Intercom이 리드 데이터의 근거를 공개한 방법

요약

• Intercom은 데이터 플랫폼을 도입해 잠재 고객 신호를 자동으로 수집하고 분석했습니다.
• 영업팀에 리드 선정 근거를 투명하게 공개해 아웃바운드로 발굴한 파이프라인이 140% 늘어났습니다.
• 자동화의 핵심은 대량 발송이 아니라 현장 담당자가 납득할 수 있는 데이터의 투명성입니다.

정작 고객을 찾는 과정은 멈춰 서 있었습니다

고객 서비스용 인공지능 에이전트 Fin을 시장에 내놓으며 주목받던 Intercom 내부에서 뜻밖의 마찰이 일어났습니다. 회사의 핵심 제품은 사람처럼 응대하는 최신 인공지능이었지만, 이 제품을 사줄 잠재 고객을 찾아 영업팀에 넘겨주는 과정은 파편화된 데이터와 현장의 불신으로 삐걱거리고 있었습니다. 데이터 플랫폼 Clay가 자사 웹사이트에 공개한 고객 사례에 따르면, 당시 Intercom의 시장 진출을 맡는 영업·마케팅 조직(GTM)은 겉보기와 다른 심각한 비효율을 겪고 있었습니다.

문제의 중심에는 영업 담당자들의 깊은 불신이 있었습니다. 고객관계관리(CRM) 시스템인 Salesforce에 새로운 잠재 고객 목록이 들어왔지만, 영업 담당자들은 그 목록을 믿지 않았습니다. 담당자들은 회사 이름만 보고 연락을 취하는 대신, 직접 검색창을 켜고 웹사이트를 일일이 들어가 확인하는 데 귀중한 시간을 쏟아부었습니다. 데이터가 현장에서는 아무런 힘을 쓰지 못하고 버려지고 있었습니다.

영업 실무자가 시스템이 추천한 고객을 믿지 못하는 현상은 많은 기업에서 흔히 벌어집니다. 왜 이런 불신이 생겼을까요? 기존에 쓰던 여러 데이터 보강 도구들이 아무런 맥락 설명 없이 수치와 결과만 시스템에 밀어 넣었기 때문입니다. 현장 담당자 입장에서는 이 기업이 왜 우리 제품에 적합한지 근거를 전혀 알 수 없으니, 데이터를 일종의 깜깜이 상자로 취급하며 외면할 수밖에 없었습니다.

세 가지 장벽이 파이프라인의 흐름을 막았습니다

당시 Intercom의 GTM 조직이 겪던 병목은 크게 세 가지였습니다.

첫째는 기존 도구의 정밀도 부족이었습니다. 일반적인 기업 정보(firmographic) 도구는 직원 수나 산업 분류 같은 넓은 정보만 제공할 뿐이었습니다. 정작 Fin을 구매할 가능성이 높은 기업을 가려내려면 고객 지원 문의량이 많은지, 웹사이트에 무료 체험 옵션이 있는지, 최근 고객 서비스 직군을 채용하고 있는지 같은 세부적인 신호가 필요했습니다. 하지만 기존 기성 데이터베이스에는 이런 미세한 신호가 존재하지 않았습니다.

둘째는 목록 하나를 만드는 데 며칠씩 걸리는 수작업 방식이었습니다. 이상적인 잠재 고객 목록을 만들려면 담당자가 여러 도구에서 데이터를 스프레드시트 파일(CSV)로 각각 내려받아야 했습니다. 이를 손으로 다듬고 중복을 제거한 뒤, 다시 내부 시스템에 올려 항목을 하나하나 연결하는 데 꼬박 며칠이 소요되었습니다. 빠르게 가설을 세우고 시험해 보아야 할 조직이 데이터 정리 작업에 발목이 잡혀 있었습니다.

셋째는 데이터의 출처와 선정 이유가 사라지면서 생긴 현장의 불신이었습니다. 여러 외부 도구가 제각기 가져온 데이터를 Salesforce에 맥락 없이 쏟아붓다 보니, 영업 담당자는 특정 계정이 왜 좋은 잠재 고객으로 분류되었는지 과정을 전혀 들여다볼 수 없었습니다. Intercom의 GTM Ops 디렉터 Alexander DeMoulin은 여러 도구가 맥락 없이 데이터를 밀어 넣은 탓에 영업 담당자가 계정 선정 이유를 알 수 없었던 점이 핵심 문제였다고 설명했습니다. 분기 목표를 달성해야 하는 영업 담당자에게 근거 없는 목록은 무용지물이었고, 결국 직접 재조사하는 악순환이 이어졌습니다.

