# 품질 향상
> **이 장에서 배우는 것**
> 첫 번째 질문 "고객 제품의 품질이 좋아지는가"를 어떻게 판단하는지. 그리고
> 품질 과제에서 가장 흔한 실패인 **측정 기준 부재**를 어떻게 막는지.
## 질문
> **고객 제품의 품질이 좋아지는가?**
여기서 "제품"은 물건만이 아닙니다. 서비스, 응대, 배송, 청구서 — **고객이 겪는
모든 것**입니다.
## 무엇이 이 원칙에 해당하나
세 가지 대표적인 형태가 있습니다.
### 1. 다채널 리뷰 분석으로 제품 개선점 발견
고객 리뷰는 쿠팡, 네이버, 자사몰, 앱스토어에 흩어져 있습니다. 담당자가 다 읽지
못하니 **별점만 봅니다.** 별점 3.8이라는 숫자는 무엇을 고쳐야 하는지 알려주지
않습니다.
리뷰 1만 건을 전부 읽고 불만 유형별로 묶으면 이런 게 나옵니다.
```
포장 관련 불만 31% ← 이번 분기 급증
배송 지연 24%
제품 성능 18%
가격 14%
기타 13%
```
포장 불만 31%는 별점만 봐서는 안 보입니다. **고칠 곳을 알려주는 것**이 품질
과제의 본질입니다.
### 2. 감정 분석으로 고객 불만 실시간 파악
문제는 **터진 뒤에 아는 것**이 보통입니다. 환불이 급증하거나 별점이 떨어진 뒤에야
"뭔가 있었구나" 합니다.
들어오는 문의의 감정을 실시간으로 보면 **터지기 전에** 신호가 보입니다. 특정
제품 문의에서 부정 감정이 갑자기 늘면 그 자체가 알람입니다.
### 3. 데이터 기반 의사결정 가속화
의사결정이 느린 이유는 대개 **자료를 모으고 정리하는 데 시간이 걸려서**입니다.
회의 자료를 만드는 데 3일이 걸리면 의사결정은 주 단위가 됩니다. 그게 하루가
되면 일 단위가 됩니다.
**임팩트: 제품 경쟁력 강화**
## 품질 과제의 특징 — 늦게 나타나고 오래 갑니다
```mermaid
graph TD
A["품질 과제 착수"] --> B["개선점 발견"]
B --> C["제품·절차 수정"]
C --> D["고객이 체감"]
D --> E["재구매·이탈률에 반영"]
E --> F["매출에 나타남"]
```
단계가 많습니다. 리뷰 분석을 시작해도 매출에 나타나기까지 몇 분기가 걸립니다.
- **단점**: 증명이 느립니다. 첫 과제로는 부담스럽습니다.
- **장점**: 한 번 좋아지면 오래 갑니다. 경쟁사가 따라 하기도 어렵습니다.
## 가장 흔한 실패 — 측정 기준을 안 정하고 시작
품질 과제가 실패하는 방식은 거의 하나로 수렴합니다.
> 6개월 뒤: "품질이 좋아진 것 같긴 한데... 얼마나 좋아졌는지는 모르겠습니다."
이렇게 되는 이유는 **품질이 원래 재기 어려운 것**이라서입니다. 시간이나 비용은
자연스럽게 숫자가 남지만 품질은 안 남습니다. 그래서 **시작할 때 정해두지 않으면
영영 못 잽니다.**
### 무엇으로 잴 수 있나
품질을 직접 재는 건 어렵지만 **품질이 나빠졌을 때 움직이는 값**은 잴 수 있습니다.
| 재는 값 | 어디서 나오나 | 주의 |
|---|---|---|
| 재구매율 | 주문 데이터 | 계절 영향 큼 |
| 반품·환불률 | 주문 데이터 | 가장 직접적 |
| 문의 건수 (유형별) | 상담 시스템 | 줄면 좋음 |
| 별점·리뷰 감정 비율 | 리뷰 데이터 | 표본이 편향될 수 있음 |
| 재작업·불량 건수 | 생산·검수 기록 | 제조업에서 명확 |
| 응답까지 걸린 시간 | 상담 시스템 | 체감 품질에 직결 |
### 착수 전에 채워야 하는 표
```
과제: 다채널 리뷰 분석으로 포장 문제 발견
측정 지표: 포장 관련 문의 건수 (월)
현재 값: 월 평균 ___건 ← 지금 채우세요
측정 방법: 상담 시스템에서 '포장' 태그 건수, 매월 1일 집계
목표: 6개월 후 30% 감소
```
**"현재 값" 칸이 비어 있으면 착수하지 마세요.** 나중에는 못 채웁니다.
## 이럴 때 품질 과제를 고르세요
| 상황 | 판단 |
|---|---|
| 고객 불만이 늘고 있는데 원인을 모른다 | **적합** |
| 리뷰·문의 데이터가 쌓여 있는데 안 본다 | **적합** |
| 이미 측정 체계가 있다 (반품률, NPS 등) | **적합** — 기준선이 있음 |
| 조직에 첫 AI 과제다 | 부적합 — 증명이 느림 |
| 데이터가 흩어져 있고 접근이 어렵다 | 부적합 — 먼저 데이터부터 |
## 자주 하는 오해
### "리뷰 분석은 사람이 샘플링해서 봐도 되지 않나?"
샘플링의 문제는 **적은 비중의 신호를 놓친다**는 것입니다. 100건을 뽑아 읽으면
31%짜리 문제는 보이지만 3%짜리는 안 보입니다. 그런데 그 3%가 다음 분기에 20%가
될 신호일 수 있습니다.
전수 분석의 가치는 정확도가 아니라 **놓치지 않는 것**입니다.
### "감정 분석이 부정확하다던데?"
개별 건은 틀릴 수 있습니다. 그런데 품질 과제에서 보는 건 개별 건이 아니라
**추세**입니다. 부정 비율이 12%에서 19%로 올랐다면, 개별 분류가 조금 틀려도 그
방향은 신호입니다.
**개별 정확도가 중요한 용도**(예: 이 고객에게 환불해줄까)와 **추세만 보면 되는
용도**를 구분해야 합니다. 후자는 지금 기술로 충분합니다.
---
## 확인
**1. 품질 과제가 첫 과제로 부담스러운 이유는 무엇입니까?**
답
**증명이 느리기 때문**입니다. 개선점 발견 → 제품 수정 → 고객 체감 → 지표 반영
까지 단계가 많아 몇 분기가 걸립니다. 조직이 전환을 계속하려면 초기에 눈에 보이는
성과가 필요한데, 품질 과제는 그 역할을 하기 어렵습니다.
**2. 품질을 직접 재기 어렵다면 무엇을 재야 합니까?**
답
**품질이 나빠졌을 때 움직이는 값**을 잽니다 — 반품·환불률, 유형별 문의 건수,
재구매율, 재작업 건수 등. 그리고 **착수 전에 현재 값을 반드시 기록**해야 합니다.
나중에는 채울 수 없습니다.
**3. 감정 분석이 개별 건에서 틀릴 수 있는데도 쓸 만한 이유는?**
답
품질 과제에서 보는 것은 개별 건이 아니라 **추세**이기 때문입니다. 부정 비율이
12%에서 19%로 올랐다면 개별 분류가 조금 틀려도 방향은 신호입니다. 개별 정확도가
중요한 용도와 추세만 보면 되는 용도를 구분해야 합니다.
---
다음은 가장 빨리 증명되는 영역입니다 → [비용 절감](/guide/ax-cost)