Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →고객의 소리(VOC) 전체를 다루는 엄브렐러 스킬 — 멀티채널 리뷰를 통합 분석하고(리뷰는 VOC의 한 원천), 폭주하는 VOC의 처리 우선순위를 3축 분류 + KTAS 응급실 5단계로 판별합니다. 다음과 같은 요청 시 반드시 이 스킬을 사용하세요: "리뷰 모아서 분석해줘", "리뷰 분석해줘", "수백 개 리뷰 정리", "감정 분석 리뷰", "쿠팡 리뷰 키워드", "리뷰 인사이트 액션플랜", "멀티채널 리뷰 통합", "VOC 분류해줘", "VOC 처리 순서", "고객 문의 우선순위", "응급 VOC 분류", "VOC 트리아지", "KTAS 응급실 분류 VOC" 2개 동작 모드가 자연어로 자동 선택됩니다 — ① 리뷰 집계 모드(4채널 리뷰 → 감정·키워드·인사이트·액션플랜 4단 분석) ② VOC 분류·트리아지 모드(고객 핏·빈도·핵심 가치 3축 × KTAS 5단계 응급도 → 처리 순서 + 응답 템플릿). 텍스트 산출물(인사이트·액션플랜·응답 템플릿)은 moai-core:ai-slop-
.claude/skills/modu-ai-commerce-voc-triage/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-02 | ✗→✓ | ▲ Improved | 77% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 103% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 38% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 50% | 0% |
| case-08 | ✗→✓ | ▲ Improved | 117% | 0% |
고객의 소리(VOC)는 리뷰·문의·CS·SNS 댓글 등 여러 원천에서 들어옵니다. 이 스킬은 VOC 엄브렐러로서 두 가지 모드를 한 곳에서 제공합니다.
| 모드 | 트리거 발화 예 | 산출물 | |------|---------------|--------| | 리뷰 집계 모드 | "리뷰 모아서 분석해줘", "쿠팡 리뷰 키워드", "멀티채널 리뷰 통합" | 4채널 리뷰 통합 → 감정·키워드·인사이트·액션플랜 4단 분석 | | VOC 분류·트리아지 모드 | "VOC 분류해줘", "고객 문의 우선순위", "응급 VOC 분류" | 3축 분류 × KTAS 5단계 응급도 → 처리 순서 + 응답 템플릿 |
리뷰는 VOC의 한 원천이므로 두 모드는 자연스럽게 이어집니다: 리뷰 집계 모드로 모은 리뷰·문의를 VOC 분류·트리아지 모드로 넘겨 처리 우선순위를 매깁니다. 모드는 CLI 플래그가 아니라 발화로 결정됩니다.
네이버 스마트스토어·쿠팡·자사몰·YouTube·인스타그램 등 멀티채널 리뷰를 통합 수집·분석해 감정·키워드·인사이트·액션플랜 4단 분석 리포트를 생성합니다.
책임 한 줄: 상품 ID 또는 채널별 리뷰 데이터 입력 → 4단 분석 → (선택) PPT 자동화 출력.
| 채널 | 수집 방법 | 비용 | 자동화 가능성 | |------|----------|------|-------------| | 네이버 스마트스토어 | API (네이버 커머스 API) | 무료 (인증 필요) | 자동화 가능 | | 쿠팡 윙 | Wing API 또는 윙 대시보드 CSV | 무료 (셀러 한정) | 부분 자동화 | | 자사몰 (카페24/아임웹) | API 또는 어드민 CSV | 무료 | 자동화 가능 | | YouTube | YouTube Data API | 무료 (한도 내) | 자동화 가능 | | 인스타그램 | Instagram Graph API (브랜드 계정만) | 무료 | 자동화 가능 |
데이터 연동: 연결된 커머스 MCP 커넥터가 있으면 직접 조회하고, 없으면 사용자가 첨부한 내보내기 파일·스크린샷이나 Claude의 자체 분석으로 동일한 산출물을 생성합니다.
