S—REBORN · CRM AI LEARNING
페인 포인트(Pain Point)는 고객·직원·병원 운영에서 반복적으로 나타나는 어려움이나 손실의 원인입니다. 단순히 불편한 현상을 나열하는 것이 아니라 현상 → 원인 → 확인해야 할 사실 → 해결 가능한 행동으로 설명합니다.
PP02는 두 번째 페인 포인트 영역, PP02-04는 그 영역에 속한 네 번째 실습입니다. 번호는 학습 난이도나 우선순위를 뜻하지 않으며, 기존 A–H는 PP01–PP08, 추가 교육 영역은 PP09–PP16으로 정리했습니다. 추가 영역 PP09–PP16의 실습 링크에는 아직 이전 실습 코드(PP01–PP08)가 사용됩니다. 실습 내용은 보존되어 있으나 번호 변경은 진행 중이므로 링크의 이전 코드를 확인해 주세요.
실제 환자 자료를 외부 AI에 올리지 않고, 제공된 가상 자료로만 연습합니다. AI 답변은 원문과 비교해서 검증하고, 의료 판단은 의료진에게 인계합니다.
CRM이 제공하지 않는 질문은 어떻게 분석할까요?
CRM에는 정해진 보고서만 있어 원장이 알고 싶은 조합을 직접 확인하기 어렵습니다.
데이터는 있지만 필요한 경영 질문에는 답하지 못합니다.
기존 CRM 기능과 원장이 실제로 묻는 질문 사이의 차이를 정의하지 않았기 때문입니다.
질문을 구체적으로 명세하고 원본을 바꾸지 않는 읽기 전용 분석 구조를 설계합니다.
기존 데이터의 의미와 접근 권한, 실제 업무 적용은 병원에서 확인합니다.
CRM에 저장된 데이터를 실제로 꺼낼 수 있을까요?
화면에서는 자료가 보이지만 메뉴별 내보내기 방식과 필드 구성이 서로 다릅니다.
자료를 확보하지 못하면 AI 분석의 출발점부터 막힙니다.
추출 위치와 한 행의 의미, 필드 정의를 파악하지 못했기 때문입니다.
내보낸 가상 파일의 시트·열·행 단위를 확인하고 분석 가능한 표로 구조화합니다.
원본 보존과 실제 자료의 외부 전송 적법성은 별도로 확인합니다.
예약 전 고객 문의는 어디에 기록되나요?
전화·카카오톡·소셜 DM·예약 채널의 기록이 CRM과 분리되어 있습니다.
고객 여정과 문의 대비 예약 전환이 누락되거나 왜곡됩니다.
채널마다 식별자와 기록 기준이 다르고 연결 가능 여부가 불명확하기 때문입니다.
가상 접점 기록을 분류하고 연결 가능·불가·미확인을 구분합니다.
서로 다른 고객을 근거 없이 동일인으로 합치지 않습니다.
파일을 합친 숫자는 정확할까요?
중복된 ID·비어 있는 값·JOIN으로 불어난 행 때문에 합계가 달라집니다.
매출과 방문 지표가 잘못 집계되어 경영 판단에 영향을 줍니다.
기본 키와 결합 관계, 중복·결측 처리 규칙이 정의되지 않았기 때문입니다.
합성 자료에서 중복·결측·JOIN 증식을 탐지하고 독립적으로 검산합니다.
결합 전후 행 수와 실제 원장을 담당자가 확인합니다.
같은 숫자를 모두 같은 뜻으로 사용하나요?
신규 고객·재방문·선수납·매출이라는 말의 계산 기준이 담당자마다 다릅니다.
같은 자료에서도 서로 다른 KPI와 결론이 나옵니다.
분모·기간·환불·선수납 기준을 정의한 지표 사전이 없기 때문입니다.
합성 데이터로 KPI 정의 사전과 계산 예제를 만듭니다.
실제 회계 및 경영 지표 정의는 병원 책임자가 승인합니다.
