구매 Q&A
Q. Risk Sensing을 하고 Risk가 있는 구매 업체를 발견하고 Risk 발생을 방지한 경우가 얼마나 되는지요 그 대표적 경우는 무엇인가요?
A. 다음의 대표적인 사례로 설명드릴 수가 있습니다. [사례1] Blog에서 A기업을 다니는 남편이 회사에서 월급의 미지급 사실을 Blog에 올렸고, 그 정보를 구매담당자에게 제공함. 구매담당자는 A기업이 3차 협력사인 것으로 확인하고, 1차 협력사를 통해 사실관계를 확인하면서 A기업의 경영 이슈를 확인하고 납품대금 조기 지급 및 자금 지원 조치를 취함. [사례2] 중국의 희토류 수출 중단 News에 대해 N차 공급망에서 희토류를 사용하는 품목/협력사를 확인하고, 공급처의 다변화 활동을 수행함.
Q. DX를 진행하면서 동시에 AX를 병립하여 진행할 수 있을까요, 아니면 충분한 DX가 완료된 후에 비로소 AX를 진행하는 것이 올바른 접근 방법일까요?
A. 전통적인 DX는 디지털 전환을 의미하며, 디지털 기술을 적용하여 기존의 사회구조를 혁신하는 것으로 이해하고 있습니다. 과거의 Analog to Digital 활동의 확장형으로 볼 수가 있습니다. 다양한 분야의 업무 절차와 프로세스, 산출 등이 먼저 전산화/자동화를 통해 DB 구축이 된 후, 이를 분석하는 기법과 방식 등을 다양한 Logic과 모델링을 통해 최적화를 실현하여 머신러닝 등을 통해 유의미한 분석 활동으로 이어질 수 있다고 생각합니다. DX를 통해 유의미한 성과를 확보한 뒤, AX로 전환하는 것이 효율적으로 판단됩니다.
Q. N차 공급망 관리를 통해 요즘 이슈가 되고 있는 탄소 배출량 측정이나 ESG 경영에도 활용할 수 있을까요?
A. 네. 가능합니다. 탄소발자국(PCF) 관리나 공급망 실사 관리(Due Dilligence), RE100 등 다양한 글로벌 규제에 대하여, 기업의 공급망 전반에 대한 식별과 점검활동을 수행하고 공개하는 것이 곧 비즈니스 관행으로 정착될 것으로 예상됩니다. 현재 A사의 경우, N차 공급망 구축과 함께 탄소발자국 및 공급망 실사 관리 업무로 확장하고 있습니다.
Q. 하위 벤더로부터 데이터 공유가 비협조적이거나 부정확하다면 가시성 확보가 어려울 수 있는데, N차 까지의 모든 참여업체의 협조는 어떻게 이끌어 낼 수 있으며, 정확도 향상은 어떻게 보장할 수 있는지요?
A. N차 공급망의 협력사를 조사하는 활동이 쉽지 않습니다. 다만 선진기업의 경우, 정기적으로 협력사를 대상으로 Audit을 통해 공급망의 정보를 주기적으로 확인하거나, Supplier Portal을 무상으로 제공하면서 공급망의 정보를 입력하도록 유도하고 있습니다. N차 공급망 관리의 중요성을 고려할 때, 협력사를 대상으로 충분한 설명과 함께, 이러한 N차 공급망 정보를 활용하여 Risk 관리를 공유하는 활동을 통해 적극적인 동참을 이끌어 내 필요가 있습니다.
Q. SINGLEX 구매관리는 SAP의 강점과 오랜 기간 다양한 산업에서 확보한 LG CNS의 Know-how가 결합된 SRM솔루션으로는 높이 평가되고 있습니다. SINGLEX만의 기능상 강점은 무엇이고, 국내에서 큰 제조, 물류 기업에 대한 구축 사례와  향후 모델의 방향성도 어떤지 궁금합니다.  그리고 솔루션 도입으로 수요예측이나 효율적 재고관리, 리드타임 단축이 가능한지요?
A. SINGLEX의 강점은 크게 3가지로 말씀드릴 수가 있습니다. 첫 번째, LG의 오랜 기간 축적된 업무 노하우가 반영된 표준 프로세스를 도입하여 신속하게 기업의 구매 역량을 상향 평준화 시킬 수가 있습니다. 또한 표준 프로세스를 기업에 맞게 Tailoring하여 활용할 수가 있습니다. 두 번째, 글로벌 솔루션인 SAP와 협업하여 Global Standard 업무 경험과 LG CNS의 DX 역량의 시너지를 활용할 수가 있습니다. 세 번째, SaaS로 제공하기 때문에, 개발부터 운영 전반을 LG CNS가 책임지고 관리하게 되며, 최신의 기술 및 트렌트를 반영한 업그레이드 기능을 무상으로 활용할 수가 있습니다. 대표적인 업그레이드 사례로는 N차 공급망 관리가 있습니다.
Q. 시나리오에서 제시된 것처럼 실제로 외부 뉴스나 기사 등의 정보를 활용하여 공급망 관리에 데이터로 활용하고 있는지, SINGLEX가 직접 이러한 데이터를 AX/DX 기능으로 처리하고 있는지 궁금합니다.
A. SINGLEX REDS(Reputation Early Detection on Social Media)솔루션을 '17년부터 개발하여 News 및 SNS 상의 정보를 분석하여 Risk 관리를 점검하고 있습니다. Risk 뿐만 아니라, 기업 및 Brand 평판, 키워드 센싱 등으로 확장하여 사용하고 있습니다.
Q. Social 데이터를 실시간으로 수집하여 평판 정보를 감지한다고 하였는데요. Social 데이터도 무궁무진하게 많은 곳에 널리 퍼져 있는데 이를 선정하는 기준이 있나요? 있다면 이 기준은 자체적으로 검토를 하여 선정을 하는 것인지 궁금합니다. 
A. 현재 15,000개 Site에서 매일 180만건의 데이터를 분석하여 Risk 센싱을 수행하고 있습니다. Google, Naver와 같은 Portal과 언론매체, Youtube를 기본으로 하고 있으며, 별도로 Target Site를 지정할 수도 있습니다. (전자공시시스템(DART), 공정거래위원해, 동반성장위원회, 특정 Blog 등)
Q. 현재 구매 AI의 수준과 앞으로 어떠한 방향으로 구매 분야에서 AI가 전문적으로 활용될지 의견 부탁드립니다.
A. 현재 구매 분야의 AX전환을 위한 시작 단계로 볼 수 있습니다. Text분석을 통한 유사 품목 비교 분석 및 가격 추천, 소셜 빅데이터 분석을 통한 Risk 점검, Tech Sensing, 이상 단가 Warning 등이 있습니다. 향후 AI 적용이 예상되는 분야는 구매 가격 결정 및 모니터링 부분에 선행적으로 진행될 것으로 전망하고 있습니다.  구매 가격 결정 및 협력사 선정 업무는 공정성, 객관성 확보가 반드시 필요한 영역이기 때문입니다.
