세일즈를 위한 AI: 활용 사례와 에이전트, 그리고 필수 데이터 파운데이션

Salesforce의 2026년 State of Sales 조사에 따르면, 영업팀 10곳 중 9곳이 이미 AI 에이전트를 사용하고 있거나 향후 2년 내 도입할 예정입니다. 그러나 에이전트가 접하게 될 데이터는 아직 더 큰 운영 역할을 맡을 준비가 되어 있지 않을 수 있습니다. 유효성(Validity)이 CRM 사용자와 이해관계자 602명을 대상으로 실시한 2025년 설문 조사에서 응답자의 76%는 조직의 CRM 데이터 중 정확하고 완전한 데이터가 절반에도 미치지 못한다고 답했습니다. 또한 37%는 낮은 데이터 품질로 인해 직접적인 매출 손실을 경험했다고 밝혔습니다.

이러한 결과는 AI에 대한 포부와 이를 뒷받침할 정보 사이의 불일치가 갈수록 커지고 있음을 보여줍니다. 영업 담당자와 관리자가 계정 및 거래 맥락에 관한 실무 지식으로 수동 워크플로우를 보완한다면, 불완전한 CRM 데이터의 영향은 제한적일 수 있습니다. 하지만 AI가 더 많은 영업 업무를 맡게 되면 기록되지 않은 지식에 의존할 수 없습니다. 시스템의 정보 공백은 어떤 계정에 우선순위를 둘지, 아웃리치 메시지를 어떻게 구성할지, 영업 기회를 올바르게 분류할지, 매출 책임자가 어느 정도의 매출 달성을 기대할 수 있을지에 영향을 미칩니다.

AI는 대화, 참여도, 제품 활동, 상업적 진행 상황을 비롯해 계정이나 거래 이면의 컨텍스트를 영업팀이 더 폭넓게 해석하도록 지원합니다. 또한 콘텐츠를 준비하고 시스템을 업데이트하며 매출 프로세스 전반의 업무를 조율할 수 있습니다. 결과의 품질은 기초 데이터가 연결되어 있고 최신 상태를 유지하며 거버넌스가 적용되어 있는지, 그리고 시스템이 데이터를 적절히 활용할 만큼 충분한 비즈니스 컨텍스트를 갖추고 있는지에 달려 있습니다.

세일즈 AI는 예측형 AI, 생성형 AI, 에이전틱 시스템을 활용해 영업 데이터를 해석하고 의사 결정을 지원하며 매출 워크플로우 전반의 업무를 수행하는 방식입니다.

• 예측형 AI는 향후 발생 가능성을 추정합니다. 계정, 활동, 영업 기회 데이터의 패턴을 분석해 리드를 평가하고 전환 가능성을 추정하며 거래 위험을 식별하고 매출을 예측합니다.
• 생성형 AI는 영업 컨텍스트를 가치 있는 자료로 전환합니다. 제공된 정보와 지침을 바탕으로 계정 조사, 개인화된 아웃리치, 대화 요약, 제안서, 코칭 피드백 등 다양한 콘텐츠를 생성합니다.
• 에이전틱 AI는 여러 단계로 구성된 업무를 조율합니다. 정보를 검색하고 승인된 도구 중 적합한 도구를 선택한 뒤, 애플리케이션이 설정한 권한과 운영 한도 내에서 영업 업무를 이어갑니다.

이러한 역량은 대개 유기적으로 결합되어 작동합니다. 예측 모델이 전환 가능성이 높은 계정을 식별하면, 생성형 시스템은 해당 계정의 산업, 최근 활동, 과거 상호 작용을 바탕으로 조사 자료와 첫 메시지를 준비할 수 있습니다. 이후 에이전트는 승인된 아웃리치를 기록하고 응답을 모니터링하며 다음으로 허용된 작업을 조율할 수 있습니다.

Anomalo의 Jonathan Karon이 Snowflake에서 자동화된 데이터 품질 관리를 구현하는 방법을 설명하는 영상을 시청해 보세요.

잠재 고객 발굴은 지금 어떤 계정과 구매자에게 영업 담당자의 역량을 집중할지 결정하는 자원 배분에서 시작됩니다. AI는 수동으로 관리하는 리드 목록이나 정적인 스코어링 모델보다 더 광범위하고 최신성이 높은 신호를 활용해 이러한 의사 결정을 지원합니다.

