고객 서비스 분야에서 머신 러닝은 고객에게 더 높은 수준의 편의성을 제공하고 지원 상담원에게 효율성을 제공하는 데 사용됩니다. 머신 러닝으로 구현되는 지원 중심의 고객 애널리틱스 도구는 다양한 산업 분야에서 사용 편의성이 높아지고 성공적으로 응용할 수 있어 점점 더 많이 사용되고 있습니다. Gartner는 2021년까지 15%의 고객 서비스 상호 작용이 인공 지능을 통해 완전히 처리될 것이라고 예측하고 있습니다.
인기가 높아지고 있지만 인공 지능이, 좀 더 구체적으로는 머신 러닝이 우리가 이해하는 고객 서비스 측면과 잘 맞는가에 대해서는 아직도 많은 논란이 있습니다. 따라서 여기에서 명확히 정리해 보겠습니다.
데이터 통찰력 제공
우선 간단한 정의를 내리자면, 머신 러닝은 알고리즘 계층을 이용해 처리하고 있는 데이터에서 “학습”하는 일종의 인공 지능입니다. 인공 지능은 인간의 지능을 시뮬레이션한다는 뜻의 포괄적인 용어라고 할 수 있는 반면, 머신 러닝은 기계가 정보를 획득하고 정보 사용 방식의 규칙을 이해하며, 시간이 지나면서 어떻게 더 나은 능력을 갖추는지를 다룹니다.
성공적인 머신 러닝 응용 사례는 대량의 데이터를 처리하는 분야에 적용됩니다. 학습을 토대로 의사 결정을 내리는 것이 최종 목표일 때 이것이 필요하기 때문입니다. 인간은 알고리즘처럼 일정한 데이터 스트림을 처리할 수 있는 충분한 능력이 없습니다. 일반적으로 인간은 불만이 많은 고객을 직접 상대하는 것과 같은 업무를 더 잘 수행합니다. 고객 서비스의 효율성을 높이려면 실제 지원 상담원이 가능할 때 데이터에서 통찰력을 확보하는 것이 더 바람직합니다.
고객 서비스 분야의 머신 러닝은 이러한 아이디어를 좀 더 발전시킵니다. 이 방식은 발견한 통찰력을 고객 경험을 최적화할 수 있는 방식으로 적용합니다. 즉, 지원 상담원이 좀 더 많은 정보를 입수하거나(예측 애널리틱스 등을 통해) 효율성을 높이도록(예: AI 기반 도구를 사용하여 개선해야 하는 고객 문제를 자체적으로 처리하는 경우) 할 수 있습니다.
셀프 서비스에 주력
셀프 서비스는 고객이 필요한 지원을 찾은 후 실제 상담원과 상호 작용하면서 문제를 해결하는 경우를 말합니다. 설문 조사에 따르면 81%의 고객이 지원 상담원과 대화하기보다 스스로 문제를 해결하는 것을 선호한다고 합니다. 따라서 많은 기업들이 더 나은 고객 경험을 제공하기 위한 방안으로서 셀프 서비스 상품을 늘리고 있습니다. 셀프 서비스를 제공하는 가장 쉬운 방법 중 하나는 지식창고의 구축입니다.
셀프 서비스는 머신 러닝 응용의 가장 일반적인 사용 사례가 되었습니다. 챗봇, 가상 어시스턴트 및 여러 다른 AI 기반 도구는 고객 서비스 상담원과의 상호 작용을 “학습”하고 시뮬레이션할 수 있습니다. 이러한 응용 사례 중 일부에서는 고급 머신 러닝인 딥 러닝을 활용하여 계속해서 개선하면서 결과적으로 좀 더 정확하고 유용한 자동화된 지원을 사용자에게 제공합니다.
고객 서비스 분야의 머신 러닝 활용법
챗봇
챗봇은 고객 서비스 분야에서 AI 기술을 말할 때 많은 사람들이 떠올리는 단어입니다. 챗봇은 고객 서비스 담당자와의 상호 작용을 시뮬레이션하고 간단한 문의를 해결하는 능력이 있는 효과적인 셀프 서비스 솔루션입니다. 머신 러닝을 이용해 챗봇은 특정 응답을 사용해야 하는 경우, 사용자로부터 필요한 정보를 수집해야 하는 경우, 대화를 실제 상담원에게 전달해야 하는 경우 등을 학습할 수 있습니다.
가상 어시스턴트
가상 어시스턴트는 상담원과의 상호 작용을 시뮬레이션하지 않는다는 점에서 챗봇과 다릅니다. 대신, 고객 여정에서 고객에게 도움을 줄 수 있는 특정 영역에 초점을 맞춥니다. 머신 러닝 기능을 활용하면 가상 어시스턴트는 상담원에게 전달(또는 애널리틱스 프로그램에서 사용하기 위해 저장)할 수 있는 정보의 종류를 학습하고 제공하는 지원 종류를 늘릴 수 있습니다. 그 한 가지 예가 고객의 문의에 따라 도움말 문서를 권장하는 Zendesk의 Answer Bot입니다. 또한 상담원이 도움말 문서를 찾는 방법을 자동화할 수도 있습니다.
콘텐츠 생성
거의 40%에 달하는 고객이 지식창고를 검색해도 찾으려는 도움말 문서가 생성되지 않는다고 주장합니다. 머신 러닝을 이용하면 지원 티켓에서 가져온 데이터를 분석해 실행 가능한 통찰력으로 전환하여 상담원이 도움말 문서에 적용할 수 있습니다. 이러한 통찰력은 사용자가 문제를 설명하는 방법, 그리고 해당 설명과 지식창고 콘텐츠와의 유사성을 나타냅니다. 상담원은 권장 사항을 적용한 후 도움말 문서를 적절하게 조정하여 연관성을 강화하고 고객이 보다 쉽게 찾을 수 있도록 합니다.
예측 애널리틱스
고객 서비스는 지속적인 최적화를 위해 측정 가능한 애널리틱스가 필요하며, 머신 러닝은 일부 지원 애널리틱스에 예측 요소를 추가하는 데 도움이 될 수 있습니다. 예측 고객 서비스 애널리틱스는 이전의 고객 서비스 상호 작용 데이터를 활용하여 향후의 정량적 결과를 판단합니다. 아울러 고객의 CSAT 평가 점수를 예측하는 Zendesk의 만족도 예측 도구의 경우처럼 실시간으로 작동하여 상담원이 놓칠 수 있는 통찰력을 찾아낼 수 있습니다. 이러한 통찰력을 확보하면 더 나은 고객 경험을 제공하려는 고객 서비스 조직에 매우 유용합니다.