Q. SINGLEX는 구매자들의 Pain Point에 대한 분석 및 적용을 하여 서비스 및 기능을 구현한 것으로 보이는데, 신규로 Pain Point가 발견되거나 업무 트렌드의 변화로 인해 기존 기능의 개선이 필요할 때, 이를 어떻게 감지하고 솔루션 및 서비스에 반영하는지 문의 드립니다.
A. SINGLEX는 SaaS(Software as a Service)로 제공하고 있으며, SaaS의 장점 중에 하나니 업그레이드 정책을 통해서 별도의 비용 없이 무상으로 최신의 업그레이드 기능을 활용할 수 있습니다. 이러한 업그레이드는 주기적인 시장분석 및 사용자의 요구사항을 접수하여 매년 차기 연도 업그레이드 과제를 선정하고 고객과 소통하면서 반영해 나가고 있습니다.
Q. DX나 AX로 가기 위해서는 가장 중요한 것이 데이터의 가용성/품질이 확보되어야 되는데 대부분의 기업의 구매 부분에서 데이터 가용성/품질 이슈를 보유하고 있습니다. 이 부분을 보완하거나 극복할 수 있는 방안이 있을까요? 1) 데이터 관리 및 지속적인 유조 부수 부족 2) 데이터 상호 연결성 부재 (다양한 시스템 데이터가 사일로화 되거나 디지털화되지 않은 경우) 3) 데이터 전략부재 (데이터 활용에 대한 전략적 필요 테마 설정 필요)
A. 첫째, 데이터 수집을 위한 표준화된 작업이 선행되어야 합니다.  수행하는 업무의 순서에 따라 Input/Output 데이터가 무엇인지, 어떤 성과나 데이터가 생성되고 있는지, 업무 프로세스가 표준화되어 있고 지속적으로 업그레이드되는 체계를 갖추어야 한다고 생각합니다. 둘째, 데이터들이 수작업이 아닌 시스템을 통해 수집되고, 필요할 때 언제나 쉽게 추출하여 분석할 수 있도록 정형화되어야 합니다. 이를 통해 정제된 데이터가 Data Lake형태로 축적된다면, 비로소 빅데이터를 확보할 수 있게 될 것이며 다양한 DX,AX 기술과 접목할 수 있는 기반을 확보하는 것이죠. 마지막으로, DX/AX전환을 실현할 수 있는 인적 역량의 육성 및 확보와 전사적 추진 활동(프로그램)입니다. 구성원을 대상으로 DX/AX Idea접수 및 과제 수행을 유도하고, 유의미한 성과에 대한 격려 프로그램을 통해 전사적 참여를 이끌어 내고 중장기적인 안목으로 AX전환 활동을 꾸준히 실행하는 것이 필요하다고 생각합니다.
제조/설비 Q&A
Q. AI 기술들이 접목되고 적용을 하여도 최종은 사람과 시간을 들여서 설비에 인풋을 줘야 하는데 이것을 더 쉽고 빠르게 할 수 있는 솔루션은 없을까요? (수리시간 단축 등)
A. 네, 질문에 동의합니다.  AI기술에 반영되는 Data는 사람이 Data를 검증하고, 보완하고, 클렌징을 해줘야 합니다. AI기술이 학습하기에 문제가 없는 무결성의 Data를 적재하기 위해서는 다양한 DX과제들을 통해서 개선이 필요합니다. AI기술이 사람이나 설비에서 만들어 내는 Data자체를 보정하기에는 시간이 많이 소요될 것 같습니다.
Q. 적정 재고량 산정을 위한 알고리즘을 개발했다고 하셨는데 다양한 자재의 적정 재고량 산정을 모두 지원하는 하나의 만능 알고리즘으로 서비스 제공 중이신지 아니면 자재 특성에 맞춰 별도의 알고리즘 개발이 필요한 것인지 궁금합니다.
A. 적정 재고 산정을 위한 알고리즘은 Robust하여 모든 유형의 자재에 적용이 가능합니다. 단 리드타임이 짧고, 출고 이력이 많을수록 더 정확하게 산정하는 것으로 확인되었습니다.
Q. 자재별 소모량, lt도 예측이어서 모델이 많으면 오차는 더 커질 것 같은데, 해결 방안이 있을까요?
A. 저희가 분석해 본 결과는 자재별 입/출고 이력이 별로 없어 1년에 1~2건 있는 경우에는 학습하고 검증하는데 어려움이 있어서 오차가 있었습니다. 자재별로 소모량이 많은 경우는 예측 결과의 정확도가 훨씬 높아 지는 것으로 확인하였습니다.
Q. 설비 데이터에서 아웃라이어는 어떤 것인가요? 아무런 예고도 없이 오작동이나 부작동을 하는 경우인가요, 아니면 특수 상황에서 발생한 (예로 고의적 파손과 같은) 장애인가요? 
A. 예정된 예방 정비 같은 경우와 협력사에서 자재 입고 시에 자재를 모아서 한 번에 입고하는 경우가 평소와는 다른 패턴 Data로 아웃라이어에 해당하였습니다. 예고 없이 발생한 고장을 대응하기 위해서 재고를 준비하는 것이므로 그 경우는 특수한 경우가 아닙니다.
Q. 설비자재의 재고 최적화는 구매 분야와 연계가 필수적일것 같은데 싱글엑스의 구매 제조 기능은 쉽게 연계되고 데이터가 표준화 되어 주고 받는것도 쉽게 가능한가요?
A. 네, SINGLEX 설비관리 시스템은 구매요청(PR)을 수행하고, 'SINGLEX 구매' 시스템에서 입찰-PO-입고를 진행합니다. 구매 요청과 구매 오더 정보는 정형화되어 있어서 연계에 큰 문제는 없습니다. 'SINGLEX 구매'가 아니어도 기존 ERP와도 연계가 가능합니다.
Q. 예지보전의 중요성은 아무리 강조해도 지나치지 않지만 사고는 어떻게든 날 수밖에 없는데 설비 분야에서 SINGLEX를 사용해서 사후보전이나 사후처리를 할 경우 얻을 수 있는 가장 큰 이점은 무엇인가요?
A. 사후보전으로 축적된 Data를 바탕으로 사후보전 정비 Activity를 작성한다면, 동일 설비, 동일 고장에 대해서 고장 조치 방법에 대한 가이드가 가능하고 사용자는 가이드에 따라 정비를 하면 되기 때문에 MTTR 단축에 기여할 수 있습니다.
