AI 기반 고객조사 방법론 (익시오)

1. Executive Summary

본 보고서는 LG유플러스 익시오(ixi-O) 상품에 대한 고객조사를, 직접 대면·현장 인터뷰 이외의 방식(비대면)으로 수행하되, AI 기술을 적극 활용하는 방법론을 종합 정리한 것입니다. 실무 관점에서 핵심 내용을 재구성하고, 의사결정에 바로 활용할 수 있도록 12개 방법론을 표준 양식으로 정리하였습니다.

 

핵심 메시지는 다음 네 가지입니다.

첫째, AI가 대신 고객처럼 답해주는 방식은

        "정답을 내리는 도구가 아니라, 아이디어를 미리 시험해 보는 도구입니다."

 

둘째, 가장 믿을 수 있는 방법은

       "AI만 쓰는 게 아니라, 실제 데이터+실험+고객 의견을 같이 보는 것 입니다."

 

셋째, AI 고객조사는

      "방향이 명확할수록 더 정확해집니다." 그래서 처음에는

      "가설 세우기 → AI로 빠르게 테스트 → 실제 데이터로 보정"

      이 과정을 반복하는 것이 가장 좋습니다.

 

넷째, AI로 고객조사를 할 때는

      "개인정보 보호를 처음부터 함께 설계해야 합니다."

      나중에 붙이는 게 아니라, 처음부터 안전하게 만드는 게 핵심입니다."

 

2. 배경 및 목적

익시오는 LG유플러스가 만드는 AI 기반 통화/음성 서비스입니다. 그래서 "고객이 진짜 원하는지, 어떻게 포지셔닝해야 하는지"를 계획 확인해야 합니다. 그런데 기존 방식은 문제가 있습니다. FGI, 인터뷰, 설문은 시간이 오래 걸리고, 비용이 많이 들고, 사람 모으기도 어렵습니다. 따라서 제품 개선 속도를 따라가기 어렵습니다.

 

본 보고서의 목적은 다음과 같습니다.

•   AI로 빠르게 할 수 있는 고객 조사 방법을 정리하고,

•   AI가 "고객처럼 답하는 방식"이 어떻게 작동하는지 설명하고,

•   실제 현장에서 바로 쓸 수 있게 "절차 / 결과 / 지표 / 비용 / 리스크까지 정리하고, 

•   상황별로 어떤 방법을 쓰면 좋은지 추천 조합과 기본 흐름을 제안합니다.

 

3. AI가 고객이 되어 답하는 방법 (합성 고객 · Synthetic Customer)

•    AI에게 “이런 사람이라고 생각해”라고 설정해주면, 가상의 고객이 대신 답해주는 방식입니다.

•    쉽게 말하자면, “머릿속에 고객을 만들어서 인터뷰하는 것”입니다.

•    요즘에는 이런 방식이 실제 업무에서도 빠르게 쓰이고 있습니다.

 

3.1. 원리: AI를 '고객 대리인'으로 만드는 4단계

STEP 1. 고객 캐릭터 만들기
•     나이, 상황, 고민, 가격 민감도 같은 걸 정리합니다
•     이 사람은 어떤 고객인가?”를 설정하는 단계입니다

 

STEP 2. 질문 방식 정리하기
•     누구인지 + 어떤 상황인지 + 무엇을 물어볼지
•     이걸 일정한 틀로 만들어줍니다
•     그래야 결과가 들쭉날쭉하지 않고 안정됩니다

 

STEP 3. 여러 번 돌려보기
•     같은 고객이라도 여러 번 질문해서
•     다양한 답을 모읍니다

•     한 번 나온 답만 믿으면 위험합니다

 

STEP 4. 분석 가능한 형태로 정리하기
•     답변을 그냥 글로 두지 않고
•     “감정 / 불만 / 니즈 / 선택” 같은 형태로 나눕니다

•     그래야 나중에 데이터처럼 분석할 수 있습니다

 

3.2. AI 응답을 분석하는 방법

AI 고객 응답 분석은 '정성 + 정량 + 보정'의 3단계로 구성됩니다.

(1) 정성 분석 (느낌 읽기)

• 사람들이 뭐가 불편한지
• 어떤 표현을 쓰는지
• 왜 안 사는지

👉 이런 “속마음”을 찾습니다

(2) 정량 분석 (숫자로 보기)

• 몇 %가 좋다고 하는지
• 어떤 그룹이 더 반응하는지

👉 데이터를 숫자로 정리합니다

(3) 보정(Calibration)과 검증 (현실에 맞추기)

AI는 가짜 고객이기 때문에 "반드시 실제 데이터로 맞춰줘야 합니다."

