설문조사보다 고객을 더 잘 이해하는 나의 AI 리서치 방법

예전에는 고객 설문조사를 보내곤 했다. 오후 한나절을 들여 정성스럽게 질문을 작성하고, 구글 폼을 만들고, 이메일 리스트로 보내고, 일주일을 기다렸다. 돌아온 건 거의 쓸모없는 답변 23개.

"어떤 콘텐츠를 더 보고 싶으세요?" 모두가 "튜토리얼 더 많이요"라고 답한다. 어떤 구체적인 문제가 밤잠을 설치게 하는지는 아무도 말해주지 않는다.

"이 주제로 강의가 나오면 구매하시겠어요?" 모두가 그렇다고 한다. 실제로 사는 사람은 없다.

설문조사가 측정하는 건 사람들이 원한다고 착각하는 것이다. AI 리서치가 파내는 건 진짜 필요한 것이다. 내가 고객 리서치 방식을 어떻게 완전히 뒤집었는지, 그리고 그게 만드는 제품을 어떻게 바꿔놓았는지 풀어보겠다.

전통적인 리서치가 1인 크리에이터에게 실패하는 이유

대기업은 포커스 그룹을 운영하고, 리서치 회사를 고용하고, 수천 명의 사용자로 A/B 테스트를 할 여유가 있다. 1인 크리에이터에게는 그런 게 없다. 작은 청중, 제한된 예산, 그리고 다른 모든 일 위에 전문 리서처까지 될 시간이 없다.

그래서 두 가지에 의존하게 된다: 직감과 설문조사. 직감은 내가 곧 타깃 고객일 때 통한다. 내 경험과 다른 사람들에게 서비스를 제공하려는 순간 무너진다. 설문조사는 수천 명의 응답자가 있고 훈련된 리서처가 데이터를 분석할 때 효과가 있다. 23개 응답으로는 그냥 찻잎 점치는 거다.

청중이 말하는 것과 실제로 하는 것 사이의 격차는 어마어마하다. 설문조사에서 거짓말하는 게 아니다. 자기가 원한다고 말하는 걸 진심으로 원한다고 믿는다. 하지만 행동은 다른 이야기를 한다. 종합 강의를 원한다고 말하고는 퀵스타트 가이드를 산다. 가격은 상관없다고 말하고는 ₩69,000에서 결제를 포기한다.

AI가 인간 심리를 고치는 건 아니다. 하지만 1인 비즈니스에게 이전에는 불가능했던 규모로 행동을 분석할 도구를 준다.

내가 구축한 리서치 스택

내 고객 리서치 시스템은 4가지 구성요소로 이뤄져 있다. 그 어느 것도 사람들에게 뭘 원하냐고 묻는 걸 포함하지 않는다.

1. 커뮤니티 마이닝

매일 수천 명의 잠재 고객이 인터넷의 낯선 사람들에게 자신이 정확히 무엇으로 고민하는지 말하고 있다. 레딧 스레드, 페이스북 그룹, 트위터 리플, 포럼 토론, 제품 리뷰 섹션에 올리고 있다. 설문조사를 위해 꾸미는 게 아니다. 울분을 토하고, 도움을 구하고, 성공을 자축하고 있다. 진실은 거기에 있다.

문제는 규모다. 내 니치의 모든 레딧 스레드를 읽을 수는 없다. 하지만 AI는 수백 개의 대화를 처리하고 패턴으로 요약할 수 있다.

방법은 이렇다. 타깃 청중이 모이는 커뮤니티에서 포스트와 댓글을 수집한다. 그런 다음 AI에게 이 대화들을 분석해서 반복되는 고충, 사람들이 문제를 설명할 때 쓰는 언어, 시도해본 해결책과 그것이 실패한 이유, 불만 뒤에 숨은 감정적 뉘앙스를 추출해달라는 프롬프트를 사용한다.

결과물은 인간 분석가가 며칠 걸려 만들 리서치 브리프다. 나는 몇 분 만에 받는다.

지난달 이 프로세스가 설문조사에서는 절대 찾지 못했을 것을 밝혀냈다. 내 청중은 디지털 제품을 만드는 것 자체에 어려움을 겪는 게 아니었다. 바로 그 전 단계에서 막혀 있었다. 어떤 아이디어가 만들 가치가 있는지 판단하지 못하고 있었다. 이 인사이트가 제품 아이디어 검증에 관한 가장 인기 있는 블로그 글 중 하나로 직결됐다.

2. 리뷰 분석

디지털 제품을 팔고 있다면, 경쟁자들에게 리뷰가 있다. 아마존, 검로드, 엣시, 강의 플랫폼, 앱스토어. 이 리뷰들은 리서치 금광이다.

내 것과 비슷한 제품의 리뷰를 긍정적이든 부정적이든 모은다. 그런 다음 AI에게 구조화된 분석을 요청하는 프롬프트와 함께 넣는다. 5점 리뷰어들이 구체적으로 칭찬하는 것은? 1점 리뷰어들이 불만인 것은? 리뷰어들이 존재했으면 하는 기능은? 반복적으로 등장하는 단어와 문구는?

여기서 얻는 경쟁 인텔리전스는 놀라울 정도다. 경쟁 노션 템플릿의 리뷰 200개를 분석했더니, 1위 불만이 기능이나 디자인이 아니었다. 온보딩이었다. 사람들이 예쁜 템플릿을 사놓고 실제로 어떻게 쓰는지를 모르고 있었다. 그래서 내 노션 템플릿을 만들 때 시작 가이드와 영상 워크스루를 포함했다. 그 단 하나의 결정이 내 제품 리뷰에서 가장 많이 언급되는 긍정 포인트가 됐다.

