컨택 센터의 AI 품질 모니터링: QA를 비용 센터에서 전략적 인텔리전스로 전환하는 방법

캐슬린 맥네어와 토냐 웨버

전 세계 대부분의 대형 콜센터에서 AI 기반 품질 모니터링 도구는 시범 운영 단계를 넘어 본격적인 운영 단계로 넘어갔으며, 이를 통해 모든 상담 내용을 청취하고, 모든 통화에 점수를 매기며, 잠재적인 문제를 실시간으로 식별하고 있습니다. 그러나 경영진 차원에서는 아직 그 성과가 명확하지 않습니다. 문제 해결, 고객 만족도, 서비스 비용과 같은 핵심 지표들은 기존 표본 조사 방식 하에서 측정했을 때와 별반 다르지 않은 모습을 보이는 경우가 많습니다.

COPC의 최근 연구에 따르면, 현재 79%의 기업이 고객 서비스에 AI를 활용하고 있으며, 추가로 15.9%는 향후 18개월 이내에 도입할 계획인 것으로 나타났습니다. 아예 도입 계획이 없는 곳은 5%에 불과합니다. 하지만 중요한 점은 현재 AI를 활용 중인 기업 중 거의 3분의 2(전체 응답자의 61.7%)가 AI 솔루션을 갱신, 변경 또는 업그레이드할 계획을 적극적으로 세우고 있다는 사실입니다. 이는 기대와 현실 간의 괴리를 시사할 수 있습니다.

이것이 바로 COPC Inc.에서 업무를 수행하며 우리가 목격하는 격차입니다. 지난 30년 가까이 우리는 다양한 조직이 고객 경험(CX) 운영을 개선할 수 있도록 지원해 왔으며, COPC 고객 경험(CX) 표준을 수립하고 개선해 왔고, 리더들이 기술 선택을 통해 실질적인 가치를 창출할 수 있도록 조언해 왔습니다. 우리는 기술이 실제 업무 수행 방식과 고객이 브랜드를 경험하는 방식에 부합할 때 비로소 성과를 거둘 수 있다는 사실을 깨달았습니다.

현재 많은 품질 관리 프로그램이 여전히 소수 표본에 기반한 사고방식을 전체 고객 집단에 적용하고 있습니다. 일부는 문제 해결을 측정하려 시도하기도 하지만, 대개는 회사의 관점에서 접근합니다(예: 상담원이 스크립트를 따랐는지, 정책을 준수했는지, 승인된 답변을 제공했는지 등). 이러한 구조에서는 고객의 실제 결과가 측정되기보다는 추측에 그치며, 자동화 시스템은 상담원이 정책을 얼마나 잘 준수했는지를 평가하는 스코어카드만 생성해 냅니다. 여전히 부족한 것은 고객 관점에서 볼 때 어떤 정책, 프로세스 또는 도구가 실제로 해결 실패를 초래하는지 이해하는 데 필요한 진단적 세부 정보입니다. 

품질 관리를 고객 성과 중심으로 재편하면 전혀 다른 그림이 그려집니다. 해결되지 않은 문제의 상당 부분은 상담원의 행동보다는 정책, 프로세스, 또는 도구에 기인하는 경우가 많습니다.

앞으로, 이러한 가시성을 실질적인 투자 수익률(ROI)로 전환하기 위해 필요한 세 가지 요소를 자세히 살펴보겠습니다. 바로 고객 성과 중심으로 체계화된 데이터, 파악한 내용을 바탕으로 즉각적으로 대응할 수 있는 역량 있는 팀, 그리고 AI와 인간의 전문성이 서로 고립되지 않고 협력하여 작동하는 것입니다.

AI 품질 모니터링이 QA 데이터를 실행 가능한 통찰력으로 전환하는 방법

기존의 컨택 센터 품질 보증 체계는 제한된 데이터에 의존해 구축되었습니다. 대부분의 팀은 상호작용 사례 중 극히 일부(대개 2~5%)만을 검토할 수 있었으며, 이 샘플을 바탕으로 상담원을 코칭하고 규정 준수 여부를 추적하며 프로그램 차원의 성과를 추정했습니다. 여기서 가장 큰 과제는 가시성이었습니다. 조직들은 문제가 해결되었는지, 아니면 해결되지 않았는지를 이해하는 데 필요한 깊이와 규모로 상호작용을 분석할 기술이 부족했습니다. 문제가 존재한다는 사실은 파악할 수 있었지만, 그 배후에 있는 정책, 프로세스 또는 도구의 결함을 쉽게 특정해 내지는 못했습니다.