• 실제 설문, 광고 결과로 보정하고
• 이상한 결과가 없는지 체크하고
• 설정 바꾸면 결과가 흔들리는지도 확인합니다

3.3 합성 고객의 한계와 주의점

① AI는 너무 착한 고객이 될 수 있음 : 현실보다 덜 까칠하고, 덜 비판적일 수 있습니다.

② 숫자가 맞아도 구조는 다를 수 있음 : 겉으로는 비슷해 보여도 실제 고객 행동과 다를 수 있습니다.

③ 절대 최종 결론으로 쓰면 안됨 : 이건 "미리 테스트하는 용도"입니다. 마지막 검증은 반드시 실제 고객으로 해야 합니다. 

④ 결과가 계속 바뀔 수 있음 : 모델이나 설정이 바뀌면 결과도 바뀝니다. 그래서 기록을 남기고 관리해야 합니다.

 

4. AI 기반 비대면 고객조사 방법 리스트업 (12개 방법 카드)

아래의 12개 방법은 익시오 조사에 즉시 적용 가능한 비대면·AI 활용 방법입니다. 각 방법은 '목적/절차/산출물/지표/장점·한계/비용·기간' 양식으로 정리하였습니다.

 

4.1. AI 페르소나 생성

목적	본격적 리서치 전에 먼저 돌려보는 가상의 AI 시뮬레이션 고객
절차	① 가설 범주 정의 → ② 페르소나 스키마 고정 → ③ 20~50개 다중 샘플 생성 → ④ 중복·비현실 제거 → ⑤ 검증 플래그 부여 (인터뷰까지 연결해서 진행 가능)
산출물	고객 유형별 페르소나 카드, JTBD(고객이 제품을 사는 이유) 목록, 구매 장벽·트리거, 주요 니즈, 페인포인트
지표	일관성(같은 질문에 비슷한 답 나오는지), 현실성(실제 고객 데이터와 유사한지), 다양성(여러 유형의 고객 반영 되었는지), 예측 적중률(실제 조사 결과와 얼마나 맞았는지)
장점	매우 빠르고 저비용, 반복 실험 가능, 위험 없는 테스트, 워크숍·기획 자료로 강력
한계	실제 분포를 대표하지 않음(그럴듯함 편향), 확증편향 위험, 데이터 의존성(잘못된 데이터 넣으면 결과도 왜곡)
기간/업체	0.5~3일 / ChatGPT (https://openai.com/ko-KR/)

 

4.2. 시뮬레이션 인터뷰

목적	- AI로 심층 인터뷰 질문 흐름·반응을 사전 검증하고 예상 반론 수집 - AI로 가짜 고객을 만들어서 인터뷰까지 시키는 방법
절차	① 페르소나 생성 → ② 인터뷰 질문 생성 → ③ AI 고객 인터뷰 실행(여러 고객 동시 진행) → ④ AI가 스스로 분석 → ⑤ 반복 & 진화
산출물	핵심 인사이트 요약, 패턴 분석, 리포트 자동 생성
지표	일관성, 논리성, 페르소나 충실도, 선호도, 구매 의향, 몰입도, 거부율
장점	속도가 빠르고, 비용이 저렴하며, 무한 테스트가 가능하고, 초기 탐색에 최강
한계	실제 사람의 감정·피로·사회적 맥락 재현에 한계
기간/업체	1~5일 / Synthetic Users (https://www.syntheticusers.com/)

 

4.3. AI 합성 응답자 가상 설문 

목적	- 설문 문항·척도·선택지 사전 테스트, 응답 분포 가능 범위 탐색 - 사람 대신, 데이터의 그림자가 답하는 인터뷰 형식
절차	① 타겟 정의 → ② 질문 설계 → ③ AI 응답 생성 or 대화 진행 → ④ 실시간 분석 → ⑤ 인사이트 도출
산출물	핵심 인사이트 요약, 주요 테마/패턴, 세그별 차이, 추천 액션 (설문 결과 + 포커스그룹 요약 + 전략 제안)
지표	응답 분포, 세그별 차이 (정량), 키워드 빈도, 감정/의도 분석 (정성), 유사도, 일관성, 다양성 등
장점	빠른 속도, 비용 절감, 확장성(만명도 가능), 깊이 있는 답변, 단순 선택이 아니라 이유까지 생성
한계	편향·문화 중립화 위험, 신뢰성 문제 (LLM 모델 차이에 따른 학습 방식에 따라 결과 달라짐)
기간/업체	2~7일 / Remesh (https://www.remesh.ai/)

