설문 다음에 왜 또 인터뷰를 잡게 되는가

점수는 있는데 이야기가 없다

제품 개선을 논의하는 회의에서 NPS 점수나 만족도 데이터를 펼쳐놓는 장면은 익숙하다. 숫자는 분명히 있다. 7점, 3점, 추천 의향 62%. 그런데 회의실에서 꼭 누군가는 이렇게 묻는다. "근데 왜 점수가 이렇게 나왔을까요?" 보통 그 질문에 설문 결과는 명쾌하게 답하지 못한다. 설문으로 '무슨 일이 일어났는지'는 알 수 있지만, '왜 그런지'는 알아보기 어렵다. 그래서 많은 팀은 설문 이후 별도의 인터뷰를 다시 진행한다.

왜 설문 다음에 또 인터뷰를 잡게 되는가

설문과 인터뷰는 원래부터 다른 도구다. 설문은 패턴을 확인하고, 인터뷰는 맥락을 이해한다. 둘 다 필요하지만, 현실에서는 따로 설계하고 따로 모집하고 따로 분석해야 했다.

그러나 이 구조는 노력이 많이 든다. 설문 응답자 중 인터뷰에 다시 응할 사람을 섭외하는 것도, 이미 설문에 답한 사람의 응답 동기를 다시 불러일으키는 것도, 두 데이터를 연결해서 해석하는 것도 모두 별도의 리소스가 필요하다. 그래서 많은 팀이 결국 "설문 결과만으로 가자"고 결정하거나, 반대로 "인터뷰만 하자"고 방향을 틀게 된다. 이 둘을 함께 쓰는 건 이상적이지만 현실적으로 어렵다는 전제가 오랫동안 당연하게 받아들여져 왔다.

척도 다음 질문 하나가 데이터를 바꾼다

AI 인터뷰어는 이 구조를 다르게 설계할 수 있게 한다.

"이 경험에 대해 전반적으로 얼마나 만족하셨나요?" 라는 척도 질문 바로 다음, AI 인터뷰어는 자연스럽게 묻는다. "3점을 주셨네요. 어떤 부분이 가장 아쉬우셨나요?" 응답자가 "배송이 너무 늦었어요"라고 답하면, 다시 "배송 외에 불편하셨던 점이 있었나요?"로 이어진다.

이건 단순히 open-ended 텍스트 박스를 추가한 것과 다르다. 응답 내용에 따라 다음 질문이 달라지는 적응형 흐름이다. 5점을 준 사람과 2점을 준 사람이 받는 후속 질문은 다르고, 불만의 이유로 '가격'을 언급한 사람과 '서비스'를 언급한 사람이 받는 탐색 질문도 달라진다. 응답자 입장에서는 자신의 상황에 맞는 대화를 하는 느낌이고, 리서처 입장에서는 맥락이 담긴 데이터를 받게 된다.

정성 응답을 다시 숫자로

여기서 한 가지가 더 있다. AI 인터뷰어로 수집한 정성 응답은 그 자체로 끝나지 않는다. 수십, 수백 명의 응답에서 반복적으로 등장하는 패턴을 구조화하고, "이 불만을 언급한 응답자가 몇 명인지"를 다시 수치로 볼 수 있게 된다.

정성 맥락을 정량화하는 것이 중요한 이유는 단순히 더 많은 인터뷰를 더 쉽고 빠르게 할 수 있어서가 아니다. 정성적 맥락을 일정한 기준으로 구조화하고, 반복적으로 등장하는 패턴을 정량화하며, 다시 그 수치 뒤에 있는 실제 응답과 경험으로 돌아갈 수 있기 때문이다.

"배송 지연"을 언급한 응답자가 전체의 43%이고, 그 중 58%가 만족도 2점 이하를 준 사람이라는 사실은, 단순한 만족도 평균과 전혀 다른 이야기를 한다. 그리고 그 수치를 클릭하면 실제 응답자가 뭐라고 말했는지 원문으로 돌아갈 수 있다. 이것이 "맥락이 있는 설문"이 만들어내는 데이터의 형태다.