[논문 리뷰] Unlocking the power of AI in CRM: A comprehensive multidimensional exploration

• 메타정보
• TL;DR
• 소개 (Introduction)
• 핵심 기여 (Key Contributions)
• 관련 연구 / 배경 지식
  • Dynamic capabilities (DC) 와 microfoundations
  • AI 기반 CRM 의 선행 연구 흐름
  • 직접 관련된 두 흐름
• 방법 / 아키텍처 상세
  • 6단계 scoping review 프레임워크
  • Thematic analysis 의 코딩 절차
  • Sample 의 한계와 trustworthiness
  • 인터뷰 demographics
• 학습 목표 / 손실 함수
• 학습 데이터와 파이프라인
  • 문헌 데이터
  • 인터뷰 데이터
• 실험 결과
  • 결과 1 — 3차원 8하위차원 프레임워크의 도출
    • Data management capability
    • Multichannel integration capability
    • Service offerings capability
  • 결과 2 — 데이터 구조 (Table 5) 가 보여주는 추적 경로
  • 결과 3 — 측정 척도 후보 (Table 6)
• 결과 분석 / Ablation
• 한계와 비판적 평가
• 시사점 / Takeaways
• 설치 및 사용법 (코드 공개시)
• 참고 자료
• 더 읽어보기

메타정보

TL;DR

• AI 기반 CRM 의 역량 을 정량 모델이 아니라 정성 연구로 조립한 논문이다. 6단계 scoping review (Arksey & O’Malley, 2005; Fowler & Thomas, 2023) 와 thematic analysis (Braun & Clarke, 2006) 를 결합해, 64개 논문 + 24명 인터뷰 에서 공통적으로 등장하는 역량을 추출했다.
• 결과는 3개 차원 · 8개 하위차원 의 구조다. (1) Data management: 데이터 거버넌스, 데이터 분석, 프라이버시·보안. (2) Multichannel integration: 콘텐츠 일관성, 프로세스 일관성. (3) Service offerings: 개인화, 자동화, meaningfulness & novelty.
• 이론적 앵커는 Teece et al. 의 dynamic capabilities (DC) 와, 그 microfoundations — 즉 개인·집단 수준의 행동·역량이 어떻게 조직 수준의 sensing/seizing/transforming 으로 이어지는지에 대한 미시 메커니즘이다. 이 논문은 microfoundations 가 AI-CRM 맥락에서 underexplored 되어 있다는 갭에 답한다.
• 새로운 모델·알고리즘은 없다. 대신 AI-CRM 을 도입하려는 조직이 무엇을 측정·관리해야 하는가 에 대한 conceptual framework + 측정 척도 후보 (Table 6) 를 만들어, 후속 정량 연구의 출발점을 제공한다.
• 한계는 명확하다. 단일 연구진의 thematic 코딩, 24명이라는 작은 샘플, B2C/B2B 산업 혼재, 결과를 재무 성과 에 연결하지 못한 점. 하지만 “AI-CRM 역량” 이라는 모호한 용어를 측정 가능한 단위로 쪼갠 첫 번째 통합 시도로서의 가치는 크다.

소개 (Introduction)

AI 기반 CRM 은 더 이상 마케팅 부서의 사이드 프로젝트가 아니다. 글로벌 CRM 시장은 2021년 USD 18.1B 에서 2032년 USD 25.7B 으로 성장이 예측되고 (CAGR 3.2%), Salesforce Einstein, Microsoft Dynamics 365, SAP, Oracle 등 메이저 벤더는 모두 AI 모듈을 핵심 기능으로 탑재한 상태다. 그럼에도 학계와 실무 양쪽에서 비슷한 좌절이 보고된다 — 시스템은 깔았는데 효과가 안 난다. 어떤 연구는 CRM 프로젝트 실패율을 18-69%, 일부 임원 인터뷰에서는 최대 90% 로 보고한다 (Edinger, 2018). 실패의 표면 원인은 데이터 품질 / 사용자 저항 / 통합 실패지만, 그 아래에는 더 깊은 질문이 있다 — AI-CRM 이 만들어내는 “역량” 이란 정확히 무엇인가? 그리고 그 역량은 어떤 미시적 행동·자원·프로세스에서 솟아 나오는가?

