CRM 자동화: 입력·정리·리드 스코어링을 AI에게

이전 챕터 '콜드메일·아웃리치 시퀀스 설계: AI 카피와 개인화'에서 메일을 보내는 데까지 왔습니다. 문제는 그다음입니다. 답장이 오고, 미팅이 잡히고, 딜이 움직이기 시작하면 이 모든 상태를 어딘가에 적어 둬야 합니다. 그 어딘가가 스프레드시트나 머릿속이면 리드는 새어 나가기 쉽습니다. CRM은 이 상태를 담는 그릇이고, AI 자동화는 그 그릇을 사람이 손으로 채우지 않게 만드는 일입니다. 그런데 순서를 틀리면 비싼 AI를 깔고도 성과가 잘 안 납니다. 이게 실전에서 자주 막히는 지점입니다.

1인·소규모 팀을 위한 CRM 고르기

도구부터 정하고 시작하는 게 자연스럽습니다. 규모가 작을수록 무료 플랜 유무와 학습곡선이 선택을 좌우하는 경우가 많습니다. 아래는 소규모 팀 관점의 비교입니다.

무료 플랜과 AI 기능 대비

무료 플랜에 걸리는 사용자 수, 통화 시간, 워크플로 개수 같은 한도는 제품과 플랜에 따라 다르게 묶여 있습니다. "무료니까 통화도 워크플로도 다 된다"고 뭉뚱그리면 실제 계약에서 어긋납니다. 각 항목이 어느 플랜에 포함되는지는 공식 요금표에서 항목별로 확인하는 편이 안전합니다. 가격도 제품·플랜·결제주기·좌석 최소 조건·온보딩 비용에 따라 폭이 크므로, 한 줄짜리 가격 범위로 판단하기보다 계약 전 현재 요금표를 직접 대조하시길 권합니다.

선택은 지금 규모에 맞춘다

Salesforce는 확장성이 크지만 복잡성과 가격 때문에 1인·소규모 팀에서는 우선순위가 낮다는 평가가 많습니다. 무료로 시작해 데이터를 쌓고 싶으면 HubSpot이나 Zoho, 파이프라인 관리 자체가 급하면 Pipedrive가 현실적인 출발점이 됩니다. 어느 쪽이든 지금 팀 규모에서 실제로 쓸 기능만 기준으로 삼는 게 낫습니다.

데이터 위생부터 잡는다

CRM은 넣은 만큼만 돌려줍니다. AI를 붙이기 전에 데이터가 깨끗해야 하는 이유입니다.

중복 병합과 필드 표준화

중복 레코드는 스코어링과 집계를 모두 오염시킵니다. HubSpot은 개별 수동 병합과 함께 일부 유료 플랜에서 중복 탐지·관리 기능을 제공하며, 일괄 처리 한도는 플랜과 화면에 따라 다르니 실제 계정에서 확인해야 합니다. Salesforce는 Matching Rules로 판단 기준을, Duplicate Rules로 경고·차단 조치를 나눠 겁니다. 병합은 대개 되돌리기 어려우니 신중해야 합니다.

필드는 자유 입력을 줄이는 게 핵심입니다. 업종·리드소스·라이프사이클 단계처럼 값이 정해진 필드는 드롭다운(피크리스트)으로 강제하고, 담당자가 임의로 값을 추가하지 못하게 막습니다. 피크리스트 값은 상호배타적이게, 관리 가능한 개수 안에서 유지하기를 권합니다. 값이 너무 많아지면 담당자마다 다른 칸을 골라 결국 집계가 흩어집니다.

자동 입력과 stale 관리

손 입력을 줄이는 최선은 자동 로깅입니다. Salesforce Einstein Activity Capture는 Gmail·O365를 연동해 이메일·캘린더를 자동으로 캡처하고, Pipedrive의 Email Sync는 발신·수신 메일을 연락처와 딜에 자동 매칭합니다. HubSpot도 이메일 로깅·추적과 통화 자동 로깅을 제공하는데, 이 둘은 서로 다른 기능이고 각각 지원되는 플랜이 다릅니다. 이메일 로깅·추적은 브라우저 확장이나 연결된 받은편지함을 통해 비교적 낮은 등급에서도 쓸 수 있는 경우가 있으니, 두 기능을 나눠서 현재 지원 플랜을 각각 확인하시길 권합니다.

오래된 레코드도 관리 대상입니다. 얼마나 지나야 stale로 볼지는 자사 평균 세일즈 사이클을 기준으로 정합니다. 예를 들어 사이클이 짧은 단기 영업이라면 90일 무활동을 기준으로 삼는 식입니다. 업종·상품에 따라 반년 이상 잠복하는 딜이 정상인 경우도 있으니 보편 임계값을 그대로 가져다 쓰면 멀쩡한 딜을 죽은 것으로 오해합니다. stale로 판정되더라도 완전 삭제보다 아카이빙·비활성 처리로 활동 이력을 보존하는 편이 낫습니다. 월간으로 필드 누락률·중복률·노후도를 지표로 찍어 두면 데이터 품질이 눈에 보입니다.

CRM 도입에서는 기술 자체보다 사용자 채택과 프로세스 정착이 주요 실패 요인으로 자주 지적됩니다. 아무리 좋은 AI를 붙여도 담당자가 데이터를 안 넣으면 그릇은 빕니다.

파이프라인 단계는 구매자 행동으로 정의한다

단계를 잘못 짜면 딜이 어디서 막히는지 보이지 않습니다.