Q. 스마트 워크, 스마트 제조를 위해 SINGLEX에서 제공하는 특화된 타사 대비 차별된 AI 기능은 무엇이 있나요?
A. 스마트워크, 스마트제조 측면에서 SINGLEX 설비관리는 사용자의 UI 편의성 향상을 중요한 개선 포인트로 인식하고 개발이 되었습니다. 엔지니어가 출근하여 첫 화면을 열면 오늘 해야 되는 정비가 무엇인지? 구매 중인 아이템이 어떤 단계인지? 설비 지표는 어떻게 되는지 일목요연하게 보여줍니다. AI 기능으로는 현재 설비자재가 적정한 재고인지를 AI가 과거 사용 이력으로 학습하여 현재 고와 적정 재고를 동시에 보여주는 기능이 있습니다. 향후에는 예지 보전 영역으로 확대하여 자재의 수명 예측도 가능할 거 같습니다.
Q. 제조설비 / 과거 DX에서는 디지털 트윈과 CPS를 통하여 제조설비에 대한 가상의 환경에서 시뮬레이션하는 과정이 있었습니다. 세미나 또는 시연 과정에서는 상당히 유용해 보였지만 실제 제조 환경에서는 너무 많은 변수와 제약으로 사전에 시뮬레이션 하면서 검증하는 정도였는데 (실제 활용은 한계가 있었던 거 같습니다) AX로 가면서 기존보다 고도화되고 AI 로 하면서 기존 DX와 어떤 차이점이 있는 지 문의 드립니다.
A. 디지털 트윈이나 CPS의 개념은 몇 년간 유행처럼 확산되었으나 말씀하신 것처럼 실제 제조환경을 그대로 구현하기에는 한계가 많은 것이 사실입니다, R&D에서 제품 설계 및 검증에 사용하는 3D 환경처럼, 생산제조에서도 활용 시나리오에서 목적을 분명하고 달성하고자 하는 것을 구체화한다면, 디지털 Data를 활용한 비즈니스 상 어려운 부분에 대한 AI 기술 적용이 가능합니다.
Q. 제조,설비/IT 인력은 현장에 대한 지식이 없고, 현장 인력 들은 IT에 대한 지식이 없어 실제 과제 도출 및 수행에 어려움을 겪고 있습니다. 서로 간에 Communication 방법이나 상호 역량 향상을 위한 제언이 있을까요?
A. 상호 간 역량 향상을 위한 가장 좋은 방법은 업무를 통해서 현장을 잘 아는 인원이 IT 지식을 습득한다든지, 아니면, IT 인원이 현장 인원과 협업을 하면서 현장지식을 습득하는 하는 것이 가능할 것 같습니다. 각 IT 시스템마다 그렇게 인원 구성하는 것은 쉽지 않기 때문에 SI 기업을 통해서 과제별로 시스템 구축을 하고 나서 인수인계를 통해서 현장 인원이 IT 역량 향상하는 것이 일반적일 거라고 생각합니다.
Q. 제조 현장에서 DX를 실현하기 위해서, 현업(수요기업)들은 어떤 준비를 진행해야 하며, DX와 AX로 넘어가기 위한 공장의 레벨을 어느 정도 수준까지 끌어올려야 하는지 궁금합니다.
A. 스마트팩토리 단계를 보통 오프라인, 전산화, 자동화, 지능화로 본다면 제조 현장에서 수작업 문서나 Data를 온라인으로 전환해야 AX로 넘어가는 기반이 만들어집니다. 예를 들면 설비 ID와 설비자재, 설비 고장 에러 등은 현업에서 Data 표준화 관점에서 정비를 하셔야 합니다.
R&D/품질 Q&A
Q.  AI를 통해 제조/설비나 R&D를 구축했는데 그 후에 추가적인 데이터를 학습한 AI가 종전과 다른 제안을 할 경우에 기존에 투자한 제조/설비나 R&D의 변화는 어떻게 진행해야 할까요?
A. 산업, 투자 규모, 기업의 상황에 따라 다르겠지만, 기본적으로 투자 대비 수익률이 높은 방향이 무엇인지에 따라 결정이 될 것 같습니다. 기존 제조설비를 그대로 사용하는 것과, 개조, 새로운 투자 중 어떠한 방향이 미래의 수익에 더 큰 영향을 미치는지 판단하는 것이 좋을 것 같습니다. 다만, 투입되는 투자비용이 클 경우, 미래 수익이 예상되더라도 투자를 하지 않는 경우도 고려해 보셔야 할 것 같습니다.
Q.  R&D 분야에서의 새로운 연구와 관련한 논문 분석을 통해 새로운 가설을 만들고, 실제 연구와 실험을 시행 전, 시뮬레이션을 통해 얼마나 실제와 동일한 결과를 산출할 수 있나요? 시뮬레이션 연구와 실제 실험과 연구와의 오차를 줄이기 위한 모델링 수정과 업데이트 관련 SINGLEX의 지원은 무엇인지요?
A. 신뢰도를 높이기 위해서는 많은 유사 사례의 데이터와 학습이 필요합니다. SINGLEX는 빠르고 정합성 있는 데이터 관리를 위해 데이터를 저장하는 관리 체계와 기준정보의 체계를 가지고 있습니다. 그리고 정합성 확인을 위해 AI가 답변한 데이터 원본을 같이 제공해 줄 수 있습니다. 생성형 AI는 얼마나 많은 정합성 있는 데이터를 가지고 있는지가 가장 중요합니다.
Q.  품질관리는 많은 ISO 표준들이 존재하고, 이의 준수와 확인, 감사가 중요한 부분인데, 이 경우 엄격한 규정에 의한 것이라 기계적이고 획일적 적용이 필요하여 AI를 사용하는 효고가 클 것 같지 않다는 생각이 드는데, 지금 설명하고 계신 코파일럿과 같은 것 외 AX 전환 시 어떤 효과가 가장 두드러질까요?