이 논문은 그 질문을 정면으로 다룬다. 단, 통상적인 “구조방정식 모델 + 200명 설문” 식의 정량 접근이 아니라, 문헌의 conceptual fragmentation 자체를 직시한다. 이전 연구들은 RBV, TOE, TAM, value sensitive design, brand personality 등 서로 다른 이론적 렌즈로 AI-CRM 을 봐왔다. 결과적으로 데이터 관리 를 강조하는 논문, 챗봇 의인화 를 다루는 논문, 조직의 absorptive capacity 를 보는 논문이 모두 같은 “AI-CRM 역량” 이라는 우산 아래 모이지만, 서로 호환되지 않는 어휘를 쓴다. 이 논문은 그 어휘들을 thematic analysis 로 정리해, 공통 분모로 환원한다.

지금 이 논문을 읽을 가치가 있는 이유는 ML 에 가까운 독자에게도 두 가지가 있다. 첫째, 모델을 만드는 사람과 그것을 도입하는 조직 사이의 갭 을 microfoundations 라는 언어로 정리해 준다. 두 번째, 측정 척도 후보 (Table 6) 가 제공된다 — “이 조직은 AI-CRM 을 잘 쓰고 있는가” 라는 질문에 대해 8개 하위차원별로 5–15개의 가설 측정 항목을 제시한다. 이는 자체 도입 사례를 평가할 때 곧바로 설문지로 변환할 수 있는 자원이다.

핵심 기여 (Key Contributions)

• AI-CRM 역량의 통합 분류 체계 를 제시한다. Data management / Multichannel integration / Service offerings 의 3차원 + 8개 하위차원 구조 (Fig. 2). 기존 문헌이 “AI-CRM” 이라는 거대한 한 덩어리 안에 잡다한 개념을 넣어 두던 것을 분리·정렬한다.
• 이론적 앵커로 Teece (2007) 의 dynamic capabilities microfoundations 를 채택, 단순히 어떤 기능 이 있느냐가 아니라 어떤 미시 행동·결정 과정 이 그 기능을 만들어 내는지를 묻는다. AI-CRM 분야의 microfoundations 가 underexplored 된 갭 (Magistretti et al., 2021; Chatterjee et al., 2022b) 을 채운다.
• 방법론의 다중 트라이앵귤레이션 — 6단계 scoping review (PRISMA 기반) + 24명의 in-depth 인터뷰 + thematic 코딩 (inter-rater reliability 를 위한 두 명의 학술 연구자 협업 코딩). 각 데이터 소스가 다른 데이터 소스의 결론을 검증한다.
• 세 개의 검증 가능한 명제 (Proposition 1/2/3). 각 차원이 AI-CRM 역량에 영향을 줄 것이라는 가설을, 후속 정량 연구가 실증할 수 있게 명문화. Table 6 의 측정 항목과 짝을 이뤄 곧바로 척도 개발 연구의 입력이 된다.
• 실무자 수준의 권고 를 같이 정리한다 — 데이터 거버넌스에서 user involvement 와 access right monitoring, multichannel 에서 channel image consistency, 자동화에서 “system rarely makes mistakes” 같은 perceived reliability 항목까지. 척도 후보가 그대로 운영 KPI 로 환원될 수 있다.

관련 연구 / 배경 지식

Dynamic capabilities (DC) 와 microfoundations

Dynamic capabilities (Teece et al., 1997; Teece, 2007) 는 변화하는 환경에서 자원을 재구성 할 수 있는 조직의 메타 능력이다. 흔히 sensing (변화 감지), seizing (기회 포착), transforming (자원 재배치) 의 세 단계로 분해된다. 그러나 DC 자체는 조직 수준 (firm-level) 추상이다. 어떤 사람이, 어떤 도구를, 어떤 의사결정으로 sensing 을 만들어내는지를 물으면 답이 비어 있다.

