인입 티켓 자동 분류 라우팅

많은 회사가 매일 아침 메일, 웹폼, 앱, 메신저로 들어오는 수백 건의 문의를 담당팀별로 직접 분류하는 데 업무 시작 후 1시간을 씁니다. LLM을 활용하면 이 작업을 0.5초 만에 처리하고, 분류 결과의 신뢰도 점수까지 함께 기록할 수 있습니다.

인입 티켓 자동 분류 라우팅은 LLM이 문의 본문과 첨부 파일, 계정 정보를 읽고 카테고리, 우선순위, 담당팀을 정해 헬프데스크에 자동으로 배정하는 구조입니다. 분류 신뢰도가 낮은 건만 담당자가 한 번 더 확인합니다.

티켓 분류 기준, 도구 구성, 도입 전 사내 준비 사항을 도입 판단에 필요한 범위에서 정리한 가이드입니다.

티켓 상태 전환

문의 인입부터 종료까지의 상태 전환을 정리하면 자동화를 적용할 지점을 파악할 수 있습니다. 첫 분기 기준은 분류 신뢰도입니다.

자동 분류 항목

LLM은 티켓 1건에서 보통 4종류의 라벨을 동시에 추출하며, 이 라벨로 티켓을 배정할 팀과 큐를 결정합니다.

카테고리는 결제, 배송, 계정, 기능 문의 같은 1차 분류입니다. 회사마다 10~30개로 구성합니다.

우선순위는 결제 실패나 서비스 다운 같은 P0부터 단순 문의 P3까지 보통 4단계로 구분합니다.

감정 강도는 욕설, 이탈 위협, 반복 문의 같은 부정 감정 신호가 임계치를 넘으면 우선순위를 자동으로 높입니다.

담당팀은 카테고리와 계약 등급, 언어를 결합해 결제팀, 기술팀, VIP 라인 중 하나로 정합니다.

도구 선택

도구 선택의 첫 기준은 헬프데스크 보유 여부입니다. 사내에 헬프데스크가 있다면 분류 모델만 추가하는 방식이 가장 빠르고, 헬프데스크가 없거나 자체 시스템을 쓴다면 워크플로우 도구로 직접 구성합니다.

옵션 A는 Zendesk나 Freshdesk 같은 SaaS의 네이티브 AI 분류 기능을 켜는 방식으로, 당일 파일럿이 가능합니다. 옵션 B는 자체 헬프데스크에 LLM과 n8n, LangGraph 같은 워크플로우 도구를 결합해 분류, 라우팅, 알림을 직접 구성합니다. 옵션 C는 데이터 외부 반출이 금지된 환경에서 sLLM을 사내에서 운영하는 구성입니다.

도입 전 준비 사항 5가지

분류 정확도의 절반은 사내 라벨 정리 수준에 따라 결정됩니다. 파일럿을 안정적으로 진행하려면 다음 5가지를 준비해야 합니다.

카테고리 트리는 10~30개의 1차 분류와 2차 세부 라벨로 구성합니다. 모호한 라벨은 통합하거나 삭제합니다.

과거 티켓 라벨은 최근 6개월치 1만 건 이상을 권장합니다. few-shot 프롬프트와 평가 데이터셋 작성에 사용합니다.

우선순위 정의는 P0부터 P3까지 각 단계의 기준 상황을 한 줄씩 문서로 정리합니다.

담당팀 매트릭스는 카테고리, 계약 등급, 언어 조합별로 배정할 큐를 표로 정리합니다.

에스컬레이션 규칙은 응답이 없을 때 몇 분 후 어느 큐로 넘길지를 코드로 정의합니다.

주요 실패 사례

가장 흔한 실패는 카테고리 트리를 지나치게 세분화하는 것입니다. 라벨 50개로 시작하면 담당자와 모델 모두 분류를 혼동합니다. 1차 분류는 10개 이내로 시작하고 2차 분류에서 세분화하는 것이 안정적입니다.

두 번째는 신뢰도 점수를 활용하지 않는 것입니다. 모든 티켓을 일괄 자동 라우팅하면 모호한 건이 다른 팀에 배정되어 응답 시간이 오히려 늘어납니다. 신뢰도가 임계치 미만인 티켓은 반드시 검토 큐로 보냅니다.

세 번째는 모델이 학습한 라벨과 현재 라벨이 달라지는 라벨 드리프트입니다. 분기마다 라벨 분포와 정확도를 점검하고 차이가 생긴 영역만 재학습합니다.

요약

인입 티켓 자동 분류 라우팅의 성과를 좌우하는 요소는 사내 라벨, 규칙, 검토 임계치 설계입니다. 첫 파일럿은 1차 라벨 10개, 임계치 0.7, 검토 큐 1개로 작게 시작하기를 권장합니다.

도입 첫 단계

사내에서 직접 시작하는 경우 카테고리 트리를 먼저 정리하고, 옵션 A의 헬프데스크 네이티브 기능을 켜는 순서가 가장 빠릅니다.