예측 모델은 계정 특성, 마케팅 참여도, 제품 활동, 이전 상호 작용, 과거 영업 성과에서 나타나는 패턴을 평가합니다. 새로운 활동 신호가 들어오면 계정의 최신 행동을 반영해 점수를 조정할 수 있습니다.

AI는 잠재 고객 발굴과 아웃리치의 여러 영역을 지원합니다.

• 리드 및 계정 스코어링: 리드나 계정이 정해진 기간 안에 적격 판정을 받거나 전환 또는 다음 단계로 진전될 가능성을 예측합니다.
• 구매 신호 감지: 참여도, 제품 활동, 조직 특성 또는 기타 승인된 데이터에서 의미 있는 변화를 포착합니다.
• 계정 조사: 내부 기록과 허용된 외부 소스에서 관련 정보를 수집하고 요약합니다.
• 구매 그룹 분석: 담당자, 역할, 상호작용을 연결해 구매 결정에 영향을 미칠 수 있는 인물을 영업 담당자가 파악하도록 지원합니다.
• 아웃리치 준비: 계정의 상황, 이전 상호작용, 커뮤니케이션 목적을 바탕으로 메시지 초안을 작성합니다.
• 최적의 다음 행동 추천: 계정의 스테이지와 최근 활동, 적용 가능한 영업 규칙을 기준으로 실행 가능한 행동의 우선순위를 정합니다.

이러한 활용 분야는 모두 최신 정보가 유기적으로 연결된 계정 컨텍스트를 필요로 합니다. 신호가 불완전하거나 오래됐거나 잘못된 계정에 연결되면 워크플로우가 엉뚱한 잠재 고객을 우선시하고 관심도를 잘못 해석하거나 상황에 맞지 않는 행동을 추천할 수 있습니다. 또한 잠재 고객 발굴에 사용할 수 있는 정보의 범위를 명확히 정의해야 합니다.

영업 기회가 활성화되면 영업 활동에서 지속적인 정보 스트림이 생성됩니다. 구매자는 질문하고 이의를 제기하며 새로운 이해관계자를 참여시키고, 요구 사항을 수정하거나 이행 사항을 약속합니다. 영업 담당자는 제품 정보와 가격, 일정, 후속 조치로 대응합니다. 이러한 맥락의 상당 부분은 회의와 메시지에서 드러나지만, 대개 CRM 시스템에 즉시 반영되지 않습니다.

AI는 이러한 상호작용을 더 완전하고 즉시 활용 가능한 영업 기회 이력으로 전환할 수 있습니다.

• 회의 준비: 통화 전에 계정과 영업 기회, 최근 활동, 미해결 질문, 이전 합의 사항을 요약합니다.
• 실시간 지원: 대화가 진행되는 동안 승인된 제품, 가격, 보안 또는 경쟁 정보를 검색합니다.
• 대화 요약: 통화나 회의에서 논의된 주요 주제와 구매자의 요구 사항, 이의, 결정 사항, 다음 단계를 정리합니다.
• 후속 조치 요약: 논의 내용과 각 참여자가 합의한 실행 사항을 반영해 고객용 메시지를 작성합니다.
• 제안서 및 견적서 준비: 승인된 제품, 가격, 계정 정보를 활용해 초기 자료를 구성합니다.
• 영업 기회 업데이트: 최근 상호작용에서 확인된 근거를 바탕으로 CRM 필드 변경 사항을 제안합니다.
• 영업 코칭: 관리자와 영업 담당자가 함께 검토할 수 있도록 여러 대화에서 나타나는 패턴을 파악합니다.

이러한 기능을 함께 활용하면 대화와 시스템, 사람 사이에서 유실되는 딜의 맥락을 최소화할 수 있습니다. 회의에서 얻은 정보는 후속 조치에 반영되고 영업 기회 레코드를 업데이트하며, 다음 상호작용을 준비하고 관리자에게 딜 진행 상황에 대한 최신 시각을 제공합니다. 여러 이해관계자가 참여하고 상호작용 사이에 수주가 걸릴 수 있는 복잡한 영업 사이클에서는 이러한 연속성이 특히 중요합니다.

파이프라인 보고서에는 각 영업 기회에 기록된 금액, 스테이지, 성사 확률, 예상 종료일, 예측 카테고리가 반영됩니다. AI는 이러한 필드를 최근 활동, 이해관계자 참여, 제품 사용 현황, 제안서 상태, 계약 진행 상황, 유사한 영업 기회의 과거 전개 방식 등 더 폭넓은 근거와 비교할 수 있습니다.

