고객 사례

클래스101의 데이터 기반 CX 의사결정

Deskroom

05 2월 2025 • 13 min read

클래스101의 데스크룸 도입 사례

회사 소개

클래스101은 ‘모두가 사랑하는 일을 하며 살 수 있도록’이라는 비전을 바탕으로 2018년에 설립된 준비물까지 챙겨주는 온라인 클래스 플랫폼입니다. 이름에 담긴 ‘101’은 대학 개론 강의를 의미하며, 배움의 시작을 상징합니다.

현재 클래스101은 취미, 재테크, 직무교육, 키즈 클래스 등 다양한 카테고리의 6,000여 개 클래스와 13만 명 이상의 크리에이터가 함께하며, 누적 회원 수 430만 명을 기록 중입니다. 수강생 만족도는 98%에 달할 정도로 높은 평가를 받고 있습니다. 또한, 클래스101은 국내를 넘어 북미, 유럽, 동남아시아, 일본 등 전 세계 120개국에 서비스를 제공하며 글로벌 플랫폼으로 성장하고 있습니다. 클래스101은 누구나 원하는 시간과 장소에서 배울 수 있는 환경을 제공하며, 새로운 배움의 시작을 만들어가고 있습니다.

고객의 목소리와 VOC (Voice of Customer)를 기반으로 고객이 더 만족할 수 있는 제품을 만들고, 고객 경험(CX)을 한층 더 고도화하기 위해 우리는 데이터 기반 의사결정을 지원하는 데스크룸을 도입했습니다.

데스크룸 도입 계기

클래스101 CX팀이 기존에 고객 경험을 진단하고 제품에 반영하는 과정에서 세 가지 주요 어려움이 있었습니다.

1. 제품 개선 우선순위 설정의 어려움

클래스101은 400만 명의 클래스메이트와 13만 명의 크리에이터가 이용하는 대규모 플랫폼입니다. 이로 인해 방대한 VOC 데이터를 한곳에 모으고, 고객 경험의 이슈를 지표로 정확히 파악하기 어려웠습니다. 상담원이 VOC 데이터를 태그로 분류하는 과정에서 많은 시간이 소요되었고, 휴먼 에러로 인해 데이터 품질 문제가 발생하기도 했습니다. 이러한 이유로 대량의 VOC 데이터를 제품 개선과 운영 효율화로 바로 연결하기 어려웠습니다.

2. 고객 경험 개선 여부의 판단 어려움

새로운 제품과 기능을 배포한 후 VOC가 줄어들었는지, 고객 경험이 실제로 개선되었는지 확인하기 어려웠습니다. VOC 데이터를 통해 정성적으로는 변화를 감지할 수 있었지만, 개선 결과를 정량적으로 몇 % 줄었는지, 고객이 개선된 기능을 제대로 활용하고 있는지 파악하기 어려웠습니다.

3. 고객센터 생산성 관리의 어려움

클래스101은 고객에게 신속하고 정확한 상담을 제공하기 위해 외주 고객센터를 운영하고 있습니다. 그러나 외부 운영 특성상 상담원의 생산성을 효과적으로 모니터링하기 어려웠습니다. 어떤 상담원이 특정 문의를 처리하는 데 시간이 많이 걸리는지, 고객 응대가 전반적으로 적시에 이루어지고 있는지를 수치로 진단하기 힘들었습니다. 이로 인해 상담원을 위한 추가 교육 제공이나 시스템 개선 같은 의사결정을 체계적으로 내리기 어려웠습니다.

클래스101은 위 3가지 문제를 해결하기 위해 데스크룸을 도입했습니다.

데스크룸 도입 후 변화

1. 제품 개선 우선순위 설정의 어려움 → VOC 기반의 제품 개선 우선순위 설정

데스크룸의 AI를 활용해 대량의 VOC 데이터를 자동으로 분류하면서, 다양한 고객과 기능별 문의를 수치적으로 파악할 수 있게 되었습니다. 강성 문의는 별도로 분류해 브랜드 평판을 관리하며, 상담원이 수작업으로 태그를 붙이던 방식보다 더 정교하고 정확한 분석이 가능해졌습니다. 이를 통해 VOC 데이터를 기반으로 고객 경험 문제를 정량적으로 분석하고, 해결이 시급한 과제를 우선적으로 설정할 수 있었습니다.

2. 고객 경험 개선 여부의 판단 어려움 → 지표 기반의 제품 성공 여부 의사결정

새로운 기능 출시 후, 해당 기능으로 타겟했던 VOC가 실제로 감소했는지 지속적으로 모니터링할 수 있게 되었습니다. 이를 통해 고객 경험 개선 여부를 정량적으로 판단하고, 추가적으로 발생한 이슈를 빠르게 식별하며, 다음 제품 개선 과제를 효과적으로 설정할 수 있었습니다. 이러한 과정이 반복적으로 이루어지면서 지속적인 고객 경험 개선이 가능해졌습니다.

