉽다는 장점이 있지만 문항을 설계한 사람이 이미 알고 있거나 가설로 생각한 것만 확인할 수 있다는 한계가 있습니다. 반면에 주관식 응답은 객관식으로는 미처 포착할 수 없었던 고객의 자발적인 인식까지 확인할 수 있습니다.
VoC 활용, 왜 어려울까?
수천 건, 수만 건 데이터를 일일이 손으로 분류할 수는 없어요
오픈서베이의 조사에 따르면, 기업 실무자의 73%가 고객 의견을 담은 텍스트 데이터(VoC)를 수집하고 있고, 이 중 88%는 VoC 데이터가 고객 경험 개선에 도움이 된다고 응답했습니다. 하지만 수집된 데이터를 충분히 활용하고 있다고 응답한 비율은 17%에 불과했습니다. 왜 이런 현상이 나타나고 있는지, VoC 데이터를 잘 활용하기 위해 극복해야 하는 문제가 무엇인지 예시를 통해 살펴보겠습니다.
아래는 배달앱 사용자 대상으로 진행한 설문에 포함된 주관식 문항 예시입니다.”배달앱을 더 만족스럽게 사용하려면 어떤 점이 개선되면 좋겠나요?” 라는 질문에 대한 응답 10개를 살펴보았습니다. 각각을 읽어보면 고객센터에 바로 전화할 수 있으면 좋겠다거나, 가게별 리뷰에 더해 메뉴별 리뷰를 볼 수 있으면 좋겠다는 의견 등이 있다는 것을 알 수 있습니다.
그런데 이 데이터를 기반으로 개선안을 제안하려고 하면 꼭 이런 질문을 받습니다. “그 고객만 그렇게 생각하는 것 아닌가요? 그렇게 생각하는 고객이 얼마나 되죠?” 이 질문에 답하려면 각각의 응답을 주제별로 분류해서 같은 의견을 가진 고객이 얼마나 많은지 정량화해야 합니다. 10개의 예시 응답을 분류해 보면 대분류 기준 고객센터 관련 의견을 준 고객이 2명, 검색에 대한 의견을 준 고객이 2명, 리뷰에 대한 의견을 준 고객이 2명이라는 것을 알 수 있습니다. 전체 VoC 데이터를 이와 같은 방식으로 분류하면 고객센터, 검색, 리뷰 중 고객의 시각에서 어떤 것이 개선 우선순위가 높은지 파악할 수 있죠. 이처럼 비정형 데이터(Unstructured data)인 VoC 데이터를 기업에서 활용하기 위해서는 정형화(Structurization), 정량화(Quantification)하는 과정이 반드시 필요합니다.
그런데 문제는 VoC 데이터의 양이 너무 많다는 것입니다. 수천 건에서, 많게는 수십만 건까지 쌓이는데, 담당자가 이를 일일이 읽고 분류하는 건 현실적으로 불가능합니다. 특히 많은 기업에서 정기적으로 NPS 조사를 진행하는데, 담당자는 보통 한두 명에 불과한 경우가 많습니다. 추천 의향이 있는 이유, 개선해야 할 점 등 텍스트 형태의 VoC 데이터는 매일 혹은 주 단위로 수백 건, 수천 건씩 쌓이고 있는데 말이죠.
만약 한 응답을 읽고 분류하는 데 15초씩만 쓴다고 해도 1천 개의 데이터를 분류하는 데 4시간이 넘게 걸립니다. 여기에 분류 기준을 정하고 응답을 분류하면서 수정, 보완하는 데 걸리는 시간까지 생각하면 데이터를 정량화하는 데 최소 6시간 이상이 걸립니다. 이런 과정을 매번 수작업으로 진행하는 건 정말 쉽지 않은 일입니다.
VoC 수집하는 부서 따로, 개선하는 부서 따로
기업에서 VoC 데이터를 잘 활용하기 위해 극복해야 하는 문제가 하나 더 있습니다. 바로 대부분의 기업에서 VoC를 수집하는 부서와 실제로 개선을 담당하는 부서가 다르다는 점인데요. VoC에는 앱, 오프라인, 고객센터 등 구분 없이 고객이 불편해하는 점, 개선을 바라는 점이 포함되어 있습니다. 그런데 앱 개선은 제품 개발팀에서, 오프라인 매장 개선은 매장 운영팀에서, 고객센터 개선은 CS팀에서 해야 하죠.
