경험과 감성 분석
경험 분석은 사용자에게 서비스가 어떻게 도움이 되었는지 묻고 실제로 어떻게 쓰는지 지켜봅니다. 설문, 피드백 텍스트, 감성 분석, 경험 수준 협약은 질문이 공정하고, 응답 편향을 인정하고, 감성 도구를 사람들 자신의 말과 대조해 확인하고, 어떤 개인의 순위도 매기거나 감시하지 않을 때 유용합니다.
왜 중요한가
서비스가 모든 기술 목표를 충족하면서도 사람들을 좌절시킬 수 있습니다. 시스템은 떠 있고, 티켓은 제때 닫히는데, 한 직원은 그날 아침 필요한 도구에 접근하려고 두 시간을 보냈습니다. 시스템 데이터로 만든 대시보드는 그것을 볼 수 없습니다. 기계가 기록한 것을 셀 뿐, 사람이 어떻게 지냈는지는 세지 않습니다.
경험 분석은 그 간극을 메웁니다. 사용 시점의 짧은 설문과 더 긴 정기 설문으로 사람들에게 직접 묻습니다. 티켓 댓글, 설문 답변, 채팅 메시지처럼 그들이 쓴 것을 읽습니다. 양식을 어디서 포기하는지, 성공하기 전에 몇 번 시도하는지 같은 서비스 사용 방식을 관찰합니다. 이들을 결합해 기술 척도가 놓치는 경험의 그림을 만듭니다. 주제 3.7 — 서비스 수준 관리에서 소개한 경험 수준 협약(XLA)의 생각은 기술 성능 목표와 나란히 경험의 목표를 정하는 것입니다.
방법에는 고유한 위험이 따릅니다. 설문은 응답하는 사람에게만 닿습니다. 감성 분석 도구는 단어에서 감정을 추측하며, 특히 언어와 문화를 넘어서면 자주 틀립니다. 점수는 목표가 되고, 목표는 응답자에 대한 압력을 부릅니다. 직원 데이터는 프라이버시와 신뢰의 문제를 제기합니다. 이 주제는 경험 데이터를 공정하게, 그리고 그것이 보여 줄 수 있는 것에 대한 겸손과 함께 수집하고 쓰는 방법을 설명합니다. 서비스 데스크(주제 3.1 — 서비스 데스크), 서비스 수준(주제 3.7 — 서비스 수준 관리), 측정(주제 7.3 — 측정과 보고), 텍스트를 읽는 AI의 사용(주제 5.1 — 서비스 관리에서의 AI)과 연결됩니다.
핵심 개념
경험. 첫 접촉에서 결과까지, 서비스를 쓸 때 사람이 생각하고, 느끼고, 하는 것입니다. Wikipedia가 고객 경험과 사용자 경험을 설명합니다. 내부 서비스에서 "고객"은 동료이며, 사람들이 기술을 어떻게 경험하는지에는 디지털 직원 경험이라는 용어가 쓰이기도 합니다. 쉬움, 속도, 신뢰, 목표에 이르렀는지를 포함합니다.
만족과 관련 척도. Wikipedia가 설명하는 고객 만족은 보통 척도로 "얼마나 만족하셨습니까?"를 묻습니다. 역시 거기서 설명되는 순고객추천지수는 서비스를 추천할 가능성을 묻고 추천자의 비중에서 비추천자의 비중을 뺀 값으로 계산됩니다. 다른 척도는 무언가를 해내는 것이 얼마나 쉬웠는지 같은 노력을 묻습니다. 각각 쓰임과 비판이 있습니다. 빠르고 비교할 수 있지만, 무디고 조작과 오독에 열려 있습니다.
트랜잭션 설문과 관계 설문. 트랜잭션 설문은 해결된 티켓 같은 하나의 상호작용에 대해 그 직후에 묻습니다. 관계 설문은 전체 서비스에 대해 간격을 두고 묻습니다. 트랜잭션 설문은 구체적인 문제를 보여 주고, 관계 설문은 더 넓은 관점을 보여 줍니다. 둘 다 쓰고 짧게 유지하세요.
설문 설계. 문구는 답에 영향을 줍니다. Wikipedia가 설문 방법론과 흔한 문제를 설명합니다. 답을 암시하는 유도 질문, 동의하는 경향인 묵인 편향, 받아들여질 만해 보이는 답을 하는 사회적 바람직성 편향입니다. 중립적인 문구, 분명한 척도, 질문당 하나의 생각, 열린 의견란을 쓰세요. Wikipedia가 리커트 척도와 설문지를 설명합니다. 설문을 몇 사람에게 시험해 보세요. 이 가이드의 survey-design 스킬을 참조하세요.
