실행 가능한 비즈니스 조언 생성을 위한 다중 에이전트 시스템

A Multi-Agent System for Generating Actionable Business Advice

고객 리뷰는 제품의 약점과 충족되지 않은 사용자 니즈에 대한 풍부한 신호를 포함하고 있지만, 기존의 분석 방법론들은 감성 분석이나 속성 추출과 같은 서술적 작업의 범위를 벗어나는 경우가 드뭅니다. 대형 언어 모델(LLM)이 자유 형식의 제안을 생성할 수는 있으나, 그 결과물은 종종 정확성과 추론의 깊이가 결여되어 있습니다. 본 논문에서는 대규모 리뷰 코퍼스를 실행 가능한 비즈니스 조언으로 변환하는, 처방적 의사결정 지원을 위한 다중 에이전트 LLM 기반 프레임워크를 제안합니다. 이 프레임워크는 대표 리뷰 선별을 위한 클러스터링, 조언 생성, 반복적 평가, 그리고 실현 가능성 기반 순위 지정의 네 가지 요소를 통합합니다. 이러한 설계는 코퍼스 증류와 피드백 주도형 조언 개선을 결합하여 구체적이고, 실행 가능하며, 실용적인 산출물을 만들어냅니다. 세 가지 서비스 도메인과 다수의 모델 제품군을 대상으로 한 실험 결과, 제안된 프레임워크는 실행 가능성, 구체성, 비중복성 측면에서 단일 모델 베이스라인을 일관되게 능가하였으며, 중간 크기의 모델로도 대형 모델 프레임워크에 근접한 성능을 보임을 확인했습니다.

Customer reviews contain rich signals about product weaknesses and unmet user needs, yet existing analytic methods rarely move beyond descriptive tasks such as sentiment analysis or aspect extraction. While large language models (LLMs) can generate free-form suggestions, their outputs often lack accuracy and depth of reasoning. In this paper, we present a multi-agent, LLM-based framework for prescriptive decision support, which transforms large scale review corpora into actionable business advice. The framework integrates four components: clustering to select representative reviews, generation of advices, iterative evaluation, and feasibility based ranking. This design couples corpus distillation with feedback driven advice refinement to produce outputs that are specific, actionable, and practical. Experiments across three service domains and multiple model families show that our framework consistently outperform single model baselines on actionability, specificity, and non-redundancy, with medium sized models approaching the performance of large model frameworks.