레이크하우스가 보험 업계에서 고객 서비스 분석을 위한 LLM을 지원하는 방법

작성자: Marcela Granados, Rafael Pierre, Anna Cuisia

February 21, 2024 in 산업

이 포스트 공유하기

Translated by HaUn Kim - Original Blog Post

보험 LLM 솔루션 액셀러레이터 다운로드

들어가는 말

현재의 경제 및 사회적 환경은 고객의 기대와 선호도를 재정의했습니다. 사회는 더욱 디지털화되었고, 이는 보험회사의 고객 서비스에도 적용됩니다.

그러나 데이터 기반 사고방식으로 이 문제에 접근하는 데에는 상당한 어려움이 있습니다. 지금까지 구조화된 데이터는 기업이 미래를 이해하고 예측하기 위해 과거를 분석할 수 있게 해주는 주요 요소였습니다. 자연어 처리(NLP)를 활용하면 기업은 전화 통화 오디오, 채팅 메시지의 자유 텍스트 등 고객이 생성하는 다양한 비정형 데이터 소스를 분석할 수 있습니다.

자연어 처리(NLP)는 컴퓨터가 인간의 언어를 이해하고 해석하며 생성할 수 있도록 하는 일련의 기술을 말합니다. 보험 업계에서는 특히 고객 서비스, 보험금 청구 처리, 보험 인수 등 대량의 서면 또는 음성 언어를 이해하고 처리해야 하는 작업을 자동화하는 데 NLP를 사용할 수 있습니다.

오늘날 고객들은 상품 맞춤화와 가치에 대해 다양한 기대치를 가지고 있습니다. 고객들은 1년에 한 번 갱신하는 보험보다는 일상 생활에 통합된 보험을 선호합니다. 토크데스크에 따르면 소비자의 58%가 고객 서비스에 대한 기대치가 1년 전보다 높아졌다고 응답하며, 이제 원활한 고객 경험을 기대합니다. 베인앤컴퍼니의 또 다른 보고서에 따르면 전 세계 14개국 28,765명의 소비자 중 59%가 생명보험사가 건강한 생활에 대한 보상을 해주기를 원한다고 답했습니다.

보험사 입장에서는 고객의 요구를 따라잡는 것이 쉽지 않을 수 있습니다. Forrester에 따르면 팬데믹이 시작된 이후 지원팀의 53%가 지원 문의가 증가했다고 추정합니다. 보험 컨택 센터의 부담을 줄이기 위해서는 디지털 셀프 서비스 경험을 제공하는 것이 무엇보다 중요해졌습니다.

보험 회사는 수년 동안 챗봇과 IVR을 사용하여 보험금 청구 상태 확인, 보험금 청구 보고, 보험 보장 범위 이해와 같은 일반적인 보험 주제에 대한 고객 문의에 응답해 왔습니다. 그러나 IVR이 고객 서비스 상담원에게 지나치게 복잡하고 부담을 주는 사용자 경험을 제공해야 한다는 과제를 안고 있습니다. 올리버 와이먼에 따르면 이상적인 고객 경험을 제공하지 못하는 대부분의 문제점은 다음과 같습니다:

스크리닝: 고객 챗봇은 종종 복잡한 고객 요청을 해석하는 데 어려움을 겪습니다. 이러한 챗봇은 이해 능력이 제한되어 있어 고객이 전화를 걸어온 이유를 이해하기 어려울 수 있습니다. 대규모 언어 모델(LLM)은 이 영역에서 기존의 자연어 처리(NLP)에 비해 향상된 기능을 보여줍니다.
라우팅: 챗봇이 고객 요청의 성격을 완전히 이해하지 못할 수 있으므로 고객 라우팅에 한계가 있으며, 그 결과 고객이 사람에게 라우팅되어 다시 대기하게 될 가능성이 높습니다.
해결 방법: 고객 서비스 상담원은 문의를 신속하게 해결하기 위한 필수 도구가 부족합니다. 챗봇은 고객의 요청을 정확하게 요약하거나, 보험 문서를 검색하여 보장 범위를 확인하거나, 상담원에게 관련 솔루션 목록을 제공하지 못할 수 있습니다. 그 결과 상담원은 고객에게 전화의 이유를 반복해서 물어봐야 할 수 있으며, 고객 서비스 경험의 저하는 말할 것도 없고 고객의 보험 증권과 관련 세부 정보를 검색하는 데 시간이 더 지연될 수 있습니다.

고객 경험을 개선하기 위해 보험사는 챗봇의 이해도 및 라우팅 기능을 향상시키기 위해 LLM과 같은 고급 기술을 활용하는 것을 고려해야 합니다. 또한, 상담원에게 고객 정보 및 관련 리소스에 빠르게 액세스할 수 있는 종합적인 도구를 제공하는 것도 문제 해결 프로세스를 간소화하는 데 도움이 될 수 있습니다. 보험사는 고객 서비스 인력을 확장하고 교육하는 문제를 해결하면서 더 나은 고객 경험과 관리를 제공하기 위한 최선의 전략을 정의하는 것이 어려울 수 있습니다. 이 동전의 양면 사이에서 적절한 균형을 맞추는 방법은 무엇일까요? 그리고 어디서부터 시작해야 할까요?

