GPT 챗봇을 활용한 UX 리서치 데이터 접근성 및 활용도 향상 사례

핵심 기술: 본 콘텐츠는 크몽 UX Research팀에서 축적된 방대한 리서치 데이터를 GPT 챗봇을 통해 효율적으로 탐색하고 실무에 활용하기 위한 과정을 소개합니다. 특히 데이터의 정보 접근성을 높이기 위해 CSV, Word, Markdown 등 다양한 형식으로 데이터를 가공하고 GPT 챗봇에 학습시키는 실험 과정을 공유합니다.

기술적 세부사항:
* 문제 정의: 사내 위키에 문서 형태로만 존재하는 리서치 데이터의 낮은 접근성 및 활용도 문제를 해결하고자 함.
* 기존 기술 활용: UX Writing 챗봇 사례를 통해 GPT 챗봇의 데이터 학습 가능성 확인.
* 목표 설정: 질문 시 리서치 데이터를 조회하고 구조화된 형태로 응답하는 챗봇 구현.
* 이해관계자 요구사항 수집: 사업팀(고객 유형화, 맞춤형 전략), 브랜드팀(원문 인터뷰 내용 확인), 프로덕트팀(특정 페르소나 기반 응답) 등 다양한 직군의 니즈 파악.
* 데이터 학습 시도 및 결과:
* CSV 형식: '거짓말' 생성(hallucination) 및 응답 시간 지연 문제 발생.
* Word 형식: 데이터 누락(앞부분만 인식) 문제 발생.
* Markdown 형식: 계층적 구조(#, ##, ###) 활용 및 RAG(Retrieval-Augmented Generation) 방식에 유리한 chunking 및 indexing 구조 설계로 성공.
* 챗봇 고도화: 사용자 친화적인 이름('김크몽') 부여 및 역할 정의 (리서치 주제 조회, 인터뷰 내용 확인, 고객 유형 비교, 시안 기반 의견 제시 등).
* 활용 가이드 제공:** 다양한 직군별 효과적인 질문 방법 가이드라인 마련.

개발 임팩트:
* 리서치 데이터의 정보 접근성 및 활용도 극대화.
* UX 리서처의 업무 효율성 향상 및 데이터 기반 의사결정 지원.
* 팀 내 데이터 공유 및 협업 문화 증진.
* AI 기술을 활용한 사내 데이터 관리 및 탐색 시스템 구축 가능성 제시.

커뮤니티 반응: (원문 내 직접적인 외부 커뮤니티 반응 언급은 없으나, 내부 팀원들의 긍정적인 후기가 핵심 사용자 피드백으로 제시됨)
* 실사용 팀원들의 만족스러운 후기 (데이터 탐색 용이성, 의사결정 지원 등)를 통해 실질적인 효용성 검증.