인물
100일간 트위터에서 진행된 ‘고객사랑법’ 지상중계!
세상 사람들을 내 고객으로 만들고, 한 번 구매한 사람에게 두 번 판매하고, 일반고객을 단골로, 나아가 충성고객으로 만드는 것은 모든 비즈니스맨이 열망하는 바다. 문제는 방법. ‘광고는 죽었다’는 선언이 내려진 지 오래고, 새로운 채널들은 하루가 멀다 하고 등장해 좇아가기도 벅찰 정도다. 과연 우리는 어떻게 가망고객을 충성고객으로 바꿀 수 있을까?
그 와중에 등장한 유력한 대안 중 하나가 바로 CRM이다. 데이터를 기반으로 기업이 놓치지 말아야 할 고객을 선별하고 그들과의 관계를 향상시키도록 도와주는 이 기법은 국내의 수많은 기업에서 앞 다퉈 도입한 바 있다. 그러나 그중 70%는 실패. 고객과의 ‘관계향상’보다 ‘매출증대’에만 집착한 결과, 엄청난 비용을 들여 시스템을 도입하고 나서도 정작 고객과의 관계를 돈독히 하는 데는 실패한 것이다.
일련의 거품이 가라앉은 후 많은 기업들이 이전보다 한층 진지한 자세로 CRM에 다시 접근하기 시작했다. 고객에게 더 많은 혜택과 감동을 줌으로써 관계를 강화하는 본연의 취지를 살린 마케팅 방법론도 많이 실행되고 있다. 그러나 한편에서는 CRM의 구체적 방법론을 몰라 고전하는 이들이 여전히 적지 않다. 국내 성공사례는 알려진 것이 많지 않고, 번역서는 딱딱한 이론 중심이어서 실전에서 도움을 얻기가 마땅찮기 때문.
이 책은 그런 이들을 위해 만들어졌다. KAIST 정보미디어 경영대학원장인 김영걸 교수는 자타가 공인하는 대한민국 최고의 CRM 전문가. 그가 가르치는 CRM 강의는 KAIST MBA에서 가장 악명 높은 과목 중 하나이자, 졸업한 선배들이 후배에게 가장 많이 추천하는 과목이기도 하다. 이 책은 김영걸 교수가 일반인을 대상으로 트위터에서 진행한 CRM 강의를 옮긴 것이다. 2010년 6월 5일부터 100일간 진행된 이 강의는 ‘세계 최초의 트위터 강의’이자 국내 최고 권위를 자랑하는 KAIST MBA의 CRM 강의를 일반인들에게 공개하는 것으로서 의미가 크다.
최고의 이론가와 최고의 실행가들이 만났다!
생생한 현장사례로 풀어보는 CRM 전략과 전술
이 책의 가장 큰 미덕은 생생한 현장성에 있다. ‘애견병원의 고객은 개인가, 영희인가, 영희 아빠인가?’ ‘항공사 마일리지와 OK캐시백의 장단점을 비교하라’ ‘단골과 충성고객의 차이는?’과 같이 현장의 마케터들이 고민하는 실제 사례들을 통해 CRM의 핵심개념과 원칙을 설파한 것. 질문을 하고 수강생들이 답변하는 과정에서 스스로 해답을 깨닫게 한 것은 소크라테스의 산파술을 그대로 닮았다.
저자의 노력이 결실을 맺은 것인지, 대부분의 질문에서 수강생들은 자신의 경험과 지식을 총동원하여 답을 찾아나갔다. 때로는 CRM 전문가들도 갑론을박하는 논점을 현장의 시각으로 냉철히 파헤친 대목을 보면 수강생들의 노하우가 만만치 않다는 것을 알 수 있다. 실제로 이 강의에 참여한 이들은 정용진 신세계 부회장을 비롯, 티켓링크 대표, 오라클 CRM 솔루션 담당 상무, 매일유업 CRM 부문장, LG전자 CRM 담당 과장, 이마트 고객기획팀장, CJ오쇼핑 고객인사이트 팀장 등 국내 유수 기업들의 고객관리·마케팅 전문가들로 이루어져 있다.
따라서 이 책은 국내 최고의 이론가가 풀어낸 CRM 강의이자, 국내 최고의 CRM 실행가들이 자신의 노하우를 공유하는 장이기도 하다. 김밥집에서 대기업까지, 자신의 비즈니스에서 고객과의 관계를 좀 더 굳건히 하고자 하는 이들에게 이 책은 가장 명쾌한 교과서이자 가장 현실적인 지침서가 될 것이다.