이 빈 자리를 채우는 게 microfoundations (Felin et al., 2012; Bojesson & Fundin, 2021; Hutton et al., 2021) 다. 개인의 인지·동기, 팀의 상호작용, 절차·도구 같은 micro-level mechanism 이 조직 수준 capability 로 어떻게 응집되는지를 본다. 이 논문은 AI-CRM 을 microfoundations 로 보면, “AI-CRM 역량” 이 막연한 조직 자산이 아니라 개인이 데이터에 접근·해석·신뢰하는 과정 + 조직이 그 과정을 표준화·재배치하는 절차 의 합으로 분해된다고 본다.

AI 기반 CRM 의 선행 연구 흐름

Table 1 에 정리된 선행 연구들 (Baabdullah et al., 2021; Chatterjee et al., 2021b/2022b/2022c; Ling et al., 2021; Li & Xu, 2022; Monod et al., 2023; Suoniemi et al., 2021; Youn & Jin, 2021; Zhang et al., 2020) 의 공통점은 두 가지다. 첫째, 대부분 RBV 또는 TOE/TAM 의 단일 이론 렌즈로 본다. 둘째, 결과 변수가 adoption intention 또는 firm performance 로 단순화되어 있다. 즉 “어떤 변수가 도입을 촉진하는가” 는 잘 묻지만, “도입 후 그 시스템이 어떤 종류의 역량 을 만들어내는가” 는 잘 묻지 않는다.

직접 관련된 두 흐름

저자들이 본 논문의 출발점으로 명시하는 두 갈래가 있다. (1) Akter et al. (2022) 의 dynamic data analytics capability 모델 — 이 논문의 제2저자가 자기 인용으로 끌어오는 부분이며, “data quality, data analysis, privacy” 의 3-pillar 가 본 논문의 data management 차원과 거의 일대일로 맞물린다. (2) Hossain et al. (2019) 의 multichannel integration quality — content / process consistency 를 두 축으로 둔 systematic review. 본 논문의 multichannel integration 차원은 거의 이 분류를 그대로 받아온다. 한편 Huang & Rust (2018) 의 mechanical / analytical / intuitive / empathetic intelligence 4단계는 service offerings 차원의 자동화·개인화·meaningfulness 매핑에 영향을 준다.

방법 / 아키텍처 상세

이 논문에는 모델 아키텍처가 없다. 대신 연구 설계 자체 가 가장 큰 섹션이다. 6단계 scoping review (Arksey & O’Malley, 2005, Fowler & Thomas, 2023 의 업데이트) + thematic analysis 의 하이브리드.

6단계 scoping review 프레임워크

1. Stage 1 — 연구 질문 정의: “AI 기반 CRM 역량의 차원과 하위차원은 무엇이며, 그것이 기존 이론을 어떻게 확장·정보화하는가?”
2. Stage 2 — 관련 문헌 식별: Business Source Complete, ProQuest, Scopus, Web of Science 4개 DB 에서 “AI” AND “CRM”, “artificial intelligence” AND “customer relationship management”, “automation and CRM”, “technological innovation and CRM”, “CRM analytics” 키워드 조합. 영어 논문, 2023년 말까지. 1차 검색에서 1,055건 식별.
3. Stage 3 — Study selection: 1,055건 → 724건의 중복 제거 → 331건 스크리닝 → “CRM = coefficient of residual mass” 같은 약어 충돌 등을 제외한 39건 → cross-referencing 으로 25건 추가 → 최종 64건 포함. PRISMA 다이어그램 (Fig. 1) 으로 시각화.
4. Stage 4 — Charting: 64건의 논문을 인용·이론적 프레임워크·연구 방법·핵심 발견 으로 코드화.
5. Stage 5 — 정성 인터뷰 (24명): 두 가지 채널. (a) Zoom 1:1 in-depth 인터뷰 (45–60분), 반구조화. (b) 전화·온라인 PDF 응답 (소수의 참가자). 인터뷰 가이드는 Appendix A 에 공개. 24명은 Salesforce, Microsoft Dynamics 365, SAP, IBM Watson, Adobe, Oracle 등을 2년 이상 사용한 실무자 (CMO, CRM Manager, Marketing Automation Manager, Data Scientist, CTO 등). 50% 호주, 25% UAE, 71% 남성, 평균 경력 5–10년.
6. Stage 6 — 정리·보고: 인터뷰 결과를 thematic analysis (Braun & Clarke, 2006) 로 inductive 코딩. 두 명의 학술 코더가 inter-rater reliability 를 확보하면서 합의 코딩.

