기계 학습에는 '쓰레기를 넣으면 쓰레기가 나온다'는 격언이 있습니다. 넥스컴의 리빌CX 부스트¹와 같은 고객 경험 관리 플랫폼은 데이터를 효율적으로 수집하는 혁신적인 방법을 제공합니다. 인공지능(AI)은 막대한 잠재력과 수익성을 지니지만, 편향을 먼저 제거하지 않고 성급하게 도입하면 재앙을 초래할 수 있습니다. AI가 잘못된 결과를 내놓을 가능성을 최소화하는 기능을 어떻게 설계할 수 있을까요?
품질 보증 샘플링 관행
역사적으로 품질 보증(QA)은 고객센터와 고객 경험 조직에 있어 돈만 잡아먹는 구멍이었습니다. 일반적인 QA 프로그램은 소수의 고객 거래 샘플에 대한 제한된 시각만을 제공하며 고객 경험이나 핵심 비즈니스 성과에 을 미치지 못했습니다.
QA는 주로 상담원의 성과를 평가하고 상담원 평가 및 교육에 필요한 정보를 제공합니다. 기존의 관리 체계를 분석함으로써 일관된 성과 평가를 보장할 수 있는 해결책을 찾을 수 있습니다.
일부 품질 보증(QA) 관행에 의문이 제기되고 있습니다. 매일 또는 매시간 수천 건의 거래를 평가할 수 있는 능력에 대한 우려가 존재합니다. 진정한 고객 경험 통찰력을 확보하고 상당한 성과 결과를 달성하려면 상당한 규모의 품질 평가 인력이 필요합니다.
품질 보증 표본 추출 관행은 종종 선의에서 비롯되지만, 기간과 같은 특정 유형의 거래에만 집중함으로써 데이터에 편향을 노출시킵니다. 표본 편향이 발생하면 더 광범위한 의사 결정에 있어 데이터의유용성에 영향을 미치게 됩니다.
적절한 통제 수단이 없다면데이터 무결성이 훼손될 위험이 있습니다. 해당 정보를 에이전트 성과 코칭 및 관리에 활용하든, 더 광범위한 의사 결정에 활용하든 — 신뢰할 수 없는 데이터는 후속 조치에 대한 우리의 확신을 저해합니다.
품질 보증과 비즈니스 지침의 연계
품질 보증(QA)이 매출 증대, 사업 성과 개선 및 기타 재무 지표에 미치는 직접적인 영향은 종종 불분명합니다.이러한 상관관계 부재로인해 기업들은 QA를 인건비 지출의 최하위로 밀어내거나 아예 포기해 버립니다.
QA를 유지하는 사람들은 일반적으로 핵심 기능을 최대한 활용하지 않습니다. 물론 우리는 잘 운영되는 조직에서 QA의 역할을 지지하지만, 반드시 비즈니스 가치를 창출해야 합니다.
고성과 조직은 두 가지 핵심 사항을 파악했습니다:
- QA 설계에 모범 사례 통합
- 적절한 도구를 활용하여 격차를 해소하다
QA 기능을 설계할 때, 우리는 먼저 비즈니스에 중요한 요소들과의 연결 고리를 구축하는 방법을 모색합니다. 즉, QA에서 핵심 비즈니스 지표와 우리가 도달하고자 하는 대상까지 어떻게 연결선을 그을 것인가 하는 문제입니다.
우리는 먼저 감정, 기대, 선호도 등 다양한 유형의 고객 데이터를 수집하고 분석합니다. 이러한 데이터를 통해 고객들은 무엇이 가장 중요한지, 무엇이 우리 제품 구매와 충성도 향상의 동기가 되는지 가르쳐 줍니다.
고객 정보는 핵심 성과 지표에 직접적인 영향을 미치는 품질 보증(QA) 기능 설계의기반이 됩니다.
