수천,수만건의 VOC 어떻게 분석하지...
흩어진 글자들을 액션 가능한 인사이트로 전환하는 것
운영을 하면서 일단 VOC를 수집하고 있습니다. .
일단 수집은 했는데, 수백 줄의 텍스트...
"로딩이 느려요", "사용법을 모르겠어요", "이 기능이 필요해요"... 어디서부터 어떻게 시작해야할지 막막했습니다.
VOC 분석의 핵심은 흩어진 글자를 액션 가능한 인사이트로 전환하는 것입니다.
VOC 분석 방법에 대해서 알아보고자 합니다.
VOC 분석 프로세스 흐름
VOC 분석은 크게 5단계로 진행됩니다:
Step 1: 카테고리화 및 분류
VOC를 체계적으로 정리하여 "어떤 영역에서 문제가 많은가"를 한눈에 파악
1. 1차 분류: 대분류 카테고리
Tip: 카테고리별 비율을 파이 차트로 시각화하면 "어디에 문제가 집중되어 있는가"가 명확해집니다.
2. 2차 분류: 세부 카테고리 (기능별)
대분류 후, 서비스의 기능 영역별로 다시 분류합니다.
예시: 이커머스 서비스
검색/필터: "검색 결과가 이상해요", "필터가 작동 안 해요
결제/주문: "결제가 안 돼요", "주문 취소 방법을 모르겠어요"
배송/물류: "배송이 느려요", "배송 조회가 안 돼요"
고객센터: "상담원 연결이 안 돼요", "답변이 늦어요"
계정/회원: "로그인이 안 돼요", "비밀번호 재설정이 안 돼요"
세부 카테고리 분류를 통해 "결제 페이지에서 UX 불편 VOC가 집중적으로 발생" 같은 구체적인 문제 지점을 발견할 수 있습니다.
3. 3차 분류: 감정 분류
각 VOC의 감정 강도를 3단계로 분류합니다:
긍정: "이 기능 정말 좋아요", "추천합니다"
중립: "이 기능이 있으면 좋겠어요", "사용법 문의"
부정: "너무 불편해요", "환불하겠습니다"
Tip: 부정감정 중 "이탈 위협 키워드" (환불, 탈퇴, 경쟁사 언급 등)가 포함된 것을 별도 체크
Step 2: 텍스트 분석 (키워드 추출 및 빈도 분석)
VOC 텍스트에서 반복되는 핵심 단어를 추출하여 "고객이 진짜 말하고 싶은 것"을 파악
1. 키워드 추출 방법
수동 방식 (소규모 VOC, 100건 미만):
엑셀의 "텍스트 나누기" 기능 또는 CTRL+F로 특정 키워드 빈도 카운트
예: "느리다", "오류", "불편" 같은 단어가 몇 번 등장하는지 수동 집계
자동화 방식 (대규모 VOC, 100건 이상):
Python (KoNLPy): 한국어 형태소 분석 라이브러리로 명사 추출 → 빈도 계산
Google Sheets Add-on: "Wordcloud" 같은 확장 프로그램 활용
ChatGPT/Claude: VOC 100개를 붙여넣고 "이 텍스트에서 가장 많이 언급된 키워드 10개를 추출해줘"라고 요청
2. 빈도 분석 및 시각화
추출된 키워드를 빈도순으로 정렬하여 차트로 표현합니다.
3. Co-occurrence 분석 (함께 등장하는 키워드)
특정 키워드가 다른 어떤 키워드와 함께 자주 언급되는지 분석합니다.
예시:
"느리다" + "결제": 결제 프로세스의 속도 문제
"오류" + "로그인": 로그인 시스템 버그
"복잡하다" + "필터": 필터 UI의 복잡성
단순 빈도만 보면 "느리다"라는 키워드만 보이지만, Co-occurrence 분석을 통해 "결제 페이지 속도"라는 구체적인 문제 영역을 특정할 수 있습니다.
Step 3: 패턴 발견 (세그먼트별 분석)
"어떤 조건에서 특정 VOC가 집중적으로 발생하는가"를 발견하여 타겟팅 전략 수립
1. 사용자 세그먼트별 패턴
같은 "불편하다"는 VOC라도, 신규 사용자와 파워 유저의 불편함은 원인이 다릅니다.
세그먼트별 분석을 통해 맞춤형 솔루션을 설계할 수 있습니다.
2. 시간대별 패턴 (트렌드 분석)
VOC 발생 시점을 시계열로 분석하여 특정 이벤트와의 상관관계를 파악합니다.
예시:
2024년 8월: "로그인 오류" VOC 급증 → 8월 15일 서버 업데이트와 연관
연말(11~12월): "배송 지연" VOC 증가 → 블랙프라이데이 트래픽 집중
주말 vs 평일: 주말에는 "사용법 문의", 평일에는 "업무 관련 기능 요청" 증가
액션 아이템: 트렌드 분석을 통해 "언제 어떤 문제가 반복되는가"를 예측하고, 사전 대응 전략을 수립합니다.
