감성 분석에서 기업이 배울 수 있는 것

한 여성이 퇴근길에 길을 걷고 있다고 가정해 봅시다. 막판에 무산된 고객 계약을 떠올리며 생각에 잠겨 있는데, 갑자기 한 아이가 다가와 꽃다발을 건넵니다. 여성은 미소를 지으며 "오늘 나한테 딱 필요했던 게 이거야!"라고 말합니다. 이번에는 같은 여성이 퇴근길에 실패한 고객 계약을 떠올리며 걷다가 갑자기 기둥에 부딪혀 다치는 상황을 상상해 보세요. 그녀는 "오늘 나한테 딱 필요했던 게 이거지!"라고 외칩니다. 두 상황 모두 같은 문장을 말하지만, 문맥에 따라 감성은 달라집니다. 두 번째 사례에서는 추가 정보가 그 어조가 비꼼이라는 점을 보여줍니다. 이렇게 소셜 미디어 리뷰와 댓글에서 추출한 텍스트 속 감정적 맥락의 변화를 살펴 비즈니스와 브랜드에 대한 인사이트를 도출하는 것이 감성 분석입니다. 사용자의 숨겨진 속마음과 감정을 감지하는 능력은 소비자 브랜드에게 잠재적인 금광이 될 수 있습니다. 이제 감성 분석이 어떻게 작동하고 기업에 어떤 도움을 주는지 더 자세히 살펴보겠습니다.

감성 분석이란?

우리는 데이터를 기반으로 움직이는 웹 2.0 시대에 살고 있습니다. 모든 트윗, 댓글, 반응, 게시물은 하나의 데이터셋입니다. 감성 분석[1]은 텍스트 마이닝의 한 분야로, 자연어 처리 알고리즘과 머신러닝을 활용해 텍스트를 분석하고 사회적 감정과 정서를 긍정, 부정, 중립 중 어디에 해당하는지 판단합니다. 특히 부정적인 감성이 감지될 때 기업이 브랜드나 비즈니스 전략을 선제적으로 모니터링할 수 있게 해줍니다.

감성 분석은 소비자가 브랜드와 상호작용하는 다양한 방식을 고려합니다. 예를 들어 극성(긍정, 부정, 중립), 감정(행복, 슬픔, 분노 등), 의도(관심 있음, 관심 없음), 그리고 측면 기반 분석(제품의 특정 부분에 대한 리뷰인지 판단하기 위해 측면 기반 분류기를 추가하는 방식) 등이 있습니다. 감성 분석에서 흔히 던지는 질문은 다음과 같습니다.

• 이 리뷰는 긍정적인가요, 부정적인가요?
• 이 이메일 답변에서 고객은 만족하고 있나요, 아니면 불만족하고 있나요?
• 이 광고 캠페인 공개에 대해 사람들은 트윗과 댓글을 통해 어떻게 반응하고 있나요?
• 특정 커뮤니티의 시장에 대한 태도는 선거 이후 어떻게 달라졌나요?

하지만 인간은 복잡한 존재이고, 의견을 표현하는 방식도 복잡합니다. 일반적으로 분노를 전달하는 'bad'나 'kill' 같은 단어조차도(예: your app is so bad, it's killing my battery) 긍정적인 감정을 나타낼 수 있습니다(예: the app's concept is badass, you guys are killing it). 이런 예시는 사용자 의견을 정확하게 감지하는 데 어려움을 줍니다. 때로는 인간조차 특정 표현의 어조를 두고 의견이 엇갈리기도 합니다. 그럼에도 이 기술은 빠르게 발전하고 있습니다. 이제 감성 분석에 사용되는 머신러닝 모델을 살펴보겠습니다.

감성 분석을 뒷받침하는 기술

규칙 기반 분석:

규칙 기반 분석은 사람이 만든 규칙을 사용해 주관성이나 극성을 식별합니다. 규칙은 "good", "best", "beautiful" 같은 긍정 단어와 "bad", "worst", "ugly" 같은 부정 단어를 기준으로 의견을 분류하는 방식처럼 다양할 수 있습니다. 하지만 이 방법은 인간이 사용하는 복잡한 함의를 제대로 고려하지 못하는 경우가 많습니다.

자동 분석:

자동 분석은 감성을 분류하기 위해 머신러닝 알고리즘에 의존합니다. 아래는 MonkeyLearn의 감성 분석 모델[2]을 간단히 정리한 내용입니다.

어느 것이 최종 버전일까요? 운에 맡겨 보죠.

