AI가 고객 불만을 실행 가능한 통찰로 전환하는 방법
되돌아보면 품질 운동의 옛 시절은 고풍스럽습니다: 배너, 구호, 상품, 팀빌딩 이벤트. 오늘날 품질 관리는 정보에 관한 것, 더 정확히 말해 그 정보에 파묻히지 않는 법에 관한 것입니다.
소셜 미디어 시대에 소비자로부터 풍부한 데이터가 넘쳐나 기업들은 그 피드백을 완벽한 제품 창조로 전환할 수 있어야 합니다. 만약만. 문제는 순전한 볼륨입니다. 제약 같은 품질 중심 산업 머천다이저들이 어떻게 그 모든 정보를 이해시킬 수 있을까요?
짧은 답: 못 합니다. 인공지능과 예측 모델링이라는 신흥 과학 도움 없인.
제약 제조사는 전 세계 여러 소스에서 수만 건 코멘트·불만 접수. 표준 불만 처리 부서는 이 압도적 입력 트리아지하며 긍정/부정, 사소한 것/생명 위협 구분하느라 고전.
사실 불만 대다수는 보통 저위험 성격이라고 스파르타 시스템즈(Sparta Systems) 품질관리 소프트웨어 공급업체 디지털 혁신 부사장 스티브 맥카시(Steve McCarthy)는 말합니다. 그럼에도 그는 "모든 불만은 '터치(touched)'돼야 합니다."라고 말합니다. 비결은 '소음' 걸러내고 진정 중요한 피드백에 집중하는 데 있습니다.
자연어 처리 개선으로 AI가 그 모든 데이터 해석하는 점점 더 실행 가능한 수단 됐습니다. 아이디어: 자동화로 원시 데이터 걸러낸 뒤 불만 처리 부서에 심각도 평가, 가능한 근본 원인, 심지어 행동 제안 제시.
최소한 현재로선 컴퓨터 생성 분류·제안 수용·거부가 사람 몫. "이 단계에서" 맥카시 말함, "인간을 의사결정 과정에서 배제하는 게 아니라, 더 똑똑하고 효과적 결정 내릴 능력 강화하려 합니다."
이론적으로 시스템은 경험과 함께 분석 능력 향상. 그게 현대 AI 핵심 측면인 머신러닝 기초. 데이터 더 소화해 품질 엔지니어에 전달할수록 정확도 수준 높아질 것, 맥카시 말함.
명백한 환자 안전 우선순위 충족 넘어 AI 주도 시스템은 수동 인간 주도 평가보다 비용 효율적. (후자가 오늘 제조사들이 다뤄야 할 정보 홍수 감안시 가능하더라도.)
하지만 비용만 더 효율적 불만 처리 모색 이유가 아님. "속도와 적시성 요인도 있습니다." 맥카시 말함. "불만 관련 가능 심각도와 위험 수준 확실한 이해 얻는 게 중요, 그래서 근본원인 조사 완료할 수 있습니다."
AI 활용 다음 단계(아직 완전 성숙 멀음)는 예측 모델링. 데이터 맥락화, 주문 분류, 자동 위험 평가 능력 입증 후 시스템이 받을 불만 유형 예측 시작. 추세 분석 사용해 불만이 나타낼 가능 심각도나 위험 수준 예측 가능.
증가하는 입력 볼륨으로 AI 엔진은 품질 벤치마크 이탈 횟수·성격 식별 가능. 효과적으로, 맥카시 말함, 제품 출시 전 그 데이터로부터 학습.
"그런 데이터 세트 결합해 현장서 특정 패턴 보여, 그게 시장 후 불만 데이터와 링크돼 있으면, 그 데이터 세트 상관관계 짓고 이 특정 패턴이 불만 야기할 수 있음 예측 시작 가능." 맥카시 설명.
피드백은 제품 제조에 다시 반영되는 클로즈드 루프 시스템 일부 됨. 제조사 압력 게이지 고장 발견 가능. 또는 설계 단계서 결함 탐지돼 원자재·초기 생산 설정 변경 필요.
AI 주도 품질 프로세스 가치가 생명과학에서 가장 명확해 보이지만, 맥카시 기술이 기타 수많은 산업에도 동일 적용된다고 봄. 의료기기 제조사들 예로, 비싼 자본 장비 시장 출시 전 조정 가능해 큰 혜택. "하루 끝엔" 맥카시 말함, "신호 탐지(signal detection) 관한 겁니다."
기술은 예측 모델링이 신뢰받고 효과적 연습 되기 전 아직 갈 길 멂. 최근 년 AI가 인간 반응 뒤 미묘함·감정 이해 큰 진전 이뤘지만 완벽하진 않음. 예: 콘택트렌즈 제조사가 '따끔', '가려움', '화끈거림', 단순히 '불편한 느낌' 같은 불만 어떻게 파싱할까?
맥카시 생명과학 제조사들 소비자 취향·규제 엄격함 모두 충족하려 애쓰며 기술 지속적 발전 기대. 자동차 산업도 안전 개선·제조 품질 테스트에 AI 활용으로 혜택 볼 것.
"여러 분야서 파일럿 중." 맥카시 말함. "그 프로세스에 예측 모델링 적용 능력 매우 흥분됨. 몇 년 내 어떤 능력 가질지 상상조차 못 함."