응답과 편향. 일부 사람만 답하며, 그들은 전형적이지 않습니다. Wikipedia가 응답률과 참여 편향을 설명합니다. 감정이 강하거나 시간이 있는 사람이 더 응답합니다. 응답률 10퍼센트의 점수는 나머지 90퍼센트에 대해 거의 말해 주지 않을 수 있습니다. 응답률을 보고하고, 가능하면 응답자를 모집단과 비교하고, 점수를 정확하다고 다루지 마세요.
설문 피로. 너무 자주 질문받은 사람들은 응답을 멈추거나 성의 없이 답합니다. 묻는 빈도를 제한하고, 쓸 것만 묻고, 답변 덕분에 무엇이 바뀌었는지 보여 주세요. 허공으로 사라지는 설문은 사람들에게 애쓰지 말라고 가르칩니다.
자유 텍스트 피드백. 댓글은 이유를 알려 줍니다. 표본을 읽는 것은 필수이며, 도구가 양을 처리하는 데 도움이 될 수 있습니다. Wikipedia가 정성 데이터에서 주제를 식별하는 프랙티스인 주제 분석과, 더 넓은 정성 연구를 설명합니다. 주제를 세고 예시를 인용하면 댓글을 쓸 수 있게 됩니다.
감성 분석. 텍스트를 긍정, 부정, 중립으로, 또는 감정별로 분류하는 소프트웨어입니다. Wikipedia가 감성 분석과 그 방법을 설명합니다. 많은 양의 텍스트를 대략적으로 분류하는 데 유용합니다. 빈정거림, 복합적인 감정, 도메인 용어("critical"은 감정이 아니라 우선순위일 수 있습니다), 언어와 방언의 차이에서 어려움을 겪습니다. 도구의 레이블을 사람이 읽은 표본과 대조해 확인하고, 결과를 어떤 개인의 감정으로 다루지 마세요. Wikipedia는 감정 인식도 설명하는데, 특히 얼굴이나 음성에 적용하면 심각한 신뢰성 및 윤리적 우려를 제기합니다. 그런 방법을 쓰기 전에 주의하고 자문을 구하세요.
주제 발견. Wikipedia가 설명하는 토픽 모델을 포함한 자연어 처리 기법은 댓글을 주제별로 묶을 수 있습니다. 수천 개의 댓글에서 주제를 찾는 데 도움이 되며, 묶음에 이름을 붙이고 점검하는 사람의 검토가 따릅니다.
행동 및 사용 신호. 사람들이 하는 것은 말하는 것과 다른 경우가 많습니다. 포기한 양식, 반복된 검색, 재시도, 셀프서비스 시도 뒤의 접촉은 마찰을 보여 줍니다. Wikipedia가 설명하는 사용성 시험은 관찰자가 어려움을 기록하는 동안 사람들이 현실적인 작업을 시도합니다. 관찰한 몇 번의 세션이 어떤 설문도 드러내지 못하는 문제를 찾아내는 경우가 많습니다.
정성적 방법. Wikipedia가 설명하는 인터뷰와 포커스 그룹은 깊이를 줍니다. 실제 사용자와의 소수의 대화가 큰 설문보다 우선순위를 더 많이 바꿀 수 있습니다. 역할, 스킬, 위치가 다양한 사람들을 고르세요.
경험 수준 협약. "사용자의 최소 80퍼센트가 서비스가 업무를 해내는 데 도움이 되었다고 말한다"처럼 경험 척도의 목표를 정하는 협약입니다. 경험 점수는 쉽게 왜곡되므로, 벌칙에 묶인 단일 숫자가 아니라 여러 척도와 함께 공유된 목표와 대화로 쓸 때 가장 좋습니다. 주제 3.7 — 서비스 수준 관리를 참조하세요.
고객의 소리. 고객이 말하는 것을 포착하고 그에 따라 행동하는 프랙티스입니다. Wikipedia가 설명합니다. 설문, 댓글, 지원 접촉, 리뷰, 대화를 모아 행동할 수 있는 이들에게 통찰을 전달합니다.
직원의 웰빙과 업무량. 분석은 서비스를 전달하는 직원의 경험, 즉 업무량, 당직 부담, 사기도 다룰 수 있습니다. Wikipedia가 직원 몰입과 직업적 번아웃을 설명합니다. 동의와 주의 아래 팀 수준에서 측정하고, 발견한 것에 따라 행동하세요.