중대한 오류 및 프로세스 성능
만족도와 충성도를 높이는 요소를 지원하는 프로세스를 수행하지 못할 때, 이는 치명적 오류 ². 성공적인 기업들은 중대한 오류의 원인을 규명하고 지속 가능한 성과 향상을 위한 광범위하고 체계적인 해결책을 구현하는 데 상당한 시간을 투자합니다.
효과적인 조직은 개인의 성과를 평가하기 위해 데이터를 수집한다 그리고 서비스 여정 전체를 평가합니다. 그들은 적절한 도구를 사용하여 문제를 정확히 파악하고 기회를 식별함으로써 고객 경험에 영향을 미치는 지원 모델 설계와 프로세스를 개선합니다.
서비스 여정의 모든 측면을 최적화합니다. 서비스 여정의 모든 측면을 최적화하는 것은 더 높은 고객 만족도와 충성도를 이끌어내는 행동(인간 및 디지털)을 찾아 검증하는 것을 포함합니다.
만족도의 일반적인 요인:
— 해결 정확도
— 서비스 속도
— 고객 노력
— 공감
서비스 격차 해소 서비스 격차를 해소하는 첫 번째 측면은 는 어떤 행동이나 서비스 요소를 평가할지 파악하는 것이다. 다음은 개별 상담원의 오류를 줄이고 프로세스를 개선할 부분을 파악하는 것이다. 참고로, 대규모 품질 평가팀을 운영하는 것은 콜센터에 경제적으로 타당하지 않아 의심스러운 표본추출 방식을 강요하게 된다.
정확하고 대표적인 데이터
인공지능은 편향된 표본 없이 전체 인구 집단의 방대한 거래 내역을 분석할 수 있는 가능성을 열어줍니다. 이는 유망한 고객 경험 관리 솔루션으로 보입니다. 효율성을 높이고 비용을 절감하며, 기업이 문제가 상담원 관련인지 프로세스 관련인지 신속하게 파악할 수 있게 합니다.
그러나 기계 학습에 활용하는 정보는 반드시 검증해야 합니다. AI는 고객 경험과 관련된 핵심 데이터를 수집하는 새롭고 개선된 방식을 제공합니다. 위험 부담이 큽니다. AI에 전달하는 편향성은 운영에 심각한 결과를 초래할 수 있습니다.
최선의 관행을 도입하다 모범 사례를 ³을 QA 프로그램의 모든 측면에 통합하는 것은 양식 설계부터 시작하여 AI가 잘못된 결과를 제공하는 가능성을 최소화하는 데 도움이 됩니다.
근본 원인 파악 및 해결 VS 문제 정의
RevealCX Boost와 같은 고객 경험 관리(CXM) 도구는 직원의 시간을 확보해 문제를 정의하는 대신 해결할 수 있도록 지원합니다. RevealCX는 상담원의 성과와 고객 경험에 영향을 미치는요소를 보여줍니다. 동시에 AI는 상호작용에서 말하거나 행해진 내용만 모니터링할 수 있습니다. 여전히 직원 관리, 채용, 교육, 코칭, 개발 및 동기 부여는 직접 수행해야 합니다.
대규모 데이터 세트 생성 가능성
한 달이 걸리던 데이터 수집이 이제 하루면 충분합니다. 적절한 보정을 거친 RevealCX 같은 도구를 사용하면 신뢰할 수 있는 데이터를 얻을 수 있습니다. 표본 데이터의 유용성에 영향을 미치는 의도치 않은 편향이 없으므로, 더 큰 확신을 가지고 최종 결정을 내릴 수 있습니다.
비즈니스 인텔리전스를 통한 고객 상호작용 활용
일정 기간 동안의 고객 커뮤니케이션 전체를 기준으로 상담원을 평가하는 것과 몇 차례의 상호작용만을 기준으로 평가하는 것을 비교해 보십시오. 다수의 거래 기록과 정밀한 정확도 지표를 활용하는 AI는 상담원 평가와 교육 지원에 실용적인 방법입니다.
