기업 경영에 있어서 고객의 소리(VOC)는 고객 만족도 향상 및 기업의사결정에 매우 중요한 정보이다. 이는 비단 기업뿐만 아니라 대고객, 대민원 업무를 처리하는 모든 조직에 있어서도 동일하다. 때문에 최근에는 기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하고 있다. 이러한 VOC는 방문, 전화, 우편, 인터넷게시판, SNS 등 다양한 채널을 통해 전달되지만, 막상 이를 제대로 활용하기는 쉽지 않다. 왜냐하면, 고객이 매우 감정적인 상태에서 고객의 주관적 의사를 음성 또는 문자로 표출하기 때문에 그 형식이나 내용이 정형화되어 있지 않고 저장하기도 어려우며 또한 저장하더라도 매우 방대한 분량의 비정형 데이터로 남기 때문이다. 본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석 시스템을 제안하였다. 또한 VOC 오피니언 분석의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC분류 모형의 정확도를 비교하는 실험을 수행하였다. 그 결과 "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, "퉁명, 뭡니까, 말하더군요, 무시하는" 등의 어휘들은 강한 부정의 극성값을 가지고 있음을 확인하였다. 또한 VOC의 오피니언 분류 임계값이 -0.50일 때 가장 높은 분류 예측정확도 77.8%를 검증함으로써 오피니언 마이닝 기반의 지능형 VOC 분석시스템의 유효성을 확인하였다. 그러므로 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대해 신속히 대응한다면, VOC 전담 인력을 효율적으로 운용하면서도 고객 불만을 초기에 해소할 수 있는 긍정적 효과를 기대해 볼 수 있을 것이다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.
기업 경영에 있어서 고객의 소리(VOC)는 고객 만족도 향상 및 기업의사결정에 매우 중요한 정보이다. 이는 비단 기업뿐만 아니라 대고객, 대민원 업무를 처리하는 모든 조직에 있어서도 동일하다. 때문에 최근에는 기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하고 있다. 이러한 VOC는 방문, 전화, 우편, 인터넷게시판, SNS 등 다양한 채널을 통해 전달되지만, 막상 이를 제대로 활용하기는 쉽지 않다. 왜냐하면, 고객이 매우 감정적인 상태에서 고객의 주관적 의사를 음성 또는 문자로 표출하기 때문에 그 형식이나 내용이 정형화되어 있지 않고 저장하기도 어려우며 또한 저장하더라도 매우 방대한 분량의 비정형 데이터로 남기 때문이다. 본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석 시스템을 제안하였다. 또한 VOC 오피니언 분석의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC분류 모형의 정확도를 비교하는 실험을 수행하였다. 그 결과 "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, "퉁명, 뭡니까, 말하더군요, 무시하는" 등의 어휘들은 강한 부정의 극성값을 가지고 있음을 확인하였다. 또한 VOC의 오피니언 분류 임계값이 -0.50일 때 가장 높은 분류 예측정확도 77.8%를 검증함으로써 오피니언 마이닝 기반의 지능형 VOC 분석시스템의 유효성을 확인하였다. 그러므로 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대해 신속히 대응한다면, VOC 전담 인력을 효율적으로 운용하면서도 고객 불만을 초기에 해소할 수 있는 긍정적 효과를 기대해 볼 수 있을 것이다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.
Every company wants to know customer's requirement and makes an effort to meet them. Cause that, communication between customer and company became core competition of business and that important is increasing continuously. There are several strategies to find customer's needs, but VOC (Voice of cust...