AI 기반 품질 모니터링은 이러한 상황을 바꿉니다. AI는 모든 전화, 채팅, 디지털 상호작용에 점수를 매기고, 태그를 지정하며, 분류할 수 있습니다. 이는 상담원 한 명당 매달 소수의 문의 건만 수동으로 검토하던 기존 시스템에 비해 큰 진전입니다. 하지만 데이터가 많아진다고 해서 반드시 더 나은 의사결정이 이루어지는 것은 아닙니다. 많은 조직에서 이는 단순히 팀이 처리해야 할 대시보드, 알림, 대화록의 양만 늘릴 뿐입니다.

진짜 문제는 기술이 모든 상호작용을 모니터링할 수 있는지 여부가 아닙니다. 기술은 이미 그럴 수 있습니다. 문제는 리더들이 어디에서 가치가 손실되고 있는지 파악하고, 무엇을 먼저 개선해야 할지 알 수 있도록 올바른 데이터를 어떻게 수집하고 정리할 것인가 하는 점입니다.

체크리스트가 아니라 고객을 먼저 생각하십시오.

COPC에서의 업무에서 가장 먼저 바뀌어야 할 점은 간단합니다. 우리는 상담원이 올바른 절차를 따랐는지에만 집중하는 것을 그만두고, 고객의 문제가 실제로 해결되었는지를 묻기 시작합니다.

그건 같은 게 아닙니다.

고객이 환불을 요청하는 전화를 걸었을 때, 상담원이 정책을 철저히 준수하여 요청을 거절하고 해당 내용을 정확히 기록했다면, 많은 기존 품질 관리 프로그램에서는 해당 접점을 ‘해결됨’으로 처리합니다. 회사의 관점에서 보면 절차는 제대로 진행된 셈입니다. 하지만 고객의 관점에서 보면 그렇지 않습니다. 고객은 여전히 환불을 원했지만, 결국 환불받지 못한 채 전화를 끊었습니다.

이 차이를 보여주는 간단한 방법은 다음과 같습니다:

품질 평가를 단순히 상담원이 규정을 준수했는지에만 국한한다면, 조직은 성과를 과대평가하게 되고, 진정한 문제 해결을 가로막는 정책, 프로세스, 도구를 간과하게 될 것입니다.

이러한 구분은 AI 품질 모니터링이 무엇을 측정하는지에 영향을 미치기 때문에 중요합니다. 시스템이 단순히 규정 준수 여부만 확인한다면, 이는 기존 품질 보증(QA) 모델의 속도만 빨라진 버전에 불과합니다. 반면 고객이 체감하는 문제 해결 수준을 측정한다면, 정책, 프로세스, 도구가 더 나은 결과를 내는 데 어떤 부분에서 걸림돌이 되고 있는지 파악할 수 있게 됩니다.

AI 품질 평가 도구는 고객 결과보다 규칙에 기반한 행동을 더 정확하게 측정하는 경향이 있습니다. 스크립트 준수, 정중한 인사, 적절한 대기 절차 등은 명확한 패턴을 따르기 때문에 점수를 매기기 쉽습니다. 반면 문제 해결, 노력, 신뢰, 고객 만족도는 동일한 수준의 확신을 가지고 평가하기가 더 어렵습니다. 이로 인해 조직은 겉보기에는 정밀해 보이는 품질 점수를 얻게 되지만, 실제로 가장 중요한 고객 경험의 신호는 놓치게 될 수 있습니다. 

체계적인 분석을 통해 문제 해결의 원동력이 무엇인지 밝혀집니다.

컨택 센터 업무에서 우리는 고객 관점에 맞춰 AI 품질 모니터링 데이터를 체계화하는 방법 중 하나로 해결 흐름도 시각화 도구를 활용합니다. 또 다른 방법은 미해결 문의의 주요 원인을 순위별로 표시하고, 팀이 클릭 한 번으로 근본 원인을 확인할 수 있는 드릴다운 파레토 대시보드입니다. 형식은 다양할 수 있습니다. 중요한 것은 품질 관리 팀이 광범위한 결과에서 구체적인 원인을 파악하고, 이를 바탕으로 실행에 옮길 수 있는 실질적인 방법을 제공하는 것입니다.

