오늘날의 복잡한 비즈니스 환경에서 고객의 기대치가 날로 높아지면서 성공을 위한 핵심 요소로 고객 중심 전략이 주목받고 있습니다. 기업은 고객의 피드백이 가지는 중요성을 인지하고 고객 기대에 민첩하게 부응해 지속적인 비즈니스 성장을 도모하고 있습니다. 고객 경험 증진을 위해 핵심적인 Voice of Customer(VoC) 서비스는 특히 AI, 머신 러닝, 자연어 처리와 같은 첨단 기술의 등장으로 더욱 정교해지고 있습니다.

VoC 시장의 잠재력을 일찌감치 간파한 SaaS 스타트업 ‘싱클리(Syncly)’ 는 생성형 AI를 접목한 고객 피드백 분석 솔루션을 제공하고 있습니다. AI 스타트업 ‘수아랩(SUALAB)’을 창업하고 성공적으로 엑싯한 경험을 보유한 연쇄창업가들로 구성된 싱클리는 비즈니스 초기부터 서비스 혁신성을 인정받아 세계 최대 액셀러레이터인 와이콤비네이터(YC)로부터 초기 투자와 멘토링을 받고, 현재는 미국과 한국 시장을 넘어 전 세계로 비즈니스를 확장 중입니다.

고객 경험(CX)을 중시하는 전 세계의 많은 기업이 싱클리를 통해 채팅, 전화, 미팅 등에서 실시간으로 수집된 VoC를 통합 플랫폼에서 관리하고, 이를 AI 기반으로 분석해 개선점을 도출하며 고객 관계 개선을 위한 해결책을 마련하고 있습니다.

싱클리의 핵심 서비스는 고객의 피드백을 수집, 분석 및 공유하는 과정에서 발생하는 데이터를 AI로 자동 처리해 VoC에 대한 가시성을 제공하는 것입니다. 단순한 정량 분석을 넘어 시맨틱 서치를 통한 정성 분석을 지원하기 때문에 피드백 간의 의미론적 표현이나 유사도를 파악하는 것이 매우 중요합니다.

싱클리 초창기에는 전통적인 SQL 및 NoSQL 영역에서 전문 검색(full-text search)을 위한 기능이 많지 않았고, 별도의 라이브러리 기반 서치 엔진을 구축하는 번거로움이 수반됐습니다. 또한 특정 키워드나 문장을 이용한 전문 검색만으로는 시맨틱 분석의 결과물인 임베딩 벡터(embedding vector) 활용에 한계가 있었습니다.

이에 싱클리는 거대언어모델(LLM)을 도입해 정형화가 쉬운 텍스트 데이터와 이미지, 영상 등 비정형 데이터가 혼재된 구조에서 효과적인 유사도 분석을 꾀했습니다.

금종수 싱클리 공동창립자 겸 연구 리드는 “사업 초기에는 전체 임베딩 벡터를 서버에 로드(load)하고 유사도를 직접 계산했다. 그러나 비즈니스 확장에 따라 고객사가 늘고 분석해야 하는 데이터가 대량 축적되면서 서버와 데이터베이스의 워크로드 부하가 심해졌고, 개발팀의 생산성 저하가 새로운 고민거리로 떠올랐다”고 말했습니다.

수십만에서 수백만 건 이상의 데이터를 파악하고 분석해 유의미한 결과값을 찾아야 하는 기업의 입장에서 소요 시간을 최소화할 수 있는 기술은 필수적입니다.

워크로드 부하로 고민하던 싱클리는 2023년 출시된 MongoDB Atlas Vector Search를 선제적으로 도입해 모든 벡터 데이터 관리 서비스에 적용했습니다. 싱클리는 고객사가 관심있는 주제에 따라 데이터를 분류하고 피드백이 해당 주제에 적합한지 검사하는 클러스터 분석 과정에서 벡터 데이터를 주로 사용하고 있습니다.

김진경 싱클리 테크 리드는 “벡터 데이터를 기존 사용 중인 MongoDB Atlas에 저장하며 싱클리가 주력하는 데이터 수집 및 분류 서비스 개발에 집중할 수 있었고, 나아가 데이터 분석 효율성을 높이고자 Atlas Vector Search 도입을 결정하게 됐다”고 밝혔습니다. 이어 “특히 제품 관련 업데이트가 있을 때마다 MongoDB Korea 팀의 적극적인 지원과 가이드를 받으며 MongoDB의 새로운 기능을 빠르게 접하고 서비스 개발에 활용할 수 있었다”고 덧붙였습니다.