 

"AI 페르소나+인터뷰"와 "AI 합성 응답자 가상 설문" 응답의 차이점

 

본질	AI 페르소나: 하나의 캐릭터	AI 합성 응답자: 대량의 가짜 응답자 집단
생성 방식	프롬프트로 설정	데이터 기반 모델 생성
목적	깊이 있는 인사이트	통계적으로 그럴듯한 결과
느낌	“이 사람은 이렇게 말할 것 같아”	“이 집단은 이렇게 답할 확률이 높아”
규모	소수 (10~50명)	대량 (수백~수천명)

 

* AI 페르소나 인터뷰 = 연기 잘하는 배우, “그럴듯한 한 사람의 생각"

* AI 합성 응답자 = 데이터로 만든 가짜 인간 군단, "1000명 설문 돌렸을 때 나올 법한 답을 AI가 만들어줌”

  참고로 "Remech" 같은데서는 "실제 인간 응답자 + AI 합성 응답자를 같이 사용"하고 있음.

 

4.4. 세그먼트 AI 에이전트 방식

목적	- 세그먼트별 대표 고객 집단을 가상의 AI 에이전트로 만들어 반복 실험 - 실제 고객 데이터를 학습한 AI가 "가상의 고객 집단"이 되어 응답하는 방식
절차	① 데이터 수집(실제 패널 조사 데이터) → ② AI 페르소나 학습 & AI 에이전트 생성 → ③ 시나리오 설계 → ④ AI 응답 생성 → ⑤ 분석
산출물	세그먼트별 반응 트렌드 (산출물 형태는 인간)
지표	실제 데이터와의 유사도, 응답 일관성, 분포 재현도, 예측력 (실제 결과와의 근접도)
장점	반복 실험 속도·확장성 최상, 다양한 가설 실험 가능, 미래 고객 시뮬레이션 가능
한계	현실 데이터에 의존 (학습 데이터 편향), 새로운 트렌드 반영, "진짜 감정"은 재현 불가
기간/업체	2~6주 구축 / 한국 리서치 (https://hrc.co.kr/) - 정식 의뢰하여 조사진행 필요

 

"AI 페르소나+인터뷰"와 "세그먼트 AI 에이전트" 응답의 차이점

 

구조	AI 페르소나: 프롬프트 기반	세그먼트 AI 에이전트: 시스템 기반
상태	Stateless (근본없는)	Stateful (상태가 유지된)
기억	없음	있음
일관성	낮음	높음
반복 실험	어려움	매우 적합
역할	아이디어 탐색	시뮬레이션 & 검증

 

* 페르소나는 "설정"이고, 에이전트는 "행동하는 존재" 입니다.

 

4.5. 챗봇 기반 비대면 탐색조사

목적	- 익시오 랜딩/앱 내 실사용자에게  AI가 상시 미니 인터뷰로 니즈 파악 - AI가 말을 걸고, 고객은 채팅으로 속마음을 흘리는 방식
절차	① 3~7개 짧은 질문 설계 → ② 챗봇 구축 → ③ 조사 실행 → ④ 데이터 수집 & 분석
산출물	문제/기대/거절 사유, 응답 통계, 주요 키워드, 토픽 클러스터, 감정 분석 결과, 인사이트 리포트
지표	응답률, 완주율, 이탈 질문, 응답 품질, 감정 점수
장점	더 솔직해짐(사람보다 AI에게 더 털어놓는 경향), 자연스러운 데이터, 정성+정량 분석 가능
한계	AI 질문 설계가 전부라 한계점 존재, 사용자 피로도, 맥락 오해 가능
기간/업체	2~4주 / Naver Clova Chatbot (https://clova.ai/)

 

4.6. 컨조인트 분석 (CBC, Choice-Based Conjoint)

