A blockchain-based evaluation approach to analyse customer satisfaction using AI techniques 리뷰

블록체인을 활용해 고객 피드백의 신뢰성을 확보하고, 하이브리드 AI 모델로 고객 만족도를 정밀 예측하는 통합 분석 프레임워크를 제안한 연구

논문 요약

논문 제목: A blockchain-based evaluation approach to analyse customer satisfaction using AI techniques
저자: Kousik Barik 외
게재 학술지: Patterns (Cell Press)
발행 연도: 2023
핵심 요약: 고객 만족도 데이터의 신뢰성을 높이기 위해 블록체인 기술을 활용하는 기반을 제안했다. 이 신뢰도 높은 데이터를 바탕으로, 다차원 나이브베이즈와 K-최근접 이웃을 결합한 분류기(MDNB-KNN)와 다목적 최적화 알고리즘(MOL-PSOA)을 결합한 독자적인 하이브리드 모델을 통해 고객 만족도를 정교하게 예측하고 분석했다.

연구 배경

이 연구는 인공지능 모델의 성능이 ‘알고리즘’뿐만 아니라 그 ‘재료’가 되는 ‘데이터의 품질’에 의해 결정된다는, 기본에 충실하면서도 강력한 아이디어를 제시한다.

기업의 생존과 성장에 있어 고객 만족도는 가장 중요한 지표 중 하나이다. 만족한 고객은 재구매율과 충성도가 높고, 긍정적인 입소문을 통해 새로운 고객을 유치하는 선순환을 만들기 때문이다. 이 때문에 많은 기업들은 설문조사, 리뷰, 행동 데이터 등을 활용하여 고객 만족도를 측정하고 예측하기 위해 노력해왔다.

하지만 기존의 방식에는 두 가지 큰 문제가 있었다. 첫째, 데이터의 신뢰성 문제이다. 설문조사 데이터는 응답자의 주관에 크게 좌우되며, 온라인 리뷰는 악의적인 경쟁자나 마케팅 업체에 의해 조작될 수 있다. 둘째, 분석 모델의 한계이다. 복잡한 고객의 심리와 행동을 예측하기에 기존의 통계 모델이나 단순한 머신러닝 알고리즘은 정확도에 한계가 있었다.

이 연구는 이 두 가지 문제를 해결하기 위해 블록체인과 하이브리드 AI 모델이라는 두 가지 무기를 꺼내 들었다. 먼저 블록체인을 통해 고객 만족도 데이터의 위변조를 원천적으로 방지하여 데이터 무결성(Data Integrity)을 확보한다. 그리고 이렇게 확보된 ‘깨끗한’ 데이터를, 여러 알고리즘의 장점을 결합한 독자적인 AI 모델로 분석하여 예측의 정확도를 극대화하는 것을 목표로 한다.

해결하려는 문제

고객 만족도 데이터의 신뢰성을 블록체인으로 확보하고, 독자적으로 개발한 고성능 하이브리드 AI 알고리즘으로 예측 정확도를 극대화한다.

이 연구가 풀고자 하는 문제는 명확하다. 바로 ‘어떻게 더 정확하게 고객 만족도를 예측할 것인가?’이다. 이를 위해 연구진은 문제를 두 단계로 분해했다.

데이터 신뢰성 확보: 예측 모델에 입력되는 데이터 자체가 조작되거나 오염되었다면, 어떤 훌륭한 모델도 정확한 예측을 할 수 없다. 따라서 블록체인 기술을 도입하여, 고객 만족도 데이터가 한 번 기록되면 절대 수정할 수 없도록 하여 데이터의 신뢰성을 원천적으로 보장하는 문제를 먼저 해결하고자 했다.
예측 정확도 향상: 신뢰할 수 있는 데이터가 준비되었다면, 그 안에서 복잡한 패턴을 가장 잘 학습할 수 있는 최적의 예측 모델을 만드는 문제가 남는다. 연구진은 기존에 알려진 단일 알고리즘들보다 더 뛰어난 성능을 내기 위해, 여러 알고리즘의 장점을 결합한 새로운 하이브리드 모델을 개발하여 이 문제를 해결하고자 했다.

연구 모형

블록체인에 기록된 신뢰도 높은 데이터를, MDNB-KNN 분류기와 MOL-PSOA 최적화 기법을 결합한 하이브리드 머신러닝 모델로 분석하는 통합 프레임워크를 제안한다.

본 연구는 데이터의 신뢰성 확보와 예측 정확도 향상을 위해 3개의 층으로 구성된 정교한 통합 아키텍처를 설계했다.