싱클리는 Atlas Vector Search를 통해 개발팀의 업무 효율성을 개선하고 싱클리의 대대적인 퍼포먼스 향상을 경험하고 있습니다.

먼저, 기존 임베딩 데이터를 백엔드로 로드해 개발자가 직접 검사하고 코드 로직을 작성하던 업무를 Atlas를 통해 자동화하며 개발팀의 업무 시간을 획기적으로 단축했습니다. 또한 Atlas Vector Search의 인덱싱(indexing) 기능으로 데이터 간 유사도 비교 분석 과정을 자동화해 서버와 시스템 전력, 입출력(I/O), 네트워크의 과부하를 줄이고 개발자의 생산성을 대폭 개선할 수 있었습니다.

금종수 연구 리드는 “기존 하나의 피드백 분석을 위해 만 번 이상의 유사도 비교를 거쳤다면 이제 Vector Search 인덱스 설정만으로 쿼리 한 번에 원하는 결과를 얻을 수 있다. 직접 유사도 분석을 진행했을 때 대비 Atlas Vector Search를 통한 인덱싱으로 체감상 10배 이상의 속도 향상을 경험하고 있다”며 “로직 처리 파이프라인이 간략해지면서 비용과 제품 출시 속도도 한층 빨라졌다. 서버 부하가 낮아져 높은 티어의 서버 인스턴스를 요구하는 클라우드 서비스에 대한 필요성이 줄어든 것도 스타트업 입장에서는 굉장한 이점”이라고 강조했습니다.

특히 싱클리는 기존의 Atlas 아키텍처에서 별도의 구축, 관리 비용 없이 Atlas Vector Search와 Atlas Search를 함께 사용할 수 있고, 전통적인 데이터베이스 검색에서 벗어나 언어모델의 발전에 대응하는 시맨틱 서치를 활용할 수 있다는 점을 높이 평가했습니다.

개발자를 위한 툴 구축 플랫폼을 제공하는 리툴(Retool)의 최근 조사 결과, Atlas Vector Search는 가장 높은 순추천고객지수(NPS·Net Promoter Score)를 받고, ‘AI와 함께 널리 사용되는 벡터 데이터베이스’ 중 한 곳으로 이름을 올리며 AI 기반 최신 애플리케이션 개발을 위한 혁신적인 솔루션으로 자리잡고 있습니다.

김진경 테크 리드는 “고객에게 인사이트 분석 결과를 더욱 신속히 제공하고 싱클리 서비스 전반의 효율성이 개선되면서 고객 편의성과 만족도 향상이라는 두 마리 토끼를 잡을 수 있었다. 또한 Atlas Vector Search가 도큐먼트 형태의 데이터부터 벡터 데이터까지 통합적으로 저장하고 관리할 수 있는 Atlas를 기반으로 한다는 점도 큰 장점”이라며 경험한 획기적인 변화에 대해 설명했습니다.

싱클리는 서비스를 확장하면서 MongoDB의 비즈니스 자동화 및 시각화 툴을 비롯해 워크로드 부하를 낮추기 위한 추가 서치 노드와 글로벌 클러스터링, Atlas의 오픈AI(Open AI) 통합 기능 등 다양한 서비스 도입을 고려하고 있습니다.

또한 AI가 가진 잠재력을 VoC 서비스 개발에 적극 활용하면서 MongoDB Korea 팀과 함께 MongoDB의 제품과 서비스를 더욱 안전하게 최적화할 수 있는 방안을 모색하고 있습니다.

금종수 연구 리드는 “현재 싱클리의 검색 서비스 기능을 출시하기 위해 연구 중이고 가장 핵심적인 기술 개발에 Atlas Vector Search 및Atlas를 사용하고 있다”며 “현재 피드백 분석에 사용하는 벡터 데이터를 향후에는 메타 정보로 사용하는 것을 고려하고 있으며, 이를 위해 Atlas Vector Search 사용도 점차 확대할 계획”이라고 밝혔습니다.

김진경 테크 리드는 “기업은 고객에게 필요한 제품을 만들고, 기술을 활용해 고객의 니즈와 페인포인트를 더 잘 이해할 수 있어야 한다. 앞으로도 싱클리는 MongoDB와의 지속적인 협력을 바탕으로 고객의 고민을 효과적으로 해결하는 AI 솔루션을 제공하며, 고객과 함께 성장하는 기업이 될 것”이라며 포부를 드러냈습니다.

금종수 싱클리 공동창립자 겸 연구 리드

김진경 싱클리 테크 리드