이번 팀미션은 단순히 좋은 아이디어를 내는 과제가 아니라, 시장과 고객 데이터를 바탕으로 실현 가능한 신사업 전략을 만드는 과제였다.
우리 팀은 세 가지 주제 중 시니어 헬스케어 및 라이프 매니지먼트 서비스 신규 사업 전략 수립을 선택했다. 처음에는 "시니어를 위한 통합 돌봄 앱"처럼 기능 중심으로 접근할 수도 있었지만, 실제 고객이 어떤 문제를 어떤 말로 묻는지 먼저 확인하는 것이 더 중요하다고 판단했다.
그래서 네이버 지식iN의 실제 질문과 채택답변을 수집해, 고객의 Pain Point를 찾고 이를 RAG 기반 서비스 전략으로 연결했다.
1. 미션 주제
선택 주제: 시니어 헬스케어 및 라이프 매니지먼트 서비스 신규 사업 전략 수립
핵심 질문: 초고령화 사회에서 시니어와 보호자는 어떤 문제를 반복적으로 겪고 있으며, 이 문제를 해결하기 위해 어떤 통합 디지털 서비스를 만들 수 있을까?
우리 팀의 방향: 시니어 본인만을 고객으로 보지 않고, 실제로 비용을 지불하고 돌봄 의사결정을 하는 보호자/자녀를 핵심 고객으로 정의했다.
| 구분 | 정의 |
|---|---|
| User | 서비스를 실제로 경험하는 시니어 부모님 |
| Customer | 서비스를 선택하고 비용을 지불하는 보호자/자녀 |
이 구분을 잡으니 서비스 방향도 달라졌다. "시니어가 매일 쓰는 앱"이 아니라, "보호자가 부모님의 안부, 복약, 병원동행, 돌봄제도를 판단하도록 돕는 서비스"가 되어야 했다.
2. 데이터 기반으로 문제를 찾은 방식
이번 프로젝트에서는 지식iN의 시니어 케어 관련 질문 데이터를 수집했다.
| 구분 | 규모 |
|---|---|
| API 후보 질문 | 216,347개 |
| 상세 크롤링 질문 | 10,000건 |
| 채택답변 포함 질문 | 2,745건 |
| 채택답변 비율 | 27.5% |
지식iN 데이터는 공식 의료/복지 정답을 얻기 위한 자료가 아니다. 대신 실제 사람들이 어떤 상황에서 무엇을 궁금해하고, 어떤 답변을 도움 되는 답변으로 채택했는지를 볼 수 있는 실제 상황 데이터다.
특히 채택답변은 질문자가 자기 문제 상황에 도움이 되었다고 선택한 답변이기 때문에, 고객의 실제 맥락과 해결 단서를 파악하는 데 의미가 있다.
3. 반복적으로 드러난 Pain Point
10,000건 상세 질문을 기준으로 반복되는 문제를 분류했다.
| 순위 | Pain Point | 상세 표본 건수 |
|---|---|---|
| 1 | 식사·가사·생활지원 공백 | 981 |
| 2 | 비용·지원금·본인부담 불확실성 | 977 |
| 3 | 보호자 시간·심리 부담 | 971 |
| 4 | 돌봄/요양/복지 서비스 탐색 어려움 | 963 |
| 5 | 치매·인지저하 대응 불안 | 962 |
분석하면서 가장 크게 느낀 점은, 보호자들이 "문제가 있다는 것"을 모르는 것이 아니라는 점이었다.
이미 부모님의 식사, 복약, 병원동행, 치매, 장기요양, 비용 문제를 알고 있다. 하지만 무엇부터 확인해야 하는지, 어떤 제도가 가능한지, 민간 서비스를 써도 되는지, 가족이 직접 해야 하는 일은 무엇인지 판단하기 어려워한다.
그래서 우리 팀은 문제를 이렇게 정의했다.
보호자는 부모님의 돌봄 문제를 인지하고 있지만, 공공제도·민간서비스·가족 실행안을 어떤 순서로 선택해야 하는지 판단하기 어렵다.
4. 왜 RAG를 사용했는가
일반 LLM이나 ChatGPT에 질문하면 빠르고 자연스러운 답변을 받을 수 있다. 하지만 시니어 케어처럼 복약, 병원동행, 장기요양, 비용, 가족 돌봄 부담이 섞인 문제에서는 실제 상황과 맞지 않는 일반론이 나오거나, 근거 없는 내용을 그럴듯하게 생성하는 할루시네이션 위험이 있다.
RAG는 LLM이 자기 기억만으로 답하지 않고, 먼저 관련 문서를 검색한 뒤 그 근거를 바탕으로 답변을 생성하는 방식이다.
케어잇 RAG에서는 지식iN의 실제 질문과 채택답변을 지식베이스로 사용한다. 사용자가 질문하면 문맥이 비슷한 실제 사례를 Vector Search로 찾고, 검색된 질문과 채택답변을 현재 보호자의 상황에 맞게 재구성한다.
RAG를 선택한 이유는 다음과 같다.
- 실제 보호자 질문 표현을 서비스 설계에 반영할 수 있다.
- 채택답변을 통해 실제 상황에서 도움이 된 해결 단서를 확인할 수 있다.
- LLM 단독 답변보다 근거 없는 답변 가능성을 줄일 수 있다.
- 답변 근거를 남겨 팀 내부 검증과 발표 근거로 활용할 수 있다.
- 데이터가 업데이트되어도 모델을 다시 학습시키지 않고 지식베이스를 갱신할 수 있다.
