【 청년일보 】 학교에서 배운 DMAIC 프로세스는 늘 공장의 불량률 그래프와 함께 등장했다. 그런데 막상 서비스 기업의 데이터 분석팀을 들여다보면, 똑같은 다섯 글자가 전혀 다른 데이터를 다루고 있다는 것을 알게 된다. 생산 라인의 센서 값 대신 고객의 채팅 로그가, 치수 측정값 대신 앱 체류 시간이 그 자리를 채우고 있는 것이다. 학교에서 배운 DMAIC가 실제 현장에서는 어떤 모습으로 작동하고 있을까.
제조의 시대에 품질은 비교적 명확했다. 불량률, 내구연한, 공차 범위처럼 자로 잴 수 있는 숫자들이 곧 품질이었다. 그러나 서비스의 시대로 넘어오면서 품질의 정의 자체가 흔들리기 시작했다. 고객이 매장을 나서며 느끼는 찜찜함, 상담원과 통화한 뒤 남는 여운, 앱을 켰다가 닫아버린 그 짧은 순간의 망설임. 이런 무형의 경험을 어떻게 측정하고, 어떻게 개선할 것인가가 산업공학의 새로운 화두로 떠올랐다.
전통적인 품질 관리는 설문조사라는 후행 지표에 의존해왔다. 문제는 설문이 끝난 시점에는 이미 고객의 불만이 발생한 지 한참 지난 뒤라는 점이다. 만족도 점수는 원인이 아니라 결과를 보여줄 뿐이다. 이 한계를 넘어서기 위해 등장한 것이 VOC, 즉 고객의 소리를 정량화하는 작업이다.
기업들은 더 이상 상담 기록을 직원이 일일이 읽고 분류하지 않는다. 자연어 처리 기술을 활용해 고객의 문의와 불만을 자동으로 카테고리화하고, 감성의 강도까지 점수로 환산한다. 최근에는 단순히 긍정·부정·중립을 가르는 수준을 넘어, AI 기반 감성 분석을 통해 감정의 세기 자체를 정량화하는 단계로 발전하고 있다는 점이 특히 눈에 띈다.
더불어 SNS와 리뷰 플랫폼에서 쏟아지는 비정형 데이터의 비중이 빠르게 늘면서, 정형화되지 않은 고객의 목소리를 구조화하는 역량 자체가 기업의 경쟁력으로 자리잡고 있다.
행동 데이터 분석도 같은 맥락에서 중요해졌다. 앱 로그, 클릭 경로, 페이지 체류 시간을 들여다보면 고객이 실제로 어디에서 망설이고 어디에서 이탈하는지가 드러난다. 설문지에는 적히지 않는 병목 구간이 데이터 위에서는 선명하게 보이는 셈이다. 제조 공정에서 불량률을 낮추는 것이 곧 원가 절감으로 이어지듯, 서비스 공정에서 이런 경험의 마찰을 하나씩 제거하는 일은 결국 브랜드 충성도로 돌아온다.
산업공학을 전공한 사람이라면 익숙할 DMAIC 프레임워크는 서비스 영역에서도 그대로 유효하다. 다만 각 단계가 다루는 대상이 달라질 뿐이다. Define 단계에서는 고객이 정의하는 가치란 무엇인가라는 질문에서 출발한다. 같은 서비스라도 고객마다 중요하게 여기는 가치가 다르기 때문에, 이 단계에서의 정의가 모호하면 이후 모든 분석이 흔들린다.
실제 적용 사례를 보면 막연하게 만족도를 높이겠다는 목표 대신, 특정 지표를 몇 점에서 몇 점으로 끌어올리겠다는 식의 구체적이고 측정 가능한 목표로 다듬는 과정이 핵심으로 꼽힌다.
Measure 단계에서는 고객 여정 지도가 핵심 도구로 등장한다. 고객이 브랜드를 처음 인지하는 순간부터 구매 이후 행동까지를 시간 축 위에 펼쳐놓고, 각 접점마다 데이터 포인트를 설정한다. 이 지도를 그리는 작업은 제품팀만의 몫이 아니다. CS, 마케팅, 영업 등 고객을 직접 만나는 부서들이 함께 참여할 때 비로소 입체적인 그림이 완성된다.