결의 트리는 인구 수준 데이터를 가져와 이를 계층적으로 구조화합니다:

• 결과: 문제 해결 여부
• 제어 가능성: 에이전트에 의한 제어 가능 여부

근본 원인: 정책 , 프로세스, 도구 또는 기타 요인

북미의 한 B2B 전자상거래 고객사를 대상으로 품질 모니터링의 관점을 에이전트 중심에서 고객 중심으로 전환했을 때, 수치상으로는 전혀 다른 결과가 나타났습니다.

트리 구조의 왼쪽 부분에서, 고객 관점에서 볼 때 문제의 40%는 해결되었으나 60%는 해결되지 않았습니다. 이 60%를 세분화해 보면, 상담원이 실제로 통제할 수 있는 부분은 고작 7%포인트에 불과했습니다. 나머지 비율, 즉 실패의 원인은 개별 상담원이 아닌 정책, 프로세스 또는 도구에서 비롯된 것이었습니다. 이 접근 방식을 적용해 보면 많은 환경에서 유사한 70/30 패턴이 나타납니다. 정확한 비율은 고객과 고객 여정에 따라 다르지만, 핵심적인 사실은 일관됩니다. 즉, 대부분의 품질 문제는 개인적인 것이 아니라 시스템적인 문제라는 점입니다.

이 도표를 통해 한 단계 더 깊이 들여다볼 수 있습니다. 총 28개의 체계적 문제점 중 24개는 고객 경험(CX) 정책 및 프로세스 문제에서 비롯된 것이었습니다:

• 고객이 해당 문제에 대해 서면 요청서를 제출해야 한다는 요건으로 인해 14점이 차감됨
• 에스컬레이션 또는 이관으로 인한 6점
• 고객 확인 요건 4가지

나머지 4개 항목은 재무 규정, 도구 및 고객별 제약 조건으로 구성되었습니다.

이 구조가 왜 논의의 판도를 바꾸는가

드릴다운 대시보드는 동일한 논리를 다른 형식으로 적용하여, 팀이 미해결 문의의 주요 원인을 먼저 파악한 다음, 그 배후에 있는 정책, 프로세스, 도구 또는 상담원의 행동 양식을 더 깊이 분석할 수 있도록 돕습니다.

데이터를 이런 식으로 정리하면, 세 가지가 즉시 달라집니다.

1. 현실적인 목표 설정. 대부분의 조직은 과거 실적을 검토한 후 도전적인 목표를 추가하는 방식으로 해결 목표를 설정합니다. 이 사례에서 해당 조직은 75%의 해결률을 달성하기 위해 노력해 왔습니다. 매월 코칭을 강화하고 현장 팀에 더 많은 압박을 가했음에도 불구하고, 고객센터는 목표를 달성하지 못했습니다.
   
   체계적인 분석을 통해 그 원인이 밝혀졌습니다. 모든 상담원이 완벽하게 업무를 수행한다고 해도, 고객센터의 해결률은 60%에서 약 72%로만 상승할 수 있었습니다. 정책, 프로세스, 도구를 변경하지 않는 한, 75%는 수학적으로 달성 불가능한 수치였습니다. 아무리 코칭을 많이 해도 상담원들이 시스템 자체가 만들어낸 한계를 넘어서게 할 수는 없습니다. 리더들은 “왜 상담원들이 75%를 달성하지 못하는가?”라고 묻기보다, “75%를 달성 가능하게 하려면 정책이나 프로세스에서 무엇을 변경해야 하는가?”라고 물어야 합니다.
   
2. 정량화된 비즈니스 사례. “서면 요청 필수”와 같은 단일 정책이 미해결 문제의 14%를 차지하는 경우, 경영진은 이를 구체적인 수치로 뒷받침할 수 있습니다. 접촉당 비용, 환불 정책, 잠재적인 디지털 대안 등 몇 가지 추가 정보를 바탕으로 품질 관리 팀은 연간 재정적 영향을 추정하고, 해당 규칙을 유지하는 비용과 고객 불편을 해소하는 기술 또는 프로세스 솔루션으로 대체하는 비용을 비교할 수 있습니다.
   
   품질 관리 팀은 “이 정책이 불편을 야기하고 있다고 생각합니다”라고 말하는 대신, “이 특정 요건으로 인해 추가적인 문의와 해결 실패로 인해 추정되는 금액의 비용이 발생하고 있습니다”라고 말할 수 있습니다. 한 시나리오 모델링 결과, 초기 10만 건의 문의가 고객들의 재문의로 인해 시간이 지남에 따라 총 136,972건으로 증가했으며, 이로 인해 연간 약 147,888달러의 피할 수 있었던 비용이 발생했습니다. 이러한 관점에서 볼 때, 품질 관리는 단순히 행동에 점수를 매기는 것이 아니라 숨겨진 수요와 비용을 드러내는 수단이 됩니다. 이것이 바로 품질 관리 부서를 단순한 비용 센터에서 컨택 센터 비즈니스 인텔리전스 제공자로 전환하는 변화입니다.
   