Every company wants to know customer's requirement and makes an effort to meet them. Cause that, communication between customer and company became core competition of business and that important is increasing continuously. There are several strategies to find customer's needs, but VOC (Voice of customer) is one of most powerful communication tools and VOC gathering by several channels as telephone, post, e-mail, website and so on is so meaningful. So, almost company is gathering VOC and operating VOC system. VOC is important not only to business organization but also public organization such as government, education institute, and medical center that should drive up public service quality and customer satisfaction. Accordingly, they make a VOC gathering and analyzing System and then use for making a new product and service, and upgrade. In recent years, innovations in internet and ICT have made diverse channels such as SNS, mobile, website and call-center to collect VOC data. Although a lot of VOC data is collected through diverse channel, the proper utilization is still difficult. It is because the VOC data is made of very emotional contents by voice or text of informal style and the volume of the VOC data are so big. These unstructured big data make a difficult to store and analyze for use by human. So that, the organization need to automatic collecting, storing, classifying and analyzing system for unstructured big VOC data. This study propose an intelligent VOC analyzing system based on opinion mining to classify the unstructured VOC data automatically and determine the polarity as well as the type of VOC. And then, the basis of the VOC opinion analyzing system, called domain-oriented sentiment dictionary is created and corresponding stages are presented in detail. The experiment is conducted with 4,300 VOC data collected from a medical website to measure the effectiveness of the proposed system and utilized them to develop the sensitive data dictionary by determining the special sentiment vocabulary and their polarity value in a medical domain. Through the experiment, it comes out that positive terms such as "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" have high positive opinion value, and negative terms such as "퉁명, 뭡니까, 말하더군요, 무시하는" have strong negative opinion. These terms are in general use and the experiment result seems to be a high probability of opinion polarity. Furthermore, the accuracy of proposed VOC classification model has been compared and the highest classification accuracy of 77.8% is conformed at threshold with -0.50 of opinion classification of VOC. Through the proposed intelligent VOC analyzing system, the real time opinion classification and response priority of VOC can be predicted. Ultimately the positive effectiveness is expected to catch the customer complains at early stage and deal with it quickly with the lower number of staff to operate the VOC system. It can be made available human resource and time of customer service part. Above all, this study is new try to automatic analyzing the unstructured VOC data using opinion mining, and shows that the system could be used as variable to classify the positive or negative polarity of VOC opinion. It is expected to suggest practical framework of the VOC analysis to diverse use and the model can be used as real VOC analyzing system if it is implemented as system. Despite experiment results and expectation, this study has several limits. First of all, the sample data is only collected from a hospital web-site. It means that the sentimental dictionary made by sample data can be lean too much towards on that hospital and web-site. Therefore, next research has to take several channels such as call-center and SNS, and other domain like government, financial company, and education institute.
Every company wants to know customer's requirement and makes an effort to meet them. Cause that, communication between customer and company became core competition of business and that important is increasing continuously. There are several strategies to find customer's needs, but VOC (Voice of customer) is one of most powerful communication tools and VOC gathering by several channels as telephone, post, e-mail, website and so on is so meaningful. So, almost company is gathering VOC and operating VOC system. VOC is important not only to business organization but also public organization such as government, education institute, and medical center that should drive up public service quality and customer satisfaction. Accordingly, they make a VOC gathering and analyzing System and then use for making a new product and service, and upgrade. In recent years, innovations in internet and ICT have made diverse channels such as SNS, mobile, website and call-center to collect VOC data. Although a lot of VOC data is collected through diverse channel, the proper utilization is still difficult. It is because the VOC data is made of very emotional contents by voice or text of informal style and the volume of the VOC data are so big. These unstructured big data make a difficult to store and analyze for use by human. So that, the organization need to automatic collecting, storing, classifying and analyzing system for unstructured big VOC data. This study propose an intelligent VOC analyzing system based on opinion mining to classify the unstructured VOC data automatically and determine the polarity as well as the type of VOC. And then, the basis of the VOC opinion analyzing system, called domain-oriented sentiment dictionary is created and corresponding stages are presented in detail. The experiment is conducted with 4,300 VOC data collected from a medical website to measure the effectiveness of the proposed system and utilized them to develop the sensitive data dictionary by determining the special sentiment vocabulary and their polarity value in a medical domain. Through the experiment, it comes out that positive terms such as "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" have high positive opinion value, and negative terms such as "퉁명, 뭡니까, 말하더군요, 무시하는" have strong negative opinion. These terms are in general use and the experiment result seems to be a high probability of opinion polarity. Furthermore, the accuracy of proposed VOC classification model has been compared and the highest classification accuracy of 77.8% is conformed at threshold with -0.50 of opinion classification of VOC. Through the proposed intelligent VOC analyzing system, the real time opinion classification and response priority of VOC can be predicted. Ultimately the positive effectiveness is expected to catch the customer complains at early stage and deal with it quickly with the lower number of staff to operate the VOC system. It can be made available human resource and time of customer service part. Above all, this study is new try to automatic analyzing the unstructured VOC data using opinion mining, and shows that the system could be used as variable to classify the positive or negative polarity of VOC opinion. It is expected to suggest practical framework of the VOC analysis to diverse use and the model can be used as real VOC analyzing system if it is implemented as system. Despite experiment results and expectation, this study has several limits. First of all, the sample data is only collected from a hospital web-site. It means that the sentimental dictionary made by sample data can be lean too much towards on that hospital and web-site. Therefore, next research has to take several channels such as call-center and SNS, and other domain like government, financial company, and education institute.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러므로 VOC 분석은 VOC 데이터를 통하여 수시로 변화하는 고객의 요구를 지속적으로 반영하여 상품이나 서비스를 개발할 수 있도록 해주는 것을 목적으로 한다. 즉 다양한 경로를 통하여 수집된 VOC데이터를 통합하여 고객이나 지역에 따른 고객의 요구변화를 수집하고 이것을 분석하여 상품이나 서비스의 개발에 필요한 정보로 변환하여 제공하는 것이 VOC 분석의 목적이다(Ju and Hwang, 2004).