A. 일정한 기준에 따라 판단하는 것은 기존의 자동화에서도 가능하고 이를 조금 더 발전시킨 것이 AI를 접목한 것입니다. 하지만, 전통적인 품질 관점에서 시험이나 문제점에 대해 분석을 하게 된다면 조금 다를 수 있습니다. 예를 들면, 문자로 기입된 유사 이슈에 대한 해결 방법과 예방 방법은 과거의 데이터를 통하여 방향성을 제시해 줄 있습니다. 이러한 경우, 전문적인 지식이나 기술이 부족한 경력이 낮은 직원도 AI의 지원을 받아 상향 평준화가 가능합니다. 그리고 식스시그마를 활용하거나 미니탭 분석이 필요할 경우, 분석에 대한 방향 제시와 산출이 필요한데 이럴때 유용하게 활용 할 수있을 것 같습니다.
Q.  AI 도입이 R&D 비용 절감에 미치는 영향은 무엇이며, 이를 통해 얻을 수 있는 경제적 이익은 어떤 것이 있을까요?
A. 사전에 데이터가 충분히 있다는 전제하에서 말씀드리겠습니다. 프로젝트를 시작하기 전 유사 프로젝트 또는 제품의 품질 문제나, 개발 방향성을 제시하고 Lessons Learned 활용하여 사전에 문제 예방을 할 수 있으며 이에 대한 R&D 비용이 절감될 수 있습니다. 그리고 기술이나 경험이 많지 않은 프로젝트 멤버의 경우, AI의 지원을 받아 전문적인 영역이나 기술적인 업무 수행이 가능할 수 있습니다.
이러한 부분은 개발 기간의 단축과 개발 인원 변경에 대한 Risk, 사전 문제점 예방, 기술적인 분야 등에 대해 AI의 지원을 받을 수 있습니다.
Q.  비슷한 종류의 제품을 개발했을 때 AI 도입으로 인한 장점은 많아 보이는데 시장에 존재하지 않는 "신제품"에 해당될 때는 과거의 축적 데이터가 없다고 보면 될 것 같은데 해당 사례를 기준으로 봤을 때 SINGLEX 도입으로 인한 다른 장점이 있을까요?
A. 세상에 없는 제품일 경우에는 도움이 부족할 수 있습니다. 하지만, 부품 개발, 업무절차 등의 유사한 사례를 활용할 수 있고 수행 방법이나 분석방법론 등을 지원받을 수 있습니다. 그리고 이번에는 신제품이지만, 이 신제품을 개발하면서 축적 된 데이터를 학습에 활용하여 다음 프로젝트에 적용은 가능합니다. 그리고 대부분의 제조업들은 유사 제품 및 부품을 개발하는 경우가 많습니다. 새로운 것을 개발하더라도 모든 원재료부터 부품, 업무 프로세스를 새로 개발하는 경우는 적습니다. 예를 들어, 그 제품에 대한 원재료, 부품, 설비, 프로세스 사람 등 모두 새로운 것은 아닌 경우가 많습니다. 그리고 새로운 개발 제품의 문제를 분석할 때 분석 방법이나 분석 Tool 등은 활용할 수 있을 것으로 보입니다. 또한, 연구소에서는 처음 개발하지만, 이를 활용하여 제품화를 위한 개발에서는 많은 파생제품이 만들어질 것입니다. 그리고 제조업의 경우에는 양산을 해야 합니다. 그래서 AI를 추후 활용하기 위해서는 처음부터 데이터를 일정한 체계에 따라 저장하는 것을 권고해 드립니다. 질문 주신 것과 같이 완전히 새로운 것만 연구만하고 항상 폐기되는 프로젝트라면 필요성이 적을 수 있습니다.
Q.  R&D 영역에서 AI를 활용할 경우 AI의 잘못된 정보나 할루시네이션으로 인하여 R&D 데이터 분석 시 잘못된 정보가 나오지는 않을까요?
A. 학습이 잘못되거나 정합성 없는 데이터가 많을 경우 잘못된 정보가 있을 수 있습니다. 이러한 부분은 지속적으로 정합성 있는 데이터를 확보하고 학습을 통하여 개선할 수 있습니다. SINGLEX는 이러한 부분을 확인하기 위해 AI가 답변한 데이터의 근거가 되는 원본을 같이 제공합니다. 사용자가 필요하다면 원본 데이터를 확인하여 AI가 정합성 있는 데이터를 제공하였는지 점검이 가능합니다.
Q.  여러 명의 R&D 담당자가 AI를 사용하여 해석 작업 등을 진행할 때, 관리자가 어느 계정에서 어느 소프트웨어를 어느 정도의 컴퓨팅 자원을 사용했는지에 대한 전체적인 현황을 조회 가능한가요?
A. 시스템에서 어느 정도의 로드를 발생시키고 있는지 확인은 가능하지만, 개인별로 서버에서 얼마나 많은 로드를 발생시키는지 측정은 어렵습니다. 그래서 시스템 오픈 전, 여러 시나리오에 따라 테스트 서버에서 이러한 로드를 분석하여 성능에 문제가 없도록 서버 규모를 선정하고 있습니다. 그리고 실제 운영서버에서는 개인별로 얼마나 발생하고 있는지 정확한 측정은 어렵지만, 전체적인 로드를 측정하여 부하를 받지 않도록 자동 조정하고 있습니다. 그리고 문제를 발생시킬 것으로 예상되는 경우, 미리 예방할 수 있도록 알림을 받고 있으며 알림을 통하여 사전 분석을 실시하여 예방 방법을 수립하고 조치할 수 있습니다.
Q.  R&D 업무 시 일반 현업들도 개발이 가능한지 해당 개발이 마구잡이가 되지 않도록 중앙 통제도 가능한가요?
A. 네 중앙통제가 가능합니다. 권한에 따라 개발 프로젝트에서 사용 가능한 기능과 볼 수 있는 정보를 제한할 수 있습니다. 기본적으로 프로젝트 단위로 그리고 프로젝트 Admin.과 일반 사용자가 구분되어 업무를 수행할 수 있으며, 특별한 권한이나 보안 요구사항이 있을 경우 일부 개발하여 적용이 가능합니다.
Q.  Closed Loop Quality라면 SINGLEX 내에 축적된 자료를 활용해 품질관리가 가능한 것인가요? 왠지 closed 라면 보안에 더 신경을 쓴건지 외부데이터의 활용은 어려운 것인지 궁금합니다. 
A. 기본적인 검사, 시험, Audit, Checklist, MSA, 이슈관리, VoC 등의 기본적인 품질관리 기능을 보유하고 있습니다. 그리고 보안과 관련하여서는 현재까지는 기업 내부용 AI를 별도로 구축을 합니다. 사내/사외 AI를 하나로 같이 사용할 수 있으나, 사외를 같이 활용하게 되면 질문과 답변이 사내/사외의 AI 학습 Data로 같이 활용되기 때문에 질문과 답변이 외부에서 활용될 수 있으므로 별도로 구축하는 것을 권장합니다. 