3. 더 빠르게 심층 분석하기. 이 기술은 심층 분석을 훨씬 더 빠르게 수행할 수 있게 해주며, 체계적인 보기를 통해 팀이 적절한 지점이나 카테고리를 정확히 파악할 수 있도록 돕습니다. 만약 ‘상급자 보고 또는 이관 필요’ 항목이 해결률에서 7.1%포인트를 차지하고 있다면, 팀은 상급자 보고나 이관이 필요한 모든 상호작용 내역을 단 몇 초 만에 추출할 수 있습니다.
   
   품질 및 운영 담당자는 선별된 표본을 검토하여 해당 패턴의 원인을 신속하게 파악할 수 있습니다:
   • 에스컬레이션은 정책상 필수적인 것일까, 아니면 단순히 습관적인 것일까?
   • 첫 상담 시 문제 해결을 방해하는 지식의 공백이나 도구의 한계가 있습니까?
   • 해당 지점에서는 특정 제품, 프로세스 또는 고객층이 과도하게 집중되어 있습니까?

체계적인 구조가 없다면, 이러한 질문들은 수천 건의 구분되지 않은 평가 결과 속에 묻혀버리게 됩니다. 체계적인 구조가 갖춰지면, 리더들은 “해결에 문제가 있다”는 인식에서 벗어나 “어떤 방안을 통해 가장 빠르게 문제를 해결할 수 있는지 파악하고, 조직에 변화를 요구하기 전에 그 효과를 입증할 수 있다”는 단계로 나아갈 수 있습니다.

왜 여전히 사람의 감독이 중요한가 

다음 과제는 규모가 아니라 판단력입니다. 맥킨지는 AI가 서비스 상호작용에서 차지하는 비중이 점점 커지고 있음에도 불구하고, AI의 정확성을 검증하고 기술이 아직 제대로 처리하기 어려운 복잡하고 미묘한 감정적 문제를 다루는 데 있어 인간이 운영하는 고객센터의 역할은 여전히 중요하다고 주장해 왔습니다. CX Dive 역시 다른 관점에서 비슷한 지적을 했습니다. 고객 경험(CX) 분야에서 더 큰 장벽은 종종 기술 자체가 아니라 변화 관리와 도입 과정이라는 것입니다. 

바로 이 지점에서 AI 품질 모니터링 프로그램이 투자 대비 수익(ROI)을 창출할지, 아니면 기대에 미치지 못할지가 결정됩니다. 이 기술은 대규모 상호작용을 분석하고, 패턴을 신속하게 탐지하며, 다양한 채널과 고객 여정 전반에 걸친 문제를 파악함으로써 QA 팀의 수동 평가 업무 부담을 크게 덜어줄 수 있습니다. 이는 소규모 샘플을 대상으로 하는 QA 방식에 비해 큰 진전입니다. 하지만 분석 범위가 넓어진다고 해서 결과가 저절로 개선되는 것은 아닙니다.

품질 관리 팀이 여전히 해야 할 일

COPC 모델에서, 양질의 투자 수익률을 창출하는 작업은 여전히 사람의 감독 하에 이루어져야 합니다:

• 고객의 관점에서 ‘해결’이 무엇을 의미하는지 결정하여 결과 기준을 정의하십시오
• 재문의 발생, 문제 해결, 고객 만족도 등 실제 성과 지표를 기준으로 시스템을 평가하십시오
• 코칭 관련 문제와 정책, 프로세스 또는 도구상의 문제점을 구분하여 근본 원인을 분석한다
• 조사 결과를 우선순위에 따라 정리하여 경영진이 성과를 가장 빠르게 향상시킬 수 있는 변화에 집중할 수 있도록 하십시오
• 실행 가능한 운영 및 재무 측면의 변화 필요성을 설득력 있게 제시하십시오

이것이야말로 진정한 가치를 창출하는 인간과 AI의 협력 관계입니다. AI는 대규모 처리를 담당하고, 인간은 이를 지능으로 전환시키는 체계와 판단력, 그리고 실행력을 제공합니다.