윤리, 프라이버시, 동의. 피드백을 수집하고 분석하는 데는 개인 데이터와 때로 민감한 의견이 관련됩니다. Wikipedia가 프라이버시, 익명성, 고지에 입각한 동의를 설명합니다. 무엇을 왜 수집하는지 말하고, 중요한 곳에서는 익명을 허용하고, 보고 전에 집계하고, 좋은 이유 없이 댓글로 개인을 식별하지 마세요. Wikipedia가 직원 모니터링 아래 설명하는, 직장에서 직원의 행동이나 감성을 모니터링하는 것은 신뢰를 해칠 수 있고 법으로 제한될 수 있으므로 법률 자문을 구하세요. 주제 5.6 — AI 거버넌스, 위험, 규정 준수를 참조하세요.
고리 닫기. 무엇을 들었고 무엇을 바꾸었는지 사람들에게 알리세요. 심각한 문제를 제기한 이들에게 후속 조치를 하세요. 눈에 보이는 응답이 없으면 참여가 줄어듭니다.
렌즈는 어떻게 맞물리는가. 경험 분석은 나머지 세 렌즈가 개선하려는 사람의 성과를 줍니다. 애자일 프랙티스는 작은 실험을 돌리고 사용자에게 도움이 되었는지 묻습니다. AI는 검토 아래 텍스트를 읽고 묶는 것을 돕습니다. 자동화는 설문을 촉발하고 피드백을 전달합니다.
모범 사례
- 만족만이 아니라 성과를 묻습니다. "필요한 것을 얻으셨습니까?"와 노력에 대한 질문을 포함하세요. 점수를 자유 텍스트 "무엇이 방해가 되었습니까?"와 짝지으세요.
- 설문을 짧고 시의적절하게 합니다. 상호작용 직후 한두세 가지 질문을 하고, 일 년에 몇 번 짧은 관계 설문을 돌리세요. 같은 것을 반복해서 묻지 마세요.
- 중립적인 질문을 쓰고 시험합니다. 유도하는 문구, 이중 질문, 전문 용어를 피하세요. 출시 전에 서로 다른 집단의 몇 사람에게 설문을 시험해 보세요.
- 응답률과 누가 답했는지 보고합니다. 몇 명이 응답했는지 보여 주고, 가능하면 모집단과 비교하고, 한계를 설명하세요. 거짓된 정밀함을 피하세요.
- 댓글을 읽습니다. 매주 표본을 추출하고, 보고서에 인용하고, 주제로 묶으세요. 규모에는 도구를 쓰되 사람의 검토를 두세요.
- 감성 도구를 사람과 대조해 확인합니다. 사람들이 표본에 레이블을 붙이게 하고, 도구와 비교하고, 실패하는 곳을 적어 두세요. 도구는 개인에 대한 결론이 아니라 분류에 쓰세요.
- 말뿐 아니라 행동도 지켜봅니다. 포기, 재시도, 반복 접촉을 보고, 실제 작업으로 몇 번의 사용성 세션을 진행하세요. 사람들이 하는 것을 말하는 것과 비교하세요.
- XLA를 공유된 목표로 씁니다. 고객과 소수의 경험 척도에 합의하고, 함께 검토하고, 벌칙이나 개인 성과에 묶는 것을 피하세요.
- 사람을 보호합니다. 무엇을 수집하는지 설명하고, 결과를 집계하고, 개인을 식별하지 말고, 직원의 감성을 모니터링하기 전에 자문을 구하세요. 경험 데이터로 개인의 순위를 매기지 마세요.
- 눈에 보이게 고리를 닫습니다. "여러분이 말했고, 우리가 했습니다" 요약을 게시하고 심각한 문제를 후속 조치하세요. 행동으로 이어지지 않는 질문은 폐기하세요.
팀과 논의할 질문
사람들이 우리 서비스를 어떻게 경험하는지에 대해 기술 척도가 보여 주지 않는 것으로 우리가 아는 것은 무엇입니까? 최근의 불만이나 댓글을 나열하세요. 대시보드와의 불일치가 예상됩니다. 더 깊이 들어가려면, 접근을 얻는 시간 같은 한 측면을 골라 그에 대한 경험 질문을 더하세요.