이러한 감성어휘사전을 만들기 위해서는 크게 두 가지 작업이 요구된다. 먼저 감성사전에 쓰일 감성어휘들을 추출하는 작업과 추출된 감성어휘의 감성극성값을 도출하는 것이다. 아래 [Figure 2]는 이러한 감성사전 생성 프로세스를 도식화한 것이다.
본 실험의 대상이 되는 의료기관 홈페이지에 접수된 VOC 데이터를 이용해 병원에 특화된 감성어휘와 감성 극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC 분류 모형의 정확도를 비교하는 실험이다. 이때 VOC의 오피니언을 분류하는 임계값이 중요하므로 임계값의 변화에 따라 VOC의 긍정/부정 오피니언의 예측 정확도가 변하는 양상을 살펴보고 최적의 임계값을 도출하였다.
본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석시스템을 제시하였다. 그리고 이러한 시스템의 가능성을 확인하기 위하여 A병원의 홈페이지를 통해 접수된 4,300여건의 VOC 데이터를 오피니언 마이닝으로 분석하여 VOC 유형별 감성어휘 사전과 극성값을 도출하였다.
본 연구에서 제시하는 지능형 VOC 분석시스템은 VOC의 컨텐츠를 오피니언 마이닝기법을 분류하여 유형을 분류하고 감성극성을 도출하는 것이다. VOC 오피니언을 도출하기 위해서는 감성극성값을 가진 감성어휘사전이 필요하며 선행연구에서도 언급된 바와 같이 어휘 자체의 고유 특성으로 부여되기 보다는, 사용되는 도메인과의 관계에서 유연하게 부여되는 것이 바람직하다고 하였다(Yu et al.
각 VOC의 긍정/부정을 예측하기 위해서는 감성극성값의 구분을 위한 임계값의 설정이 필요하다. 본 연구에서는 감성극성값에 의해 VOC의 긍정/부정 분류의 정확도와 극성값에 의한 우선순위를 도출하는 것을 목적으로 함으로, 임계값의 변화 추이에 따라 예측정확도가 얼마나 달라지며 가장 높은 예측정확도는 어느 정도인지 살펴보도록 한다.
본 연구에서는 오피니언 마이닝을 이용한 지능형 VOC 분석시스템의 유효성을 검증하기 위하여 실제 VOC 데이터를 오피니언 마이닝으로 분류한 결과의 예측 정확도를 측정하는 실험을 수행한다. 실험의 전체 과정은 [Figure 3]과 같이 요약될 수 있다.
본 연구에서는 텍스트 마이닝의 하나인 오피니언 마이닝 기법을 이용하여 고객의 다양한 의견을 담고 있는 VOC 데이터를 자동으로 분류하고 우선순위의 제공하는 오피니언 극성값을 추출하는 지능형 VOC 분석시스템을 제안하였다. 또한 VOC 오피니언 분석시스템의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다.