AI 분석을 누가 지속해서 반복할까요?
원장이 한 번 분석한 뒤에는 실행 담당자와 검수 방식이 정해지지 않습니다.
반복 실행과 업무 인계가 끊기며 분석 결과가 운영으로 이어지지 않습니다.
SOP, 담당, 검수, 인수인계 절차가 빠져 있기 때문입니다.
반복 분석 업무의 체크리스트와 역할별 SOP 초안을 만듭니다.
운영 규정과 결과 승인 책임자는 병원이 지정합니다.
CRM 데이터를 외부 AI에 입력해도 될까요?
실제 상담·진료·수납 자료를 그대로 외부 서비스에 업로드하려는 상황이 생깁니다.
민감정보 노출과 법적·계약상 위험으로 이어질 수 있습니다.
처리 목적·적법성·서비스 조건·최소화·승인 기준이 확인되지 않았기 때문입니다.
가상 자료로 안전성 검토 체크리스트와 정보 최소화 절차를 연습합니다.
실제 환자 자료를 실습에 업로드하지 않고 적법성 판단은 담당자가 수행합니다.
분석 결과는 어떤 행동으로 이어질까요?
정확한 보고서를 만들어도 다음 행동과 후속 측정이 정해지지 않습니다.
데이터 분석이 보고서에서 끝나고 경영 개선으로 연결되지 않습니다.
판단 기준·책임자·실행 일정·피드백 루프를 정의하지 않았기 때문입니다.
가상 사례의 분석 질문을 실행 가설·책임자·측정 지표로 연결합니다.
실제 시술·인사·재무 결정은 책임자가 검토하고 승인합니다.
고객이 원하는 것을 충분히 확인했는가?
상담 기록이 길지만 고객의 가장 큰 고민, 기대 효과, 실제 결정 여부를 한눈에 알기 어렵습니다.
담당자가 바뀔 때 같은 질문을 반복하고, 확인되지 않은 의향을 확정된 선택으로 오해할 수 있습니다.
상담 중 드러나는 관심사·의학적 질문·개인 선호·시술 동의를 한 문장으로 혼합해 기록하기 때문입니다.
긴 가상 상담에서 사실·희망·질문·미확인을 나누고 다음 상담 질문을 초안으로 만듭니다.
의료 적합성 판단, 개인정보 접근 범위, 실제 동의와 시술 결정은 의료진과 고객이 확인합니다.
문의, 예약, 결제를 같은 단계로 취급하지 않는가?
카카오톡 문의가 예약으로 잘못 분류되거나, 예약금 입금 예정이 결제 완료로 기록됩니다.
예약 공백·중복 예약·고객 의사와 다른 후속 연락으로 이어질 수 있습니다.
문의 접수, 시간 확정, 방문, 결제 등 상태와 그 근거가 구분되지 않았기 때문입니다.
가상 대화에서 문의·미결정·확정·취소를 분류하고 미확인 상태 및 후속 질문을 제안합니다.
예약 변경·취소 결정, 고객 연락 거절과 마케팅 수신 동의의 준수는 담당자가 확인합니다.
불편감의 진술과 의학적 판단을 혼동하지 않는가?
시술 후 불편감, 복용약, 알레르기, 증상 시작 시점이 불완전하게 기록되기 쉽습니다.
중요한 정보가 의료진에게 누락되거나, 의료적으로 긴급한 상황에 대응이 지연될 수 있습니다.
환자 진술, 관찰 내용, 확인된 의료 사실, 추측이 혼합되기 때문입니다.
가상 사례의 증상·시간·미확인 정보를 구조화하고 의료진 인계에 필요한 질문을 제안합니다.
진단, 중증도 판단, 시술 여부, 응급 대응은 AI가 결정하지 않습니다. 호흡곤란 등 응급 신호는 즉시 적절한 의료 대응이 우선입니다.
개인 실수보다 업무 흐름 자체의 병목을 찾았는가?