우리 설문에 누가 답하고, 누가 결코 답하지 않습니까? 응답자를 모집단과 비교하세요. 야간 직원이나 원격 사이트 같은 집단이 빠져 있을 것으로 예상됩니다. 더 깊이 들어가려면, 빠진 집단 하나를 짧은 인터뷰 같은 다른 방법으로 접촉하세요.
지난 분기에 사용자가 말해 준 것 때문에 무엇을 바꿨으며, 그들은 압니까? 예를 요청하세요. 거의 없을 것으로 예상됩니다. 더 깊이 들어가려면, 정기적인 "여러분이 말했고, 우리가 했습니다" 메시지에 합의하세요.
사람이 같은 댓글의 표본을 읽을 때 우리 감성 도구는 얼마나 정확합니까? 시험해 보세요. 빈정거림과 도메인 용어에서 오류가 예상됩니다. 더 깊이 들어가려면, 도구를 써도 되는 곳과 안 되는 곳에 합의하세요.
우리 경험 척도 중 경험을 개선하지 않고 올릴 수 있는 것은 무엇입니까? 응답자에 대한 압력, 선별적 설문, 묻기 전에 티켓 닫기를 생각해 보세요. 더 깊이 들어가려면, 답변에 영향을 주는 것을 금지하는 규칙과 설문이 발송되는 방식의 점검에 합의하세요.
직원 경험에 대해 무엇을 수집하며, 모니터링이 아니라 돕는 데 쓰이도록 어떻게 보장합니까? 동의, 집계, 목적을 논의하세요. 강한 견해가 예상됩니다. 더 깊이 들어가려면, 사용에 대한 진술에 합의하고 직원 대표와 법률 자문을 참여시키세요.
실제 적용: 서비스 관리 사례
한 국립 도서관 네트워크의 IT 팀은 300개 분관의 직원 6,000명을 지원합니다. 기술 척도는 좋은 성과를 보여 줍니다. 가용성은 99.5퍼센트 이상이고 티켓의 92퍼센트가 목표 안에 해결됩니다. 그런데 연간 직원 설문은 "IT 지원"이 가장 낮게 평가된 서비스라고 하고, 분관 관리자들은 IT가 자신들의 업무를 이해하지 못한다고 말합니다.
서비스 관리자는 티켓이 해결될 때 자동으로 발송되는 짧은 트랜잭션 설문으로 시작합니다. 두 가지 질문("문제가 해결되었습니까?"와 "도움을 받기가 얼마나 쉬웠습니까?")과 선택적 의견입니다. 응답률은 18퍼센트입니다. 응답자를 직원 모집단과 비교하자 큰 분관은 과다 대표되고 작고 외진 분관은 거의 나타나지 않음을 발견합니다. 그녀는 무작위로 고른 작은 분관 다섯 곳에 월간 전화를 더하고, 직원들이 새 로그인을 요청하고 회의실 디스플레이를 예약해 보는 사용성 세션을 세 번 진행합니다.
숫자는 84퍼센트가 문제가 해결되었다고 하지만 도움을 받기가 쉬웠다고 하는 것은 55퍼센트뿐임을 보여 줍니다. 분석가 두 명이 주제별로 묶은 댓글은 가장 흔한 불만이 사람마다 문제를 다시 설명해야 한다는 것이며 댓글의 31퍼센트임을 보여 줍니다. 손으로 레이블한 댓글 200개에 대해 시험한 감성 도구는 약 4분의 1을 틀리게 분류하는데, "urgent"나 "critical"을 서술어로 쓰는 많은 댓글이 포함되므로, 팀은 도구를 읽을 댓글을 정렬하는 데만 씁니다. 사용성 세션은 요청 양식이 대부분의 직원이 모르는 자산 태그를 요구한다는 것을 찾아냅니다.
팀은 양식을 바꾸고, 상담원 사이에서 티켓을 따라가는 눈에 보이는 이력을 만들고, 월간으로 바뀐 것을 알리는 메모를 게시합니다. 분관 관리자들과 경험 수준 목표에 합의합니다. 직원의 75퍼센트가 도움을 받기가 쉬웠다고 말하는 것으로, 분기마다 댓글 및 응답률과 함께 검토합니다. 관리자는 점수가 개인 평가에 쓰이지 않을 것이라고 팀에 말합니다.