주요 활용 분야는 다음과 같습니다.

• 영업 기회 스코어링: 거래가 성사되거나 정의된 다른 결과에 도달할 확률을 추정합니다.
• 거래 리스크 감지: 정체된 활동, 지연되는 일정, 누락된 이해관계자 등 성과 저하와 연관된 패턴을 식별합니다.
• 성사 예정일 예측: 진행 상황과 현재 확보된 근거를 바탕으로 기회가 성사될 시점을 예측합니다.
• 파이프라인 점검: 기록된 스테이지나 예측 카테고리가 실제 관찰된 활동과 일치하지 않는 기회를 찾아냅니다.
• 커버리지 분석: 확보된 파이프라인을 매출 목표, 전환 패턴, 영업 기간의 남은 시간과 비교합니다.
• 시나리오 계획: 전환율, 거래 시점, 처리 역량, 파이프라인 생성의 변화가 예상 매출에 어떤 영향을 미치는지 모델링합니다.
• 매출 예측: 파이프라인, 과거 실적, 관련 재무 데이터를 활용해 향후 수주액 또는 매출을 추정합니다.
• 예측 근거 설명: 어떤 기회와 신호가 예측 결과나 변화에 가장 크게 기여했는지 보여줍니다.

예측 정확도는 영업, 재무, 매출 운영 조직 전반에서 일관된 비즈니스 정의를 사용하는지에 따라 달라집니다. 파이프라인 금액, 스테이지, 성사 예정일, 예측 카테고리는 CRM에서 표준화된 것처럼 보일 수 있지만, 실제로는 지역이나 제품, 관리자에 따라 다르게 적용되는 경우가 많습니다.

따라서 예측에 사용하는 필드와 결과에 대해 거버넌스가 적용된 정의를 마련하고, 해당 정의가 변경된 시점을 기록해 두어야 합니다. 훈련 데이터와 모델 출력, 예측 보고서는 모두 동일한 시맨틱 컨텍스트를 사용해야 합니다. 그래야 예측이 애초에 추정하도록 설계된 비즈니스 성과를 기준으로 평가될 수 있습니다.

전통적인 영업 자동화는 사전에 정의된 조건에 따라 특정 작업을 실행합니다. 예를 들어 워크플로우가 담당 지역에 따라 리드를 배정하거나, 기회에 최근 활동이 없을 때 작업을 생성할 수 있습니다. 이러한 시스템은 반복 가능한 프로세스에는 효과적이지만, 적절한 조치가 여러 다른 요인에 따라 달라지는 상황에는 유연하게 대응하기 어렵습니다.

AI 에이전트는 여러 시스템과 단계에 걸쳐 영업 업무를 수행하면서, 새로운 계정·기회·구매자 정보가 확보되는 대로 수행 방식을 조정할 수 있습니다. 예를 들어 기회가 정체되었을 때 적절한 대응은 그동안 어떤 일이 있었는지에 따라 달라집니다. 구매자가 보안 관련 답변을 기다리고 있을 수도 있고, 의사 결정권자가 논의에서 이탈했을 수도 있으며, 제안서의 유효 기간이 만료되었거나 단순히 CRM 레코드가 최신 상태가 아닐 수도 있습니다. 에이전트는 이러한 컨텍스트를 활용해 누락된 정보를 조회할지, 후속 커뮤니케이션을 준비할지, 기회를 업데이트할지, 아니면 담당자에게 이슈를 전달할지 판단할 수 있습니다.

영업 에이전트가 지원할 수 있는 업무는 다음과 같습니다.

• 잠재 고객 검증: 계정을 조사하고 승인된 기준에 따라 평가한 뒤, 검토에 필요한 근거 자료를 준비합니다.
• 회의 준비: 계정 이력, 최근 활동, 기회 현황, 미해결 질문을 취합합니다.
• 후속 조치 조율: 미팅 후 요약을 작성하고 담당자별 작업을 생성하며, 승인된 기회 필드를 업데이트합니다.
• 파이프라인 유지 보수: 불완전하거나 일관되지 않은 레코드를 찾아 수정을 요청하거나 제안합니다.
• 거래 점검: 파이프라인 검토에 앞서 활동, 이해관계자 참여도, 미이행 약속, 상업적 진행 상황을 확인합니다.
• 갱신 및 확장 워크플로우: 계정 신호를 모니터링하고 관련 기회를 파악하며, 승인된 고객 접점 활동을 조율합니다.
• 넥스트 베스트 액션 워크플로우: 계정의 현재 컨텍스트를 활용해 허용된 조치를 추천하거나 직접 수행합니다.
• 예측 검토 준비: 중대한 변화를 조사하고, 관리자가 이를 평가하는 데 필요한 근거를 취합합니다.