(2013)의 연구에서는 이러한 감성사전을 경제 뉴스로부터 추출하고 감성값을 태깅하여 주가지수의 상승/하락을 예측하는 주식 도메인에 특화된 주제지향 감성사전을 구축하고 이를 활용하는 방안을 제시하였다. 본 연구에서도 VOC 데이터에서 고객의 감성을 추출하는 오피니언 마이닝을 통해 VOC 자동 분류 및 극성 부여를 지원하는 지능형 VOC 분석 시스템을 제시하고자 한다.
본 절에서는 제 3장에서 제안한 지능형 VOC 분석시스템의 분류기준이 되는 VOC 데이터의 속성과 감성사전 구축 및 모형의 예측력을 평가하기 위해, A종합병원의 홈페이지를 통해 접수된 4,300여 건의 VOC 데이터를 대상으로 실험을 수행하고자 한다. VOC의 분류 및 극성값에 대한 예측 대상이 되는 목표 변수는 VOC 등록 시 고객이 선택한 VOC 유형으로 “친절 및 감동사례”, “불친절사례”, “불편사항”, “제안 및 건의사항”으로 구성되어있다.
제안 방법
앞서 추출된 감성어휘의 값들을 이용하여 VOC 각각의 감성극성을 계산하였다. VOC의 감성극성은 감성어휘의 극성값 평균으로 계산되며, 이렇게 도출된 VOC의 극성값이 정해진 임계값보다 큰 경우 긍정 VOC로 예측하고 그렇지 않은 경우 부정 VOC로 예측하였다. 그리고 전체 예측 건수 중 긍정/부정을 정확하게 예측한 비율을 예측 정확도로 정의하였다.
감성사전구축 단계에서 설명한 감성어휘 추출 및 감성극성값 도출 과정을 거쳐 최종 확정된 어휘는 1,243개로 TF ≥ 30, TF-IDF ≥ 0.5의 기준을 적용하였다.
또한 VOC 오피니언 분석시스템의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC 분류 모형의 정확도를 비교하는 실험을 수행하였다. 이때 VOC의 오피니언을 분류하는 임계값이 중요함으로 임계값의 변화에 따라 VOC의 긍정/부정 오피니언의 예측 정확도가 변하는 양상을 살펴보고 최적의 임계값을 도출하였다.
본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석시스템을 제시하였다. 그리고 이러한 시스템의 가능성을 확인하기 위하여 A병원의 홈페이지를 통해 접수된 4,300여건의 VOC 데이터를 오피니언 마이닝으로 분석하여 VOC 유형별 감성어휘 사전과 극성값을 도출하였다.
다음은, 이렇게 구축된 VOC 감성사전을 이용해 VOC 분류 예측 정확도 실험을 실시하였다. 앞서 추출된 감성어휘의 값들을 이용하여 VOC 각각의 감성극성을 계산하였다.
본 연구에서는 텍스트 마이닝의 하나인 오피니언 마이닝 기법을 이용하여 고객의 다양한 의견을 담고 있는 VOC 데이터를 자동으로 분류하고 우선순위의 제공하는 오피니언 극성값을 추출하는 지능형 VOC 분석시스템을 제안하였다. 또한 VOC 오피니언 분석시스템의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC 분류 모형의 정확도를 비교하는 실험을 수행하였다.
본 연구에서는 VOC의 4가지 유형을 긍정/부정의 오피니언으로 도출하기 “친절 및 감동사례”와 제안 및 건의사항”을 긍정으로, “불친절 사례”와 “불편 사항”을 부정으로 간주하여 각 유형에서의 어휘 출현 비율을 확률계산하였다.
다음은, 이렇게 구축된 VOC 감성사전을 이용해 VOC 분류 예측 정확도 실험을 실시하였다. 앞서 추출된 감성어휘의 값들을 이용하여 VOC 각각의 감성극성을 계산하였다. VOC의 감성극성은 감성어휘의 극성값 평균으로 계산되며, 이렇게 도출된 VOC의 극성값이 정해진 임계값보다 큰 경우 긍정 VOC로 예측하고 그렇지 않은 경우 부정 VOC로 예측하였다.