Thematic analysis 의 코딩 절차

문헌 64건과 인터뷰 24명을 모두 같은 코딩 체계로 환원하기 위해 inductive thematic analysis 를 적용. (1) 인터뷰 transcript 와 논문 발췌를 라인 단위로 open coding. (2) 비슷한 코드를 묶어 sub-theme 화. (3) sub-theme 을 차원으로 군집화. 그 결과가 Table 4 (문헌에서의 패턴) 와 Table 5 (인터뷰 인용 → sub-dimension → dimension) 다.

Sample 의 한계와 trustworthiness

샘플은 LinkedIn 으로 239명에 접촉 → 14명 동의 (purposive) → snowball 로 13명 추가 → 27 응답 중 3명 부실 응답 제외 → 최종 24명. Saturation 은 응답이 새로운 코드를 더 만들지 못할 때까지 계속 (Saunders et al., 2018). Trustworthiness 는 Denzin & Lincoln (2008) 의 4가지 — triangulation, peer review, member check, audit trail — 로 확보.

저자들도 이 샘플이 50% 호주·25% UAE 로 편향되어 있다는 한계를 본문에서 인정한다 (McKnight, 2007). 즉 본 논문의 결과는 영어권 + 중동 시장 + 대형 / tech-forward 조직 중심으로 편향된 일반화다.

인터뷰 demographics

학습 목표 / 손실 함수

이 논문에는 학습 목표나 손실 함수가 없다 — 정량 모델이 아니다. 대신 thematic analysis 의 분석 목표 를 손실로 비유하면 다음과 같다.

즉 충분히 많은 인용을 포함하는가 (coverage), 너무 많은 테마로 쪼개지지 않는가 (parsimony), 코더 간 disagreement 가 작은가 (reliability) 를 동시에 만족하는 코딩 체계가 좋은 thematic analysis 다. 이 논문에서 $\lambda$, $\mu$ 는 명시되어 있지 않지만, 두 명의 학술 코더 + Cole (2024) 의 inter-rater reliability 절차로 두 항을 통제한다.

학습 데이터와 파이프라인

문헌 데이터

인터뷰 데이터

실험 결과

이 논문에서 “결과” 는 모델 성능이 아니라 차원 / 하위차원의 도출과 검증 이다. 다음 세 단계로 정리된다.

결과 1 — 3차원 8하위차원 프레임워크의 도출

Fig. 2 가 논문 전체의 결정적 그림이다. 이 그림은 본문 어디서 인용해도 모자라지 않을 정도로 자주 등장한다.

Data management capability

• Intelligent data governance: 정책·소유권·접근 권한을 누가 어떻게 책임지고 운영하는지. “데이터의 단일한 진실 원천 (single source of truth)” (Interviewee #3) 이 만들어지는지.
• Data analytics: descriptive (무슨 일이 있었나) → predictive (무슨 일이 일어날까) → prescriptive (어떻게 해야 하나) 의 3단계 (Fantini & Narayandas, 2023). 24명 중 다수가 predictive 가 가장 transformative 라고 응답.
• Data privacy and security: GDPR 준수, breach 대응, encryption, anonymisation. 인터뷰 인용: “Data privacy and data breaches are very common issue in the AI industry” (Interviewee #3, Male 30).

Multichannel integration capability

• Content consistency: 동일한 메시지·promotion·service performance 가 채널을 가로질러 일치하는지. 일관성 부족이 약 20% 의 brand quality perception 손실로 이어진다는 점이 (Simpson 2019, Techipedia) 인용된다.
• Process consistency: 채널 종류와 무관하게 process 자체 (예: 환불 절차, KYC 절차) 가 일정한지. Hossain et al. (2019/2020a) 의 framework 를 그대로 반영.