정리하면, 케어잇 RAG는 단순 AI 챗봇이 아니라 실제 질문과 채택답변을 기반으로 보호자의 돌봄 의사결정을 돕는 구조다.
5. 서비스 제안: 케어잇 RAG
서비스명: 케어잇 RAG
한 줄 정의: 보호자가 부모님의 안부, 복약, 병원동행, 돌봄제도 선택을 한 번에 판단하도록 돕는 시니어 라이프 매니지먼트 RAG
핵심 기능
| 기능 | 설명 |
|---|---|
| 자연어 상담 | "어머니가 약을 자주 잊고 병원도 혼자 가기 어려워요" 같은 질문 입력 |
| 문제 분류 | 복약, 병원동행, 장기요양, 생활지원, 안전, 정서 케어로 자동 분류 |
| 선택지 비교 | 공공제도, 민간서비스, 가족 실행안, 긴급 상담 필요 여부를 나눠 제안 |
| 보호자 리포트 | 부모님의 주요 체크 항목과 다음 행동을 주간 단위로 요약 |
| 지역 연결 | 병원동행, 방문요양, 식사/생활지원 파트너 연결 |
서비스의 핵심은 "무엇을 만들 것인가"보다 "보호자가 지금 무엇을 결정해야 하는가"에 있다.
6. 비즈니스 모델
| 수익원 | 내용 |
|---|---|
| 보호자 월 구독 | 안부·복약·일정 체크리스트, 주간 보호자 리포트 |
| Care+ 구독 | RAG 상담, 병원동행/방문요양 비교, 보호자 알림 강화 |
| 연결 수수료 | 병원동행, 생활지원, 방문요양 파트너 연결 수수료 |
| B2B/B2G | 복지관, 병원, 지자체 대상 상담 보조 리포트/대시보드 |
초기에는 대규모 플랫폼을 바로 만드는 것보다 보호자 100~300명을 대상으로 유료 전환 의사와 RAG 답변 유용성을 검증하는 것이 적합하다고 판단했다.
7. 가설 검증 계획
| 가설 | 검증 방법 | 성공 기준 |
|---|---|---|
| H1. 보호자는 안부·복약·돌봄 리포트에 월 구독료를 지불한다. | 보호자 30명 설문 + 가격 수용도 + 랜딩페이지 CTA 테스트 | 월 9,900원 이상 지불 의향 30% 이상, CTA 클릭률 20% 이상 |
| H2. 비교형 RAG 답변은 비용/지원 범위 불확실성을 완화한다. | 상위 Pain Point 3개 RAG 답변 목업 후 보호자 인터뷰 5명 | 유용성 평균 4.0/5 이상, 다음 행동 명확성 70% 이상 |
| H3. 시니어 직접 메시지보다 보호자 메시지가 초기 전환에 유리하다. | 시니어 직접 메시지와 보호자 메시지 랜딩페이지 A/B 테스트 | 보호자 메시지 전환율 1.5배 이상 |
8. 제출 산출물
이번 미션 산출물은 다음 네 가지로 정리했다.
| 산출물 | 내용 |
|---|---|
| 최종 발표자료 | 문제 정의, 시장/고객 분석, 서비스 제안, BM, 가설 검증, 로드맵 |
| 사업 전략 기획서 | PEST, Pain Point, 고객 정의, BMC, 수익 구조, GTM |
| 가설 검증 계획서 | 핵심 리스크, 검증 방법, 성공 기준, 예상 시나리오 |
| 협업 일지 | 팀별 수행 업무, 기여 내용, 이슈, 회고 |
발표는 15분 발표와 5분 질의응답을 기준으로, 데이터 근거와 사업 논리가 끊기지 않게 구성했다.
9. 이번 미션에서 배운 점
이번 프로젝트에서 가장 중요했던 전환은 아이디어 중심에서 질문 중심으로 넘어간 것이다.
"시니어 헬스케어 앱을 만들자"는 말만으로는 너무 넓다. 하지만 실제 질문 데이터를 보면 보호자가 반복해서 묻는 문제가 보인다. 식사와 생활지원, 비용, 병원동행, 치매, 장기요양 같은 문제는 기능 목록이 아니라 실제 의사결정의 부담이었다.
RAG를 붙인 이유도 기술을 보여주기 위해서가 아니다. 실제 질문과 채택답변을 검색하고, 그 문맥을 현재 보호자의 상황에 맞게 재구성하면 더 실질적인 답변과 사업 전략을 만들 수 있기 때문이다.
10. 다음 단계
다음 단계에서는 크롤링된 JSON을 더 정교하게 정리하고, 상위 Pain Point별 대표 질문을 선별해 RAG 답변 목업을 만든다. 이후 보호자 인터뷰와 랜딩페이지 테스트로 실제 유료 전환 가능성을 확인할 계획이다.
또한 케어잇 RAG는 한 번 만든 데이터베이스로 끝내지 않는다. 15일에 한 번씩 지식iN의 관련 질문과 채택답변을 새로 수집해 별도 JSON으로 저장하고, 중복 제거와 관련성 필터링을 거쳐 RAG 지식베이스에 반영하는 구조로 운영할 수 있다.
참고 자료
- hongsik.blog: https://hongsik.blog/
- 교육과정 페이지: https://hongsik.blog/it-founder-5-curriculum/
- 내부 분석 JSON:
C:UsersmisohTTJTeamProjectsenior-care-rag-analysis.json - 상세 크롤링 데이터:
C:UsersmisohTTJnaverkin-answer-assistantdatamarket-rag-scansmarket-rag-300k-20260820-002 3-crawl-dataset.json - 사업 전략 기획서:
C:UsersmisohTTJTeamProjectcareit-business-strategy-report.md