본 실험의 대상이 되는 의료기관 홈페이지에 접수된 VOC 데이터를 이용해 병원에 특화된 감성어휘와 감성 극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC 분류 모형의 정확도를 비교하는 실험이다. 이때 VOC의 오피니언을 분류하는 임계값이 중요하므로 임계값의 변화에 따라 VOC의 긍정/부정 오피니언의 예측 정확도가 변하는 양상을 살펴보고 최적의 임계값을 도출하였다.
그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC 분류 모형의 정확도를 비교하는 실험을 수행하였다. 이때 VOC의 오피니언을 분류하는 임계값이 중요함으로 임계값의 변화에 따라 VOC의 긍정/부정 오피니언의 예측 정확도가 변하는 양상을 살펴보고 최적의 임계값을 도출하였다.
이렇게 추출된 어휘에 감성극성을 부여하기 위해서는 감성어휘를 기준으로 2차 파싱을 실시하여 TF, IDF 등을 도출하고 이를 이용하여 극성값을 계산한다. 감성극성값은 감성어휘가 출현한 전체 VOC의 긍정/부정 횟수의 비율로 정의되며, 하나의 VOC의 극성값은 해당 VOC에 출현한 어휘들의 극성값을 평균한 값으로 산출된다.
대상 데이터
VOC 오피니언마이닝을 위한 감성사전을 만들기 위해 수집된 VOC 데이터 4,305건의 내용 텍스트를 SAS 텍스트 마이너를 이용하여 파싱하였다. 파싱을 통해 도출된 어휘 리스트는 총 60,800여 개로 동사, 명사, 형용사, 영어, 숫자, 특수문자 등이 모두 포함되어 있으며, 각 어휘의 Frequency(TF), Weight(TF-IDF), Numdocs(DF) 값을 가지고 있다.
수집한 VOC 데이터는 총 4,305건으로 각 유형별 개수는 아래 [Table 1]과 같다.
VOC 오피니언마이닝을 위한 감성사전을 만들기 위해 수집된 VOC 데이터 4,305건의 내용 텍스트를 SAS 텍스트 마이너를 이용하여 파싱하였다. 파싱을 통해 도출된 어휘 리스트는 총 60,800여 개로 동사, 명사, 형용사, 영어, 숫자, 특수문자 등이 모두 포함되어 있으며, 각 어휘의 Frequency(TF), Weight(TF-IDF), Numdocs(DF) 값을 가지고 있다. 아래[Table 2]는 감성 어휘들 중 유형별 고빈도 어휘를 추출한 예시이다.
성능/효과
이는 일상생활에서도 매우 빈번히 사용되는 단어이면서 그 극성이 비교적 극명히 인지되는 어휘들로 도출된 어휘 극성값이 매우 개연성을 가지고 있음을 확인할 수 있었다. 또한 VOC의 긍정/부정 오피니언 판별의 예측 정확도를 검증한 결과, VOC 극성값이 0.50일 때 가장 높은 분류 예측 정확도 77.8%를 나타내고 있음을 확인하였고, 이는 VOC 감성사전을 이용하여 새롭게 접수된 VOC를 자동 분류한다면 긍정 또는 부정 오피니언을 정확히 판별할 확률이 약 78%에 이른다고 할 수 있다. 결국 본 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대한 신속한 대응한다면, VOC 운용부서에서는 VOC 대응 인력을 보다 효율적으로 배치하면서도 고객민원의 강도에 따라 유연하면서도 신속한 대응이 가능할 것으로 기대된다.
실험의 결과로서 “칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소” 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, “퉁명, 뭡니까, 말하더군요, 무시하는” 등의 어휘들은 강한 부정의 극성값을 나타내고 있음을 확인하였다.
실험의 결과로서 “칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소” 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, “퉁명, 뭡니까, 말하더군요, 무시하는” 등의 어휘들은 강한 부정의 극성값을 나타내고 있음을 확인하였다. 이는 일상생활에서도 매우 빈번히 사용되는 단어이면서 그 극성이 비교적 극명히 인지되는 어휘들로 도출된 어휘 극성값이 매우 개연성을 가지고 있음을 확인할 수 있었다. 또한 VOC의 긍정/부정 오피니언 판별의 예측 정확도를 검증한 결과, VOC 극성값이 0.