영업팀은 이러한 기능을 다양한 자율성 수준에서 활용할 수 있습니다. 코파일럿은 인터랙티브 작업을 제한적인 범위에서 지원합니다. 예를 들어 영업 담당자가 계정 요약을 요청한 뒤, 그 결과를 직접 검토하고 다음 단계를 결정하는 방식입니다.

에이전트는 승인된 도구를 사용해 정보를 조회하고 시스템을 업데이트하며, 작업을 생성하거나 승인을 위해 업무를 전달하는 등 워크플로우의 더 많은 부분에서 직접 조치를 수행할 수 있습니다. 시스템이 더 많은 업무를 담당하게 되면, 검토 없이 수행할 수 있는 작업과 사람의 승인이 필요한 지점을 명확히 정의해야 합니다.

영업 애플리케이션에서 AI가 사용하는 레코드는 워크플로우 전반에서 서로 연결된 상태를 유지하고 일관된 비즈니스 의미를 보존해야 합니다. 신뢰할 수 있고 책임 있는 AI 시스템을 구축하려면 데이터 액세스, 고객 대상 설명, 에이전트가 수행할 수 있는 작업의 범위를 명확히 제한해야 합니다.

Snowflake의 제품 부문 VP인 Baris Gultekin은 다음과 같이 강조합니다. “AI 에이전트는 기존 자동화나 챗봇에서 크게 도약한 기술입니다. 하지만 이를 대규모로 배포하려면 AI에 최적화된 정보 생태계가 필요합니다.”

계정, 활동 및 매출 데이터 연결

영업 의사 결정에는 CRM 레코드, 마케팅 참여 데이터, 영업 활동, 회의 녹취록, 제품 사용 현황, 고객 지원 상호작용, 견적서, 계약서, 재무 시스템 등 다양한 정보가 활용됩니다. 각 소스에는 상업적 관계의 일부가 담겨 있으며, 서로 다른 식별자와 갱신 주기를 사용하는 경우가 많습니다.

연결된 계정 이력은 모델과 애플리케이션이 활동을 올바른 고객, 담당자, 영업 기회 또는 구매 그룹과 일관되게 연결할 수 있도록 합니다. 이러한 연결이 없으면 애플리케이션이 진행 중인 고객 지원 문제를 고려하지 않은 채 계정을 평가하거나, 최신 제안서에 대한 가시성 없이 영업 기회를 요약할 수 있습니다.

여러 담당자가 구매에 참여하는 경우에는 아이덴티티 확인이 특히 중요합니다. 시스템은 각 개인을 구분하는 동시에 동일한 계정 및 영업 기회와 이들이 맺고 있는 관계를 이해해야 합니다. 또한 담당자의 이직이나 하나의 영업 기회가 여러 구매 건으로 분리되는 상황처럼 시간에 따른 변화도 보존해야 합니다.

데이터 최신성은 의사 결정의 특성에 부합해야 합니다. 예를 들어 연간 영업 구역 계획에는 주기적으로 갱신되는 계정 정보를 활용할 수 있지만, 실시간 영업 기회 지원에는 최근 상호작용과 현재 가격, 최신 거래 상태가 필요합니다. 누락된 레코드, 지연된 업데이트, 소스 범위의 변화를 지속적으로 모니터링해야 합니다. 애플리케이션에 명확한 오류가 없더라도 이러한 요인으로 결과가 달라질 수 있기 때문입니다.

영업 및 매출 정의 표준화

용어는 애플리케이션과 팀 전반에서 명확하고 일관되게 정의해야 합니다. 예를 들어 거래 가치는 연간 계약 가치, 총계약 가치 또는 당기에 예상되는 매출을 의미할 수 있습니다. 영업, 재무 및 매출 운영팀은 각 용어의 의미에 합의해야 합니다. 그래야 모델과 보고서, 에이전트가 작업에 적합한 정의를 사용할 수 있습니다.