흩어진 데이터를 모으고 최우수 고객의 조건을 역추적했습니다

Intercom의 매출 운영팀(RevOps)은 이 문제를 풀기 위해 150개가 넘는 데이터 제공업체 마켓플레이스와 에이전트형 워크플로를 제공하는 플랫폼 Clay를 도입했습니다. 계정 데이터를 수집하고 검증해 영업 현장에 전달하는 전 과정을 단일 파이프라인으로 통합하기로 결정한 것입니다.

수천 건에 달하는 기존 CRM 기록에 기업 정보, 직원 수 추이, 채용 공고, 기술 스택, 최신 뉴스를 붙여 데이터를 풍부하게 보강했습니다. 그런 다음 가장 가치가 높은 고객들의 공통점을 역으로 분석했습니다.

고객지원팀의 규모부터 특정 직군의 채용 패턴까지 다양한 세부 속성을 대조하며 시험한 끝에, 팀은 Fin 도입 성공과 지속적으로 연결되는 고유한 신호들을 명확하게 찾아낼 수 있었습니다. DeMoulin은 이 과정을 거치며 어떤 세부 신호들이 Fin에 꼭 맞는 이상적 고객 프로필(ICP)을 정확히 가리키는지 비로소 파악하게 되었다고 밝혔습니다.

다섯 가지 신호를 실시간으로 추적하는 자동화 파이프라인을 구축했습니다

기준이 명확해지자 Intercom은 사람이 손으로 목록을 만들던 방식을 중단하고, 다차원 신호를 자동으로 감지해 반영하는 워크플로를 세웠습니다. 시스템이 쉬지 않고 추적하는 데이터는 크게 다섯 범주로 나뉩니다.

첫째는 직원 수와 인원 증가 추세, 세부 업종을 포함하는 기업 정보입니다. 둘째는 최근 채용 공고와 채용 추세, 핵심 인력의 이직, 투자 유치 소식을 아우르는 의도 신호입니다. 셋째는 고객 지원팀의 실제 규모와 관련 직함을 확인하는 연락처 데이터입니다. 넷째는 해당 기업이 현재 사용하는 소프트웨어 기술과 클라우드 데이터 웨어하우스 도입 여부를 살피는 기술 스택 데이터입니다. 다섯째는 웹사이트 화면의 로그인 버튼 존재 여부, 무료 체험 제공 여부, 대량의 고객 문의가 발생하는 구조인지 확인하는 웹사이트 속성입니다.

다차원 신호 기반 리드 자동 수집 체계

실제 구현 환경에서는 이런 복합적인 흐름이 정교하게 맞물려 돌아갔을 것입니다. 먼저 경량화된 웹 스크래퍼나 브라우저 에이전트를 가동해 대상 웹사이트의 구조를 훑으며 로그인 링크나 체험 신청 창이 있는지 확인했을 것입니다. 이어 연락처와 기술 스택의 빈틈을 메우기 위해 Apollo나 Clearbit, LinkedIn 같은 복수의 데이터 공급업체를 순차적으로 호출하는 방식을 취했을 가능성이 높습니다. 앞선 공급업체에 정보가 없으면 다음 업체로 요청을 넘겨 빈 항목을 채우고, 이렇게 정규화된 데이터를 종합 점수로 환산하는 방식이었을 것입니다.

이 자동화 파이프라인을 가동한 결과, Intercom은 한 달 만에 4,000개가 넘는 목표 계정을 새로 찾아내고 21,000건에 달하는 담당자 연락처를 보강하는 성과를 거두었습니다. 데이터가 계속해서 흐르기 때문에 영업팀은 항상 최신 상태로 유지된 정보를 공급받게 되었습니다.