Service offerings capability

• Personalisation: customer segmentation 으로 1:1 응답을 만들 수 있는 능력. “The more personalised the content you can create, the higher the chances that your customers will be happy” (Interviewee #17, Male 34).
• Automation: 반복 작업의 무인화. 24명 중 다수가 자동화의 perceived reliability (“system rarely makes mistakes”) 를 핵심 KPI 로 응답.
• Meaningfulness and novelty: 단순한 빠름·정확함을 넘어 고객에게 의미 있고 신선한가 를 묻는 차원. Akter et al. (2023b) 의 service innovation 측정 척도와 짝을 이룬다.

결과 2 — 데이터 구조 (Table 5) 가 보여주는 추적 경로

이 표가 이 논문의 정성 분석이 임의 코딩이 아님 을 보장하는 핵심 자료다. 각 인터뷰 인용이 어느 코드 → 어느 sub-dimension → 어느 차원으로 매핑되는지가 row 단위로 노출된다.

결과 3 — 측정 척도 후보 (Table 6)

이 부분이 후속 정량 연구의 입력으로서 가장 실용적이다. 각 sub-dimension 마다 5-15개의 후보 항목이 정리되어 있고, 각각 reference (e.g. Akter et al. 2022, Tallon et al. 2013, Hossain et al. 2020b, Lee et al. 2019, Sun et al. 2020 등) 가 붙어 있다.

대표적 항목 몇 개:

• Intelligent data governance: “Ability to access very large, unstructured or fast-moving data”, “Ability to integrate data from multiple sources”, “Ability to keep customer data sufficiently private”, “User involvement in policy setting and evaluation”, “Plan and provide storage capacity”
• Data privacy and security: “Personal information that is transmitted across various channels (websites, mobile apps and physical branches) is protected”, “Customers feel secure about using multiple channels”
• Content consistency: “The system provides consistent information across all channels”, “Customers receive consistent responses through different channels”, “The service performance is consistent across different channels”
• Process consistency: “The system images are consistent across all channels”, “The feelings about the service are consistent across all channels”
• Personalisation: “The system can deliver immediate one-to-one responses based upon customers’ precise demands”, “Recommendations are offered based on personal information across different channels”
• Automation: “Automated systems have 100% perfect performance”, “The level of automation is reliable / dependable / consistent / accessible”. 흥미롭게도 negative-worded 항목 — “Automated systems rarely make mistakes”, “If an automated system makes a mistake, then it is completely useless” — 이 같이 들어가 perceived reliability 의 양극을 동시에 측정한다.
• Meaningfulness & novelty: “Is relevant to the customers’ needs and expectations”, “Is really ‘out of the ordinary’”, “Demonstrates an unconventional way of solving problems”

이 척도들은 아직 신뢰도·타당도가 검증되지 않은 후보 라는 점이 중요하다. 본 논문은 척도 개발 자체 를 하지는 않고, 측정 항목의 풀을 정리해 후속 연구에 던진다.

결과 분석 / Ablation

이 논문은 정량 ablation 이 없다. 대신 각 차원이 빠지면 어떻게 되는가 를 인터뷰 인용으로 정성적으로 보여준다.

• Data management 만 결여될 경우: “If the underlying data isn’t right and it isn’t filled in correctly, then the whole thing falls over” (Interviewee #19). 즉 multichannel·service offerings 가 아무리 좋아도 data layer 가 무너지면 시스템 전체가 의미 없다 — 위계적 의존성이 있다고 시사.
• Multichannel integration 만 결여: 콘텐츠는 좋지만 채널 간 메시지 충돌 → brand quality perception 약 20% 하락 (Simpson 2019).
• Service offerings 만 결여: 데이터·채널은 정리되어 있지만 personalisation 이 약하면 고객은 왜 이 회사가 내 데이터를 갖고 있는지 이유를 못 찾는다. Loebbecke et al. (2020) 의 substitution-of-empathy 비판도 같이 인용된다 — AI 가 personalisation 을 자동화하면서 진짜 공감 을 잃을 수 있다는 trade-off.

저자들은 이 trade-off 가 본 논문의 propositional structure 로 환원된다고 주장한다. P1 (data management), P2 (multichannel), P3 (service offerings) 각각이 AI-CRM 역량에 substantial influence 를 준다는 가설은 후속 SEM 으로 추정해야 하지만, 적어도 “어느 한 차원이 0 이 되면 전체가 무너진다” 는 정성적 증거는 인터뷰에 풍부하다.

