A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

당신이 사람들이 제품으로부터 진정으로 원하는 것이 무엇인지 밝혀내려는 탐정이라고 상상해 보십시오. 비즈니스 세계에서 이것은 '고객 니즈 분석(customer needs analysis)'이라고 불립니다. 오랫동안 기업들은 종이 설문지를 나눠주거나 사람들이 양식을 작성하게 함으로써 이 문제를 해결하려 노력했습니다. 하지만 그것은 길거리의 단 다섯 명에게 질문하여 도시 전체의 생각을 추측하려는 것과 같습니다. 느리고, 편향되기 쉬우며, 사람들은 심지어 진실을 말하지 않을 수도 있습니다.

인터넷 시대가 도래하면서, 수백만 명의 사람들이 온라인 리뷰라는 형태로 디지털 의견의 흔적을 남기고 있습니다. 이것은 데이터의 노다지이지만, 매우 무질서합니다. 이를 이해하기 위해 과학자들은 두 가지 주요 도구를 사용합니다. 첫째, '감성 분석(sentiment analysis)'은 텍스트를 위한 무드 링(mood ring)과 같습니다. 단어나 문장이 행복한지, 슬픈지, 화가 났는지, 혹은 흥분되었는지를 파악하려고 시도합니다. 둘째, '카노 모델(Kano model)'은 유명한 프레임워크로, 니즈를 몇 가지 카테고리로 분류합니다. 어떤 것은 기본적이고(반드시 있어야 하며, 그렇지 않으면 불만족함), 어떤 것은 선형적이며(많을수록 더 행복해함), 어떤 것은 '매력 요소(delighters)'입니다(예상치 못한 보너스처럼 고객을 기쁘게 함). 문제는 전통적인 무드 링은 '정적(static)'이라는 점입니다. 즉, 슬랭, 비꼬는 말투, 또는 맥락을 처리할 수 없는 고정된 단어 사전을 사용합니다. 또한 카노 모델은 대개 느리고 주관적인 설문조사에 의존합니다.

이 논문은 이 도구들을 결합하는 영리한 새로운 방법을 제안합니다. 연구진은 자동차 소유자들의 특정 언어를 학습하는 '동적(dynamic)' 무드 링을 구축했으며, 이를 통해 설문조사 없이 자동으로 카노 모델에 데이터를 공급하도록 했습니다. 그들은 이 방법이 제대로 작동하는지 확인하기 위해 신에너지 차량(전기차 등)의 리뷰 약 9,000개를 대상으로 테스트하여, 운전자들이 무엇을 좋아하고, 무엇을 싫어하며, 기업이 어떤 기능을 먼저 개선해야 하는지를 정확히 파악해 냈습니다.

---

탐정의 새로운 도구 상자

연구진인 베이징 정보과학기술대학교의 칭 헝(Qiong He)과 그녀의 팀은 기존의 도구들이 사람들이 실제로 온라인에서 대화하는 방식을 따라잡지 못하고 있다는 점을 깨달았습니다. 만약 당신이 자동차가 "크다(big)"라고 말한다면, 정적 사전은 이를 단순히 중립적인 단어로 볼 수 있습니다. 하지만 만약 "큰 소음(big noise)"이라고 말한다면 나쁜 것이 됩니다. 반대로 "큰 트렁크(big trunk)"라고 말한다다면 좋은 것입니다. 표준 사전은 인간의 설명 없이 그 차이를 구별할 수 없습니다.

이를 해결하기 위해 팀은 **동적 감성 사전(Dynamic Sentiment Lexicon)**을 구축했습니다. 이것은 단순히 단어를 암기하는 것이 아니라 대화의 '분위기(vibe)'를 이해하는, 매우 똑똑하고 스스로 업데이트되는 사전이라고 생각하십시오. 그들은 인간처럼 문장을 읽고 단어의 앞뒤를 살펴 진정한 의미를 파악하는 강력한 AI 브레인(BERT라고 불림)을 사용했습니다. 또한, 그들은 가장 적절한 시작 단어들을 선정하기 위해 TF-IDF-PageRank라는 수학적 기법(가장 중요한 단어들이 함께 나타나는 방식을 찾는 세련된 방법)을 사용했습니다.

이 스마트한 사전을 갖춘 후, 그들은 거기서 멈추지 않았습니다. 그들은 이를 카노 모델에 연결했습니다. 보통 카노 모델은 연구자가 고객에게 "이 기능이 존재한다면 어떻게 느끼시겠습니까?" 그리고 "이 기능이 없다면 어떻게 느끼시겠습니까?"라고 물어야 합니다. 팀은 이 질문 과정을 건너뛰었습니다. 대신, AI가 수천 개의 리뷰를 읽고 특정 자동차 부품에 대해 사람들이 얼마나 행복하거나 화가 났는지를 계산하여, 해당 부품들을 자동으로 카노 카테고리에 분류하도록 했습니다.

9,000개의 리뷰 사건

팀은 중국의 유명한 자동차 웹사이트인 동처디(Dongchedi)에서 수집한 8,970개의 신에너지 차량(NEV) 온라인 리뷰를 사용하여 이 프레임워크를 테스트했습니다. 그들은 테슬라(Tesla), BYD, 창안(Chang'an), 니오(NIO), 리샹(Lixiang) 등 다섯 가지 주요 브랜드를 중심으로 조사했습니다.