이 상황에서는 VoC 분석 결과를 개선을 담당하는 부서로 잘 전달하고 공유하는 것이 중요합니다. 하지만 그런 프로세스가 없는 경우가 많이 있고, 설사 프로세스가 있다고 하더라도 분석 결과를 모두가 쉽게 이해할 수 있는 형태로 정리하여 공유하는 것이 쉽지 않습니다. 분석 결과를 보기 쉽게 시각화할 수 있는 지식이 필요할 뿐만 아니라, 공유할 수 있는 형태로 데이터를 정리하는 데 시간과 노력이 필요하기 때문입니다.
기술로 VoC 활용의 새로운 가능성을 열다
지금까지 이야기한 어려움을 극복하고 VoC 데이터를 더 가치 있게 활용할 수 있도록 오픈서베이는 기술을 통해 세 가지 핵심 문제 해결에 집중했습니다.
- 데이터 전처리와 분석 자동화
- 데이터의 의미를 이해하기 쉽게 전달하는 시각화
- 자유롭고 안전한 데이터 공유와 보고
먼저 비정형 데이터인 VoC 데이터를 정형화, 정량화하는 데 드는 시간과 비용, 노력을 절감할 수 있도록 데이터 전처리와 분석을 자동화했습니다. 과거에 리서치 영역에서는 텍스트 데이터를 사람이 직접 보고 분류하는 ‘코딩’이라는 방식으로 정형화, 정량화 문제를 해결해 왔습니다. 하지만, 이 방식으로는 갈수록 빠른 의사결정을 원하는 기업의 기대치를 맞추기 어렵습니다. 게다가 숙련된 작업자가 줄어들면서 비용은 계속해서 상승하는 문제도 있습니다. 이에 오픈서베이는 기술을 이용한 전처리와 자동화로 이러한 문제를 근본적으로 해결하기로 했습니다.
VoC 대상이 되는 브랜드 이름, 제품 이름과 같은 단답형 응답은 사람이 하나씩 보고 정제할 필요 없이 자동으로 오타를 교정하고 외래어 표기를 맞추어 같은 항목을 묶어 주도록 했습니다. 만족하는 이유, 불편한 점, 개선이 필요한 점 등 서술형 응답은 응답자의 의도나 주제별로 자동 분류하여 묶어주거나 응답에 담긴 긍정, 부정 감정을 자동으로 분석해 지표화했습니다. 다양한 언어로 응답을 수집했다면 하나의 기준 언어로 번역한 뒤 위와 같은 분석을 진행할 수 있도록 했습니다.
두 번째로 VoC 분석 결과를 이해하기 쉬운 형태로 전달하는 시각화 방법을 개발했습니다. 텍스트 데이터를 시각화하는 가장 대표적인 방법인 워드클라우드는 텍스트 데이터에서 반복적으로 언급된 키워드를 추출해 언급 빈도가 높은 키워드는 크게, 낮은 키워드는 작게 보여주는 방식입니다. 하지만 워드클라우드는 제품명이나 브랜드명, ‘합리적인 가격’과 같은 단답형 응답에서는 전체 패턴을 파악하는 데 도움이 되지만 복합적인 의미를 담고 있는 서술형 응답에서는 응답에 담긴 의도와 맥락, 감정을 전달하는데 한계가 있습니다. 오픈서베이는 주제 버블, 감정 게이지와 같이 서술형 응답 분석 결과를 표현하는 새로운 시각화 방법을 개발하고, 빠르게 전체 패턴을 파악할 수 있는 요약 정보와 실제 고객의 소리에 담긴 뉘앙스를 담은 원본 응답을 함께 살펴볼 수 있도록 했습니다.
마지막으로 VoC 분석 결과를 조직 내에서 자유롭고 안전하게 공유하고, 손쉽게 보고 자료에 활용할 수 있는 기능을 추가했습니다. 과거에는 분석을 진행한 담당자가 보고서를 작성해 공유하는 경우가 많았지만, 일주일 단위로 시장과 경쟁 상황이 달라지는 지금은 맞지 않는 방식이라고 생각했습니다. 분석자가 추가 작업을 하지 않고도 분석 결과를 실시간으로, 손쉽게 공유할 수 있도록 웹 대시보드를 링크로 공유할 수 있도록 했습니다. 또한 우리 제품과 서비스에 대한 가장 내밀한 고객의 평가를 담고 있거나 응답자인 고객의 개인 정보와 민감 정보를 담고 있는 VoC 데이터를 안전하게 관리할 수 있도록 개인정보보호, 데이터 접근 권한과 기간을 통제할 수 있는 기능을 추가했습니다.