한계와 비판적 평가

저자가 본문에서 인정한 한계:

• AI-CRM 분야 현재 문헌 만을 대상으로 했다. 따라서 외삽 가능성에 한계가 있고 (Arksey & O’Malley, 2005), AI 외 마케팅 시스템에는 그대로 적용되지 않을 수 있다.
• Self-reported data 의존 → response bias (Arnold & Feldman, 1981; Tourangeau & Yan, 2007) 가능성. 후속 연구는 observational data / objective KPI 와 결합 권고.
• AI-CRM 의 직접 비즈니스 성과 (customer equity, operational efficiency, financial performance) 와의 인과 관계를 검증하지 못함.

리뷰어 입장에서 추가로 보이는 한계:

• 샘플 편향: 24명, 그중 50% 호주 + 25% UAE, 71% 남성. AI-CRM 도입에 가장 활발한 미국·유럽·동아시아 (한·일·중) 가 거의 빠져 있다. Salesforce / Microsoft Dynamics 도입율이 가장 높은 시장이 빠져 있다는 점은 framework 의 일반화 가능성을 좁힌다.
• B2C / B2B 구분 부재: Banking, Hospitality, Pharmaceutical, Construction 등 산업이 섞여 있는데, AI-CRM 의 핵심 사용 사례는 산업별로 매우 다르다 (B2B 는 lead scoring, B2C 는 personalisation). 이 차이를 차원 정의에서 흡수하지 않고 같이 묶었다.
• Microfoundations 라는 어휘의 불완전 활용: 저자들은 microfoundations 를 이론적 우산 으로 쓰지만, 정작 어떤 개인 행동 / 어떤 절차 가 어떤 차원으로 응집되는지를 그림으로는 보여주지 않는다. Fig. 2 는 capability 의 구조도이지 microfoundations 의 응집 다이어그램은 아니다.
• 측정 척도의 양면성: Table 6 의 자동화 항목은 negative-worded 항목 (“Automated systems have 100% perfect performance” + “Automated systems rarely make mistakes” + “If an automated system makes a mistake, then it is completely useless”) 을 한 사다리에 같이 둔다. 이는 reverse-scoring 에 내성을 주려는 의도로 보이지만, 후속 연구가 factor analysis 를 돌릴 때 단일 요인이 깔끔하게 추출되지 않을 위험이 있다.
• 다른 microfoundations 연구와의 비교 부족: Akter et al. (2022) 의 humanitarian analytics empowerment, Magistretti et al. (2021) 의 AI-related dynamic capabilities 와 같은 인접 작업이 본문에서 충분히 비교되지 않는다. 왜 본 논문의 8 sub-dimension 이 다른 모델보다 정확한가 라는 질문은 미해결로 남는다.

시사점 / Takeaways

• AI-CRM 도입을 평가할 때 “AI 가 들어 있는가” 라는 질문은 무용하다. 적어도 8개 sub-dimension 중 어느 것을 어떤 수준으로 지원하는지를 분리해서 봐야 한다. 데이터 거버넌스 + 데이터 분석 + 프라이버시 / 콘텐츠 일관성 + 프로세스 일관성 / 개인화 + 자동화 + meaningfulness — 이 8개가 체크리스트가 된다.
• 자동화의 perceived reliability 가 채택의 큰 변수다. “automation rarely makes mistakes” 가 운영 KPI 가 되어야 하고, 한 번의 자동화 실패가 전체 시스템 신뢰를 오래 깎아먹는다는 해석.
• Multichannel 통합은 콘텐츠 일치 와 프로세스 일치 가 다르다. 메시지를 똑같이 보낸다고 해서 환불 절차가 자동으로 똑같지는 않다. 두 측을 분리해서 측정해야 한다.
• Microfoundations 관점은 ML 엔지니어에게도 시사하는 바가 있다 — 모델 성능이 곧 비즈니스 역량은 아니다. 모델 위에 sales rep 의 입력 행동, CRM admin 의 거버넌스, customer-facing UX 의 응집이 같이 갈 때만 capability 가 만들어진다. 모델만 잘 만들고 organizational deployment 를 등한시하면 0.99 AUC 도 0 의 비즈니스 효과로 귀결된다.
• 향후 정량 연구 (척도 개발 / SEM / 종단 연구) 의 분명한 출발점을 제공한다. 자기 회사의 AI-CRM 성숙도를 평가할 때 Table 6 항목을 internal survey 로 변환해 시작점으로 쓸 수 있다.

