Make & Zapier Agents를 활용한 고객 문의 감정 분석 및 긴급 티켓 자동 분류

VOC 유입 즉시 AI가 긴급도와 고객 감정을 채점하여 담당자에게 우선 배분하는 지능형 CS 파이프라인

이지웍스랩 운영지원팀 · 2026-08-17 · B2B 업무 자동화 · 읽는 데 9분

고객 문의 응대의 핵심은 "골든타임"입니다. 분노한 고객의 문의를 일반 문의와 동일한 큐에 두고 반나절 뒤에 확인한다면 이탈을 막을 수 없습니다. Zapier Agents와 Make를 활용해 긴급 건을 3초 만에 선별하는 워크플로우를 소개합니다.

1. 감정 분석 프롬프트 엔지니어링

고객 문의 응대의 핵심은 골든타임입니다. 분노한 고객의 문의를 일반 문의와 같은 큐에 넣고 반나절 뒤에 처리하면, 해결 가능했던 사안이 계약 해지로 번집니다. 따라서 유입 즉시 긴급도를 판정하는 단계가 필요합니다.

감정 분석 프롬프트는 '긍정/부정' 이분법으로 만들면 실무에서 쓸모가 없습니다. 대신 ① 감정 강도(0~5), ② 업무 영향도(결제 불가·정산 오류 등), ③ 이탈 위험 신호(해지·타사 언급) 세 축으로 점수를 매기고, 이를 합산해 우선순위를 산출하는 구조가 정확합니다.

출력은 반드시 정해진 JSON 스키마로 강제하십시오. 자유 서술로 받으면 후속 노드에서 파싱이 깨지고, 결국 담당자가 다시 눈으로 읽는 상황으로 되돌아갑니다.

{
  "name": "triage_voc",
  "description": "고객 문의를 3축으로 채점해 우선순위를 산출한다",
  "input_schema": {
    "type": "object",
    "properties": {
      "emotion_score": {
        "type": "integer",
        "description": "감정 강도 0(중립)~5(격분)"
      },
      "business_impact": {
        "type": "string",
        "enum": ["none", "minor", "blocking"],
        "description": "blocking = 결제/정산이 실제로 막힌 상태"
      },
      "churn_signal": {
        "type": "boolean",
        "description": "해지, 환불, 타사 전환 언급 여부"
      },
      "priority": {
        "type": "string",
        "enum": ["P0", "P1", "P2", "P3"],
        "description": "blocking 또는 churn_signal이면 최소 P1, 둘 다면 P0"
      },
      "summary_ko": {
        "type": "string",
        "description": "담당자가 3초 안에 파악할 한 줄 요약"
      }
    },
    "required": ["emotion_score", "business_impact", "churn_signal", "priority", "summary_ko"]
  }
}

2. 다채널 VOC 통합 수집 파이프라인 구성

카카오톡 채널, 대표 이메일, 홈페이지 웹폼은 각각 다른 형식으로 문의가 들어옵니다. 이를 하나의 표준 스키마(채널, 고객 식별자, 본문, 첨부, 수신시각)로 정규화하는 단계를 파이프라인 맨 앞에 두어야 이후 로직이 단순해집니다.

고객 식별자 매칭이 가장 까다로운 부분입니다. 이메일은 주소로, 카카오톡은 채널 사용자 ID로 들어오므로 동일 고객이 별개로 취급되기 쉽습니다. 전화번호나 거래처 코드를 기준 키로 삼고 매핑 테이블을 유지하는 편이 안정적입니다.

첨부 파일도 초기 단계에서 처리하십시오. 정산 오류 문의는 대부분 명세서 캡처나 PDF가 함께 오며, 이 첨부를 OCR로 미리 파싱해두면 담당자가 별도로 파일을 열어보는 시간을 줄일 수 있습니다.

유입 채널	정규화 시 주의점	권장 처리
카카오톡 채널	사용자 ID만 제공되어 고객 식별 어려움	최초 문의 시 거래처 코드 확인 후 매핑 저장
대표 이메일	회신 스레드가 신규 문의로 중복 생성	메시지 ID 기준 스레드 병합 처리
홈페이지 웹폼	본문이 짧아 맥락 부족	직전 30일 문의 이력을 함께 첨부
전화 상담 메모	상담사 주관 요약만 남음	원문 메모와 요약을 분리 저장

3. 슬랙 리치 알림 카드와 담당자 배분

P0 등급 문의는 슬랙 채널에 즉시 카드 형태로 발송하고, 담당자 멘션을 함께 걸어야 합니다. 텍스트 한 줄 알림은 다른 메시지에 묻히기 때문에, 등급 색상과 버튼이 포함된 카드 형태가 실제 응답 속도를 좌우합니다.