-
연구 AI로 기후리스크에 강한 도시 상권 찾아낸다
우리 대학은 도시인공지능연구소(소장 건설및 환경공학과 윤윤진 지정석좌교수)가 미국 MIT 센서블 시티 랩(Senseable City Lab, 소장 Carlo Ratti 교수)과 함께 ‘도시와 인공지능(Urban AI)’분야의 공동연구를 진행하고, 그 성과를 서울 코엑스에서 열린 9월 말 ‘스마트라이프위크 2025(Smart Life Week 2025)’ 전시를 통해 공개했다고 10월 29일 밝혔다. KAIST와 MIT는 도시의 주요 문제를 인공지능으로 해석하는‘Urban AI 공동연구 프로그램’을 추진해 왔으며, 이번 전시에서는 ▲도시 기후 변화 ▲녹지 환경 ▲데이터 포용성 등 세 가지 주제를 중심으로 연구 성과를 시민이 직접 체험할 수 있는 형태로 선보였다. 양 기관은 이번 협력을 통해 AI 기술이 도시의 문제를 계산하는 도구를 넘어, 사회적 이해와 공감을 이끄는 새로운 지능으로 확장될 수 있음을 보여주며 ▲도
2025-10-29 -
연구 신소재 공학 연구의 새로운 언어가 된‘AI’를 말하다
AI가 스스로 새로운 소재의 구조와 성질을 상상하고 예측하는 시대가 열렸다. 이제 AI는 연구자의 ‘두 번째 두뇌’처럼 아이디어 발굴부터 실험 검증까지 연구 전 과정을 함께 수행한다. 우리 대학과 국제 공동 연구진은 AI가 자율 연구실(Self-driving Lab) 개념을 구현하고, 로봇이 촉매 합성 실험을 수행하는 ‘AI 기반 촉매 탐색 플랫폼’을 통해 신소재 연구의 전 주기 활용 전략을 제시했다. 우리 대학은 신소재공학과 홍승범 교수 연구팀이 미국 드렉셀대학교, 노스웨스턴대학교, 시카고대학교, 테네시대학교와 공동연구를 통해 인공지능(AI)·머신러닝(ML)·딥러닝(DL) 기술이 신소재공학 전반에 미치는 영향을 종합적으로 분석한 리뷰 논문을 국제 학술지 ACS Nano(영향력지수 IF=18.7)에 8월 5일자로 게재했다고 26일 밝혔다. 홍승범 교수 연구팀은 소재 연구를 ‘발견–개발&n
2025-10-27 -
연구 개인정보 공유 없이 병원·은행에서도 통하는 연합학습 AI 개발
환자 진료기록이나 금융 데이터처럼 개인정보를 한곳에 모으기 어려운 문제를 해결하기 위해 ‘연합학습(Federated Learning)’이 고안됐다. 하지만 공동으로 학습한 AI를 각 기관이 자신의 환경에 맞게 최적화하는 과정에서, AI가 특정 기관 데이터에만 과도하게 적응해 새로운 데이터에는 취약해지는 한계가 있었다. 우리 대학 연구진은 이를 해결할 방법을 제시했으며, 병원·은행 같은 보안 분야는 물론, 소셜미디어·온라인 쇼핑처럼 변화가 잦은 환경에서도 안정적인 성능을 확인했다. 우리 대학은 산업및시스템공학과 박찬영 교수 연구팀이 연합학습의 고질적인 성능 저하 문제를 해결하고, AI 모델의 일반화(Generalization) 성능을 크게 향상시키는 새로운 학습 방법을 개발했다고 15일 밝혔다. 연합학습은 여러 기관이 데이터를 직접 주고받지 않고도 공동으로 AI를 학습할 수 있는 방식이다. 그러나 이렇게 완성된 공동 AI 모델을 각
2025-10-15 -
연구 사람처럼 텍스트·이미지 등 동시에 이해하는 멀티모달 AI 개발
보통 그림과 글자가 함께 있을 때 사람의 시선이 그림에 먼저 가는 것처럼, 여러 감각을 동시에 활용하는 ‘멀티모달 인공지능’도 특정 데이터에 더 크게 의존하는 경향이 있다. 우리 대학 연구진은 이러한 상황에서도 그림과 글자를 모두 고르게 인식하여 훨씬 더 정확한 예측을 가능케 하는 멀티모달 인공지능 학습 기술을 개발했다. 우리 대학은 전기및전자공학부 황의종 교수 연구팀이 다양한 데이터 유형을 한 번에 처리해야 하는 멀티모달 인공지능이 모든 데이터를 고르게 활용할 수 있도록 돕는 새로운 학습 데이터 증강 기술을 개발했다고 14일 밝혔다. 멀티모달 인공지능은 텍스트, 영상 등 여러 데이터를 동시에 활용해 판단하고 있다. 하지만 인공지능은 여러 정보를 받아들일 때, 한쪽 데이터에 치우쳐 판단하는 경향을 보여 예측 성능이 떨어지는 문제가 있었다. 연구팀은 이 문제를 해결하기 위해, 일부러 서로 어울리지 않는 데이터를 섞어서 학습에 사용했다. 그러면 인공지능은
2025-10-14 -
연구 이태원 참사 예방 AI 군중밀집 예측 기술 나왔다
이태원 참사와 같은 다중밀집사고를 예방하려면 단순 인원수 파악을 넘어 인파의 유입·이동 경로를 실시간으로 감지하는 기술이 필요하다. 우리 대학 연구진이 군중 밀집 예측 신기술을 개발하는 데 성공했다. 이제 대규모 인파가 모이는 축제·행사, 도심 교통 혼잡 완화뿐 아니라 감염병 확산 대응 등에도 활용될 수 있다. 우리 대학 전산학부 이재길 교수 연구팀이 군중 밀집 상황을 더 정확하게 예측할 수 있는 새로운 인공지능 기술을 개발했다고 17일 밝혔다. 군중이 모이는 양상은 단순히 인원수 증감으로만 설명되지 않는다. 같은 인원이라도 어디서 유입되고 어느 방향으로 빠져나가는지에 따라 위험 수준이 달라진다. 이재길 교수팀은 이러한 움직임을 ‘시간에 따라 변하는 그래프(time-varying graph)’라는 개념으로 표현했다. 즉, 특정 지역에 몇 명이 있는지(정점 정보)와 지역 간 인구 흐름이 어떤지(간선 정보)를 동시에 분석해야만 정
2025-09-17