Q.  인공지능 진화에 따른 R&D 역량 강화와 품질 관리는 어떻게 변해가고 있나요?
A. 기존 자동화에서 보완된 비전 검사, 측정 결과 분석에서는 활용이 늘어나고 있습니다. 하지만, 아직 생성형 AI의 활용은 미흡한 상황입니다. 단순 질문과 종합결과를 요구하는 수준입니다. 
특히, 국내의 업체들이 AI를 활용하기 어려운 이유가 데이터를 AI가 지식 정보로 활용할 수 있도록 데이터 체계나 기준을 수립하지 않았고 과거의 정보를 저장하지 않은 경우가 많습니다. 그리고 시스템을 많이 사용하고 있지만, 실제 AI의 데이터로 사용할 수 있을 정도의 정합성이나 신뢰도가 낮은 정보가 무작위로 저장되어 있습니다. 그래서 AI에게 정합성 있는 데이터를 빠르게 제공받기 위해 시스템으로 업무를 하는 것에 익숙해지고 데이터가 체계적인 기준에 따라 저장할 수 있도록 하는 것이 선행돼야 합니다. R&D에서는 AI를 활용하기 위한 데이터 관리 체계를 갖추어 나가고 있는 시점인 것 같습니다. (특허나 논문과 같이 문자 형태로 일정한 기준에 따라 저장된 경우는 보다 쉽게 적용이 되고 있습니다.)
HR Q&A
Q.  조직 내 AI 비즈니스 모델 개선 및 비효율적이고 오래된 기존 HR 업무환경 개선을 위하여 LG CNS의 SINGLEX HR 도입을 검토하는 경우, 최우선으로 고려해야 될 점이 무엇일까요? 
A. SINGLEX HR은 클라우드 기반의 SaaS 솔루션으로, 신기술에 대한 지속적인 업데이트를 제공하는 이점이 있습니다. 그러나 자체 구축하는 On-premise 시스템이 아니기 때문에, 도입 시 기존 HR 프로세스를 솔루션 기반 프로세스로 전환하는 변화 관리가 필요합니다. 또한, HR Analytics 및 AI 기능을 효과적으로 활용하려면 데이터 클렌징 및 마이그레이션 범위 등에 대한 검토가 필요합니다.
Q.  HR 분야에서 AI 트랜스포메이션과 고도화가 진행됨에 따라, AI 기반 시너지를 얻을 수 있는 분야와 여전히 사람이 중요한 역할을 해야 하는 부분은 무엇이라고 생각하시나요?
A. AI 전환 가능 여부는 해당 업무를 현재 사람이 정량적으로 수행하고 있는지에 따라 1차적으로 판단할 수 있습니다. 현재 사람이 정석적인 기준으로 작업하는 영역은 AI 적용이 쉽지 않으며, Successor 선정과 같이 다양한 정성적·전략적 의사결정이 필요한 업무는 여전히 HR에서 사람이 수행할 것으로 예상됩니다. 
Q.  HR 관련 직책자들에게 유용하게 활용될 수 있는 정보 조합은 어떤 것들이 있을까요?
A. 조직 내 Work&Life Balance(WLB)에 대한 지표로 근무 시간, 휴가 사용 일수, 초과 근로 일수 등의 전반적인 근태 실적 지표가 중요합니다. 추가로 성과 및 역량 지표들을 전체 평균과 비교하는 지표들도 매우 유의미하게 활용되고 있습니다.
Q.  HR 시점에서 보면 개인 역량의 정확한 체크가 중요해 보이는데요. 개인 역량을 평가하고 역량 수준을 확인하는 방법에는 어떤 방법이 있을까요?
A. 기업별 직무 체계와 직무별 역량 수준을 정의하여 반영해 놓으면, 이를 기반으로 현재 수행 중인 직무에 대한 역량 수준을 본인이 주도적으로 상시 진단할 수 있습니다. 또한, HR 주관으로 특정 시점에 특정 그룹에 적합한 역량 진단을 자유롭게 진행할 수 있습니다.
Q.  커리어패스(CDP)에 대한 기능과 AI 적용에 대해 설명 부탁드립니다.
A. 현재 수행 중인 직무와 본인의 경력 개발 목표 및 방향에 따라, 향후 수행할 직무 또는 관심 있는 직무에 대해 본인의 역량 수준을 진단하고, 개발이 필요한 영역에 대한 경력 개발 계획을 수립할 수 있습니다. 또한, 상시적으로 상위자 및 동료와의 면담을 통해 피드백을 받고, 그 결과를 기록할 수 있습니다. 경력 개발과 관련된 대표적인 AI 지원 기능으로는, 본인의 직무 및 개인 특성을 반영한 다양한 경력 개발 경로를 추천하고, 경력 개발 목표 수립 시 생성형 AI를 통해 목표 작성을 지원하는 기능이 있습니다.
Q.  상사 외에도 동료의 피드백 평가를 추가할 수 있나요? 상시 피드백 할 수 있는 솔루션은 어떻게 구축이 되어 있는 건가요?
A. 피드백은 평가가 아닌 소통의 도구입니다. 권한만 정의되면 그 범위 내에서 모든 사람과 피드백을 주고 받을 수 있습니다. 상시 성과 관리를 위해 대상자를 생성하고, 대상자와 상시 성과 활동을 생성하여 수시로 결과를 업데이트하거나 피드백 요청을 통해 로그를 쌓습니다. 최종 평가 시점에는 이러한 활동이 근거로 제출됩니다.
Q.  HR을 통해 직원들의 교육, 업무 성취도 및 만족도를 높이기 위한 분석의 정확성을 어떻게 지원하며, 수집된 데이터의 범위와 개인정보 보호는 어떻게 관리하고, 직원 동의는 어떤 방식으로 받나요?
A. 교육 만족도는 설문을 통해 조사하고 있습니다. 개인정보 수집 관련 내용은 입사 발령 시 작성하는 서약서에 포함되어 있지만, 특별히 직원 동의를 받아야 하는 부분이 있다면 학습관리 시스템(LMS) 내에서 동의서를 작성하고 동의하는 기능을 활용할 수 있습니다.
