AWS Agent AI Bedrock를 활용한 판매 및 고객 상호작용 채널 강화

서론: 오늘날 경쟁이 치열한 소매 환경에서 기업들은 운영 효율성을 높이고 우수한 고객 경험을 제공해야 하는 압박을 받고 있습니다. 일본 제품 유통을 전문으로 하는 한 베트남 소매 회사가 그 대표적인 사례입니다. 이 회사는 40개 이상의 소매 매장과 Shopee, Facebook, TikTok과 같은 플랫폼을 통해 온라인 입지를 확장하고 있습니다. 이 회사는 판매 채널을 강화하고 고객 상호작용을 자동화하기를 원했습니다. furuCRM Inc.와 협력하여 AWS Agent AI Bedrock를 활용한 AI 기반 솔루션을 구현함으로써 고객 서비스와 주문 관리를 혁신하려고 했습니다.

문제점:

회사의 현재 생태계는 다음과 같은 다양한 시스템으로 구성되어 있습니다:

ERP (Microsoft Dynamic Navision): 제품, 가격, 주문을 관리하는 데 사용됩니다.
POS (LS Retail): 오프라인 판매를 처리합니다.
창고 관리 (SmartLog): 재고를 관리합니다.
그룹웨어 (Lark): 내부 커뮤니케이션 및 파일 공유를 지원합니다.

또한 회사는 자체 앱, 웹사이트 및 Shopee, TikTok과 같은 인기 플랫폼을 포함한 여러 온라인 판매 채널을 운영하고 있습니다. 이러한 다양한 시스템을 관리하는 복잡성에 성장하는 고객 기반이 더해져 간소화되고 자동화된 솔루션이 필요하게 되었습니다.

주요 문제점은 다음과 같습니다:

수작업 주문 처리: 고객 주문은 수작업으로 처리해야 했으며, 거래를 완료하기 전에 직원이 고객과 세부 사항을 확인해야 했습니다.
제한된 통합: 시스템은 채팅 상호작용 중 실시간 재고 확인이나 고객 데이터 검색을 허용하지 않는 방식으로 통합되었습니다.
일관되지 않은 고객 서비스: Zalo, Messenger와 같은 여러 커뮤니케이션 채널을 통해 지원 직원의 업무 부담을 줄이는 동시에 고객 서비스를 표준화하고 개선해야 했습니다.

솔루션: AWS Agent AI Bedrock

AWS Agent AI Bedrock을 활용하여 회사는 고객 상호작용을 자동화하고 개선하고자 했습니다. AWS Bedrock은 유연하고 AI 기반의 챗봇을 구축할 수 있는 기반을 제공하여 고객과 상호작용하고, 제품 관련 질문에 답변하며, 주문을 용이하게 처리할 수 있게 했습니다. 솔루션 구현 방법은 다음과 같습니다:

1. 자동화된 주문 처리 및 챗봇 통합:

첫 번째 사용 사례는 주문 프로세스를 자동화하는 것이었습니다. 고객은 Messenger 및 Zalo와 같은 플랫폼의 챗봇을 통해 제품 가용성, 가격 및 프로모션에 대해 문의할 수 있었습니다. 챗봇은 ERP 시스템에서 실시간 데이터를 검색하여 재고 및 가격에 대한 정확한 정보를 보장했습니다. 고객은 제품 이름, 수량 및 선호하는 배송 시간을 제공하여 주문을 완료할 수 있었습니다.

고객이 오후 10시 이전 배송을 요청하면 챗봇은 해당 매장에 알림을 보내 주문을 이행하도록 했습니다. 오후 10시 이후 배송의 경우 챗봇은 회사 정책에 따라 배송 시간을 조정했습니다. 이 시스템은 또한 주문 상태를 추적하고 직원이 보류 중인 배송을 팔로업할 수 있도록 보고서를 생성했습니다.