달라진 점은 쉬움 점수가 두 분기에 걸쳐 68퍼센트로 오르고 "다시 설명하기"가 댓글의 15퍼센트로 떨어졌다는 것입니다. 여전히 어려운 점은 가장 작은 분관의 응답률이 여전히 낮다는 것, 일부 상담원이 진술에도 불구하고 점수가 자신에게 불리하게 쓰일까 걱정한다는 것, 벤더가 전화 통화용 감정 탐지 도구를 제안했지만 관리자가 법률 및 직원 대표의 검토가 있을 때까지 거절한다는 것입니다. 그녀는 전화 표본 추출을 확대하려 합니다.
네 가지 관점
제품 및 전달 팀
기능의 성과에 대해 사용자에게 묻고, 실제 세션 몇 개를 관찰하고, 포기 같은 마찰 지점을 계측하세요. 배운 것을 서비스 팀과 공유하세요.
서비스 및 운영 팀
댓글을 읽고, 고객에게 무엇이 바뀌었는지 알리고, 경험 데이터로 프로세스가 사람들을 어디서 좌절시키는지 보세요. 점수를 조작하지 말고, 사람들에게 좋게 평가해 달라고 요청하지 마세요.
리더십과 거버넌스
응답률과 댓글이 있는 경험 척도를 요청하세요. 정성적 작업과 후속 조치에 재원을 대세요. 경험 점수로 개인의 순위를 매기거나 보상하지 마세요. 프라이버시와 직원 모니터링에 대한 자문을 구하세요.
고객과 사용자
중요한 것에 대해 질문받고, 적절한 곳에서는 익명으로 말할 수 있고, 무엇이 바뀌었는지 들어야 합니다. 설문이 여러분의 경험을 놓치는 곳을 제공자에게 알리고, 댓글에 예를 드세요.
애자일, AI, 자동화, 분석
애자일
양식을 바꾸는 것 같은 경험에 대한 작은 실험을 돌리고 몇몇 사용자에게 도움이 되었는지 물으세요. 설계에 사용자를 참여시키세요. 주의: 설문을 계속 바꾸면 비교가 무너지므로, 안정적인 핵심을 유지하고 질문은 아끼며 더하세요.
AI
AI는 댓글을 묶고, 주제를 요약하고, "여러분이 말했고, 우리가 했습니다" 메모의 초안을 쓰는 데 도움이 될 수 있으며, 사람이 원문과 대조해 확인합니다. 오너를 지정하세요. 주의: AI의 감성 및 감정 탐지는 집단과 언어에 걸쳐 틀리고 불공정할 수 있으므로, 레이블된 표본으로 시험하고 개인에게 쓰는 것을 피하세요. 주제 5.6 — AI 거버넌스, 위험, 규정 준수를 참조하세요.
자동화
설문 트리거, 심각한 댓글의 사람에게로의 전달, 후속 조치 알림을 자동화하세요. 주의: 좋은 결과 뒤에만 보내는 자동화된 설문은 점수를 부풀리므로, 일관되게 촉발하세요. 주제 6.2 — 워크플로 자동화와 오케스트레이션을 참조하세요.
분석
점수, 응답률, 주제, 행동 신호, 기술 데이터를 결합하세요. 주의: 점수는 누가 답하고 질문이 어떻게 묻는지에 영향받는 소음이 있으므로, 추세를 쓰고 불확실성을 보고하고 댓글을 읽으세요. 주제 7.3 — 측정과 보고와 서비스 관리 지표(Service Management Metrics) 책을 참조하세요.
흔한 실패 유형
- 기술 척도만. 대시보드는 초록인데 사용자는 불행합니다. 경험 척도와 댓글을 더하세요.
- 무시된 설문 편향. 목소리가 큰 사람이 응답합니다. 응답률을 보고하고 빠진 집단에 닿으세요.
- 유도 질문. 답이 치우칩니다. 중립적인 문구를 쓰고 시험하세요.
- 감성 점수를 믿기. 도구가 잘못 레이블합니다. 사람이 읽은 것과 대조해 확인하고 분류에 쓰세요.
- 목표가 된 점수. 사람들이 응답자에게 압력을 가합니다. XLA를 여러 척도와 함께 공유된 목표로 쓰세요.
- 설문 피로. 응답이 줄어듭니다. 덜 묻고 무엇이 바뀌었는지 보여 주세요.
- 사람 모니터링. 신뢰와 합법성이 해를 입습니다. 집계하고, 동의를 구하고, 자문을 구하세요.