Q.  교육 콘텐츠 추천은 직급, 직무, 연차별로 나누어 추천이 되나요?
A. 교육 콘텐츠 추천은 직원의 인재 프로파일(예: 직무, 직급, 부서 등)과 교육 수강 이력을 기반으로 유사한 동료를 확인하고, 그들의 수강 이력을 바탕으로 유사한 과목을 추천합니다.
Q.  HR 분야의 AI 활용에 있어서 현재 상황에서 한계점이나 부족한 점은 무엇이 있는지 궁금합니다.
A. 데이터 확보가 가장 주요한 과제입니다. 개인의 특성이 인사 기록부에 있는 정보로는 일부밖에 표현되지 않듯이, 더 정확한 분석을 위해서는 인사 시스템의 정보뿐만 아니라 이메일 로그 데이터, 표정, 심리 설문 등 다양한 데이터 수집이 필요합니다. 하지만 다양한 데이터를 수집하는 데 법적 리스크와 개인정보 보호 문제가 있으며, 수집된 데이터의 품질이 낮을 경우 AI 모델의 성능이 저하될 수 있습니다. SINGLEX HR은 법적 규제를 준수하면서도 다양한 데이터를 안전하게 수집하고 활용할 수 있는 방법을 모색하고 있습니다. 
고객경험 Q&A
Q.  SINGLEX의 CX 솔루션을 고객사에 도입하여 사용할 경우 일부 커스터마이징이 가능한가요?
A. Pure SaaS 서비스라 커스터마이징은 어렵습니다. 다만, 솔루션이 거의 대부분의 고객 요구 기능을 지원하고 있기 때문에 대부분의 고객사에서 커스터마이징에 대한 요구사항은 없습니다.
Q. Interactive Dashboard를 효과적으로 구현하는 데 필요한 기술과 환경에 대해서 문의드립니다.
A. 저희가 서비스해 드리는 내용이 Pure SaaS 서비스이기 때문에 별다른 기술과 환경은 필요하지 않습니다. 저희 시스템에 접속해서 사용하시기만 하면 됩니다. 그래서 매우 빠른 시일 내 시스템 도입이 가능하실 것입니다.
Q.  SINGLEX WIN서베이는 동일 질문에 동일 답변을 하는지, 아니면 실시간 학습이 추가적으로 계속 이루어져 동일 질문이라도 질문 시점에 따라 다른 답변이 나올 수 있는지 문의드립니다.
A. 생성형 AI를 이용하기 때문에 동일한 내용에 대해 매번 동일한 답변을 하지는 않습니다.
Q.  Adaptive Survey의 내용까지 자동 생성되는 것인가요, 아니면 정해진 template 안에서 생성하는 것인가요
A. 생성형 AI가 완전 자동으로 다음 질문을 생성합니다. 별도의 정해진 template는 없습니다.
Q.  도입 시 가장 고려해야 할 사항은 무엇이며, 운영상 비용 절감 요소는 무엇이 있습니까?
A. 도입 시 고려 사항은 어떤 내용에 대해 설문을 하거나 고객 행동 데이터를 분석할 것인지에 대한 명확한 목적과 목표를 설정하는 것이 필요합니다. 그리고  고객들에게 스팸으로 인지되지 않도록 노력해야 하며, 저희 서비스를 도입한다고 모든 CX가 개선되는 것은 아닙니다. 저희는 CX 개선을 위한 여러 가지 고객의 니즈나 불편사항을 확인하여 제공해 드리는 기능을 하며, 실제 개선은 고객님들이 하셔야 하는 것입니다. 그리고 비용 절감은 말씀드린 바와 같이 25년 부터는 사용자 수의 제한은 없어지며, 설문 응답자의 응답 수에 따라 비용이 결정됩니다. 따라서 일정량의 답변을 받으면 설문을 종료하거나, 설문에 끝까지 답을 하지 않고 종료한 경우에는 비용 산정 데이터에 포함되지 않도록 설정하여 비용을 절감하실 수 있습니다.
Q. 고객 데이터 활용, 분석 측면에서 DX와 AX는 어떤 차이점이 있으며, 이러한 차이점이 고객 맞춤형 경험을 제공하는 데 어떤 영향을 미치게 되나요?
A. DX는 기존의 아날로그 방식의 고객 경험을 디지털로 전환하는 것이고, AX는 이렇게 DX로 전환되어 수집된 데이터를 분석하여 결과적으로 CX를 개선하는 것입니다. 따라서 CX / DX / AX는 상호 깊은 연관관계를 가지고 있는 것입니다. 이런 것들을 활용하여 궁극적으로는 고객 개개인에 대한 개인화된 맞춤형 서비스를 제공해서 CX 만족도를 높일 수 있을 것 같습니다.
Q.  AI를 이용한 CX 또는 CRM 관리를 통해서 서비스를 제공할 경우에 궁극적으로 모든 기업체가 비슷한 AI 서비스를 제공하게 될까요?
A. 모두가 AI를 이용해서 서비스할 경우에도 이를 받아들이는 주체에 따라 제공되는 서비스는 달라질 것입니다. AI에게 동일 질문을 계속한다고 요즘 AI들은 동일 답변을 지속적으로 하지 않습니다. 왜냐하면 학습이 필요한 경우 학습대상 데이터가 모두 다르기 때문일 것입니다. 학습대상 데이터를 다르게 학습하면 제공되는 서비스 내용도 달라질 것입니다.
Q. 사용자 경험 분석을 위한 데이터는 어떤 형태로 저장되는지, 데이터수집을 어떻게 하는지, 데이터 보안은 어떻게 이루어지는지 궁금합니다.
A. 데이터는 저희가 사용하는 시스템에 저장됩니다. 데이터 수집은 다양한 방식을 통해 하실 수 있을 것입니다. 다만 현재 저희가 서비스해 드리는 영역에서는 설문을 통한 직접적은 고객의 의견을 수집하는 방식과 웹/앱 사이트에 방문한 고객의 행동 데이터를 수집하여 분석하는 것에 대한 서비스를 해 드리고 있습니다. 물론 이 두 가지를 함께 병행해서 할 경우 더 정확한 고객 니즈를 파악하실 수 있습니다. 해당 서비스가 글로벌하게 제공되고 있어서 미국과 기타 국가의 보안 가이드를 준수한 AWS 와 같은 데이터센터를 이용하고 있습니다.
Q. 미래의 CX는 AI 기술이 필수일까요?
A. CX 관리에 가장 큰 어려움은 갈수록 쌓이는 데이터 즉 분석 대상 데이터가 많아진다는 것입니다. 이렇게 방대하게 쌓인 데이터를 인간이 분석하는 것은 무리입니다. 따라서 AI를 활용한 분석과 이를 바탕으로 AI의 고객 개인별 맞춤 서비스는 기본적인 서비스가 될 것입니다. 따라서 하루라도 빨리 이러한 AI 기능을 도입해서 경쟁사보다 나은 제품, 좋은 서비스를 제공해서 리딩 company로 도약하시기 바랍니다.