이렇게 탄생한 오픈서베이의 AI 텍스트 분석 기능은 VoC 데이터의 전처리, 분석, 시각화, 공유와 보고까지 모든 단계를 자동화하여 분석 전문 인력이 없이도 방대한 VoC 데이터를 효율적으로 분석하고 활용할 수 있도록 지원합니다. 또한 VoC 데이터를 조직 내 자유롭고 안전하게 공유하여 개선이 적시에, 일관된 방향으로 실행될 수 있도록 돕습니다.
오픈서베이의 AI 텍스트 분석 기능, 이렇게 활용할 수 있습니다
텍스트 그룹핑: 최초 상기 브랜드 등 단답형 데이터를 빠르게 정량화
카테고리에서 소비자가 가장 먼저 떠올리는 브랜드를 의미하는 최초 상기 브랜드(Top of Mind)는 브랜드 위상을 가장 잘 보여주는 지표인 동시에 시장 점유율과 가장 높은 상관관계를 보이는 선행 지표입니다. 최초 상기 브랜드를 단답형 텍스트 응답으로 수집했다면 AI 텍스트 그룹핑 기능을 이용해 자동으로 오타를 정제하고 같은 브랜드끼리 묶어서 빠르게 브랜드별 최초 상기도를 분석할 수 있습니다.
주제 분석: 제품 선택 이유, 서비스 불편점 등 서술형 응답에 담긴 의도를 정량화
특정 제품을 선택한 이유, 서비스를 이용하면서 불편하다고 느끼는 점 등을 서술형 응답으로 수집했다면 같은 주제에 해당하는 응답끼리 자동으로 묶어서 정량화하는 주제 분석을 활용할 수 있습니다. 분류된 주제별에 속하는 응답을 요약해 주고 대표적인 응답을 함께 보여줌으로써 실제 응답에 담긴 뉘앙스와 맥락을 잃지 않고 데이터를 살펴볼 수 있습니다.
그리고 주제 분석을 한 뒤에는 교차분석을 이용해 제품별 선택 이유가 어떻게 다른지, 고객 세그먼트별로 느끼는 서비스 불편점이 어떻게 다른지 통계적으로 분석하여 제품별 포지셔닝을 다르게 가져가야 하는지 고객 세그먼트별 서비스 정책을 다르게 가져가야 하는지 등에 대한 의사결정에 반영할 수 있습니다.
또한, 변수관리 기능을 이용하면 세부 주제를 더 큰 범주로 묶어서 분석하는 것이 가능합니다.
감정 분석: 제품과 브랜드 평가에 담긴 고객의 감정을 지표화
브랜드와 제품 평가에 담긴 부정적 감정이 얼마나 되는지, 늘어나는지 모니터링하는 것은 중요합니다. 응답을 일일이 읽지 않고도 긍정, 중립, 부정적 응답을 자동으로 분류해 제품 간, 브랜드 간 비교하거나 지속적으로 데이터를 수집해 지표로 관리할 수 있습니다. 긍정, 중립, 부정 응답으로 분류된 응답을 요약해 주고 대표적인 응답을 함께 보여줌으로써 분류가 잘 되었는지 확인하고 실제 응답에 담긴 뉘앙스까지 함께 파악할 수 있습니다.
멤버 초대와 링크 기반 공유: 접근 권한과 기한을 통제하여 안전하게 공유
AI 텍스트 분석 결과를 담은 웹 대시보드를 그대로 조직 내외 이해관계자와 협업자에게 공유할 수 있습니다. 추가 분석을 수행하거나 시각화 결과물을 다운로드 받을 필요가 있는 협업자는 멤버로 초대해 협업할 수 있고, 결과물만 볼 필요가 있는 더 넓은 범위의 협업자에게는 링크로 공유하되 만료일을 지정해 데이터 보안을 챙길 수 있습니다.