3. 검색 의도 매핑

사람들이 검색하는 것은 달성하고 싶은 것을 드러낸다. AI를 활용해 씨앗 주제 하나를 가지고 관련 검색어, 질문, 콘텐츠 공백의 전체 지형을 매핑한다.

사용하는 프롬프트는 AI에게 인지 수준의 각 단계에 있는 잠재 고객처럼 생각하라고 요청한다. 자기에게 문제가 있는지도 모르는 사람은 솔루션을 비교하는 사람과 다르게 검색한다. 전체 인지 스펙트럼에 걸쳐 검색을 매핑하면 수요가 어디에 있고 기존 콘텐츠가 어디서 부족한지 보인다.

가격 전략 포스트의 주제를 이 방법으로 찾았다. 검색 데이터에서 "디지털 제품 가격 책정 방법"을 찾는 사람은 엄청 많은데, 가격 책정의 감정적 측면 ── 너무 많이 받을까 봐 두려운 마음, 너무 적게 받을 때의 죄책감 ── 을 다루는 콘텐츠는 거의 없었다. 이 공백이 그달 발행한 어떤 글보다 많은 트래픽을 끌어온 아티클이 됐다.

4. 청중 언어 추출

내가 사용하는 리서치 기법 중 가장 과소평가된 것이다. 고객은 자기 문제를 특정한 단어로 설명한다. 마케팅에서 다른 단어를 쓰면, 그들에게 보이지 않는다.

위 세 가지 방법에서 모은 모든 데이터를 가져다 마지막 분석을 한 번 돌린다. 이 프롬프트는 AI에게 청중이 사용하는 정확한 어휘를 추출하라고 요청한다. 마케팅 용어가 아니다. 업계 전문 용어가 아니다. 실제 사람들이 좌절하고, 흥분하고, 해결책을 찾을 때 타이핑하는 바로 그 단어들이다.

"콘텐츠 리퍼포싱 전략"과 "매번 처음부터 쓰는 거 어떻게 좀 안 됨?"의 차이는, 마케터처럼 들리느냐 진짜 이해하는 사람처럼 들리느냐의 차이다. 둘 다 같은 개념을 설명한다. 하나만 연결된다.

주제별로 정리한 청중 언어 문서를 계속 업데이트하고 있다. 세일즈 페이지, 이메일 시퀀스, 소셜 미디어 포스트를 쓸 때 이 문서에서 가져다 쓴다. 이걸 일관되게 하기 시작한 달부터 전환율이 눈에 띄게 올랐다.

내 비즈니스에서 달라진 것

AI 기반 리서치 전에는 추측하고 있었다. 나름 근거 있는 추측이었지만, 추측은 추측이다. 제품 아이디어를 떠올리고, 몇 주에 걸쳐 만들고, 런칭하고, 청중이 원하길 기도했다.

적중률은 대충 반타작도 안 됐다. 열 개 중 네 개가 그럭저럭 팔렸고, 나머지는 숍에서 조용히 먼지만 쌓았다.

AI 리서치를 제대로 하기 시작한 지 반년쯤 지나니, 적중률이 8할 정도까지 올랐다. 내가 갑자기 천재가 된 게 아니다. '아마 원하겠지'라는 추측으로 만드는 걸 그만두고, 데이터가 가리키는 실제 필요에 맞춰 만들기 시작한 것뿐이다.

구체적인 예를 하나 들겠다. "소셜 미디어 완전 정복 플레이북"을 만들 계획이었다. 모든 주요 플랫폼의 템플릿이 들어간 종합판. 리서치 결과 내 청중은 종합적인 걸 원하지 않았다. 구체적인 걸 원했다. 이번 주에 하나의 플랫폼에서 하나의 문제를 해결하고 싶어했다. 이 인사이트 덕분에 하나의 거대한 플레이북 대신 작고 집중된 프롬프트 팩을 만들었다. 작은 제품들이 큰 제품에 대해 예상했던 매출을 뛰어넘었다.

AI 리서치 시작하기

거창한 셋업은 필요 없다. 하나만 먼저 해보자. 커뮤니티 마이닝이 가장 쉬운 출발점이다. 데이터가 무료이고 누구나 접근 가능하니까.

타깃 청중이 활동하는 커뮤니티 3개를 고른다. 니치와 관련된 주제의 포스트와 댓글을 50~100개 수집한다. 간단한 분석 프롬프트와 함께 AI에 넣는다. 결과물을 읽고 예상치 못한 패턴을 찾는다.

마지막 부분이 핵심이다: 놀라운 것을 찾아야 한다. AI가 이미 믿고 있던 모든 것을 확인해줬다면, 가정이 완벽하거나 프롬프트를 다시 써야 한다. 좋은 리서치는 가정에 도전한다. 너무 가까이 있어서 볼 수 없었던 것을 보여준다.

Spark 프롬프트 팩에는 위에서 설명한 커뮤니티 마이닝, 리뷰 분석, 언어 추출 프롬프트를 포함한 고객 리서치 프롬프트 풀세트가 들어 있다. 하지만 솔직히 "이 대화들을 분석하고 반복되는 고충을 찾아줘"라는 기본적인 프롬프트만으로도 다음번 설문조사보다 훨씬 더 나은 결과를 얻을 수 있다.

청중에게 뭘 원하냐고 묻지 말라. 실제로 무엇을 하는지 관찰하기 시작하라. 데이터는 이미 밖에 있다. AI가 그걸 읽도록 도와주기만 하면 된다.