고객 조사에 활용하는 생성형 AI 기반 MI 접근법
기업의 MI(Market Intelligence, 마켓 인텔리전스) 담당자들은 고객 조사를 통해 고객의 니즈, 행동, 의견을 체계적으로 분석하여 고객의 만족도를 높이고 기업의 경쟁력을 강화할 수 있는 방향을 찾습니다.
고객 조사의 프로세스는 조사 설계 → 자료 개발 → 조사 수행 (정량 조사, 정성 조사) → 결과 분석의 총 4단계로 구분됩니다. 전통적인 리서치 방법론 외에도 AI, 머신러닝 등 기술 기반의 고객 피드백 수집 솔루션이 등장하면서 수행 방법이 점차 다양해지고 있습니다. 이번 콘텐츠에서는 단계별로 고객 조사 업무가 생성형 AI로 인하여 어떻게 효율화될 수 있을지 알아보겠습니다.
📌 시리즈 콘텐츠 목차
- 생성형 AI가 마켓 인텔리전스에 미치는 영향
- 마켓 센싱을 위한 MI 업무의 생성형 AI 적용 방향
- 고객 조사에 활용하는 생성형 AI 기반 MI 접근법
- 보고서 작성에 활용하는 생성형 AI 적용 방향
- MI 거버넌스 업무를 위한 생성형 AI 적용 방향
1. 조사 설계 업무의 변화
조사 설계는 고객 조사의 첫 단계로 (1) 조사 목적에 맞는 가설을 수립하고, (2) 파악해야 할 정보(To-know list)를 정리하며, (3) 적합한 방법론/대상자를 결정하는 순으로 진행됩니다.
1) 가설 수립
[As-is]
- 관련 자료와 과거 프로젝트를 학습한 후 이를 기반으로 가설을 수립합니다. 대량의 자료를 찾아보고 분석하기 때문에 담당자의 시간이 많이 소요됩니다.
[To-be]
- AI 활용을 통한 MI 담당자의 효율성이 크게 향상될 것으로 보입니다.
- 이미 퍼플렉시티(Perplexity), 솔트룩스 ‘구버(Goover)’, 구글 ‘노트북 LM’과 같은 솔루션에서 자료 탐색과 인사이트 요약 작업을 지원하고 있으며, 기업 내부 자료도 탐색할 수 있는 엔터프라이즈 솔루션이 점차 도입될 것으로 보입니다.
- 또한, 새로운 가설을 도출하거나 기존 가설의 완성도를 높이는 아이디에이션(Ideation) 작업에도 관련 자료를 학습한 대화형 AI와의 협업이 도움 될 것으로 예상됩니다.
2) To-know list 정리
[As-is]
- To-know list는 마케팅, 상품 기획 등 기업 내 여러 부문과의 사전 협의가 필요하며, 요건 취합 및 정리에 시간이 다소 소요되는 편입니다.
[To-be]
- AI의 도입이 이 영역에서는 큰 변화를 불러오지 않으리라고 예상됩니다.
- AI는 MI 담당자만큼 부문별 이해관계와 기업 내부 맥락에 대한 지식이 부족하므로, 중간에서 프로젝트를 조율하는 MI 담당자의 역할이 지속될 것으로 보입니다.
3) 방법론/대상자 결정
[As-is]
- 가설과 To-know list가 정리된 후, 이에 맞는 조사 방법론과 대상자를 설계하는 과정이 진행됩니다.
- 현업 부문에서는 MI 지식이 부족한 경우가 많아서 적절한 방법 선택과 대상자 선정에 어려움을 겪는 경우가 많습니다.
- 반면, MI 담당팀은 조사 설계를 진행하는 데는 무리가 없으나, 기존 방법론 외 추가 고객 인사이트 발굴을 위한 새로운 접근 방안에 대한 니즈가 높습니다.
[To-be]
- MI 지식이 부족한 현업 부문의 경우, AI 도입을 통해 방법론 설계 단계에서 많은 지원을 받을 수 있습니다.
- 현재 칸타와 입소스를 비롯한 여러 마케팅 리서치 회사들은 생성형 AI 기반 리서치 에이전트 개발에 관심을 보입니다. 수천 건의 과거 조사 데이터와 산업 지식을 학습한 에이전트를 통해 방법론 설계를 더욱 효과적으로 진행할 수 있을 것으로 기대됩니다.
- 현재 방법론 설계까지는 어렵지만, AI와 조사 목적과 비즈니스 이슈에 대해 논의하면 이를 바탕으로 조사 설계서를 생성해 주는 솔루션이 발전하고 있습니다. (예: Streetbees의 ‘SBX’)
- MI 담당팀의 경우, AI가 적용된 새로운 솔루션의 등장으로 조사 설계 시 선택지가 다양해질 것입니다.
- 다만, 조사 결과의 품질에 대한 우려로 인해 초기에는 제한적인 검토가 이루어지거나, 정합성을 높이기 위한 검증 방식에 대한 요구가 늘어날 것으로 예상됩니다.