카드에는 최소한 ① AI 한 줄 요약, ② 우선순위 배지, ③ 고객의 최근 문의 이력 건수, ④ 원문 보기 링크, ⑤ '내가 맡기' 버튼이 들어가야 합니다. 담당자가 채널을 벗어나지 않고 배정까지 끝낼 수 있어야 합니다.

배분 규칙은 단순할수록 좋습니다. 거래처 담당제가 있다면 담당자에게, 없으면 현재 처리 중인 티켓 수가 가장 적은 사람에게 배정하는 정도로 시작하고, 운영하면서 조정하십시오.

4. 성과 측정과 오분류 개선 루프

핵심 지표는 첫 응답 시간(FRT)과 P0 문의의 정확 분류율입니다. 특히 실제로는 긴급했는데 P2로 분류된 건(과소 분류)은 반드시 별도로 집계해야 하며, 이 수치가 개선의 최우선 대상입니다.

담당자가 등급을 수동으로 조정하면 그 이력을 학습 데이터로 축적하십시오. 주 단위로 조정 사례를 모아 프롬프트의 판정 기준에 반영하면, 한두 달 안에 오분류가 눈에 띄게 줄어듭니다.

반대로 과대 분류(P0 남발)도 관리 대상입니다. 모든 문의가 긴급으로 뜨면 담당자는 등급을 무시하게 되고, 시스템 전체가 무력화됩니다. 전체 문의 중 P0 비율이 5%를 넘지 않도록 기준선을 유지하십시오.

자주 막히는 지점

동일 고객의 회신이 매번 새 티켓으로 생성됩니다.

원인: 이메일 스레드 병합 로직 없이 수신 건마다 신규 티켓을 만들고 있습니다.

해결: 메일 헤더의 In-Reply-To와 References 값을 키로 기존 티켓을 조회해 병합하십시오. 웹폼·카카오톡은 고객 식별자 + 24시간 이내 문의를 동일 스레드로 묶는 규칙이 실용적입니다.

AI가 P0로 분류한 건이 실제로는 단순 문의였습니다.

원인: 감정 표현이 강한 문장을 업무 영향도와 무관하게 최고 등급으로 승격시키고 있습니다.

해결: priority 산출을 모델의 자유 판단이 아닌 결정 규칙(blocking AND churn → P0)으로 고정하고, 모델에게는 세 축의 점수만 매기게 하십시오. 등급 계산은 코드에서 수행하는 편이 훨씬 안정적입니다.

핵심 요약

감정 강도·업무 영향도·이탈 신호 3축 채점이 단순 긍부정 분류보다 실무 정확도가 훨씬 높습니다.
우선순위 산출은 모델이 아니라 코드의 결정 규칙으로 확정해야 등급이 일관됩니다.
AI 추천 답변은 초안까지만 제공하고 발송은 사람이 하는 구조를 유지하십시오.
P0 비율이 5%를 넘기 시작하면 등급 체계 자체가 무력화되므로 과대 분류도 함께 관리해야 합니다.

자주 묻는 질문

Make와 Zapier 중 어느 쪽이 유리한가요?

분기와 반복이 많은 VOC 파이프라인은 Make가 시각적 구성 자유도에서 앞섭니다. 다만 문의량이 월 수만 건 규모로 커지면 건당 과금 구조 자체가 부담이 되므로 셀프호스팅 n8n으로의 전환을 함께 검토하십시오.

고객 문의 내용을 외부 AI에 보내도 되나요?

개인정보와 거래 정보가 포함되므로 사전에 개인정보 처리방침과 위탁 고지를 정비해야 합니다. 민감도가 높다면 이름·연락처를 마스킹한 뒤 분류만 외부에 맡기고 원문은 내부에 두는 방식이 현실적입니다.

도입 효과가 나타나기까지 얼마나 걸리나요?

첫 응답 시간 단축은 배포 첫 주부터 체감되지만, 분류 정확도가 안정되는 데는 보통 4~6주가 걸립니다. 이 기간 동안 담당자의 등급 수정 이력을 반드시 수집하십시오.

전체 아티클 목록