분석 결과 다운로드: 시각화된 산출물 그대로 다운로드하여 보고에 활용
모든 시각화 산출물은 다운로드하여 보고에 활용할 수 있습니다.
이제 오픈서베이 데이터스페이스로 고객의 진짜 속마음을 분석해 보세요
텍스트 데이터를 분석하고 활용하는 일, 오픈서베이 데이터스페이스와 함께라면 이제 어려운 일이 아닙니다. AI 텍스트 분석을 통해 고객의 목소리를 단순한 피드백이 아닌 실질적인 성과 개선을 만드는 비즈니스 인사이트로 바꿔보세요. AI 텍스트 분석의 다양한 활용 사례가 궁금하다면, 아래 버튼을 눌러 구독해 보세요!
- 만족도 조사, 빠르고 간편하게 분석: 정기적으로 진행하는 NPS 조사에서 추천하고자 하는 이유, 추천할 의향이 없는 이유를 주관식으로 받았다면 AI 텍스트 분석 기능을 이용해 빠르게 분석할 수 있습니다. 자동화된 분석으로 시간과 비용을 절감하고 NPS 상승에 기여하는 긍정적으로 기여하는 경험과 부정적으로 기여하는 경험을 파악해 긍정적 요인은 강화하고 부정적 요인은 개선할 수 있습니다.
➡️ 만족도·NPS 조사 분석, 하루 만에 끝내는 법 | AI 텍스트 분석 활용 사례
- 제품 컨셉 경쟁력 강화: 잠재 고객이 컨셉 평가에서 남긴 다양한 의견 속에서 빠르게 인사이트를 찾아 더 경쟁력 있는 컨셉을 만들어 낼 수 있습니다. 잠재 고객이 긍정적으로 보는 소구점을 더 강조하거나, 부정적으로 느끼는 부분을 개선해 더 성공 확률이 높은 컨셉을 만들어 보세요.
➡️ 컨셉 평가 속 숨겨진 인사이트 찾기 | AI 텍스트 분석 활용 사례
- 브랜드 자유 연상 이미지 분석: ‘OO브랜드 하면 떠오르는 것’을 질문했을 때 응답자가 자발적으로 언급한 것은 우리 브랜드의 이미지를 가장 잘 표현해 주는 데이터입니다. 응답자에 따라 형용사, 짧은 구문, 혹은 긴 문장으로 표현한 브랜드 이미지를 자동으로 분석해 키워드를 뽑거나 주제별로 묶어 정량화하여 경쟁 브랜드와 비교하여 차별화 포인트를 찾아낼 수 있습니다.
➡️ 제네시스는 중후함, BMW는 자유로움? AI가 밝혀낸 진짜 브랜드 이미지 | AI 텍스트 분석 활용 사례
- 채널별 리뷰 데이터 통합 분석: 유통채널별로 파편화된 고객 리뷰 데이터를 하나로 통합해 분석하는 방식을 안내합니다. 통합된 데이터를 통해 전체 고객 경험을 한눈에 파악하고, 통합된 전략 수립이 가능합니다.
➡️ 리뷰 데이터 분석으로 찾는 성장과 개선의 기회 | AI 텍스트 분석 활용 사례
- 롱테일 트렌드 모니터링: 주관식 응답을 통해 객관식 설문으로는 파악하기 어려운 롱테일 트렌드 키워드를 효과적으로 모니터링할 수 있습니다. 숨겨진 트렌드를 선제적으로 파악해 시장에서의 경쟁 우위를 확보할 수 있습니다.
➡️ 데이터스페이스로 변화하는 소비자 의견을 읽는 법 | AI 텍스트 분석 사례
데이터스페이스 더 알아보기
데이터스페이스는 고객 경험을 담고 있는 VoC 데이터나 설문 데이터를 수집하고 분석하는데 최적화된 기능을 제공합니다. 설문 설계부터 데이터 분석까지, 필요 시 오픈서베이 전문가의 도움을 받을 수도 있습니다.
더욱 상세한 안내가 필요하다면 오픈서베이 팀을 만나보세요. 데이터스페이스 기능에 대한 자세한 소개와 다른 기업의 활용 사례를 들어보고, 제품 트라이얼을 신청할 수도 있습니다.
소비자 데이터 플랫폼