성숙도 모델
| 영역 | 시작 | 발전 | 표준화 | 관리 | 오케스트레이션 |
|---|---|---|---|---|---|
| 수집 | 연간 설문 | 트랜잭션 설문 | 댓글이 있는 짧은 트랜잭션 및 관계 설문 | 응답과 편향을 점검하고 빠진 집단에 닿는다 | 여러 채널의 피드백이 통합된다 |
| 분석 | 점수만 | 주제를 손으로 읽는다 | 표본이 있는 주제, 도구를 사람과 대조한다 | 경험을 행동 및 기술 데이터와 연결한다 | 경험 통찰이 서비스 전반의 계획을 이끈다 |
| 활용 | 보고한다 | 일부 행동 | 행동을 추적하고 "여러분이 말했고, 우리가 했습니다"를 게시한다 | 고객과 경험 목표를 검토한다 | 파트너 사이에 경험 협약을 공유한다 |
| 윤리 | 불분명하다 | 인식한다 | 목적, 익명성, 집계 규칙 | 직원 및 자문가와 실무를 검토한다 | 수집과 분석에 프라이버시가 내장된다 |
체크리스트
- 만족만이 아니라 성과와 노력을 측정한다.
- 설문이 짧고, 중립적이고, 시험되어 있다.
- 응답률과 누가 빠졌는지 보고한다.
- 매주 댓글을 읽고 주제로 묶는다.
- 감성 도구를 사람의 레이블과 대조해 확인하고 분류에만 쓴다.
- 묻기만 하지 않고 실제 사용을 관찰한다.
- 경험 목표를 개인 척도가 아니라 공유된 목표로 쓴다.
- 피드백 덕분에 무엇이 바뀌었는지 게시한다.
AI 프롬프트
검토를 위해 댓글을 주제로 묶습니다.
Here are free-text comments from users with personal details removed: [paste].
Group them into up to eight themes, give a count for each, and quote two short comments exactly for each theme. List comments that do not fit. Do not rate sentiment or guess who wrote anything.
List what you are unsure of.
설문 질문을 검토합니다.
Here is a draft survey: [paste].
List questions that are leading, double-barreled, unclear, or likely to produce biased answers, quoting each, and suggest a neutral rewording. Do not add questions.
List what you are unsure of.
감성 도구를 시험합니다.
Here are 40 comments, each with a human label and the tool's label: [paste].
Compute the number and share of agreements and disagreements, list the comments with disagreements, and say what they have in common. Do not conclude anything about the tool beyond this sample.
List what you are unsure of.
AI 스킬
- survey-design: 공정하고 유용한 설문을 설계할 때 사용합니다.
- getting-feedback: 사용자와 동료의 피드백을 모으고 활용할 때 사용합니다.
- stakeholder-analysis: 누구에게 물어야 하고 누가 빠져 있는지 식별할 때 사용합니다.
- statistical-analysis: 응답 데이터를 불확실성과 함께 분석할 때 사용합니다.
- service-level-agreement: 경험 목표를 기술 목표와 나란히 구성할 때 사용합니다.
주요 출처
- Don Dillman, Jolene Smyth, and Leah Christian, Internet, Phone, Mail, and Mixed-Mode Surveys (4th edition, 2014): 설문 설계의 표준 안내서.
- Jakob Nielsen, usability research (nngroup.com): 소규모 표본 사용성 시험에 대한 실용적인 증거.
- The companion Service Management Metrics book: 경험 척도의 정의와 가드레일.
- Wikipedia, "Customer satisfaction" and "Sentiment analysis": 주요 개념의 개관.
참고 문헌
- Customer satisfaction — Wikipedia — https://en.wikipedia.org/wiki/Customer_satisfaction
- Net promoter score — Wikipedia — https://en.wikipedia.org/wiki/Net_promoter_score
- Customer experience — Wikipedia — https://en.wikipedia.org/wiki/Customer_experience
- User experience — Wikipedia — https://en.wikipedia.org/wiki/User_experience
- Survey methodology — Wikipedia — https://en.wikipedia.org/wiki/Survey_methodology
- Participation bias — Wikipedia — https://en.wikipedia.org/wiki/Participation_bias
- Sentiment analysis — Wikipedia — https://en.wikipedia.org/wiki/Sentiment_analysis
- Thematic analysis — Wikipedia — https://en.wikipedia.org/wiki/Thematic_analysis
- Usability testing — Wikipedia — https://en.wikipedia.org/wiki/Usability_testing
- Voice of the customer — Wikipedia — https://en.wikipedia.org/wiki/Voice_of_the_customer
- Employee monitoring — Wikipedia — https://en.wikipedia.org/wiki/Employee_monitoring
- Privacy — Wikipedia — https://en.wikipedia.org/wiki/Privacy