Q.  AI로 고객경험(CX) 이 향상되었다는 것을 알수 있는 방법 또는 지표가 있나요?
A. 여러 가지 방법이 있을 수 있을 것 같습니다. 저희가 제공해 드리는 서비스 내에서 말씀드린다면, 고객에게 NPS 나 고객만족도를 직접적으로 설문하여 파악할 수 있을 것입니다. 또 다른 방법으로는 고객의 행동 데이터를 분석해 보는 것입니다. 해당 고객의 과거와 현재 행동 패턴의 차이를 비교 분석해 보시면 될 것 같습니다. 고객 이탈률, 문의 건수, 반복 구매율, 상담 시간, 사이트 방문 시간, 전환율 등 다양한 지표를 통해 확인하실 수 있을 것 같습니다.
CRM Q&A
Q.  AI 도입은 거스를 수 없는 흐름이고 다양한 AI 기법을 활용해 많은 기업이 AI연계한 솔루션을 선보이고 있는데, LG는 GenForce로 AI지원 시 시스템 성능(속도, 부하 등)에 대한 부담은 없는지와 CRM솔루션 도입 시 백업 및 장애복구, 시스템 유지보수, 데이터 보호와 같은 기술적인 운용은 어떻게 이루어져 있는지 궁금합니다.
A. LGCNS의 Genforce는 기본적으로 SaaS 솔루션인 Salesforce의 Org(인스턴스)에 설치하는 개념이기 때문에, 자체적인 속도/부하 이슈보다는 SaaS 솔루션의 성능에 더 영향을 받습니다. Salesforce는 세계 최고의 No.1 SaaS 솔루션으로써 성능면에서도 최고 수준을 보여주고 있습니다. 또한 추가적으로 ChatGPT, Gemini 같은 Open LLM에 연동하여 답변을 받기 때문에, Open LLM의 성능에도 영향을 받을 수 있습니다. 현재까지 LGCNS가 적용한 GenForce 서비스에서 특별히 성능 이슈가 나온 적은 없습니다. 앞서 말씀드린 바와 같이 SaaS 솔루션이기 때문에 별도의 백업, 장애 복구, 데이터 보호와 같은 인프라 측면은 세일즈포스에서 100% 역할을 담당합니다. 다만 고객별 구축 이후 시스템의 유지/보수/고도화는 LGCNS와 같은 구축사와 별도 계약을 통해 이뤄지며, 솔루션 자체의 운영/업그레이드는 세일즈포스에서 주관합니다.
Q.  AI 서비스를 기업에 맞도록 구축하려면, 기업의 내부데이터 LLM이 필요한데, 이를 위해 반드시 필요한 준비 사항은 어떤 것이 있을까요?
A. GenForce와 같은 Open LLM을 연동하여 사용하는 서비스는 기업 내부에 자체 LLM을 구축하는 과정 없이 저렴한 가격에 즉시 AI 서비스를 도입할 수 있다는 장점이 있습니다. 다만 하기와 같은 준비가 완료될 때 더욱 더 효과를 높일 수 있습니다. 첫째, 기준 정보성 데이터의 정비를 추천드립니다. 예를 들어 고객 마스터 계정의 정비를 통해 중복된 고객 계정이 있다면, 한 개의 고객 계정으로 정비가 필요합니다. CRM에서 기본적으로 필요한 기준 정보들이 정비되어 중복 없이 관리될 때, AI 도입이 더욱 효과적일 수 있습니다. 둘째, 기준 정보 외에도 Salesforce 내 유용한 데이터를 이관해야 합니다. 기존에 수작업 또는 타 시스템에서 관리하던 데이터의 마이그레이션이 필요할 수 있습니다. 대표적인 예시로, 고객의 영업기회 정보, 견적 정보, 클레임 정보 등을 들 수 있습니다. 셋째, 데이터 준비와 별도로 보다 적절한 답변을 얻기 위한 프롬프터의 준비가 필요합니다. LGCNS의 GenForce를 도입하시면, 고객 데이터를 활용하면서 적절한 외부 데이터를 검색함으로써 Hallucination을 최소화할 수 있는 프롬프트가 적용됩니다.
Q.  현재 실제적으로 어느 분야에서 활발히 적용되어 사용되고 있으며, 향후 기술적 발전 방향은 어떻게 될 것으로 보시나요?
A. 가장 활발하게 도입되는 분야는 전통적으로 서비스 영역, 즉 컨택 센터에서 고객의 질의나 클레임을 응대하는 영역입니다. 내부 데이터와 외부 데이터 검색을 통해 가장 적합한 답변을 자동으로 생성하고, 이를 고객에게 전달하는 서비스가 대표적입니다. 다만 이러한 영역은 세일즈포스 제품 중에서도 서비스 클라우드를 도입했을 때 효과를 보실 수 있는 기능인데, 국내 기업 고객분들은 대부분 보다 기본 제품이라고 할 수 있는 세일즈 클라우드를 도입하기 때문에, 이러한 기능 적용이 어려울 수 있습니다. 이러한 간극을 해소하기 위해 LGCNS의 GenForce는 세일즈클라우드에서 바로 도입할 수 있는 기능들을 대거 준비해 놓았고 적용과 동시에 효과를 볼 수 있습니다. 예를 들어 고객 정보 요약 및 영업전략 제안, 회의록 작성 등이 있겠습니다. 앞으로 이러한 Gen AI 도입 영역은 마케팅 영역과 커머스 영역까지 확장될 것으로 예상됩니다.
Q.  AI 기술을 통한 CRM 활용 사례 등을 고려할 때, 자동차부품 업체를 위해 특별히 제시해 줄 수 있는 관리방향성이나 전략이 무엇이 있을지 궁금합니다. 
A. 자동차 부품 산업은 Tier 3부터 Tier 1, OEM까지 다단계의 복잡한 파트너 생태계를 갖는 점이 특징 중 하나라고 볼 수 있습니다. 이러한 복잡한 Value Chain에서 부품업체가 전체 Value Chain의 가시성을 확보하는 전략이 매우 중요하고 이때 Gen AI가 도움을 줄 수 있습니다. 예를 들어 기업이 Tier 3로써 Tier 2 고객에게 부품을 공급할 경우, Gen AI에 질의하여, 해당 고객의 고객, 차상위 고객이 어디인지를 빠르게 확인할 수 있습니다. 또한 다양한 중간 Tier 고객 중에 어떤 고객에게 수주를 집중하는 것이 유리한지도 추천을 받을 수 있습니다.