가시성을 ROI로 전환하는 보정 루프

가장 우수한 프로그램들은 명확한 보정 루프를 사용합니다:

1. 이 시스템은 상호작용을 평가하고 분류합니다
2. 품질 관리 팀은 해결 여부, 재문의 발생 여부 및 고객 만족도를 기준으로 해당 결과를 검증합니다
3. 기준이 구체화된다
4. 이 시스템은 고객과 비즈니스에 진정으로 중요한 요소에 더욱 부합하게 됩니다

이는 AI의 산출물을 단순한 자동 점수가 아닌 실제 성과와 연결해 주기 때문에, 경영진에게 더 유용한 시스템이 됩니다. 또한 이 방식은 상담원들에게도 더 공정한 절차를 제공합니다. 경영진은 극히 일부의 사례만으로 성과를 평가하는 대신, 훨씬 더 포괄적인 증거를 바탕으로 판단할 수 있으며, 문제가 상담원 개인에게만 있는 것이 아니라 상담원을 둘러싼 시스템에 있는 경우를 더 명확히 파악할 수 있습니다.

스코어카드와 보고서에서 전략적 통찰력에 이르기까지

전통적인 QA 모델에서는 팀의 시간 대부분이 거래 내역 검토, 평가표 작성, 누락된 단계 기록 등에 할애됩니다. 반면 AI 기반 모델에서는 팀이 단순히 기술이 생성한 보고서를 배포하는 데 그치지 않습니다. 팀은 데이터를 분석하고 종합하여 활용 가능한 형식으로 정리하고, 경영진이 이를 바탕으로 즉각적인 조치를 취할 수 있도록 제시합니다. 이를 통해 팀은 더 큰 질문에 답할 수 있는 훨씬 유리한 입지를 확보하게 됩니다:

• 어떤 정책이 재문의로 이어지고 있나요?
• 어떤 전송 규칙이 해상도를 저하시키고 있습니까?
• 어떤 도구 관련 문제가 상담원과 고객에게 불필요한 번거로움을 초래하고 있습니까?
• 어떤 변경 사항이 지표에 가장 빠르게 영향을 미칠까요?

이러한 변화는 가시적인 성과를 창출할 수 있습니다. 미국의 한 대형 통신사와 진행한 COPC 프로젝트에서, 해당 기업은 내부 및 아웃소싱 센터 전반에 걸쳐 표준, 관리 관행, 공급업체 감독 체계를 일관되게 정비했습니다. 그 결과 문제 해결률이 66%에서 80% 초반대로 상승했고, 상위 2개 구간 고객 만족도(CSAT)는 17.5포인트 개선되었으며, 5,000만 달러 이상의 비용 절감 효과를 거두었습니다.

여기서 얻을 수 있는 교훈은 AI만으로는 그런 결과를 이끌어낼 수 없다는 것이 아닙니다. 중요한 점은 팀에 올바른 구조와 기준, 그리고 관리 체계가 갖춰지면, 기술이 올바른 행동 양식을 확산시키는 데 훨씬 더 효과적이라는 사실입니다.

지금의 기회는 단순히 상담 건수를 늘리는 데 그치지 않습니다. 우수한 팀들이 문제 해결을 가로막는 요인을 파악하고, 그 영향을 정량화하며, 경영진이 다음으로 해결해야 할 과제를 결정할 수 있도록 필요한 가시성과 권한을 부여하는 데 있습니다.

ROI를 창출하는 AI 품질 모니터링 프로그램의 차별점은 무엇인가

차이는 도구 자체에 있는 경우가 거의 없습니다. 저희 경험상, 더 큰 차이는 그 도구를 둘러싼 운영 방식에 있습니다.

일부 조직에서는 자동화된 모니터링을 기존의 품질 보증(QA) 프로그램을 더 빠르게 수행한 것으로 간주합니다. 이들은 더 많은 상호작용을 평가하고, 더 많은 대시보드를 생성하며, 상담원에게 더 많은 코칭을 제공하지만, 품질의 정의나 발견된 문제에 대한 조치 방식은 바꾸지 않습니다. 이러한 환경에서는 기술이 별다른 가치를 창출하지 못한 채 단순히 가시성만 높일 뿐인 경우가 많습니다.