목적	- 고객이 왜 이걸 선택했는지… 그 마음의 방정식을 푸는 것 - 고객의 선택 기준을 해부해서 전략으로 만드는 것 (AI가 질문을 설계하고, 분석하고, 시뮬레이션 함)  - 자체 대규모 인간 패널을 보유한 업체에서 실제 인간을 AI가 설계한 방식으로 인터뷰하고 분석함
절차	① 속성 정의(사전 VOC) → ② 조합 만들기 (프로파일) → ③ 설문 진행  → ④ 데이터 분석 (속성별 중요도 + 선호도 계산) → ⑤ 결과 해석 (“이 조합이 가장 잘 팔림” 도출)
산출물	속성 중요도, 속성 수준별 효용값, 최적 상품 조합, 시장 점유율 예측 시뮬레이션, 고객 세그먼트 분석
지표	중요도,  효용값(얼마나 선호하는지), 선택 확률, 가격 민감
장점	실제 구매 상황과 유사 (현실 반영👍), 속성별 영향 정확히 파악, 신제품 기획에 바로 활용 가능, 시장 반응 사전 예측 가능, “출시 전에 이미 결과를 미리 보는 느낌”
한계	설문 설계가 복잡함, 속성 많아지면 응답자 피로도 높아짐, 결과 해석에 전문성 필요
기간/업체	3~6주 / 마크로밀엠브레인 (https://embrain.com/kor/) - 정식 의뢰하여 조사진행 필요

 

4.7. 광고 A/B 테스트 및 랜딩 실험

목적	메시지·포지셔닝·가격 앵커·가치 제안을 실시장에서 검증
절차	① 단일 변수 가설 → ② 캠페인 세팅(Meta/Google Ads) → ③ 전환 이벤트 계측 → ④ 통계적 판정 → ⑤ 승자 카피 확장
산출물	메시지 승자/패자, 세그먼트별 반응, 가격 민감도
지표	CTR, CVR, CPA/CAC, 전환율 uplift, 유의확률
장점	'말이 되는지'를 시장이 즉시 채점
한계	광고 플랫폼 편향, 외생 변수(시즌·경쟁)
기간/업체	1~3주 / Meta Business Suite (https://business.meta.com/)

 

4.8. 소셜 리스닝 + AI 토픽 분석

목적	- 고객의 진짜 마음 = 행동 데이터에서 읽는다. - 사람들이 말한것(인터뷰) 한 것이 아니라, 사람들이 남긴 흔적을 본다. - SNS 상에서 나온 데이터를 AI로 분석한다.
절차	① 키워드 정의 → ② 수집(커뮤니티/SNS/블로그) → ③ AI 분석(키워드 추이, 연관어 분석, 감성 분석, 경쟁 비교 → ④ '왜' 인사이트 도출 (니즈 / 불만 / 트렌드 / 구매 이유 추출)
산출물	키워드 트렌드 그래프, 연관어 맵, 긍/부정 감성 비율, 소비자 언어(VoC) 리스트, 경쟁사 비교 데이터
지표	언급량, 검색량 / 트렌드 상승률, 긍정 비율, 키워드 점유율 (경쟁사 비교)
장점	현실적이고 빠르다, 비용이 저렴한 편이다, 숨은 니즈 발견
한계	대표성 문제(말 많은 집단 편향)
기간/업체	1~3주 / 썸트렌드(Some) (https://some.co.kr/)

 

4.9. 검색 트렌드 분석

목적	수요 프록시(관심도)로 시장 타이밍·연관 키워드 탐색 (네이버 검색어 분석)
절차	① 키워드 풀 생성 → ② 트렌드·연관어·지역 분석(Google Trends, NAVER DataLab) → ③ 이벤트 매핑 → ④ 전략 반영
산출물	키워드 우선순위, 시즌성 가설, 지역 타깃 가설
지표	검색 관심도 추이, 급상승 키워드
장점	매우 빠르고 무료·저비용
한계	'관심 = 구매' 아님. 설문 대체 불가
기간/업체	0.5~2일 / Naver DataLab (https://datalab.naver.com/)

 

4.10. 리뷰 수집·분석 (공식 API 우선)