2. 자료 개발 업무의 변화
1) 설문지/가이드라인 개발
[As-is]
- 신규 프로젝트를 진행할 때 MI 담당자들과 연구원들은 일반적으로 설문 문항, 표현, 보기 응답을 새롭게 고안하며, 이는 다수의 시간과 노력 투입이 필요한 작업입니다
[To-be]
- 앞서 언급한 대로 여러 마케팅 리서치 회사에서 생성형 AI 기반 리서치 에이전트 개발에 관심을 보입니다.
- 설문지, 가이드라인 등 과거 진행된 조사 자료를 토대로 학습하여, 조사 목적과 산업 특성에 맞는 적합한 자료 작성 지원이 기대됩니다.
- 특히, DIY로 조사 설계 및 운영을 해야 하는 MI 담당자들에게 효율적인 도구가 될 것으로 예상됩니다.
2) 컨셉 보드 개발
[As-is]
- 신규 상품, 서비스 기획 시 컨셉 평가 진행을 위해 다수의 컨셉 제작이 필요하며, 디자인 부문의 리소스가 많이 필요합니다. 특히, 여러 가지의 프로토타입 버전을 제작하고 수정하는 데 시간이 오래 소요될 수 있습니다.
[To-be]
- AI 기반 이미지 생성 솔루션을 활용하면, 다양하고 창의적인 컨셉을 빠르게 생성할 수 있으며, 필요에 따라 특정 부분을 반복적으로 수정할 수 있습니다.
- 이를 통해 컨셉 보드 개발 과정의 효율성이 높아지고, 시각 자료 제작에 따른 부담이 크게 줄어들 것으로 예상됩니다.
- 나아가 고객 피드백에 따라 실시간 컨셉 수정과 평가가 가능한 설문 방식도 등장할 것으로 기대됩니다.
3) 검수 및 현지화
[As-is]
- 설문지나 가이드라인의 오류를 꼼꼼하게 검수하는 과정에서 많은 시간이 소요됩니다.
- 글로벌 조사의 경우, 국가별 내용 현지화로 인해 업무량이 늘어날 뿐만 아니라, 사람의 실수로 인해 부정확한 데이터가 수집될 가능성도 높아집니다.
[To-be]
- AI 솔루션을 활용해 오탈자 검수, 논리적 오류 확인, 언어 번역 등의 작업을 매우 효율적으로 수행할 수 있습니다.
- 이를 통해 검수 및 현지화 과정의 속도와 정확성을 크게 향상할 수 있을 것으로 기대됩니다. 또한, 인적 오류로 인한 데이터 품질 저하 문제도 효과적으로 해결이 가능합니다.
3. 조사 수행 업무의 변화
[정량 조사]
1) 데이터 품질 제고
[As-is]
- 응답 속도가 너무 빠르거나 느린 경우, 더미(Dummy) 문항 등 사전 지정한 룰에 따라 가짜/불성실 응답을 제한적으로 걸러내고 있습니다.
[To-be]
- 향후 AI 도입을 통해 설문 응답의 전체적인 맥락과 일관성을 기반으로 데이터 품질을 판단하고, 고객 정보(이전 설문 응답, 구매 또는 행동 데이터)를 참조하여 데이터 정제가 가능할 것으로 보입니다.
2) 조사 방식의 변화
[As-is]
- 현재 정량 설문 방식은 일방향적(One-way)이어서 몰입도가 낮고, 문항 이해 부족으로 인한 잘못된 응답의 위험이 있습니다.
- 또한 정성 조사와 달리 즉각적인 후속 질문이 어렵다는 한계가 있습니다.
[To-be]
- 이러한 한계를 극복하기 위해 앞으로는 대화형 서베이 방식으로 발전할 것으로 예상됩니다.
- AI 면접원이 문항에 대한 부연 설명을 제공하거나, 구체적인 답변이 필요할 때 개인화된 후속 질문을 제시하는 등 응답자들의 설문 경험을 크게 개선할 수 있습니다.
- 또한, 설문 보기 문항을 선택하는 방식보다는, 텍스트 기반의 서술형이나 보이스 서베이가 늘어날 가능성도 높습니다.
[정성 조사]
1) 응답자 모집
[As-is]
- 조사 설계에 따라 응답자 리크루팅 난이도가 높을 수 있으며, 특히 좌담회는 여러 명의 응답자가 모여야 하므로 시간 조율이 어렵습니다.
[To-be]
- 이러한 문제를 해결하기 위해 AI 가상 소비자 활용에 관한 연구가 활발히 진행되고 있습니다. 즉, 타겟 고객의 특징을 AI에 학습시켜 가상의 페르소나를 부여하는 방안입니다.
- 가상 소비자와의 인터뷰를 통해서 초기 컨셉을 검증하고, 이어서 조사 결과를 바탕으로 보완된 컨셉은 실제 소비자의 평가받는 식으로 조사를 진행할 수 있습니다.
- 가상 소비자를 활용한 접근법은 시간과 장소의 제약이 적고, 컨셉 평가에 대한 리스크를 크게 낮출 수 있다는 점에서 주목받고 있습니다.