3. 고객센터 생산성 관리의 어려움 → 수치 기반의 고객센터 생산성 모니터링

데스크룸의 생산성 지표를 통해 고객센터 상담원의 성과를 정량적으로 파악할 수 있었습니다. 고성과자와 저성과자를 구분하고, 특정 유형의 문의에서 시간이 오래 걸리는 상담원을 식별해 필요한 교육을 제공하거나 시스템 개선을 진행했습니다. 또한, 상담센터에서 발생하는 이상 현상(스파이크)을 즉시 감지하고 대응함으로써 생산성을 안정적으로 유지할 수 있었습니다.

데이터 기반 CX 의사결정 사례

1. VOC 분석 기능을 활용한 환불 User Flow 개선

클래스101은 데스크룸의 VOC 분석 기능을 활용하여 고객센터로 접수되는 문의 유형을 분석했습니다. 분석 결과, 전체 문의 중 환불 관련 문의가 상당한 비중을 차지하고 있었습니다.

고객 유형: 일반 고객
서비스/기능 유형: 결제
질문 유형: 환불 방법 문의

“고객센터에 가장 많이 인입되는 VOC를 확인해보니, 환불 관련 문의의 비중이 제일 높았습니다. 특히, 고객들이 환불 절차를 어려워한다는 공통적인 패턴을 발견할 수 있었습니다. 여러 채널에서 유입되는 데이터를 통합 분석한 결과, 환불 절차의 개선이 필요하다는 점이 명확해졌습니다.”

이러한 데이터를 기반으로, 클래스101은 제품 및 개발팀과 협업하여 환불 프로세스 개선을 추진했습니다. VOC 데이터를 통해 환불 문의가 전체 고객센터 문의량에서 차지하는 비율, 상담 리소스 소모량 등을 수치화하여 개선 필요성을 명확히 전달할 수 있었습니다. 그 결과, 보다 직관적인 환불 기능을 새롭게 도입하게 되었습니다.

여기에서 끝내지 않고, VOC 분석 대시보드를 활용해 개선된 기능이 실제로 효과를 내고 있는지 지속적으로 모니터링했습니다. 그 결과, 환불 프로세스 개선 후 환불 관련 VOC가 50% 이상 감소했으며, 이는 일시적인 변화가 아니라 지속적인 감소세로 이어졌습니다. 클래스101은 이후에도 환불 외에 반복적으로 발생하는 VOC를 분석하여 하나씩 개선하고 있으며, 데이터 기반의 의사결정을 통해 고객 경험을 지속적으로 향상시키고 있습니다.

2. 키워드 기능을 활용한 이벤트 관련 문의 분석

클래스101은 다양한 크리에이터들과 협업하며, 고객들에게 양질의 학습 경험을 제공합니다. 하지만 특정 크리에이터의 이벤트를 진행할 때마다 해당 크리에이터와 관련된 문의가 증가하는 문제가 있었습니다.

“이전에는 특정 크리에이터의 이벤트가 열릴 때마다 관련된 문의가 얼마나 발생하는지 파악하기 어려웠습니다. 특히, 고객들이 크리에이터의 별명이나 줄임말을 사용해 문의하는 경우가 많아, 상담원이 일일이 내용을 확인해야 하는 비효율적인 상황이 반복됐습니다.”

클래스101은 데스크룸의 키워드 분석 기능을 활용해 특정 크리에이터의 이름, 별명, 클래스명, 줄임말 등을 키워드로 등록한 후, 관련 VOC를 실시간으로 모니터링할 수 있도록 개선했습니다.

이를 통해 특정 이벤트와 관련된 문의가 얼마나 증가했는지, 주요 문의 유형이 무엇인지 빠르게 파악할 수 있었습니다. 기존에는 상담원이 모든 상담 내역을 하나씩 검토해야 했지만, 키워드 분석 기능 도입 후에는 몇 번의 클릭만으로 관련 데이터를 확인하고 신속한 의사결정을 내릴 수 있게 되었습니다.

현재 클래스101은 6,000여 개의 클래스와 13만 명 이상의 크리에이터와 함께하고 있습니다. 데스크룸의 키워드 분석 기능을 적극 활용해 각 클래스 및 크리에이터별 문의 패턴을 분석하고, 고객이 혼란을 겪지 않도록 신속하게 대응하며 지속적인 서비스 개선을 이어가고 있습니다.