설치 및 사용법 (코드 공개시)

이 논문은 코드/데이터 공개가 없다. 대신 연구 설계 자체 를 따라 할 수 있는 레시피를 정리한다. 자기 회사 AI-CRM 평가 설문을 만들고 싶다면 다음과 같은 구조가 가장 가깝다.

1) 64개 논문의 핵심 척도 (Table 6) 를 그대로 가져온다.
2) 8개 sub-dimension 마다 5–10개 문항을 골라 5점 Likert 로 변환.
3) Sample frame: AI-CRM 을 2년 이상 쓰는 사용자 (sales rep / CRM admin / data steward).
4) Pilot n=20–30 → exploratory factor analysis → 잡음 항목 제거.
5) Main n=200–300 → confirmatory factor analysis → 8요인 구조 검증.
6) 비즈니스 outcome (NPS, customer equity, operational efficiency) 을 종속변수로 SEM.

이 레시피는 본 논문의 limitations 섹션이 명시적으로 future research direction 으로 권고하는 흐름이다.

참고 자료

• 논문: Journal of Innovation & Knowledge 10 (2025) 100731
• DOI: 10.1016/j.jik.2025.100731
• 저자 연락처: kkska205@uowmail.edu.au · sakter@uow.edu.au · venkaty@uow.edu.au
• 라이선스: CC BY 4.0 (open access)

더 읽어보기

• Artificial intelligence in customer relationship management: A systematic framework for a successful integration (Ledro et al., 2025) — 같은 해 Journal of Business Research 에 실린 자매격 논문. AI-CRM 도입 프로세스 를 설명변수로 두는 반면, 본 논문은 도입 후 만들어지는 역량 을 설명변수로 둔다. 본 블로그의 paper 0005 도 함께 읽으면 두 논문이 상보적 관점을 제공한다는 점이 잘 보인다.
• Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance (Teece, 2007) — Dynamic capabilities 와 microfoundations 의 원전. 본 논문이 끌어오는 sensing/seizing/transforming 의 출처.
• Artificial Intelligence in Service (Huang & Rust, 2018) — AI 의 intelligence 를 mechanical / analytical / intuitive / empathetic 4단계로 나누는 분류. 본 논문의 service offerings 차원 (자동화 ↔ meaningfulness) 의 이론적 그라디언트로 읽어도 무방.
• Building dynamic service analytics capabilities for the digital marketplace (Akter et al., 2020) — 본 논문 제2저자의 자기 인용. Data analytics capability 의 selection / collection / interpretation / dissemination 4단계 모델로, 본 논문 data management 차원의 직접 출처.
• Theorising the microfoundations of analytics empowerment capability for humanitarian service systems (Akter et al., 2022) — Microfoundations 를 humanitarian analytics 에 적용한 동일 저자 그룹의 논문. 이 논문의 방법론 이 본 논문에서도 거의 그대로 쓰였다.
• Adoption of AI-integrated CRM system by Indian industry: from security and privacy perspective (Chatterjee et al., 2021) — AI-CRM 채택 결정 요인 중 보안·프라이버시 가 dominant 변수임을 보인 인도 사례. 본 논문의 data privacy and security sub-dimension 의 실증 근거.
• Artificial intelligence (AI)-enabled CRM capability in healthcare: The impact on service innovation (Kumar et al., 2023) — 의료 산업에서의 AI-CRM 이 clinical / service / AI-engagement 3가지 capability 로 나뉜다는 연구. 본 논문의 service offerings 차원과 비교해 산업 특이성을 보여주는 사례.
• Multichannel integration quality: A systematic review and agenda for future research (Hossain et al., 2019) — Content / process consistency 라는 두 축의 출처. 본 논문 multichannel integration 차원이 거의 그대로 빌려온 분류 체계다.