관찰 가능한 기준으로

소규모 팀에서는 관리 편의를 위해 5~7개 정도로 시작하는 경우가 많지만, 정답이 정해져 있지는 않습니다. 자사 세일즈 과정에서 실제로 구분되는 국면 수에 맞춰 조정합니다. HubSpot과 Pipedrive 모두 예시 기본 단계를 제공하지만, 단계명과 각 단계 확률은 제품 버전·계정 설정·번역에 따라 달라지고 계정에서 사용자 정의할 수 있습니다. 초기값을 고정 규칙으로 받아들이기보다 출발점으로 보시길 권합니다. Pipedrive는 단계명을 과거형으로 써 '완료된 사실'을 표현하도록 권합니다.

단계는 영업사원의 활동이 아니라 관찰 가능한 구매자 행동으로 정의합니다. '전화함'이 아니라 '데모 일정 잡힘'처럼요. 전환 기준(exit criteria)은 단계당 몇 개로, 이분법으로 감사 가능하게 두는 편이 좋습니다. "이 조건을 충족했나 아닌가"로 답할 수 있어야 다음 단계로의 이동이 사람마다 흔들리지 않습니다.

전환 자동화

단계 변경은 자동화의 트리거입니다. HubSpot Workflows, Salesforce Flow, Pipedrive Automations 모두 '단계 변경 → 태스크 생성·알림·필드 업데이트'를 자동으로 걸 수 있습니다. 특정 단계에 오래 머문 딜을 자동 플래그하는 것도 흔한 규칙입니다. 어디서 딜이 늘어지는지 사람이 매번 들여다보지 않아도 시스템이 먼저 알려 주게 만드는 것이 목적입니다.

리드 스코어링: 규칙기반에서 예측으로

데이터가 정돈되면 그제야 스코어링이 의미를 가집니다.

규칙기반 vs 예측 AI

규칙기반은 사람이 기준과 가중치를 직접 정합니다. 투명하지만 시장 변화에 자동으로 갱신되지 않습니다. 예측 AI는 과거 성사·실패 데이터를 이용해 확률로 점수를 매기는데, 모델을 다시 학습·갱신하는 방식과 주기는 제품마다 다릅니다. 모든 예측 모델이 실시간으로 자동 재학습하는 것은 아니므로, 갱신 주기는 쓰는 제품의 문서로 확인해야 합니다. Salesforce Einstein은 점수를 부여하는 제품군을 제공하며, 적용 제품·에디션과 데이터 요건은 공식 문서로 확인하시길 권합니다. 실무 권장은 하이브리드입니다. 규칙기반으로 1차 필터링한 뒤 예측 모델로 순위를 매깁니다.

쓰는 신호와 임계값

부정 신호는 보편 규칙으로 못 박기 어렵습니다. 예를 들어 채용페이지 반복 방문은 구직 목적일 수도 있지만 회사가 커지는 성장 신호일 수도 있습니다. 그래서 부정 신호는 남의 목록을 베끼기보다 자사 전환 데이터에서 실제로 성사와 반대로 움직인 행동을 골라 넣는 편이 정확합니다.

MQL(마케팅 자격 리드) 임계값은 과거 전환 분포와 영업 수용률을 기준으로 초기값을 설정하고, 일정 기간 실제 결과와 대조해 조정합니다. 처음부터 완벽한 컷을 잡으려 하기보다, 초기 임계값을 걸어 두고 실측으로 보정하는 순서가 현실적입니다. HubSpot은 Positive/Negative 기준을 수동 등록하는 방식이고, Einstein은 ML이 가중치를 자동 학습합니다.

도입 순서와 흔한 실수

데이터 먼저, AI는 나중

리드 스코어링이 어긋나는 원인은 배점 오류보다 순서 오류인 경우가 많습니다. 정제 전에 AI를 도입하고, 영업팀을 참여시키지 않고, 출시 후 보정하지 않는 것이 대표적입니다. 권장 순서는 명확합니다.

① 데이터 위생(중복 제거·필수 필드 정비) → ② 목표 지표 정의(성사처럼 너무 느린 지표 대신 SQL 전환 같은 선행 지표) → ③ 스코어링·요약 AI 도입.

스코어링 모델을 학습시키려면 최소한의 데이터가 필요합니다. 다만 필요한 전환·비전환 건수, 기간, 리드 수 같은 요건은 제품·기능·에디션마다 다르고, 리드 수 외에 전환 건수 같은 조건이 함께 붙기도 합니다. 특정 기능의 최소 데이터 요건은 벤더 공식 문서에서 해당 기능명으로 확인하는 편이 안전합니다.

피해야 할 세 가지

첫째, 과도한 필드입니다. 입력 부담이 커지면 담당자가 CRM 자체를 회피합니다. 둘째, 미채택입니다. 필드가 비면 스코어링도 요약도 쓰레기를 냅니다. 셋째, 쓰레기 데이터입니다. Gartner가 인용한 추정치로는 열악한 데이터 품질의 평균 연간 비용이 조직당 상당한 규모로 언급되는데, 정확한 수치·표본은 원 조사에 따라 다르니 인용 시 출처를 확인하시길 권합니다. 요지는 데이터 품질이 곧 비용이라는 점입니다. 넣을 필드를 줄이고, 자동 입력을 켜고, 정기적으로 청소하는 게 스코어링 정확도보다 먼저입니다.

CRM 자동화의 성패는 도구보다 순서에서 갈립니다. 데이터를 정돈하고 파이프라인 단계를 구매자 행동으로 정의한 다음에야 AI 스코어링과 요약이 제 값을 합니다. 각 도구의 조합은 모켓 꿀조합에서 자신의 상황에 맞게 골라 쓰면 됩니다.

다음 챕터에서는 '세일즈 코파일럿: 통화 요약·다음 액션·코칭'을 다룹니다. 정돈된 CRM 위에서 통화 하나하나를 AI가 요약하고 다음 행동까지 제안하게 만드는 방법을 살펴보겠습니다.