Q.  AI를 활용하여 고객 관리를 실제로 어떤 방식으로 사용하고 있나요?
A. AI를 도입하면 고객 정보를 영업사원이 일일이 확인하지 않아도, 요약된 정보를 바탕으로 어떤 고객에 집중할 수 있을지를 알 수 있습니다. 추가적으로 해당 고객을 상대로 어떤 활동을 진행해야 하는지도 추천을 받을 수 있습니다. 결국 영업사원은 불필요한 수작업 시간을 최소화하고 보다 핵심 고객에 집중하여 꼭 필요한 영업활동을 통해 최상의 영업 성과를 창출할 수 있습니다.
Q.  AI를 이용한 CX 또는 CRM 관리를 통해서 서비스를 제공할 경우에 궁극적으로 모든 기업체가 비슷한 AI 서비스를 제공하게 될까요?
A. 현재는 Gen AI의 초창기인 만큼 기능의 차이가 크게 나지는 않고 있습니다. 하지만 다른 기술과 마찬가지로 점차 보급이 확대되면, 해당 고객 또는 산업에 특화된 AI 서비스들이 등장할 것으로 보입니다. 예를 들어 B2C 호텔업의 고객을 관리하는 방식과 B2B 제조업의 고객을 관리하는 방식이 다르기 때문에, 그러한 특성이 반영된 AI 서비스가 제공될 필요가 있습니다. 호텔업의 경우, 불특정 다수의 방문객 중, 앞으로 예상되는 Life Time Value가 높은 고객을 선별하여 집중 관리하는 고객관계 관리가 필요하지만, B2B 제조업은 제한적인 고객군에서 긴 판매 사이클을 바탕으로 영업기회를 관리하는 것이 더 중요할 수 있습니다. AI 서비스 역시 이러한 산업의 특성을 반영하여 점차 전문화/차별화가 이뤄질 것으로 보입니다.
Q. 기존 CRM에서 신규고객 확보, 기존고객유지, 이탈고객 재유입, 캠페인의 영역에서 AI를 어떤 영역에서 적용하는지 궁급합니다.
A. 기존에는 단순히 영업사원이 수작업으로 신규 고객을 등록하고, 본인의 판단에 따라서 고객의 상태값을 변경하고, 적절한 행동을 직접 취해야 합니다. 하지만 AI가 적용되면, 웹사이트를 방문한 불특정 다수의 방문객 중 향후 고객으로 발전할 가능성이 높은 대상을 식별하고, 적절한 영업/마케팅 활동을 추천합니다. 마케팅 캠페인을 자동으로 생성하고, 해당 캠페인에 따라서 이메일 마케팅을 자동으로 실행할 수도 있습니다. 전반적으로 데이터 기반의 자동화를 통해 고객 대응 속도를 높이고 고객 맞춤형 마케팅 활동을 통해 고객 유입 가능성을 높일 수 있습니다.
Q.  자동차(신차/중고차) 판매 및 관리를 위해서 DX/AX 적용한 사례 또는 기능에 대해 알고 싶습니다.
A. 자동차 산업에는 다양한 고객 정보와 차량 정보를 활용한 Automotive 360 구현이 가능합니다. 이때, 쇼룸 방문, 시승 신청, 시승, 계약, 인도 등 고객의 복잡한 여정에서 다양한 데이터를 확보하고, 이를 분석하여 영업사원이 실제 계약 성사율을 높일 수 있도록 영업활동을 제안해 줍니다. 더 나아가서 고객 성향에 맞는 맞춤형 마케팅 메일/LMS를 송부할 수도 있고 그 경과를 추적 관리합니다. 결국 이러한 자동화된 마케팅 활동을 통해 고객 응대 속도를 높이고, 실제 계약으로 이어질 가능성을 높여줍니다.
Q.  DX, AX가 뉴노멀이 된 현재, 제조기업이 CRM 영역에서 AX 기술을 도입하여 고객에게 경쟁사 대비 어떤 차별화된 가치를 제공할 수 있는지 문의드립니다.
A. 우선 가장 기본적으로 경쟁사 대비 고객의 현 상황과 페인포인트, 니즈를 보다 빠르게 이해할 수 있는 강점을 제공합니다. 경쟁사가 영업사원 개인의 수작업에 의존한 제한적인 정보를 바탕으로 고객을 응대한다면, AI를 적용한 기업은 시스템과 외부에 있는 정보를 조합하여 고객의 핵심 니즈를 빠르게 파악할 수 있습니다. 심지어 고객이 아직 표출하지 않은 Unmet Needs도 발굴하고 선제적으로 제안할 수 있습니다. 즉 B2B 고객에게도 맞춤형 마케팅 활동이 가능해집니다. 만약 B2B 고객이 접속하여 다양한 서비스를 제공받을 수 있는 파트너 포털 또는 고객 포털을 운영할 경우, 이러한 웹사이트에도 AI를 적용할 수 있습니다. 이를 통해 고객 문의에 실시간 자동 응대가 가능해지고, 응대 내용 중에 영업으로 이어질 수 있는 내용을 추출하여 영업사원에 전달함으로써 추가 수주/재수주 가능성을 높입니다. 추가적으로 판매 이후 사후 관리 과정에서도 AI를 통해 자동화한 프로세스로 보다 빠르고 정확한 고객 대응을 할 수 있습니다. 이를 통해 경쟁사 대비 고객의 만족도를 높이고, 이탈을 줄이고, 충성 고객으로 만들 가능성을 높입니다.
Q. CRM 구축 시 고객 시스템과의 연계 등에 대한 고객의 거부감/비협조 등은 어떻게 해결할 수 있나요?
A. 일반적으로 CRM을 고객 시스템과 직접 연동하는 경우가 드문 편입니다. 반대로 CRM과 고객이 직접 접속하여 활동하는 웹사이트를 연동하여 고객 정보를 자연스럽게 확보하는 Zero Party 전략이 좀 더 실효성이 높은 편입니다. 다만, EDI 등을 통해 고객 PO를 직접 연동하여 주문을 자동화하는 경우도 있습니다. 이 때는 자동화를 통한 고객의 편의성 강화, 비즈니스 가시성의 확보, 좀 더 강한 파트너쉽 개발을 고객에게 어필해야 할 것이며, 추가적으로 고객 정보 보안을 위한 제도적/기술적 장치를 고민하고 제안할 수 있어야 합니다. 고객 정보의 암호화나 제3자 제공 금지 등을 예로 들 수 있습니다.
  개인정보처리방침    |    이메일 주소 무단 수집 거부  
  서울시 강서구 마곡중앙8로 71 LG사이언스파크 E13, E14    
  COPYRIGHT © 2025 LG CNS. ALL RIGHTS RESERVED