1) 문제점
- 영업 관리의 비효율: 관리자가 영업사원의 통화 내용을 파악하기 위해 모든 녹취 파일을 직접 들어야 했습니다. 이는 엄청난 시간과 비용을 소모하는 비효율적인 방식이었으며, 이로 인해 신속한 피드백과 코칭이 불가능했습니다.
- 주관적인 성과 평가: 영업사원의 역량을 평가할 객관적인 데이터가 부족하여, 대부분 판매 실적이라는 결과 지표에만 의존했습니다. 이는 과정의 노력을 인정하지 못하고, 체계적인 교육 기준을 세우기 어려운 구조적 문제를 야기했습니다.
- 신규 고객 데이터 유실: 부재중 전화나 통화 중 대기로 인해 놓친 잠재 고객 정보가 DB에 자동으로 저장되지 않았습니다. 또한, 신규 고객 정보를 상담사가 수기로 입력하는 과정에서 누락이나 오류가 빈번하게 발생하여 귀중한 영업 기회를 잃고 있었습니다.

2) 프로젝트 목표
- 통화 데이터 자동 분석 시스템 구축: 모든 영업 통화 녹취 파일을 AI가 자동으로 텍스트로 변환하고, 대화의 핵심 내용을 분석하여 관리자가 통화를 직접 듣지 않고도 상담 품질을 파악할 수 있는 시스템을 구축하는 것을 목표로 했습니다.
- 객관적인 성과 관리 대시보드 개발: AI가 분석한 데이터를 기반으로 상담사별 성과 지표(스크립트 준수율, 핵심 키워드 사용 빈도 등)를 시각화하여, 관리자가 데이터에 기반한 공정하고 객관적인 평가와 맞춤형 코칭을 제공할 수 있도록 지원하고자 했습니다.
- 고객 DB 관리 자동화: 모든 수신/발신 통화 기록과 고객 정보를 자동으로 DB에 연동하고, 부재중 전화까지 추적하여 잠재 고객의 유실을 원천적으로 방지하는 것을 목표로 했습니다.

3) 주안점
- AI 분석 모델의 정확성: 통화 내용의 뉘앙스, 고객의 핵심 질문, 상담사의 답변 적절성 등을 AI가 정확하게 분석하고 평가할 수 있도록, 고도화된 프롬프트 엔지니어링과 LLM 모델 튜닝을 통해 분석 모델의 신뢰도를 높이는 데 집중했습니다.
- 데이터 기반의 통합 뷰 제공: 관리자가 개별 상담사의 성과뿐만 아니라 팀 전체의 영업 현황, 고객 문의 유형 등을 한 화면에서 직관적으로 파악할 수 있도록, 웹과 앱(React & Kotlin)에서 모두 접근 가능한 통합 대시보드 설계에 주력했습니다.
- 실시간 데이터 처리 및 확장성: 통화 발생 즉시 데이터가 수집, 분석되어 대시보드에 반영될 수 있도록 실시간 처리 파이프라인을 구축했습니다. 향후 데이터가 축적됨에 따라 AI 모델이 스스로 학습하고 성능을 개선할 수 있는 확장 가능한 아키텍처를 설계하는 데 주안점을 두었습니다.

[프로젝트 배경 및 문제 정의]
중고차 매매업계는 영업사원의 통화 상담 역량이 매출과 직결되지만, 관리자가 모든 통화 내용을 직접 듣고 평가하는 것은 물리적으로 불가능했습니다. 이로 인해 교육은 주관적인 경험에 의존하고, 성과 평가는 판매 실적이라는 결과에만 의존하는 비효율이 발생했습니다. 또한, 수신하지 못한 전화는 잠재 고객 DB의 유실로 이어지고, 신규 고객 정보를 수기로 입력하는 데 많은 시간과 비용이 소모되었습니다.

[솔루션 설계 및 구현 과정]
저희는 이러한 문제를 해결하기 위해, 영업사원의 '음성 통화'를 '데이터 자산'으로 전환하는 AI 기반 통합 관리 SaaS를 설계했습니다. 먼저, Asterisk 통화 시스템과 연동하여 녹취된 영업 전화 데이터를 자동으로 수집했습니다. 수집된 음성 파일은 AI 음성 인식(STT) 기술을 통해 텍스트로 변환되고, LangChain과 LLM(Gemini)을 활용한 분석 엔진이 통화 내용의 긍정/부정 뉘앙스, 핵심 키워드, 고객 반응 등을 분석하여 성과 리포트를 생성합니다.

관리자는 React와 Kotlin으로 제작된 웹/앱 대시보드를 통해 모든 상담사의 통화 기록, AI 분석 결과, 고객별 상담 이력을 한눈에 파악하고 데이터에 기반한 객관적인 코칭을 제공할 수 있습니다.

[핵심 기술 이슈 및 해결 방안]
프로젝트의 가장 큰 기술적 과제는 정성적인 '영업 상담'을 어떻게 정량적인 '평가 지표'로 변환하는가였습니다. 단순히 통화 내용을 텍스트로 변환하는 것을 넘어, 상담 품질을 객관적으로 측정할 기준이 필요했습니다.

- 문제점: 친절도, 핵심 상품 설명 누락, 마무리 멘트 등 영업 품질을 좌우하는 다양한 요소를 자동으로 평가하기 어려웠습니다.
- 해결 방안: 저희는 LLM(Gemini)과 LangChain 프레임워크를 활용하여 '영업 상담 평가 모델'을 개발했습니다. 통화 내용에서 고객의 질문 유형, 상담사의 답변 논리성, 제품의 장점 언급 여부, 가격 제안의 적절성 등 핵심 평가 항목을 AI가 자동으로 분석하고 점수화합니다. 이를 통해 관리자는 모든 상담을 객관적인 데이터로 평가하고, 개인별 맞춤형 피드백을 제공할 수 있게 되었습니다.