시맨틱 컨텍스트는 거버넌스가 적용된 지표, 뷰, 메타데이터와 계정, 담당자, 영업 기회, 제품, 매출 이벤트 간 관계를 통해 이러한 차이를 명확히 구분합니다. 또한 스테이지 진입 기준, 예측 카테고리 규칙, 영업 구역 할당, 검증 기준, 수주와 인식 매출의 관계를 보존할 수 있습니다.

중요한 정의마다 담당자를 명확히 지정해야 합니다. 담당자는 변경을 승인하고 영업, 재무, 마케팅 및 매출 운영 간의 정의 차이를 조정합니다. 검증 기준이나 예측 프로세스가 변경되면 과거 레코드가 여전히 동일한 결과를 나타내는지도 확인해야 합니다. 그렇지 않으면 모델이 서로 다른 두 운영 정의를 하나의 일관된 레이블로 취급할 수 있습니다.

승인된 영업 정보를 기반으로 생성 결과의 신뢰성 확보

영업 애플리케이션은 계정별 컨텍스트와 조직의 공식 소스 자료를 함께 사용합니다. 계정 컨텍스트는 구매자의 상황과 영업 기회의 이력을 설명합니다. 조직이 승인한 소스 자료는 제품, 가격, 보안 관행, 구현 요건 및 계약 조건과 관련해 전달할 수 있는 정보의 범위를 규정합니다.

승인된 정보는 고객 대상 콘텐츠에서 특히 중요합니다. 사용 가능한 소스만으로 구매자의 질문에 답할 수 없다면 그럴듯한 답변을 생성해서는 안 됩니다. 대신 영업 담당자나 해당 분야 전문가가 확인할 수 있도록 미해결 상태로 남겨야 합니다.

소스 정보에는 필요한 경우 담당자, 버전 및 유효 기간을 지정해야 합니다. 정보 검색 시 최신 자료를 우선하되, 거래 과정에서 이미 이루어진 약속을 설명할 수 있도록 충분한 이력을 보존해야 합니다.

액세스 및 허용된 사용 범위의 엄격한 적용

영업 워크플로우에는 개인정보, 계정 전략, 통화 녹음, 가격, 제품 사용 현황 및 계약 세부 정보가 포함됩니다. AI 애플리케이션이 이러한 레코드를 검색하거나 결합해 새로운 결과를 생성할 때도 액세스 및 허용된 사용 요건은 그대로 적용됩니다.

역할 기반 액세스 제어(RBAC)는 사용자와 서비스 아이덴티티가 열람할 수 있는 고객 수준 정보 또는 상업적 민감 정보의 범위를 제한합니다. 분류와 마스킹은 민감 필드를 보호하며, 영업 구역, 계정팀 및 딜룸 권한을 통해 특정 영업 기회에 액세스할 수 있는 사용자를 추가로 제한할 수 있습니다.

애플리케이션은 데이터가 수집된 목적과 조건도 준수해야 합니다. 고객 지원이나 제품 분석을 위한 정보 사용 승인을 받았다고 해서 조직이 해당 정보를 영업 타기팅이나 다른 목적으로 사용할 수 있는 것은 아닙니다. 계약, 지역별 개인정보 보호 요건 및 내부 정책에 따라 활동 데이터와 통화 녹음을 분석할 수 있는 범위가 제한될 수 있습니다.

감사 기록에는 애플리케이션이 액세스한 데이터, 적용된 정책, 결과가 영업 워크플로우에 반영된 방식이 명시되어야 합니다. 이는 추천 결과가 계정 우선순위에 영향을 미치거나, 고객이 생성된 메시지를 받거나, 에이전트가 기록 시스템을 수정하는 경우 특히 중요합니다.

에이전트 권한과 고객 대상 작업의 제한

에이전틱 영업 워크플로우에는 데이터 액세스 제어뿐 아니라 작업 수준의 권한도 필요합니다.

워크플로우에서는 다음 항목을 정의해야 합니다.