Step 4: 근본 원인 분석
표면적인 불만 뒤에 숨겨진 "진짜 문제"를 규명
고객이 "느리다"고 말할 때, 진짜 문제는 속도가 아니라 "기다리는 동안 무슨 일이 일어나는지 몰라서 불안하다"일 수 있습니다.
1. 5 Whys 기법
"왜?"를 5번 반복하여 근본 원인을 찾는 방법입니다.
예시: "결제가 느리다"는 VOC
Why 1: 왜 결제가 느리다고 느끼나요?
→ "결제 버튼을 누른 후 10초간 아무 반응이 없어요."
Why 2: 왜 10초간 반응이 없나요?
→ "로딩 인디케이터가 표시되지 않아서 처리 중인지 알 수 없어요."
Why 3: 왜 로딩 인디케이터가 없나요?
→ "UI에 로딩 상태 피드백이 설계되지 않았습니다."
Why 4: 왜 설계되지 않았나요?
→ "초기 개발 시 '속도'에만 집중하고 '인지된 속도'는 고려하지 않았습니다."
Why 5: 왜 인지된 속도를 고려하지 않았나요?
→ "UX 검증 프로세스가 없었습니다."
근본 원인: 실제 처리 속도 문제가 아니라 "로딩 피드백 부재"라는 UX 설계 결함
솔루션: 서버 최적화(비용 高)보다는 로딩 스피너 + 진행 상태 메시지 추가(비용 低)로 해결 가능
2. 사용자 여정 맵 (User Journey Map)
VOC가 발생하는 지점을 사용자 여정 맵 위에 매핑하여 "어느 단계에서 이탈이 일어나는가"를 시각화
VOC 건수가 가장 많은 "④ 결제"보다, "③ 장바구니"에서 이탈률이 더 높을 수 있습니다.
여정 맵을 통해 정량 데이터(이탈률)와 정성 데이터(VOC)를 함께 보면 우선순위가 명확해집니다.
3. Fishbone Diagram (Ishikawa 다이어그램)
문제의 원인을 4M (Man, Machine, Method, Material) 카테고리로 구조화합니다.
예시: "고객센터 응답이 느리다"는 VOC
인력 (Man): 상담원 부족, 신규 상담원 교육 미흡
시스템 (Machine): 티켓팅 시스템 속도 저하, 자동 분류 기능 부재
프로세스 (Method): 우선순위 분류 기준 없음, 에스컬레이션 룰 미비
콘텐츠 (Material): FAQ 부족, 셀프 해결 가이드 없음
근본 원인: 단순히 "상담원을 늘린다"가 아니라, "FAQ 강화 + 자동 분류 시스템 도입"으로 상담 건수 자체를 줄이는 것이 효율적
Step 5: 인사이트 도출 및 액션 아이템 정의
분석 결과를 "실행 가능한 의사결정"으로 전환
좋은 인사이트는 3가지 조건을 충족합니다:
① 구체적: "고객이 불편해한다" (X) → "Android 앱 결제 페이지에서 89%의 오류 발생" (O)
② 실행 가능: 팀이 바로 착수할 수 있는 형태
③ 임팩트 명시: 해결 시 기대되는 비즈니스 효과 포함
인사이트 작성 템플릿
액션 플랜까지 나와야 분석을 완료했다고 볼수 있습니다.
다음 3문장 구조로 인사이트를 정리합니다:
[현상] 최근 3개월간 Android 앱 사용자로부터 결제 오류 VOC가 178건 발생했으며, 이는 전체 결제 오류 VOC의 89%를 차지합니다.
[원인] Android 앱의 PG 연동 모듈에서 특정 카드사 결제 시 타임아웃이 발생하는 것으로 확인되었습니다.
[영향] 해당 문제로 인해 월 약 350건의 결제 실패가 발생하고 있으며, 이는 월 1,750만원의 잠재 매출 손실로 추정됩니다.
액션 아이템:
Android PG 모듈 긴급 패치 (개발 2주 소요)
타임아웃 에러 발생 시 재시도 로직 추가
에러 발생 시 사용자에게 명확한 안내 메시지 표시
VOC는 단순한 "고객 불만"이 아니라, 제품을 발전시킬 수 있는 소중한 의견입니다.
체계적인 분석 방법을 통해 수천 건의 텍스트 더미를 인사이트로 전환하여 의사결정을 할 수 있습니다.
이제 분석이 끝났다면, "어떤 VOC를 먼저 해결할 것인가, 해결했을때 어떤 임팩트가 있는가
우선순위 설정과 ROI 계산 방법은 2편 글 "VOC로 지표를 개선하는 방법"에서 보겠습니다.