상당한 수의 사례를 분석함으로써 코칭의 질을 향상시킬 수 있습니다. 상담사에게 "분석한 네 통의 통화 중 한 통에서 실수를 발견했습니다"라고말하는 대신,"지난 한 달 동안 X 실수를 Y 번 저질렀습니다.함께 해결해 나갑시다"라고 말할 수 있게 됩니다.
알고 계셨나요?
— 문제의 75%는 프로세스 관련입니다
— 25%는 상담사 관련입니다
에이전트 성능 평가를 위한 AI 정확도 90% 달성
조직이 생성할 수 있는 평가 건수는 QA 인공지능 시스템을 훈련시키기에 충분한 데이터를 축적하는 데 있어 제한 요소입니다. 운영 규모에따라소요 시간은달라질수 있습니다.
넥스컴의 최고기술책임자(CTO) 이언 아이언사이드(Iain Ironside)는 "지금까지의 경험을 바탕으로 볼 때, 오류 발생 사례와 수용 가능한 처리 사례가 모두 포함된 거래를 적절히 대표하는 약 1,500건의 평가 데이터를 확보하면 수용 가능한 수준의 정확도를 가진 모델을 구축하기 시작할 수 있을 것으로 판단합니다"라고 말했다.
상당한 규모의 QA 팀을 보유한 대규모 운영 환경에서는 수천 건의 트랜잭션을 처리하며 데이터베이스를 신속하게 구축할 수 있습니다. 반면, 소수의 품질 평가자만 있는 소규모 그룹의 경우 머신 러닝 훈련용 데이터베이스를 구축하는 데 더 많은 시간이 소요될 것입니다.
음성 트랜잭션 구현에는 추가 단계가 필요합니다. 트랜잭션 분석은 문장 구조를 포착하는 단계가 포함되므로 필연적으로 더 광범위한 작업이 될 것입니다. 트랜잭션을 기계가 처리할 수 있는 텍스트로 변환한 후에는 시간 차이가 크지 않습니다.
조직은 초기 단계에 시간을 투자함으로써 신속하게 더 정확한 답변을 얻고 비용을 절감할 수 있습니다.
인간을 위한 공간
고객 만족도 조사와 포커스 그룹은 고객 만족도와 충성도의 주요 동인들을 검증하기 위한 데이터 분석의주요 수단으로 여전히 활용되고 있다.
인공지능이 음성 상호작용을 해석할 수 있게 되더라도, 전문가들은 기계 학습에 긍정적·부정적 요소를 분류하는 작업을 반드시 수행해야 할 것이다. 이언 아이언사이드에 따르면 기계가 올바르게 평가하도록 보장할 전문가, 즉 평가 기준이 여전히 필요하다고 한다.
지식이 변화한다
고객 음성 분석이 증가함에 따라 운영 부서는 음성 속성에 대한 정의를 필연적으로 변경하게 될 것입니다. 인간 모니터를 재교육하는 것과 마찬가지로 머신러닝 모델도 재교육이 필요합니다. 이러한 재교육 주기는 매우 중요하며 또 다른 연구 분야로 이어질 것입니다.
인공지능에 대한 우리의 입장
인공지능 기반 고객 경험 관리 소프트웨어는 고객 지원 전반에 걸친 핵심 성과 지표에 영향을 미치는 실용적인 방법이 될 수 있습니다. CXM 플랫폼은 데이터를 활용해 고객에게 중요한 요소를 파악함으로써 조직이 기대치를 충족하고 충성도를 구축하는 데 도움을 줍니다.
요컨대, 인공지능은 인간이나 모범 사례의 필요성을 없애지 않습니다. 잘못된 설계로 인해 형식이 불완전하다면, 인공지능은 부정확한 평가를 내릴 것이며, 결국 잘못된 방향으로 나아가게 될 것입니다—단지 속도가 더 빨라질 뿐입니다.