후속연구
8%를 나타내고 있음을 확인하였고, 이는 VOC 감성사전을 이용하여 새롭게 접수된 VOC를 자동 분류한다면 긍정 또는 부정 오피니언을 정확히 판별할 확률이 약 78%에 이른다고 할 수 있다. 결국 본 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대한 신속한 대응한다면, VOC 운용부서에서는 VOC 대응 인력을 보다 효율적으로 배치하면서도 고객민원의 강도에 따라 유연하면서도 신속한 대응이 가능할 것으로 기대된다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.
그러나 VOC를 대용량의 데이터, 즉 빅데이터 관점에서 오피니언 마이닝을 이용해 자동으로 유형을 분류하고 우선순위를 도출하는 지능형 VOC 분석시스템을 제시함으로써 보다 신속한 VOC 대응을 통한 고객만족도 향상과 운용인력의 효율적 안배를 지원하는 것은 의미가 있다고 하겠다. 그럼으로 향후 연구에서는 다양한 채널에서의 VOC 데이터를 통해 분석의 품질을 높이고, 공공기관, 금융기관 등 다양한 분야에서의 비교연구를 통해 활용성을 높이는 후속 연구가 수행되어야 한다.
본 연구의 지능형 VOC 분석시스템은 실시간으로 접수되는 VOC의 유형을 자동 분류함과 동시에 극성을 부여함으로써 VOC 대응의 우선순위를 제시하여 고객 민원에 대한 신속한 대응을 가능하게 하며, 결과적으로 고객 만족도를 향상시켜 조직 운영에 긍정적 효과를 발휘할 수 있을 것으로 기대된다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.
본 연구의 지능형 VOC 분석시스템은 실시간으로 접수되는 VOC의 유형을 자동 분류함과 동시에 극성을 부여함으로써 VOC 대응의 우선순위를 제시하여 고객 민원에 대한 신속한 대응을 가능하게 하며, 결과적으로 고객 만족도를 향상시켜 조직 운영에 긍정적 효과를 발휘할 수 있을 것으로 기대된다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.
다시 말하면, VOC 감성사전을 이용하여 새롭게 접수된 VOC를 자동 분류한다면 긍정 또는 부정 오피니언을 정확히 판별할 확률이 약 78%에 이른다는 것이다. 여기에 더해 VOC의오피니언 극성 값까지를 고려한다면 극성값이 높은 VOC를 자동으로 분류 선별해 줌으로써 보다 신속한 고객 대응을 지원할 수 있을 것으로 판단된다.
이러한 연구결과와 기대효과에도 불구하고 본 연구의 한계와 후속 연구의 필요성은 첫째, 본 연구를 위해 수집한 VOC 4,300여건은 의료기관 홈페이지를 통해서만 수집된 것으로 병원에 편중된 오피니언만을 다루었다는 한계와 둘째, 방문접수, 콜센터, SNS 등 VOC 접수 채널의 다양성을 확보하지 못한 점, 셋째, 보통의 VOC 데이터 건에 비해 4,300건은 그다지 많은 양이라 보기 어렵다는 점이다. 그러나 VOC를 대용량의 데이터, 즉 빅데이터 관점에서 오피니언 마이닝을 이용해 자동으로 유형을 분류하고 우선순위를 도출하는 지능형 VOC 분석시스템을 제시함으로써 보다 신속한 VOC 대응을 통한 고객만족도 향상과 운용인력의 효율적 안배를 지원하는 것은 의미가 있다고 하겠다.
질의응답
핵심어
질문
논문에서 추출한 답변
기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하는 이유는?
기업 경영에 있어서 고객의 소리(VOC)는 고객 만족도 향상 및 기업의사결정에 매우 중요한 정보이다. 이는 비단 기업뿐만 아니라 대고객, 대민원 업무를 처리하는 모든 조직에 있어서도 동일하다. 때문에 최근에는 기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하고 있다.
VOC란?