• 에이전트가 액세스할 수 있는 계정, 영업 기회 및 데이터 소스
• 에이전트가 변경을 제안하거나 업데이트할 수 있는 CRM 필드
• 에이전트가 사용할 수 있는 커뮤니케이션 채널
• 아웃바운드 메시지에 영업 담당자의 승인이 필요한지 여부
• 에이전트가 포함할 수 있는 제품, 가격 또는 계약 관련 설명
• 관리자, 재무팀 또는 법무팀의 승인이 필요한 상업적 변경 사항
• 에이전트가 작업을 중단하거나 추가 설명을 요청하거나 상위 담당자에게 에스컬레이션해야 하는 시점

서비스 ID, 도구 권한, 승인 임계값 및 중단 조건이 에이전트의 운영 범위를 결정합니다. 애플리케이션에는 영업 스택 전반에 대한 광범위한 액세스 권한이 아니라, 할당된 작업에 필요한 데이터와 도구만 제공해야 합니다. 또한 에이전트가 검색한 정보, 호출한 도구, 완료한 작업을 보여 주는 추적 기록이 필요합니다.

이러한 제어를 통해 에이전트가 관련 조사, 조율, 기록 관리 업무를 더 많이 수행하도록 지원하는 동시에, 고객 관계와 중대한 상업적 의사 결정에 대한 사람의 책임성을 유지할 수 있습니다.

영업 성과를 기준으로 한 결과 평가

신뢰할 수 있는 평가는 일반적인 사례와 까다로운 사례는 물론, 중단하거나 에스컬레이션하는 것이 올바른 대응인 상황까지 실제 영업 업무를 반영한 데이터 세트에서 시작됩니다. 테스트에 앞서 예상 결과, 허용된 작업 및 수용 기준을 정의해야 합니다. 그래야 검토자의 주관적 인상이 아닌 일관된 기준에 따라 시스템을 평가할 수 있습니다.

구체적인 평가 방법은 기능에 따라 달라집니다. 예측 모델은 캘리브레이션, 순위 품질, 관련 세그먼트별 성능 등의 지표로 평가해야 합니다. 생성형 시스템은 사실 정확성, 승인된 소스에 대한 근거성, 완전성, 필수 표현 준수 여부를 테스트해야 합니다. 에이전트는 결과뿐 아니라 수행 과정도 평가해야 합니다. 적절한 도구를 선택하고 올바른 데이터를 사용했는지, 권한 범위를 벗어나지 않았는지, 오류에서 복구했는지, 작업의 중단 조건을 충족했는지 확인해야 합니다.

그러나 여러 모델과 검색 단계, 도구가 하나의 워크플로우에 관여한다면 구성 요소 수준의 결과만으로는 충분하지 않습니다. 단계 간에 컨텍스트가 유지되는지, 초기 오류가 이후의 의사 결정이나 작업에 영향을 미치는지를 파악할 수 있도록 엔드투엔드 평가도 실행해야 합니다.

배포 후에는 프로덕션 추적 기록, 수정률, 에스컬레이션 및 결과 데이터를 통해 영업 데이터, 제품, 운영 규칙이 변화함에 따라 성능도 달라지는지 파악할 수 있습니다. 이러한 관찰 결과를 평가 세트에 다시 반영해 테스트가 시스템의 실제 업무를 지속적으로 대표하도록 해야 합니다.

데이터 품질 및 편향 모니터링

영업 데이터에는 구매자의 행동뿐 아니라 조직이 과거에 내린 의사 결정도 반영됩니다. 과거의 성과는 어떤 계정이 CRM에 등록되었는지, 영업 구역이 어떻게 배정되었는지, 어떤 리드에 후속 조치가 이루어졌는지, 영업 담당자가 활동을 얼마나 일관되게 기록했는지에 따라 달라집니다. 이러한 기록으로 학습한 모델은 고객 수요 패턴뿐 아니라 조직이 과거에 관심과 자원을 배분한 방식까지 학습할 수 있습니다.

불완전한 활동 기록은 또 다른 왜곡을 초래합니다. 주요 마일스톤만 기록하는 우수한 영업 담당자는 모든 통화와 메시지를 기록하는 담당자보다 적은 상호작용으로 거래를 진전시키는 것처럼 보일 수 있습니다. 비공식 채널을 통해 운영되는 관리형 계정은 활동이 자동으로 수집되는 계정보다 참여도가 낮아 보일 수 있습니다.

이러한 문제를 해결하려면 최신 거버넌스가 적용된 소스 데이터와 문서화된 결과 정의가 기본적으로 필요하며, 적극적인 테스트도 병행해야 합니다. 영업 구역, 계정 그룹, 고객 확보 경로 및 기타 관련 세그먼트별 성능을 비교하고, 결측치가 예측을 바꾸는지 점검해야 합니다. 또한 모델의 추천이 향후 학습에 사용될 데이터에 어떤 영향을 미치는지도 검토해야 합니다.