2. 데이터 학습 및 맞춤형 메시지:

챗봇은 이전 상호작용에서 학습하여 재방문 고객에게 맞춤형 메시지를 제공했습니다. ERP 시스템과 통합하여 고객이 이전에 회사에서 구매했는지 여부를 전화번호나 Messenger ID와 같은 정보를 사용하여 식별할 수 있었습니다. 이를 통해 챗봇은 고객의 주문 이력과 선호도에 따라 맞춤형 추천을 제공할 수 있었습니다.

3. 멀티 채널 통합:

AWS 솔루션은 회사의 웹사이트, Zalo, Messenger를 포함한 여러 커뮤니케이션 플랫폼에 통합되었습니다. 고객은 선호하는 플랫폼에서 챗봇과 상호작용할 수 있었으며, 모든 입력은 AWS Lambda를 통해 지원되는 통합 인터페이스로 전달되었습니다. 이를 통해 챗봇이 기본적인 문의와 주문을 처리하면서 고객 서비스 담당자의 업무량을 줄였습니다.

4. 지식 저장소 및 실시간 검색:

챗봇의 정확성을 높이기 위해 회사는 Amazon Kendra와 OpenSearch를 사용하여 제품 FAQ, 교육 문서 및 기타 관련 정보를 포함하는 지식 기반을 구축했습니다. 이를 통해 챗봇은 ERP 시스템에 저장된 데이터를 넘어서는 더 복잡한 질문에 답할 수 있었습니다. 지식 기반은 새로운 제품 정보와 고객 상호작용으로 지속적으로 업데이트되어 챗봇 응답이 항상 최신 상태를 유지하도록 했습니다.

5. 불만 처리 및 고객 서비스:

제품에 대한 불만(예: 손상된 상품, 잘못된 상품 수령)이 있는 경우 챗봇은 주문 이력을 불러와 불만 해결 프로세스를 시작할 수 있었습니다. 더 복잡한 문제의 경우 챗봇은 고객을 전담 지원 라인으로 리디렉션하여 적시에 지원을 받을 수 있도록 했습니다.

아키텍처 개요:

이 솔루션의 아키텍처는 제공된 다이어그램(첨부 이미지를 참조)에서 볼 수 있습니다. 이 시스템은 챗봇용 Amazon Lex, 비즈니스 로직 실행용 AWS Lambda 및 제품 관련 쿼리를 처리하기 위한 Amazon Bedrock과 같은 다양한 AWS 서비스를 통합합니다. 클라이언트의 데이터베이스는 PostgreSQL을 통해 연결되며 벡터 검색 지원으로 효율적인 검색 기능을 제공합니다. 또한 Amazon Kendra와 OpenSearch에 저장된 지식 기반은 시스템이 고객의 상세 문의에 신속하고 정확하게 답할 수 있도록 보장합니다.

결과:

AWS Agent AI Bedrock을 통해 회사는 다음과 같은 주요 개선 사항을 경험했습니다:

효율성: 챗봇이 많은 일상적인 고객 문의와 주문 처리를 자동화하여 수작업 개입의 필요성을 줄였습니다. 이를 통해 회사는 온라인 문의를 관리하는 고객 서비스 담당자의 수를 줄일 수 있었습니다.
고객 만족도: AI 기반 시스템은 고객에게 시기 적절하고 정확한 정보를 제공하여 전반적인 쇼핑 경험을 향상시켰습니다.
확장성: AWS 솔루션은 매우 확장 가능하며 회사가 운영을 확장함에 따라 다양한 플랫폼에서 증가하는 고객 상호작용을 처리할 수 있습니다.

결론:

AWS Agent AI Bedrock은 소매 회사의 고객 상호작용을 자동화하고 최적화하는 강력한 솔루션을 제공했습니다. ERP 및 챗봇을 포함한 여러 시스템을 통합함으로써 회사는 고객 문의에 더 빠르고 정확한 응답을 제공하는 동시에 주문 프로세스를 간소화할 수 있게 되었습니다. 이 구현은 디지털 혁신 여정에서 중요한 도약을 나타내며, 변화하는 고객의 요구와 경쟁적인 소매 환경에 발맞출 수 있도록 했습니다.