투명한 유리 상자로 영업팀의 신뢰를 되살렸습니다

기술적인 자동화보다 더 결정적인 변화는 일하는 방식의 투명성이었습니다. RevOps 팀과 영업 관리자들은 화면 앞에 함께 앉아 조건을 실시간으로 바꿔 가며 5분 만에 새로운 잠재 고객 목록을 뽑아내 시범 운영을 진행할 수 있게 되었습니다. 예전에는 며칠씩 걸리던 실험 주기였습니다. 만약 특정 가설이나 조건이 현장에서 기대만큼 성과를 내지 못하면, 현장의 목소리를 들어 그 즉시 필터를 수정하고 새 대상을 추출했습니다.

무엇보다 영업 담당자가 시스템을 신뢰하게 되었습니다. 영업 담당자는 특정 계정이 왜 우수한 리드로 분류되었는지 적용된 규칙과 원래 신호까지 낱낱이 확인할 수 있었습니다.

실제 시스템 화면에서는 단순한 숫자 점수 하나만 띄우는 방식을 피했을 것입니다. 예컨대 ‘Fin 적격 사유’ 같은 별도 필드를 마련해 ‘최근 30일 이내 타사 고객 상담 도구에서 전환 조짐 감지’, ‘고객 서비스 직군 채용 공고 3건 활성화’, ‘웹사이트 내 지원 포털 확인’과 같은 구체적인 태그와 문장으로 근거를 보여주었을 것입니다.

DeMoulin은 Clay가 내부를 들여다보고 감사할 수 있는 “유리 상자(glass box)“처럼 작동했다고 설명했습니다. 계정이 선정된 배경과 근거를 두 눈으로 확인하게 되자, 담당자들은 의심을 거두고 시스템이 넘겨준 목록을 기반으로 즉각 고객과의 대화에 뛰어들 수 있었습니다. 사전 뒷조사에 쓰던 시간이 온전히 영업 대화 시간으로 전환된 것입니다.

영업 담당자가 보는 계정 정보 비교

현장의 신뢰가 이끌어낸 파이프라인의 성장

운영 방식을 유리 상자 모델로 전환한 뒤 거둔 성과는 분명했습니다. 회사가 먼저 고객을 찾아 접근하는 아웃바운드 방식으로 발굴한 파이프라인(outbound-sourced pipeline)이 140% 증가했습니다. 전체 매출이나 회사 전체 파이프라인의 수치가 아니라, 아웃바운드 발굴 영역에서 만들어낸 성장입니다.

며칠씩 걸리던 잠재 고객 목록 작성과 가설 검증 시간은 실시간 필터 조정을 통해 단 5분으로 단축되었습니다. 한 달 만에 4,000개가 넘는 계정을 발굴하고 21,000건의 연락처를 보강했습니다.

이 사례는 인공지능과 데이터 자동화를 고민하는 기업 리더들에게 중요한 기준을 제시합니다.

첫째, 현장의 신뢰가 담보되지 않는 자동화는 파이프라인을 멈추게 만듭니다. 아무리 정교한 인공지능 모델과 방대한 데이터베이스를 갖추었더라도, 최전선의 실무자가 그 결과를 믿지 못하면 시스템 전체가 공회전합니다. Intercom이 보여준 유리 상자 방식처럼, 왜 그런 추천이 나왔는지 근거를 투명하게 보여주는 운영 설계가 기술 도입보다 앞서야 합니다.

둘째, 남들과 똑같은 일반 정보로는 차별화된 고객을 찾을 수 없습니다. 누구나 들여다보는 기본 기업 정보만으로는 우리 제품이 실제로 필요한 순간을 포착하기 어렵습니다. Intercom이 웹사이트의 로그인 구조나 지원 직군 채용처럼 Fin의 핵심 가치와 직결되는 미세 신호를 조합했듯, 우리 제품만의 고유한 수요 신호가 무엇인지 먼저 정의해야 합니다.

물론 이러한 체계를 갖추려면 분석의 기준이 되어 줄 충분한 CRM 데이터가 미리 쌓여 있어야 하며, 150여 개 데이터 소스를 유연하게 조율할 수 있는 전문적인 운영 역량도 뒷받침되어야 합니다. 결국 GTM 자동화의 본질은 메시지를 대량으로 살포하는 기술이 아니라, 현장 담당자가 확신을 갖고 고객에게 첫 문장을 건넬 수 있도록 납득 가능한 근거를 쥐어주는 데 있습니다.

---

출처

Clay Customer Stories — How Intercom used Clay to build trust in GTM data and accelerate outbound execution — https://www.clay.com/customers/intercom — 2026-09