모든 기업의 서비스 품질향상과 고객만족은 VOC(Voice of Customer)에서부터 시작한다. VOC란 고객의 소리에 귀를 기울여 그들의 요구를 파악하고 이를 수용하여 경영활동을 함으로써 궁극적으로는 고객 만족을 추구하고자 하는 제도이다. 각 기업의 VOC 운영 목적은 기업이 제공하는 제품이나 서비스에 대한 만족 여부를 파악함으로써 구체적으로 고객을 이해하기 위함이며, 변화하는 고객의 니즈와 기대를 파악하여 시장에 대한 끊임없는 주시와 고객 관점에서 나오는 새로운 아이디어의 발견 및 장기적인 차원에서 기업과 고객 간의 유대강화로 고객을 기업에 밀착시키기 위함이다(Choi and Choi, 2011).
기업의 VOC 운영 목적은 무엇인가?
VOC란 고객의 소리에 귀를 기울여 그들의 요구를 파악하고 이를 수용하여 경영활동을 함으로써 궁극적으로는 고객 만족을 추구하고자 하는 제도이다. 각 기업의 VOC 운영 목적은 기업이 제공하는 제품이나 서비스에 대한 만족 여부를 파악함으로써 구체적으로 고객을 이해하기 위함이며, 변화하는 고객의 니즈와 기대를 파악하여 시장에 대한 끊임없는 주시와 고객 관점에서 나오는 새로운 아이디어의 발견 및 장기적인 차원에서 기업과 고객 간의 유대강화로 고객을 기업에 밀착시키기 위함이다(Choi and Choi, 2011).
참고문헌 (15)
Ghose, A., P. G. Ipeirotis, and A. Sundararajan, "Opinion Mining Using Econometrics : A Case Study on Reputation Systems," Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, (2007), 416-423.
Cha, S., J. Kang, and J. Choi, "A Study on Social media Opinion Mining based Enterprise Crisis Management," Proceedings of KIISE Conference, Vol.39, No.1(2012), 142-144.
Chen, H. and D. Zimbra, "AI and Opinion Mining," IEEE Intelligent Systems, Vol.25, Issue.3 (2010), 74-80.
Choi, Y.-J. and H. Choi, "A Study on the Customer Satisfaction Strategies of the Online Company Using VOC," Journal of Korean Industrial Economics and Business, Vol.3, No.1(2011), 73-93.
Hu, M. and B. Liu, "Mining and summarizing customer review," Proceedings of the tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2004, 168-177.
Conrad, J. G. and F. Schilder, "Opinion Mining in Legal Blogs," Proceedings of the 11th ACM International Conference on Artificial Intelligence and Law, 2007, 231-236.
Ju, J.-M. and S.-G. Hwang, "Establishment of VOC analysis system for efficient CRM," Journal of the Korean Society for Quality Management, Vol.32, No.1(2004), 75-91.
Kim, Y., "Case Analysis of Specific Unification CRM and BSC," Journal of the Korea Service Management Society, Vol.8, No.3(2007), 277-292.
Kim, Y., News Big Data Opinion Mining Model for Predicting KOSPI Movement, Kookmin University Graduate School of Business IT, 2012.
Kim, Y., N. Kim, and S. R. Jeong, "Stock-Index Invest Model Using News Big Data Opinion Mining," Journal of Intelligence and Information Systems, Vol.18, No.2(2012), 143-156.
Takeuchi, H., L. V. Subramaniam., T. Nasukawa, and S. Roy, "Getting insights from the voices of customers : Conversation mining at a contact center," Information Science, Vol.179 Issue.11 (2009), 1584-1591.
Yang, J.-Y., J. Myung, and S.-G. Lee, "A Sentiment Classification Method using Context Information in Product Review Summarization," Journal of KIISE : Databases, Vol.36, No.4(2009), 254-262.
Yu, Y., Y. Kim., N. Kim, and S. R. Jeong, "Predicting the Direction of the Stock Index by Using a DomainSpecific Sentiment Dictionary," Journal of Intelligence and Information Systems, Vol.19, No.1(2013), 92-110.
Yune, H., H.-J. Kim, and J.-Y. Chang, "An Efficient Search Method of Product Review using Opinion Mining Techniques," Journal of KIISE : Computing Practices and Letters, Vol.16, No.2(2010), 222-226.
Zhuang, L., F. Jing, and X. Y. Zhu, "Movie Review Mining and Summarization," Proceedings of the 15th ACM International Conference on Information and Knowledge Management, (2006), 43-50.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.