Bridging Search and CRM: Productionizing AI Product Research Agents for Customer Re-Engagement
본 논문은 탐색적 의도를 가진 사용자를 식별하고 WhatsApp을 통해 개인화되고 근거 있는 제품 추천을 제공하기 위해 AI 기반 제품 리서치 에이전트를 사용하여 검색 및 CRM 시스템을 통합한 프로덕션 배포 프레임워크를 제시하며, 이는 클릭률, 참여도 및 다운스트림 매출의 상당한 개선을 가져왔습니다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대적인 쇼핑의 광활한 디지털 풍경 속에서, 종종 눈에 띄지 않는 조용한 마찰이 발생하곤 합니다. 고객이 검색창에 "게이밍용 최고의 스마트폰"과 같이 모호하고 탐색적인 질문을 입력하면, 시스템은 대개 판매량이나 키워드에 따라 순위가 매겨진 정적인 제품 목록을 보여줍니다. 이러한 방식은 특정 모델 번호를 찾는 것과 같은 구체적인 요청에는 잘 작동하지만, 사용자가 가이드, 비교, 그리고 신뢰를 찾고 있는 주관적인 니즈에는 어려움을 겪습니다. 결과적으로 많은 쇼핑객들은 플랫폼과 사용자 사이의 연결이 끊어지는 파편화된 여정을 겪으며, 구매를 위해 외부 리뷰, 영상 채널 또는 포럼을 찾아 앱을 떠나게 됩니다. 이 간극을 메우기 위해, 연구자들은 인간 전문가처럼 추론하고, 검색하며, 정보를 종합할 수 있는 인공지능 시스템으로 점점 더 눈을 돌리고 있습니다. 흔히 '에이전트(agents)'라고 불리는 이 시스템들은 단순히 데이터를 검색하는 데 그치지 않고, 의도를 이해하고, 여러 출처에서 증거를 수집하며, 일관된 답변을 구성합니다. 이 새로운 연구를 이끄는 질문은, 이러한 지능형 시스템이 복잡한 질문에 답할 뿐만 아니라, 이탈한 고객에게 선제적으로 다가가 개인화되고 신뢰할 수 있는 조언으로 그들을 다시 불러들일 수 있도록 대규모로 배포될 수 있는지 여부입니다.
인도의 주요 온라인 소매업체인 플립카트(Flipkart)의 연구팀은 정확히 그러한 시스템을 구축하고 테스트했습니다. 그들은 사용자가 질문을 던지는 검색 엔진과 사용자에게 메시지를 보내는 고객 관계 관리(CRM) 도구를 연결하는 프레임워크를 만들었습니다. 그들의 목표는 주관적인 용어를 검색했지만 어떤 결과도 클릭하지 않는 등 혼란이나 망설임의 징후를 보이는 쇼핑객을 식별한 다음, 이들에게 WhatsApp 메시징 앱을 통해 직접 전달되는 도움이 되는 AI 생성 추천을 통해 재참여를 유도하는 것이었습니다. 그들이 구축한 시스템은 단일 프로그램이 아니라, 각각 특정한 직무를 가진 전문화된 디지털 일꾼, 즉 에이전트들의 협력적인 팀입니다. 한 에이전트는 사용자의 질문을 듣고 예산 제한이나 특정 브랜드 선호도와 같이 사용자가 실제로 필요로 하는 것이 무엇인지 파악합니다. 또 다른 에이전트는 더 넓은 인터넷으로 나가 전문가 리뷰, 비교 기사, 커뮤니티 토론을 찾아 최적의 후보군을 식별합니다. 세 번째 에이전트는 해당 아이템들이 실제로 재고가 있는지, 사용자의 위치로 배송 가능한지, 그리고 적용 가능한 할인이 포함된 가격이 정확한지를 확인하기 위해 소매업체의 자체 내부 데이터베이스와 대조합니다. 마지막으로 네 번째 에이전트는 엄격한 편집자 역할을 수행하며, 조언이 사람에게 전달되기 전에 모든 사실, 날짜, 사양을 재검토하여 정확하고 오류가 없는지 확인합니다.