고객 서비스에 NLP를 적용했을 때의 잠재적 결과

종합적인 디지털 혁신 전략을 통해 보험회사는 운영 프로세스에서 실제 상품 및 가치 창출로 예산과 인력을 전환하여 운영을 원활하게 확장할 수 있습니다. 이러한 전략을 수립할 때, 보험사는 고객 서비스 관점에서 고려해야 할 중요한 요소 중 하나로 통화 편향 (call deflection)을 고려해야 합니다. 보험사는 일반적인 고객 불만 사항을 파악하고 셀프 서비스 채널을 통해 고객 역량을 강화하여 보다 신속하고 관련성 높은 고객 경험을 제공하며 확장할 수 있습니다.

보험 분야에서 고객 서비스에 디지털 혁신을 적용하기 위해서는 고객이 연락하는 이유를 이해해야 합니다. 예를 들어 다음과 같은 질문이 생길 수 있습니다:

고객이 전화를 거는 주요한 이유는 무엇인가요?
자동차 보험과 같은 다른 유형의 상품에 비해 얼마나 많은 고객이 자동차 보험에 대한 지원을 요청하나요?
이러한 연락의 분포는 월별로 어떻게 변화하고 있나요? 또는 전년 대비 어떤 변화가 있는지 알 수 있나요?

이러한 인사이트를 통해 마케팅 등 다른 영역뿐만 아니라 고객 서비스에 대한 적절한 전략을 수립할 수 있습니다. 또한 동일한 고객으로부터 발생하는 연락이 지나치게 많은 경우와 같이 잠재적인 문제가 될 수 있는 제품이나 주제를 분석할 수도 있습니다. 마지막으로 고객 서비스 팀이 고객에게 제때 서비스를 제공할 준비가 되어 있는지 조사해야 합니다.

이러한 분석을 수행하기 위해서는 조직은 비정형 텍스트 (raw text)를 잘 이해되는 문장(정형 텍스트)으로 변환해야 하며 구조화된 데이터에 의존해야 합니다. 자연어 처리의 맥락에서 BERT, GPT, ChatGPT와 같은 트랜스포머 모델을 사용하면 기업은 이러한 유형의 데이터에서 전례 없는 규모의 가치 있고 구조화된 인사이트를 추출할 수 있습니다. 이러한 모델을 사용하면 특정 고객의 의도에 따라 고객 발언을 쉽게 분류할 수 있을 뿐만 아니라 고객의 감정을 측정할 수도 있습니다.

실행 과제 및 동기 부여

기업이 고객을 이해하게 되면, 데이터 및 AI 성숙도 곡선이 오른쪽으로 이동할 수 있습니다. 자연어 처리(NLP) 및 트랜스포머 모델은 고객 참여를 위한 챗봇 사용과 같은 고객 경험 자동화, 그리고 이전 기록을 기반으로 고객의 의도를 파악하고 다음 상호 작용을 예측하는 등의 개인화를 지원할 수 있습니다. 하지만 현재 대부분의 기업들은 NLP와 트랜스포머의 잠재력을 충분히 활용하지 못하고 있습니다. 맥킨지에 따르면, 2022년 말 기준으로, 트랜스포머 모델을 AI 제품의 일부로 포함하거나 포함할 계획이 있는 기업은 단 11%에 불과합니다.

솔루션

보험 콜센터 분석을 위한 NLP 및 트랜스포머 모델의 생성 및 유지 관리와 관련된 기술적 모범 사례와 재사용 가능한 기능을 설정하기 위해 특별히 설계된 새로운 솔루션 액셀러레이터의 출시 소식을 전해드리게 되어 기쁩니다. 이 솔루션 액셀러레이터는 기업들이 머신 러닝 솔루션을 개발 및 배포할 때 유리하게 시작할 수 있도록 도와주는 일련의 자료(데이터, 노트북, 코드, 시각화)를 제공합니다. 다음 섹션에서는 이 솔루션 액셀러레이터의 다양한 구성 요소에 대해 자세히 알아보도록 하겠습니다.

Insurance NLP Solution Accelerator

이 솔루션 액셀러레이터의 목적은 두 가지입니다:

대화형 음성 응답(IVR) 스트림의 텍스트 데이터 또는 고객과 서비스 상담원 간의 초기 상호작용을 기반으로 대규모로 고객의 의도를 감지하는 것입니다.
고객이 고객 서비스 챗봇에게 보내는 첫 문장을 실시간으로 분류합니다.

결론

결론적으로 NLP, 트랜스포머 및 대규모 언어 모델(LLM)의 기능은 계속해서 발전할 것입니다. 하지만 완벽한 데이터를 보유한 보험사는 없다는 점을 유의해야 합니다. 최근에는 인플레이션, 공급망 중단, 진화하는 손실 추세, 기후 변화가 재해에 미치는 영향 등 거시 경제 환경의 변화와 함께 인력 변화, 인수 규정 및 보험 가입 자격 기준의 업데이트가 보험사의 비즈니스 믹스를 크게 변화시켰습니다. 따라서 과거 데이터가 미래 시나리오에 효과적으로 일반화되지 않을 수 있습니다.

보험사는 외부 또는 타사 데이터를 확보하여 운영 시스템에서 파생된 정형 데이터(예: 정책, 노출, 보험료, 보장 범위 및 청구)를 보완하거나 음성 통화/음성, 이미지, 텍스트 및 동영상을 포함한 내부 비정형 데이터로 내부 정형 데이터를 강화하는 두 가지 옵션 중 하나를 선택할 수 있습니다.