json{ "product": "비건 세럼 50ml", "total_reviews": 1247, "channels": {"smartstore": 580, "coupang": 412, "self_mall": 255}, "sentiment": {"positive": 78, "negative": 12, "neutral": 10}, "top_keywords": [ {"keyword": "흡수력 좋음", "freq": 234, "polarity": "+"}, {"keyword": "향이 별로", "freq": 87, "polarity": "-"} ], "insights": { "strengths": ["흡수력·발림성", "비건 인증 신뢰", "용기 디자인"], "weaknesses": ["향 호불호", "용량 부족 (50ml)", "가격 부담"], "service": "배송 빠름, CS 친절" }, "action_plan": [ {"priority": 1, "term": "즉각", "action": "상세페이지에 향 정보 보강 (라벤더 향)"}, {"priority": 2, "term": "단기", "action": "100ml 대용량 SKU 추가"} ] }
리뷰 집계 사용 예시:
"비건 세럼 50ml, 스마트스토어·쿠팡 통합 리뷰 분석"
→ 두 채널 리뷰 1,000+ 통합 → 4단 분석 → (선택) pptx-designer PPT 자동화VOC(Voice of Customer)의 폭주 시기에 모든 의견을 다 처리할 수 없는 셀러를 위해 3축 분류 + KTAS 응급실 분류를 적용한 처리 우선순위 매트릭스를 생성합니다. 리뷰 집계 모드의 4단 분석 결과(부정 리뷰·반복 불만)를 입력으로 받으면 더 정확합니다.
책임 한 줄: VOC 목록 + 핵심 고객 정의 + 브랜드 USP 입력 → 3축 분류 + KTAS 5단계 응급도 + 처리 순서 + 응답 템플릿 자동 생성.
| 분류 | 정의 | 가중치 | |-----|------|------| | 핵심 고객 | LTV 상위 20% / VIP / 충성 5회+ | ×3 | | 일반 | 정기 구매 / 신규 회원 | ×2 | | 비핵심 | 단발 구매 / 비회원 | ×1 |
| 분류 | 정의 | 가중치 | |-----|------|------| | 반복 | 같은 VOC 5건+ | ×3 | | 간헐 | 같은 VOC 2-4건 | ×2 | | 일회성 | 1건 | ×1 |
| 분류 | 정의 | 가중치 | |-----|------|------| | USP 직격 | 브랜드 핵심 USP 관련 | ×3 | | 관련 | 일반 기능·서비스 | ×2 | | 무관 | 외부 요인 (배송·결제 등) | ×1 |
우선순위 점수 = 고객 핏 × 빈도 × 핵심 가치 관련성
예시:
VIP 고객 + 반복 + USP 직격 = 3×3×3 = 27 (최우선)
일반 + 일회성 + 무관 = 2×1×1 = 2 (후순위)응급실 환자 분류 시스템(KTAS) 적용:
| 등급 | 명칭 | VOC 점수 | 처리 시한 | 예시 | |------|------|---------|---------|------| | Level 1 | 🔴 즉시 (Resuscitation) | 27 | <1시간 | VIP 환불 거부 / 식약처 신고 위협 | | Level 2 | 🟠 응급 (Emergent) | 18-26 | <4시간 | 반복 부정 리뷰 / USP 핵심 불만 | | Level 3 | 🟡 긴급 (Urgent) | 12-17 | <24시간 | 일반 고객 반복 불만 | | Level 4 | 🟢 준응급 (Less Urgent) | 4-11 | <72시간 | 일회성 일반 불만 | | Level 5 | 🔵 비응급 (Non-Urgent) | 1-3 | <1주 | 칭찬·정보 문의 |
각 등급별 응답 톤·내용 가이드:
"VOC 50건 입력, 핵심 USP '한국 농가 직거래' — VOC 분류해줘"
→ 50건 × 3축 분류 + KTAS 5단계 매핑 + 처리 순서 + 응답 템플릿
"스마트스토어·쿠팡 리뷰 모아서 분석해줘"
→ 리뷰 집계 모드: 4채널 통합 → 감정·키워드·인사이트·액션플랜 4단 분석
→ (이어서) 부정 리뷰·반복 불만을 VOC 분류·트리아지 모드로 우선순위화두 모드의 텍스트 산출물(리뷰 집계 모드의 인사이트·액션플랜·서비스 평가, VOC 분류 모드의 응답 템플릿 Level 1-5·처리 순서 안내)은 moai-core:ai-slop-reviewer로 자동 후처리 체이닝됩니다. VIP·응급 대응 메시지나 외부 보고서가 AI 패턴(과한 형용사·번역체)을 포함하면 신뢰도가 무너지므로 검수 필수.