이 전체 과정은 효율적이고 확장 가능하도록 설계되었습니다. 모든 검색 쿼리에 대해 이 복잡한 연구를 실행하려고 하는 대신, 시스템은 먼저 가장 유망한 기회를 찾기 위해 데이터를 필터링합니다. 시스템은 높은 구매력을 가졌으나 검색 결과에 아무것도 클릭하지 않은 사용자와 같은 특정 패턴을 찾아내어 그 사례들에 노 {력}을 집중합니다. 고잠재력 사용자가 식별되면, 에이전트 팀은 비동기적으로 협력하여 추천 내용을 구축합니다. 출력물은 몇 가지 제품 제안, 가격, 그리고 왜 이 제품들이 선택되었는지에 대한 명확한 설명을 포함하여 WhatsApp을 통해 전달되는 간결하고 개인화된 메시지입니다. 연구진은 23일 동안 실제 환경에서 이 시스템을 테스트했습니다. 이 기간 동안 시스템은 약 15,000개의 메시지를 다양한 사용자에게 보냈으며, 주로 휴대폰에 집중했습니다. 결과는 놀라웠습니다. 생성된 메시지는 기존의 전통적인 추천 방식을 사용한 캠페인보다 거의 3배 높은 클릭률을 기록했습니다. 더욱 주목할 만한 점은 메시지를 받은 사용자들의 행동이었습니다. 많은 날 동안 클릭한 사람의 수가 보낸 메시지의 수보다 많았습니다. 이는 사용자들이 단순히 메시지를 읽는 것에 그치지 않고, 이를 친구나 가족에게 적극적으로 공유하여 그들이 링크를 클릭하게 함으로써, 고객을 스스로가 이차적인 배포 네트워크가 되도록 만들었음을 의미합니다.
캠페인의 성공은 클릭에만 국한되지 않았고, 이는 실제 경제 활동으로 이어졌습니다. 연구진은 메시지를 받은 사용자를 추적하여 상당수가 추천된 제품을 구매함으로써 회사에 상당한 수익을 창출했음을 발견했습니다. 시스템의 신뢰성을 확보하기 위해 팀은 생성된 수천 개의 추천 내용에 대해 엄격한 수동 검토를 실시했습니다. 그들은 휴대폰의 기술 사양과 출시 날짜를 실제 데이터와 대조했습니다. 시스템은 사양과 출시 날짜의 99% 이상이 정확하여 매우 높은 정확도를 입증했습니다. 이러한 높은 수준의 사실적 정확성은 메시지가 전송되기 전 불일치나 오류를 잡아내는 안전망 역할을 하는 최종 '검토' 에이전트 덕분이었습니다. 또한 연구진은 에이전트 팀을 조직하는 두 가지 다른 방식을 비교했습니다. 그들은 중앙 관리자가 작업자들을 조정하는 구조가 작업자들이 감독 없이 단순히 업무를 전달하는 구조보다 훨씬 우수하다는 것을 발견했습니다. 중앙 집중식 접근 방식은 오류를 크게 줄였고, 사용자가 "최신" 모델을 요청했을 때만 출시 날짜를 포함하는 것과 같은 모든 필수 규칙을 시스템이 준수하도록 보장했습니다.
이 연구는 인공지능이 단순한 자동화를 넘어 고객 여정의 능동적인 파트너가 될 수 있음을 보여줍니다. 오픈 웹을 검색하는 능력과 소매업체의 내부 데이터를 결합하고, 이를 신뢰할 수 있는 통신 채널로 감싸줌으로써, 시스템은 이전에 이탈했던 사용자들을 성공적으로 다시 불러들였습니다. 이 연구는 AI가 근거가 있고 설명 가능하며 사실 확인이 된 조언을 제공하는 데 사용될 때, 쇼퍼와 플랫폼 사이의 연결을 회복할 수 있음을 보여줍니다. 연구 결과는 이커머스의 미래가 단순히 더 많은 제품을 보여주는 것이 아니라, 맥락과 신뢰에 대한 사용자의 니즈를 존중하는 더 지능적인 가이드를 제공하는 것에 있음을 시사합니다. 연구진은 이러한 시스템이 구축, 배포 및 확장되어 실제 시장의 복잡성을 처리할 수 있음을 입증했으며, 파편화된 쇼핑 경험을 응집력 있고 생산적인 여정으로 변화시켰습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.