목적	- 고객이 남긴 리뷰(앱스토어) 속에서 진짜 니즈를 캐낸다 - 고객 인터뷰 대신, 수만 개 리뷰를 AI로 읽는 느낌
절차	① Apple App Store Connect / Google Play Reviews API 수집 → ② 중복·스팸 제거 → ③ 토픽·감성·원인 분석 → ④ 기능 요구사항으로 변환 (수집 → AI 해석 → 패턴 발견 → 제품 개선)
산출물	감성 분석 리포트, 키워드/토픽 분석, 리뷰 트렌드 그래프, 버전별 고객 반응
지표	평균 별점, 감성 비율, 토픽 빈도, 업데이트 전후 반응 변화
장점	리뷰 수천개를 AI가 분석, 고객의 "진짜 불만/요구" 빠르게 발견, 데이터 기반 의사 결정
한계	리뷰는 극단값 편향(만족한 사람은 조용), 앱 사용자 중심으로 비사용자 의견 반영 어려움
기간/업체	1~2주 / Appbot (https://appbot.co/)

 

4.11. 행동 분석 · 퍼널 · 코호트 (GA4/Amplitude)

목적	- “우리 서비스, 어디서 잘 되고 어디서 망하고 있지?” - 고객의 흔적을 따라가서, 왜 떠나고 왜 남는지 밝혀내는 도구
절차	① 이벤트 정의 (클릭, 가입, 구매 등의 데이터 수집) → ② 퍼널 설정 (여정 만들기, 방문 → 회원가입 → 구매) → ③ 코호트 생성 (유저 그룹 나누기, 특정 행동을 한 사용자 묶기)  → ④ 비교 분석 (퍼널 단계별 비교) → ⑤ 개선 & 실험
산출물	퍼널 차트(단계별 전환율), 코호트 분석 그래프, 리텐션 곡선, 사용자 행동 흐름
지표	퍼널(전환율, 이탈률), 코호트(유지율, 재방문율, LTV), 행동분석(활성 사용자, 세션, 기능 사용률)
장점	행동 패턴을 통해 원인 분석 가능, 성장 포인트 체크 가능
한계	세팅이 어렵다, 해석이 중요하다, 정성 정보 부족 (왜 그런 감정을 느꼈는지 모름)
기간/업체	2~6주 / Amplitude (https://amplitude.com/ko-kr)

 

4.12. VOC NLP 텍스트 마이닝 + 자동화 UX 테스트

목적	- 데이터 속 감정 + 행동의 이유를 해석하는 일종의 ‘디지털 공감 엔진 - 고객이 왜 그렇게 행동했는지를 찾기 위해 VOC와 UX 테스트 진행 - VOC, 리뷰 한 줄, 상담원의 통화 데이터, 앱에 남긴 불만, 커뮤니티에 남긴 한마디, 이 모든 것을 데이터화 시켜 분석하고, UX 테스트를 통해 개선
절차	① 데이터 수집(리뷰, 설문, 인터뷰, 영상 테스트) → ② NLP 텍스트 마이닝 (AI 분석: 감정 분석, 키워드 추출, 주제 클러스트링) → ③ UX 테스트 자동화 (사용자가 제품을 실제로 사용, 특정 미션 수행) → ④ 통합 분석 (VOC 데이터 + UX 행동 연결) → ⑤ 개선 액션 (UX 개선, 기능 수정, 메시지/카피 변경)
산출물	고객 인사이트 리포트, 문제 구간 지도, 감정 분석 결과, 사용자 행동 영상
지표	NPS(추천도), 만족도, 감정 점수, 키워드 빈도, Task 성공률, 완료 시간, 이탈률
장점	진짜 이유를 알 수 있음, 빠른 의사 결정, 고객 중심 제품 설계 가능
한계	맥락 왜곡 가능, 표본 편향적, 비용 및 운영 부담
기간/업체	2~6주 / UserTesting (https://www.usertesting.com/)

 ※ VOC NLP 텍스트 마이닝 = "고객의 말 속에서 중요한 패턴을 자동으로 뽑아내는 기술"

 

5. 방법론 비교 요약표

신뢰도는 '인사이트가 현실을 얼마나 대표하는가'의 척도이며, '속도·비용·적합도'는 익시오 현재 단계 (6주 내 결과 도출) 기준입니다.

방법	신뢰도	속도	비용	적합도
AI 페르소나 생성	낮음(가설용)	매우빠름	낮음	높음
시뮬레이션 인터뷰	낮음~중	빠름	낮음	높음
AI 합성응답자 가상 설문	중(보정필요)	빠름	낮음~중	높음
세그먼트 AI 에이전트	중	보통	중	보통
챗봇 기반 탐색조사	중~상	보통	중	매우높음
컨조인트(CBC)	상	느림	중~고	높음
광고 A/B·랜딩 실험	상	보통	중~고	매우높음
소셜 리스닝	중	빠름	낮음~중	매우높음
검색 트렌드 분석	중	매우빠름	매우낮음	높음
리뷰 API 수집/분석	상	빠름	낮음	높음
행동·퍼널·코호트 분석	최상	보통	중	매우높음
VOC NLP 텍스트마이닝	상	보통	중	높음

 

6. 익시오 적용 권장 워크플로 (6~8주)

아래는 '가설 생성 → 사전 탐색(AI) → 실데이터 검증 → 운영'의 4단계 루프를 익시오에 적용한 표준 워크플로우 입니다.