먼저 모델은 특정 텍스트를 그에 대응하는 출력과 연결하도록 학습됩니다. 그런 다음 입력 텍스트는 bag-of-words[3] 또는 bag-of-n-grams[4] 접근법에 기반한 특징 벡터로 변환됩니다. 이렇게 만들어진 특징 벡터 쌍은 ML 알고리즘에 입력되어 모델을 생성합니다. 데이터가 시스템에 입력되면 Naïve Bayes[5], Linear Regression[6], Support Vector Machines[7], J48[8], BFTree[9], OneR[10], RandomForest[11] 분류기와 같은 다양한 알고리즘을 기반으로 분류됩니다. (활용할 수 있는 더 고도화된 모델[12]도 있습니다.)

감성 분석 활용 사례

어느 것이 최종 버전일까요? 운에 맡겨 보죠.

소셜 미디어 및 브랜드 감성 분석

감성 분석은 소비자 브랜드가 브랜드 인식을 추적하고, 패턴과 트렌드를 찾고, 인플루언서를 모니터링하며, 다양한 플랫폼의 감성을 바탕으로 인사이트를 얻고, 인식을 관리하고 예측하는 데 도움을 줍니다. KFC는 감성 분석을 활용해 마케팅 전략을 바꾸고 대중문화 레퍼런스와 밈을 포함시켜 매출을 향상시켰습니다.

경쟁사 분석

브랜드는 뉴스 기사, 인플루언서 전략, 사용자 생성 콘텐츠, 전반적인 인식을 통해 경쟁사에 대한 정보를 수집하여 실시간 결과를 얻고 비즈니스 인텔리전스의 공백을 메웁니다. Apple은 경쟁사 분석을 활용해 디자인과 개인정보 보호 문제 같은 고객의 불편 지점을 파악하고 기존 제품 라인을 개선했습니다.

제품 분석

기업은 감성 분석을 제품 분석에 활용하여 브랜드 키워드, 고객 니즈, 세분화된 오디언스 피드백을 추적함으로써 최소 기능 제품을 구체화하고, 오디언스가 브랜드를 인식하는 방식을 개선합니다. Google Chrome은 감성 분석을 사용해 제품의 특정 측면(UI, 보안, 확장 프로그램, 테마)과 추천 사항에 대한 인사이트를 얻습니다.

고객의 소리 분석

감성 분석은 타깃 오디언스 세그먼트, 그들의 요구와 기대, 직접적 및 간접적 고객 피드백을 탐색함으로써 고객의 목소리를 포착합니다. TripAdvisor는 측면 기반 접근법을 사용해 사용자 요구와 서비스 개선 방안에 관한 가치 있는 관찰을 추출합니다.

고객 지원 피드백 분석

고객 지원 피드백 분석은 응답 시간, 효과성, 상호작용의 품질 측면에서 서비스에 대한 전반적인 반응을 이해함으로써 이루어집니다. 이를 통해 브랜드는 워크플로를 관리하고, 티켓의 우선순위를 정하고, 문의를 처리할 수 있습니다.

마무리

감성 분석은 여전히 성장 중이지만, 연구자들은 이미 의도 분석(Intent analysis)과 문맥 기반 의미 검색(Contextual semantic search, CSS) 같은 더 고도화된 형태의 감성 분석을 살펴보기 시작했습니다. 의도 분석은 감성과 함께 오디언스의 의도까지 분석하며, CSS는 특정 키워드뿐 아니라 텍스트의 문맥적 의미에 초점을 맞춥니다. 기술이 발전할수록 기업은 이 기술의 활용이 윤리적이어야 하며, 악의적인 활동[13]에 빠지지 않도록 해야 합니다. 우리의 감정과 의도가 브랜드 전략을 어떻게 형성할 수 있는지에 대해 우리는 앞으로도 계속 놀라게 될 것입니다.

References

1. Optimization of sentiment analysis using machine learning classifiers
2. Sentiment Analysis: A Definitive Guide
3. A Gentle Introduction to the Bag-of-Words Model
4. Bag-of-n-grams
5. Naive Bayes Classifiers
6. ML | Linear Regression
7. Support Vector Machine — Introduction to Machine Learning Algorithms
8. J48 Classification (C4.5 Algorithm) in a Nutshell
9. Class BFTree
10. OneR
11. Understanding Random Forest
12. Using machine learning for sentiment analysis: a deep dive
13. Facebook reveals news feed experiment to control emotions