블록체인 레이어 (데이터 신뢰 계층): 고객 만족도와 관련된 모든 데이터(예: 평점, 리뷰, 관련 거래 내역)가 트랜잭션 형태로 블록체인에 기록된다. 이 데이터는 위변조가 불가능하며 투명하게 관리되어, 분석의 기반이 되는 데이터의 신뢰성을 100% 보장한다.
하이브리드 AI 레이어 (예측 계층): 이 프레임워크의 핵심적인 기술 혁신 부분이다.
- MDNB-KNN (Multi-Dimensional Naive Bayes – K-Nearest Neighbor): 확률 기반의 나이브 베이즈 분류기와 거리 기반의 K-최근접 이웃 분류기의 장점을 결합한 새로운 하이브리드 분류기이다. 이를 통해 고객 만족도를 1차적으로 예측한다.
- MOL-PSOA (Multi-Objective Logistic Particle Swarm Optimization Algorithm): 입자 군집 최적화(PSO)라는 자연 모방 알고리즘을 개선한 다목적 최적화 알고리즘이다. 이 알고리즘은 MDNB-KNN 분류기의 내부 파라미터들을 최적의 값으로 미세 조정하여, 모델 전체의 예측 정확도를 극대화하는 역할을 한다.
회귀 분석 레이어 (보정 계층): 하이브리드 AI 모델이 내놓은 예측 결과를 회귀 분석을 통해 한 번 더 보정하여, 최종적인 오차를 최소화하고 예측의 정밀도를 높인다.

데이터 설명

이 연구는 특정 데이터를 분석하기보다, 제안하는 프레임워크를 검증하기 위해 공개된 표준 데이터셋을 활용한다.

출처: 논문에 구체적인 출처는 명시되지 않았지만, ‘공개 데이터셋(Public Datasets)’을 사용했다고 언급했다. 이는 제안한 하이브리드 알고리즘의 성능을 객관적으로 검증하기 위해, UCI 머신러닝 저장소 등에서 제공하는 표준 벤치마크 데이터셋을 활용했음을 의미한다.
수집 방법: 공개된 데이터셋을 다운로드하여 사용했다. 블록체인 활용은 제안하는 프레임워크의 개념적인 부분이며, 실제 실험에서 온체인 데이터를 직접 사용한 것은 아니다.
데이터 변수 설명: 고객 만족도 예측에 일반적으로 사용되는 벤치마크 데이터셋은 다음과 같은 변수들을 포함할 수 있다.
- 고객 프로필 변수 (Customer Profile): Customer_Type, Age, Gender 등 고객의 인구통계학적 정보.
- 서비스 이용 행태 변수 (Service Usage Behavior): Frequency_of_Purchase, Total_Spending, Last_Login_Date 등 고객의 행동 이력.
- 만족도 관련 변수 (Satisfaction-related Metrics): Survey_Rating, Number_of_Support_Tickets, Product_Return_History 등 만족도와 직접적으로 관련된 지표.

데이터 분석

제안된 하이브리드 AI 알고리즘(MDNB-KNN, MOL-PSOA)을 공개 데이터셋에 적용하고, 그 예측 정확도를 다른 여러 표준 머신러닝 알고리즘과 비교하여 성능의 우수성을 평가한다.

이 연구의 분석은 제안된 하이브리드 모델이 얼마나 뛰어난지를 증명하기 위한 성능 비교 대회(Bake-off) 형식으로 진행되었다. 연구진은 자신들이 개발한 새로운 알고리즘과, 이미 널리 알려진 여러 표준 머신러닝 알고리즘(예: 일반적인 K-NN, 나이브 베이즈, 서포트 벡터 머신 등)들을 동일한 데이터셋으로 학습시켰다.

그리고 각 모델이 얼마나 정확하게 고객 만족도를 예측하는지를 정확도(Accuracy), F1-Score 등 객관적인 평가 지표를 통해 측정하고 비교했다. 이러한 엄격한 비교 평가를 통해, 제안된 모델의 성능 향상이 우연이 아닌, 알고리즘의 구조적 우수성에서 비롯되었음을 입증하고자 했다.

핵심 결과

제안된 블록체인 기반 프레임워크와 하이브리드 AI 알고리즘은 기존 모델들보다 고객 만족도를 더 정확하게 예측했으며, 이는 데이터 신뢰성 확보와 고도화된 알고리즘의 결합이 매우 효과적임을 입증했다.

실험 결과, 연구진이 제안한 하이브리드 AI 모델은 비교 대상이 된 모든 표준 머신러닝 알고리즘보다 높은 예측 정확도를 보였다. 이는 여러 알고리즘의 장점을 창의적으로 결합하여 시너지를 창출하려는 접근 방식이 성공적이었음을 의미한다.