text리뷰 집계 모드 → moai-core:ai-slop-reviewer → (선택) moai-office:pptx-designer VOC 분류·트리아지 모드 → moai-core:ai-slop-reviewer → 사용자 검토 → CS 발송
commerce-channel-message — 응답 메시지·액션플랜 기반 카피 작성moai-office:pptx-designer — 리뷰 분석 결과 PPT 자동화moai-core:ai-slop-reviewer — 텍스트 산출물 AI 슬롭 검수 (자동 체인, HARD)| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 25,862 | 22,224 | -14% | 1 | 1 | 0% | 4,545 | 6,501 | +43% | 0 | 0 | — |
case-02 | fail→pass | 23,835 | 23,760 | -0% | 1 | 1 | 0% | 3,785 | 6,696 | +77% | 0 | 0 | — |
case-03 | fail→fail | 22,757 | 23,299 | +2% | 1 | 1 | 0% | 3,552 | 6,249 | +76% | 0 | 0 | — |
case-04 | fail→pass | 14,150 | 16,408 | +16% | 1 | 1 | 0% | 2,624 | 5,333 | +103% | 0 | 0 | — |
case-05 | fail→pass | 18,719 | 9,775 | -48% | 1 | 1 | 0% | 2,947 | 4,067 | +38% | 0 | 0 | — |
case-06 | fail→fail | 13,815 | 7,158 | -48% | 1 | 1 | 0% | 2,326 | 3,716 | +60% | 0 | 0 | — |
case-07 | fail→pass | 13,479 | 5,492 | -59% | 1 | 1 | 0% | 2,312 | 3,473 | +50% | 0 | 0 | — |
case-08 | fail→pass | 17,813 | 20,616 | +16% | 1 | 1 | 0% | 2,857 | 6,213 | +117% | 0 | 0 | — |
case-09 | fail→pass | 18,304 | 13,076 | -29% | 1 | 1 | 0% | 2,943 | 4,564 | +55% | 0 | 0 | — |
case-10 | fail→pass | 18,025 | 14,133 | -22% | 1 | 1 | 0% | 2,855 | 5,059 | +77% | 0 | 0 | — |
case-11 | fail→pass | 17,738 | 8,237 | -54% | 1 | 1 | 0% | 3,170 | 4,101 | +29% | 0 | 0 | — |
case-12 | fail→pass | 14,864 | 6,207 | -58% | 1 | 1 | 0% | 2,377 | 3,597 | +51% | 0 | 0 | — |
case-13 | fail→pass | 17,963 | 12,662 | -30% | 1 | 1 | 0% | 2,777 | 4,336 | +56% | 0 | 0 | — |
case-14 | fail→pass | 11,907 | 3,983 | -67% | 1 | 1 | 0% | 1,833 | 3,106 | +69% | 0 | 0 | — |
case-20 | pass→pass | 11,261 | 10,772 | -4% | 1 | 1 | 0% | 2,088 | 4,432 | +112% | 0 | 0 | — |
case-15 | fail→pass | 16,158 | 3,312 | -80% | 1 | 1 | 0% | 2,503 | 3,035 | +21% | 0 | 0 | — |
case-16 | fail→pass | 12,489 | 2,162 | -83% | 1 | 1 | 0% | 1,994 | 2,760 | +38% | 0 | 0 | — |
case-17 | pass→pass | 16,796 | 12,581 | -25% | 1 | 1 | 0% | 2,541 | 4,582 | +80% | 0 | 0 | — |
case-18 | fail→pass | 17,216 | 5,731 | -67% | 1 | 1 | 0% | 2,609 | 3,445 | +32% | 0 | 0 | — |
case-19 | fail→pass | 7,333 | 3,308 | -55% | 1 | 1 | 0% | 1,218 | 3,025 | +148% | 0 | 0 | — |
case-21 | pass→pass | 11,213 | 12,065 | +8% | 1 | 1 | 0% | 2,045 | 4,546 | +122% | 0 | 0 | — |
case-22 | pass→pass | 12,553 | 11,233 | -11% | 1 | 1 | 0% | 1,941 | 4,109 | +112% | 0 | 0 | — |
case-23 | pass→pass | 12,404 | 11,234 | -9% | 1 | 1 | 0% | 1,906 | 4,137 | +117% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 23 cases were attempted. The headline lift of +65 percentage points is the difference between those two pass rates over the 23 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.