2) 모더레이션 진행
[As-is]
- 사람이 직접 세션을 진행하다 보니 한 번에 여러 조사를 동시에 할 수 없고, 하루에 처리할 수 있는 양도 제한적입니다.
[To-be]
- AI 모더레이터를 활용하여 24시간 내내 동시에 여러 조사를 진행할 수 있어 조사 기간을 크게 단축할 수 있습니다. (예: Outset.ai, 칸타 ‘Kantar ART’, Streebess ‘SBX’ 등)
- 다만, 현재 AI는 미리 주입된 내용만 맞춰 작동하기 때문에 추가 질문을 자연스럽게 던지는 능력은 아직 부족합니다. 하지만 앞으로 기술이 더 발전하면 사람의 도움 없이도 정성 조사를 더욱 효과적으로 자동화할 수 있을 것으로 기대됩니다.
4. 결과 분석 업무의 변화
1) 고객 의견(VoC) 분석
[As-is]
- 고객 의견은 특정 주제에 대해 구체적인 맥락을 이해할 수 있어 유용하지만, 분석에 시간이 많이 소요됩니다.
- 텍스트 분석 기술이 발전하면서 고객 의견을 분류하는 작업은 어느 정도 수월해졌으나, 비디오나 이미지 같은 시각 자료 분석에는 여전히 한계가 있습니다.
[To-be]
- 최근 AI를 적용한 토픽 및 감정 기반의 VoC 분석 솔루션 (예: 오픈서베이 ‘데이터스페이스’, 퀄트릭스, 메달리아, Streetbees ‘SBX’ 등) 이 등장하며, 텍스트 분석의 효율이 크게 개선되고 있습니다.
- 점차 특정 키워드 중심의 토픽 분석에서 벗어나, 핵심 내용을 빠르게 요약하고 개선점을 제안해 주는 방향으로 고도화될 것으로 예상됩니다.
- 더 나아가, 비디오 및 이미지 기반의 응답 수집이 많아지면서 다양한 비정형 데이터의 통합 분석이 기대됩니다 (예: 컨셉 평가에서 마음에 드는 부분 표시).
2) 자료 통합 분석 및 활용
[As-is]
- 현재 이전 조사 자료, 정성 및 정량 조사 결과 등 다양한 자료를 개별적으로 분석하고 인사이트를 발굴하는 데 많은 시간이 소요되고 있습니다.
[To-be]
- AI를 통해 다양한 데이터를 자동 결합하여 분석할 수 있으며, 기존에는 발견하기 어려웠던 새로운 패턴과 관계를 예측하는 것도 가능해집니다.
- 또한, 분석에 드는 시간이 줄어들어 신속한 의사결정이 가능해집니다.
- 일부 영역에서는 최초 진행 이후 조사 설계부터 인사이트 도출에 이르는 전체 과정을 명확히 정의하여, 자동화된 워크플로우로 운영할 가능성도 있습니다 (예: 브랜드 인지도 정기 조사).
3) 스토리라인 정리 및 핵심 메시지 도출
[As-is]
- 여러 가지 데이터를 조합해 보고 스토리라인을 만드는 것은 큰 노력이 필요한 가장 어려운 업무입니다.
[To-be]
- 스토리라인 구성은 여전히 MI 담당자의 핵심 역할로 남을 것입니다.
- AI가 핵심 요약과 참고할 만한 정보를 제공하더라도, 이를 사내 정보와 연결해 인사이트로 완성하는 작업은 결국 사람의 몫이기 때문입니다.
5. 마지막으로 정리하자면…
고객 조사 업무는 AI 리서치 에이전트의 발전으로 점차 간편해지며, MI에 대한 전문 지식이 부족한 사람도 고객 조사를 더 쉽게 수행할 수 있는 시대가 열리고 있습니다.
이와 함께, 정량 조사의 AI 면접원과 정성 조사의 AI 모더레이터 도입으로 기존의 조사 방식 간 경계가 흐려지고 있으며, 두 방식을 결합한 새로운 인터랙티브 조사 방식이 증가할 것으로 예상됩니다.
또한, AI 분석 솔루션의 고도화로 텍스트, 비디오, 이미지 등 다양한 데이터 소스를 통합 분석해 핵심 내용을 빠르게 요약할 수 있는 역량이 강화되고 있습니다.
이제 MI 담당자는,
- 조사 수행 단계는 AI로 효율화하는 동시에, ‘무엇을, 왜‘ 조사할지에 대한 전략적 판단력을 키워야 합니다.
- 또한, AI가 제공한 요약 내용을 내부 맥락과 결합해 강력한 핵심 메시지를 도출하는 역량이 점점 더 중요해질 것입니다.
다음 포스팅에서는 마켓 인텔리전스의 주요 업무 중 하나인 ‘보고서 작성’에서 생성형 AI를 어떻게 적용할 수 있을지, 무엇을 준비해야 할지 자세히 살펴보도록 하겠습니다.
오픈서베이 커뮤니케이션 매니저
B&K 마켓 인텔리전스
시장과 고객을 잘 이해할 수 있게 돕습니다