우수한 프로그램들은 다른 접근 방식을 취합니다. 이들은 고객의 관점에서 출발하여, 근본 원인을 심층 분석할 수 있도록 데이터를 체계화하고, 품질 팀이 이러한 패턴을 바탕으로 비즈니스 의사결정을 내릴 수 있도록 지원합니다. 이러한 모델에서 모니터링은 단순히 더 많은 상호작용을 검토하는 수단이 아닙니다. 오히려 어떤 정책, 프로세스, 도구가 문제 해결을 방해하고 불필요한 비용을 발생시키고 있는지 파악하는 수단이 됩니다.

이러한 구분이 중요한 이유는 가장 큰 성과가 종종 성과 지표 밖에서 나타나기 때문입니다. 미해결 문의가 연결 규칙, 구식 요건, 또는 도구의 한계로 인해 발생하는 경우, 단순히 코칭을 강화하는 것만으로는 비즈니스 성과를 개선할 수 없습니다. 비즈니스 성과를 개선하는 것은 양질의 정보를 바탕으로 조직이 무엇을 우선적으로 해결해야 할지 결정하는 것입니다.

실질적인 교훈은 간단합니다. 의미 있는 투자 수익률(ROI)은 다음 세 가지 요소에 달려 있습니다:

1. 고객 관점에서 본 품질의 정의
2. 에이전트 관련 문제와 시스템적 문제를 구분하고 근본 원인을 파악하기 위한 체계적인 방법
3. 통찰력을 실행으로 옮길 수 있는 유능한 팀
   

이러한 요소들이 없다면, 조직은 더 많은 데이터를 확보할 수는 있겠지만, 그 투자에 상응하는 성과를 거두기는 드물다.

품질 관리 프로그램이 아직 수익 창출원이 아니라면

AI 기반 품질 모니터링은 풍부한 가치를 창출합니다. 그 성과는 조직이 이를 어떻게 활용하느냐에 달려 있습니다. 즉, 고객의 관점에서 품질을 정의하고, 데이터가 실제 원인을 파악할 수 있도록 체계화하며, 품질 팀이 통찰력을 실행으로 옮길 수 있도록 역량을 강화해야 합니다.

귀사의 품질 관리 프로그램이 이러한 가시성을 제공하지 못하고, 내부적으로 수익 창출 부서로 인식되지 않는다면 저희와 상담해 보시기 바랍니다. COPC는 평가, 체계적 구조, 그리고 측정 가능한 비즈니스 성과를 위한 모델을 통해 조직이 품질 관리를 보다 전략적인 기능으로 전환할 수 있도록 지원합니다.

품질 보증(QA)이 단순히 어떤 단계에서 실수가 있었는지만 알려준다면, 그것은 여전히 비용 센터에 불과합니다. 하지만 어떤 부분이 회사에 손실을 끼치고 있는지 명확히 보여준다면, 그것은 수익 센터로 거듭납니다.

저자 소개

캐슬린 맥네어(Kathleen McNair), 미주 지역 CEO
캐슬린은 COPC 아메리카의 고객 경험 컨설팅, 인증 및 교육 사업을 총괄하며, 모든 서비스 제공과 손익(P&L)을 책임지고 있습니다. 벤더 관리, 계약 체결 및 성과 개선 분야에서 깊은 전문성을 갖춘 그녀는 대규모 글로벌 운영을 위한 운영 관리, BPO 소싱 및 고객 여정 설계 전반에 걸친 혁신 프로젝트를 주도해 왔습니다. 캐슬린은 영업, 고객 서비스, 기술 지원을 아우르는 다채널 프로그램을 구축하여, 고객사가 지원형 및 디지털 고객 경험을 모두 확장할 수 있도록 지원한 검증된 실적을 보유하고 있습니다.

토냐 웨버(Tonya Webber), 컨설팅 이사
토냐는 16년 이상의 고객 경험(CX) 리더십 경력을 보유하고 있으며, 운영 혁신, 프로세스 최적화 및 성과 개선을 전문으로 합니다. 그녀는 COPC 고객사와 협력하여 프로세스 격차 분석, 지식 관리, 거버넌스 프레임워크 및 데이터 기반 개선 이니셔티브를 통해 고객 참여 운영을 강화합니다. SaaS 제공업체인 RealPage의 전 운영 이사로서, 토냐는 분석가 팀을 이끌며 효율성을 높이고, 제품 출시를 지원하며, 중요한 프로세스 격차를 해소하는 데 앞장섰습니다. 프로젝트 관리, 품질 관리, 전략적 공급업체 관계 관리에 능통한 그녀는 측정 가능한 비즈니스 성과를 창출하는 근본 원인 분석 및 지속적인 개선 관행을 적용하는 것으로 인정받고 있습니다.