이러한 기술적 성능 우위는, 이 모델을 블록체인 기반의 신뢰도 높은 데이터 위에서 운영할 때 그 가치가 극대화될 수 있음을 시사한다. 즉, ‘깨끗한 데이터’라는 최고의 재료와 ‘독자적으로 개발한 고성능 레시피’가 만났을 때, 가장 정확하고 신뢰할 수 있는 예측 결과를 만들어낼 수 있다는 것이다. 이 연구는 이 두 가지 요소의 결합이 미래 예측 분석의 핵심이 될 것임을 강력하게 보여주었다.

시사점

데이터의 품질을 보장하는 블록체인 기술과, 데이터 속 패턴을 찾는 정교한 AI 알고리즘의 결합은 다양한 산업 분야에서 예측 분석의 새로운 표준이 될 수 있다.

이 연구는 ‘블록체인 + AI’라는 조합이 단순한 기술적 유행을 넘어, 실질적인 가치를 창출할 수 있는 강력한 패턴임을 다시 한번 확인시켜 준다. 이 시너지 효과는 비단 고객 만족도 분석에만 국한되지 않는다.

금융 분야에서는 사기 거래 탐지의 정확도를 높일 수 있고, 의료 분야에서는 환자의 진료 기록을 신뢰성 있게 분석하여 질병을 조기에 예측할 수 있으며, 물류 분야에서는 공급망 데이터를 투명하게 분석하여 수요 예측의 오차를 줄일 수 있다. 이처럼 데이터의 신뢰성과 예측의 정확성이 비즈니스의 성패를 좌우하는 모든 분야에서, 블록체인과 AI의 결합은 기존의 한계를 뛰어넘는 새로운 혁신의 표준으로 자리 잡을 가능성이 높다.

인사이트

진실된 데이터와 스마트한 알고리즘의 만남, 예측의 미래를 열다.

이 논문의 핵심 가치는 ‘신뢰할 수 있는 데이터’와 ‘창의적인 알고리즘’이라는 두 축이 만났을 때의 폭발적인 시너지를 보여준 데 있다. AI 빅데이터 마케터의 관점에서 이 철학을 Web3 CRM에 적용하면, 고객의 ‘만족도’와 ‘충성도’를 온체인 데이터로 추정하고, 이를 높이기 위한 정교한 전략을 설계할 수 있다.

고객 페르소나 예시 (Web3 관점): “프로토콜 로열리스트 (The Protocol Loyalist)”

행동 특성: 이 사용자의 지갑은 1년 전 Aave 프로토콜에 대량의 USDC를 예치한 후, 단 한 번도 원금을 인출하지 않았다. 그의 유일한 온체인 활동은 매달 꾸준히 발생하는 이자를 수령(Claim)하여 즉시 동일한 풀에 다시 예치(Re-staking)하는 것뿐이다. 또한, 그는 Aave의 모든 거버넌스 투표에 빠짐없이 참여한 기록을 가지고 있다.
해석: 이 사용자의 행동 패턴은 ‘높은 고객 만족도’와 ‘강력한 충성도’를 나타내는 매우 명확한 대리 지표(Proxy)이다. 그는 해당 프로토콜의 안정성과 수익률에 만족하고 있으며, 단순한 투자자를 넘어 생태계의 미래에 적극적으로 기여하는 ‘찐팬’이라고 할 수 있다.

실질적인 마케팅 액션 제안 (Web3 CRM)

충성도 등급 기반의 혜택 제공: 이 ‘로열리스트’ 페르소나 그룹에게 dApp 내에서 ‘다이아몬드 티어’와 같은 최상위 고객 등급을 부여한다. 그리고 이들에게는 거버넌스 투표 가중치 보너스나, 신규 기능에 대한 알파 테스트 우선 참여권과 같은 금전적 보상 이상의 ‘명예’와 ‘소속감’을 제공하여 충성도를 더욱 강화한다.
신뢰 기반의 교차 판매(Cross-selling) 전략: 이들이 Aave 프로토콜을 깊이 신뢰한다는 사실에 착안하여, Aave 팀이 새롭게 론칭하거나 공식적으로 파트너십을 맺은 다른 서비스(예: Lens Protocol, GHO 스테이블코인)를 우선적으로 추천한다. “Aave의 충성 고객이신 OOO님, Aave 생태계가 확장된 OOO 서비스를 가장 먼저 경험해보세요.” 와 같은 메시지는 높은 전환율을 기대할 수 있다.
핵심 고객 대상 FGI(Focus Group Interview) 진행: 프로토콜의 중요한 방향성을 결정해야 할 때, 이 ‘로열리스트’ 그룹만을 대상으로 비공개 온라인 간담회나 심층 설문조사를 진행한다. 이는 이들에게 VIP 대우를 해주는 동시에, 프로젝트의 미래에 대해 가장 깊이 고민하는 사용자들로부터 양질의 피드백을 얻을 수 있는 가장 효과적인 방법이다.