Phase 1. 시장 지도 작성 (0~2주)

•   소셜 리스닝·리뷰 API 수집으로 고객 언어와 불만 데이터 확보

•   검색 트렌드로 관심 키워드·시즌성 파악

•   VOC NLP로 초기 욕구 지도 작성

•   목표 : "우리도 AI로 조사할 수 있다" 상태 만들기

Phase 2. 가설 확장 (2~4주)

•   AI 페르소나 20~50명 생성 → 시뮬레이션 인터뷰로 질문지·반론 리스트 확보

•   AI 가상 설문으로 설문지 초안 사전 테스트

•   컨조인트 속성·가격 수준 후보 도출

•   목표 : 실제 서비스 개선에 연결 ①

Phase 3. 실시장 검증 (2~6주 병행)

•   광고 A/B + 랜딩 fake-door 테스트로 메시지·가치 제안 검증

•   실제 소비자 대상 CBC 설문 실행(합성 응답으로 예열된 설문지 사용)

•   CBC = Choice-Baced Conjoint (선택형 컨조인트 분석)

•   유입 퍼널·코호트 분석으로 전환 병목 확인

•   목표 : 실제 서비스 개선에 연결 ②

Phase 4. 상시 운영

•   GA4/Amplitude 기반 행동 분석 상시 운영

•   챗봇 기반 탐색조사 및 VOC NLP 파이프라인 자동화

•   합성 패널로 신기능·신메시지 스크리닝

•   자동화 UX 테스트(Playwright/Lighthouse)로 릴리즈 품질 감시

•   목표 : 항상 돌아가는 시스템으로 정착하기

 

7. 리스크 관리 · 개인정보 · 윤리

생성형 AI 기반 고객조사는 개인정보보호위원회의 『생성형 AI 개발·활용을 위한 개인정보 처리 안내서』를 준수 프레임으로 삼아야 합니다. 다음 항목을 기능 요구사항(Functional Requirement)으로 내장합니다.

 

꼭 지켜야 할 것들

• 왜 데이터를 쓰는지 명확히 하기
• 필요한 것만 최소로 수집하기
• 데이터는 안전하게 보호하기
• 개인 정보는 반드시 가명 처리하기
• 외부 AI 쓸 때는 계약·정책 확인하기
• AI가 혼자 결정하지 않게 하기 (사람 검토 필수)
• 특정 집단에서 결과 이상한지 체크하기
• 결과가 바뀌지 않도록 기록 남기기

 

8. 결론 및 제언

AI 기반 비대면 고객조사는 '대면 조사의 대체'가 아니라 '대면·실데이터 조사의 가속기'로 접근해야 합니다. 익시오는 기능과 상품이 명확해질수록 AI 합성 고객의 보정 품질이 높아지므로, 지금 시점에는

① 소셜 리스닝·리뷰·행동 데이터로 '현실의 바닥'을 깔고,

② AI 페르소나·시뮬레이션 인터뷰·가상 설문으로 가설 공간을 빠르게 넓히며,

③ 광고 A/B·컨조인트로 실시장 검증을 수행하는 3중 루프를 표준화하는 것이 가장 효율적입니다.

 

제언 사항

• 단기(1개월 내): AI 페르소나·시뮬레이션 인터뷰 템플릿과 소셜 리스닝·리뷰 수집 파이프라인을 구축해 '내부 AI 리서처' 역량 확보

• 중기(3개월 내): 챗봇 기반 탐색조사, 컨조인트, 광고 A/B 실험을 익시오 런칭·개선 사이클에 맞춰 정착

• 장기(6개월 이상): 합성 패널과 자동화 VOC/UX 파이프라인을 상시 운영해 AI 고객조사 플랫폼화

• 전 과정에서 개인정보·편향 체크리스트를 '기능 요구사항'으로 내장하고, 결과는 반드시 실데이터로 보정