상담 메모 재작성, 반복 질문, 직원별 다른 안내문 사용과 인계 누락이 발생합니다.
반복 작업이 늘고 교육 품질이 달라지며 상담·예약 과정의 오류 가능성이 커집니다.
업무 책임자·완료 기준·승인된 안내문 버전·측정 지표가 정리되지 않았기 때문입니다.
반복 업무를 분류하고 체크리스트 초안, 책임 구분, 측정 항목과 개선 실험을 제안합니다.
업무 규정 승인, 의료 설명 검토, 직원 교육과 변경 관리 책임은 조직에 남아 있습니다.
숫자의 정의와 분모를 확인한 뒤 결론을 내리는가?
매출, 결제, 환불, 방문, 고유 고객 수, 전환율이 하나의 숫자처럼 비교됩니다.
중복 결제나 결측값 때문에 KPI가 왜곡되고 잘못된 경영 결정을 내릴 수 있습니다.
데이터 한 행의 의미, 고유 ID, 계산 기간, 환불 처리 기준 및 결측값 규칙이 명시되지 않았기 때문입니다.
합성 자료에서 집계 기준과 데이터 품질 문제를 찾고 검산할 질문을 제시합니다.
회계 기준 확정, 실제 원장·결제 정보 검산, 투자·마케팅 의사결정은 사람이 맡습니다.
상담이 끝난 뒤 고객은 다음에 무엇을 해야 하는지 알고 있는가?
설명 자료를 보내도 실제 이해 여부는 알지 못하거나, 사후관리 안내 기록이 빠지고 미결정 고객에게 불필요한 연락이 예정됩니다.
고객은 다시 질문해야 하고, 다음 방문 준비가 혼란스러워질 수 있습니다. 지나친 재접촉은 신뢰를 해칠 수 있습니다.
안내 전송·이해 확인·재문의·재방문 관심·예약 확정을 하나의 상태로 다루기 때문입니다.
가상 여정 기록에서 안내 누락이나 미확인 상태를 표시하고, 이해도 확인 질문과 담당자 검토 목록을 정리합니다.
연락 동의·시술 후 개인별 의학적 안내·실제 고객 발송 여부는 담당자가 확인하고 승인합니다.
정보를 보유하고 있다는 이유만으로 공유하거나 활용해도 되는가?
진료 촬영 동의를 홍보 활용과 혼동하거나, 상담 메모가 전 직원에게 공개되고, 이름을 지운 자료를 익명이라고 잘못 판단할 수 있습니다.
민감정보가 불필요하게 노출되거나 고객의 동의 범위를 벗어난 사용이 일어날 수 있습니다.
정보 수집 목적, 목적별 동의, 보유 기간, 접근 권한, 직접·간접 식별 가능성을 분리하지 않기 때문입니다.
합성 데이터로 정보 최소화·승인 체크리스트·접근 권한 점검 항목을 만드는 연습을 합니다.
실제 환자 자료의 외부 AI 업로드는 이 실습에서 금지합니다. 적법한 처리와 동의 여부는 담당자가 제도와 정책에 따라 검토해야 합니다.
AI가 그럴듯하게 답했을 때 무엇으로 정확성을 검증할 것인가?
AI가 원문에 없는 결정을 추가하거나 프롬프트 수정 후 결측값을 임의 보정하고, 미검토 메시지가 자동 전송될 수 있습니다.
허위 정보가 기록에 반영되거나 자동화 오류가 반복·확산될 수 있습니다.
출처 연결, 합성 테스트셋, 검토·승인 단계, 감사 로그 및 실패 시 중단 규칙이 부족하기 때문입니다.
가상 원문과 모델 출력을 대조하고 오류 유형·재현 조건·테스트 케이스·중단 기준을 체계화합니다.
의료·고객 커뮤니케이션·경영상 중요한 결정과 실제 발송은 담당자가 최종 승인합니다.