Analyze 단계에서는 데이터 위의 이상치와 품질 저하 사이의 상관관계를 규명한다. 단순한 평균값으로는 보이지 않던 패턴이, 특정 구간에 몰린 이상치를 들여다보는 순간 원인으로 모습을 드러낸다.
Improve와 Control 단계는 자동화된 피드백 루프 구축으로 이어진다. 고객의 불만이 감지되면 즉각적으로 서비스 프로세스를 재설계하고, 그 효과를 다시 데이터로 검증하는 순환 구조다. 이때 한 단계 더 깊이 들어가면 서비스 블루프린트라는 도구를 만나게 된다. 1982년 린 쇼스택이 처음 제안한 이 기법은 고객이 보는 영역과 보지 못하는 내부 프로세스를 한 도면 위에 함께 그려, 고객 여정 지도만으로는 드러나지 않는 내부의 병목까지 짚어낸다는 점에서 차별화된다.
데이터가 가리키는 효율과 사람이 실제로 느끼는 쾌적함은 항상 같은 방향을 가리키지는 않는다. 클릭 수를 줄이는 것이 항상 좋은 경험을 만드는 것은 아니며, 반대로 약간의 여백과 설명이 오히려 신뢰를 높이기도 한다. 이 균형을 잡는 것이 인간 중심 설계의 역할이다.
인간공학 관점에서 보면 이는 결국 인지 부하를 얼마나 줄이느냐의 문제로 귀결된다. 사용자가 화면을 보며 처리해야 하는 정보의 양이 많아질수록 의사결정에 걸리는 시간이 늘어나고, 피로감은 곧 이탈로 이어진다. 복잡한 작업을 작은 단위로 쪼개고, 정보를 의미 있는 묶음으로 정리하며, 익숙한 디자인 패턴을 활용해 학습 부담을 줄이는 것. 이런 원칙들은 사실 새로운 발견이 아니라 인간공학이 오래전부터 다뤄온 주제이며, 인터페이스 설계에 그대로 적용된다.
실제로 인터페이스의 정보 구조를 단순화하고 사용자의 시선 흐름에 맞춰 요소를 재배치했을 때, 사용자가 느끼는 인지적 부담이 줄어들고 그 결과 작업 완료율과 만족도가 함께 개선되는 흐름은 여러 인간공학 프로젝트에서 반복적으로 관찰되는 패턴이다. 데이터가 보여주는 숫자 뒤에는 결국 사람의 작업기억과 주의력이라는, 측정하기 까다롭지만 분명히 존재하는 변수가 자리하고 있다.
서비스 품질 관리의 다음 단계는 예측이다. 문제가 발생한 뒤 대응하는 사후 대응형 모델에서, 문제가 발생하기 전에 먼저 다가가는 선제적 모델로 무게중심이 옮겨가고 있다. 과거의 행동 패턴과 맥락 데이터를 분석해 이탈 가능성이 높은 고객을 미리 식별하고, 장애가 발생하기 전에 점검을 권하는 식의 흐름은 이제 여러 산업에서 현실이 되어가고 있다.
물론 예측이 모든 것을 해결해주지는 않는다. 결국 그 예측을 의미 있는 개선으로 옮기는 것은 DMAIC 같은 체계적인 방법론과, 사람의 인지와 감정을 이해하려는 인간 중심 설계의 시선이다. 서비스 품질은 우연히 좋아지지 않는다. 데이터로 정확히 읽고, 공학적으로 분석하고, 사람의 눈높이에서 다시 설계하는 과정을 거쳐야 비로소 만들어지는 결과물이다. 산업공학을 공부하는 입장에서 보면, 이 지점이야말로 우리가 배운 도구들이 가장 쓸모 있어지는 순간이 아닐까 싶다.
【 청년서포터즈 9기 배해인 】