데이터를 정리(중복 및 의미 없는 데이터 제거)한 후, 그들의 시스템은 고객이 중요하게 생각하는 9가지 핵심 제품 속성을 성공적으로 식별했습니다. 여기에는 "주행 거리(Driving range)"와 "공간(Space)"부터 "지능(Intelligence, 스마트 주행 기능)" 및 "섀시 시스템(Chassis system, 자동차의 골격 및 승차감)"에 이르기까지 다양한 항목이 포함되었습니다.

여기서 마법 같은 일이 일어났습니다. AI는 단순히 특징을 나열하는 데 그치지 않고, 카노 모델을 사용하여 이를 분류함으로써 운전자들의 숨겨진 심리를 드러냈습니다.

• "필수 요소" (Must-be Attributes): 시스템은 좌석(Seats), 섀시 시스템, 그리고 **주행 경험(Driving experience)**이 기본 사항임을 발견했습니다. 이것들이 나쁘면 고객은 격분합니다. 하지만 이것들이 그저 "좋은" 수준일 때는 고객을 흥분시키지 못하며, 그저 당연히 기대하는 바가 됩니다. 이는 집에 지붕이 있는 것과 같습니다. 지붕이 새면 화가 나지만, 지붕이 튼튼하다고 해서 파티를 열지는 않는 것과 같습니다.
• "선형적 특징" (One-dimensional Attributes): **외관(Appearance)**이 여기에 해당합니다. 자동차가 스타일리시해 보일수록 고객은 더 행복해집니다. 이는 직선적인 관계입니다. 더 멋진 외관은 더 많은 미소를 가져옵니다.
• "매력 요소" (Attractive Attributes): 이것은 큰 놀라움이었습니다. 주행 거리, 공간, 지능, 내장재(Interior) 품질, 그리고 가격과 같은 특징들이 "매력 요소"로 분류되었습니다. 이는 자동차가 이 분야에서 탁월할 경우 고객 만족도를 크게 높인다는 것을 의미합니다. 그러나 자동차가 이 분야에서 그저 "괜찮은" 수준이라면, 고객이 반드시 화를 내지는 않지만, 특별한 즐거움의 불꽃을 얻지도 못합니다.

"기회" 점수: 무엇을 먼저 고쳐야 하는가?

사람들이 무엇을 원하는지 아는 것도 좋지만, 기업의 예산은 한정되어 있습니다. 모든 것을 한꺼번에 고칠 수는 없습니다. 그래서 연구진은 마지막 단계로 **기회 알고리즘(Opportunity Algorithm)**을 추가했습니다. 이것은 우선순위 목록 역할을 합니다. 이 알고리즘은 두 가지를 살펴봅니다:

1. 중요도(Importance): 사람들이 이 특징에 대해 얼마나 자주 이야기하는가?
2. 만족도(Satisfaction): 현재 사람들은 이 특징에 대해 얼마나 만족하고 있는가?

알고리즘은 제조업체가 어디에 집중해야 하는지 알려주는 "기회 점수"를 계산합니다. 결과는 명확했습니다:

• 최우선 순위: 공간과 주행 거리가 승자였습니다. 이들은 이미 "매력 요소"(훌륭할 때 사람들이 좋아하는 것)이지만, 더 많은 고객을 확보하기 위해 이들을 더욱 개선할 여지가 여전히 남아 있습니다.
• 긴급 수정 사항: 주행 경험은 고객들이 놀랍게도 불만을 느끼고 있는 "필수 요소"였습니다. 비록 기본적인 요구 사항이지만, 낮은 만족도 점수는 브랜드들에게 시한폭탄과 같았습니다.
• 낮은 우선순위: 지능과 외관은 낮은 기회 점수를 기록했는데, 이는 이들이 중요하기는 하지만, 현재 고객이 원하는 것과 실제 제공되는 것 사이의 격차가 주행 경험이나 공간 문제만큼 결정적이지는 않음을 시사합니다.

결론

이 연구는 이러한 동적이고 AI 기반의 접근 방식을 사용함으로써, 기업들이 추측과 주관적인 설문조사에서 벗어날 수 있다고 제안합니다. 대신, 온라인 리뷰의 혼돈 속에서 직접 "고객의 목소리"를 들을 수 있습니다. 이 프레임워크는 8,970개의 무질서한 리뷰를 명확하고 실행 가능한 로드맵으로 성공적으로 전환했습니다: 주행 경험을 고쳐서 손실을 막고, 공간과 배터리 주행 거리를 강화하여 차세대 히트 상품을 만들어내라는 것입니다.

저자들은 이 방법이 현재 전기차에 대해서만 테스트되었고 단일 웹사이트의 데이터에 의존하고 있다는 점을 언급하면서도, 이 "동적 사전" 방식이 고객이 진정으로 무엇을 필요로 하는지 이해할 수 있는 반복 가능하고 객관적인 방법을 제공하며, 인터넷의 소음을 제품 개선을 위한 명확한 신호로 바꿔준다고 주장합니다.