시스템이 불균등한 결과를 내놓는다면 해당 결과를 초래한 기록, 레이블, 의사 결정 규칙 및 운영 프로세스를 조사해야 합니다. 워크플로우 마지막 단계에서 사람이 검토하더라도, 처음부터 어떤 계정에 관심을 기울일지를 반복적으로 결정하는 스코어링 또는 우선순위 지정 패턴까지 바로잡을 수는 없습니다.

Snowflake는 영업, 매출 운영, 데이터 및 재무팀이 CRM, 활동, 제품, 지원 및 매출 데이터를 함께 활용할 수 있는 공유 환경을 제공합니다. 각 영업 워크플로우마다 별도의 데이터 아키텍처를 구축하지 않고도 예측형, 생성형 및 에이전틱 AI를 적용할 수 있습니다.

Snowflake ML은 Snowflake 내에서 거버넌스가 적용된 데이터를 기반으로 구축하고 실행하는 예측 모델을 지원합니다. Classification은 정의된 과거 결과와 연관된 패턴을 학습해 리드, 계정 또는 영업 기회 스코어링과 같은 워크로드를 지원할 수 있습니다. Forecasting 함수는 시계열 데이터에서 미래의 수치를 예측하며, 보다 폭넓은 기능을 통해 워크플로우에 필요한 사용자 지정 모델을 개발하고 운영할 수 있습니다.

모델이 기초 데이터가 저장된 위치에서 바로 실행되므로, 별도의 스코어링 사본을 유지하지 않고도 연결된 CRM, 활동 및 제품 데이터를 기반으로 점수와 예측을 업데이트할 수 있습니다. 다만 목표 결과와 학습 데이터, 평가 기준, 예측을 영업 프로세스에 반영하는 방식은 여전히 조직이 결정합니다.

Cortex AI Functions는 Snowflake에 저장된 정보에 언어 모델과 멀티 모달 모델을 적용합니다. 영업팀과 데이터팀은 이러한 함수를 사용해 SQL 기반 데이터 워크플로우에서 회의 녹취록을 요약하고, 고객의 이의를 분류하고, 요구 사항이나 실행 항목을 추출하며, 노트나 문서 모음을 분석할 수 있습니다. 이러한 결과를 정형 계정 및 영업 기회 데이터와 결합해 보고, 코칭 또는 다운스트림 애플리케이션에 활용할 수 있습니다.

여러 단계에 걸쳐 정보를 조사하고 작업을 이어 가야 하는 워크플로우에서는 Cortex Agents가 정형 데이터용 Cortex Analyst, 비정형 정보용 Cortex Search, 승인된 비즈니스 프로세스에 연결된 사용자 지정 도구를 결합할 수 있습니다. 영업 애플리케이션은 이러한 기능으로 영업 기회를 분석하고, 관련 상호작용과 문서를 검색하고, 추천을 작성한 뒤, 그 결과로 생성된 작업을 다른 시스템으로 전달할 수 있습니다.

Cortex Agents에 대한 액세스는 Snowflake 역할 기반 액세스 제어를 통해 관리되며, 여기에는 에이전트와 에이전트의 도구가 사용하는 오브젝트에 대한 권한도 포함됩니다. 애플리케이션에 구성된 역할, 도구 및 권한에 따라 에이전트가 검색할 수 있는 정보와 수행할 수 있는 작업이 결정됩니다. 에이전트 모니터링 기록은 요청과 기초 도구 사용에 대한 가시성을 한층 높여 줍니다.

Snowflake Horizon Catalog는 이러한 애플리케이션을 지원하는 데이터 및 AI 워크로드 전반에 거버넌스를 적용합니다. 분류, 마스킹, 역할 기반 액세스 제어 및 계보는 기초 계정, 대화 및 매출 데이터와 계속 연결됩니다. 이를 통해 조직은 민감한 영업 정보에 누가, 무엇이 액세스할 수 있는지 제어할 수 있습니다.

이러한 역량을 바탕으로 조직은 영업 전반에 AI를 적용하면서도 각 워크플로우를 뒷받침하는 데이터, 비즈니스 정의, 정책의 일관성을 유지할 수 있습니다.