정의
감성 분석(Sentiment Analysis) 은 텍스트 데이터에 담긴 감정의 방향과 강도를 알고리즘으로 판별하는 기법입니다. 고객 리뷰, CS 상담 로그, SNS 멘션, 라이브챗 대화 등 비정형 텍스트를 분석해 긍정(Positive) / 중립(Neutral) / 부정(Negative) 으로 분류하고, 필요에 따라 감정 강도(Intensity) 나 세부 감정(Emotion) 까지 추출합니다.
DTC 브랜드에서 감성 분석은 단순한 "리뷰 별점 평균"을 넘어섭니다. 별점 5점을 준 고객이 본문에서는 배송 지연을 언급하거나, 별점 3점 리뷰에 특정 제품 기능에 대한 강한 애정이 담기는 경우가 많기 때문입니다. 텍스트 감성을 분리해 읽어야 진짜 불만 포인트와 재구매 동인이 보입니다.
비유로 이해하기
감성 분석은 매장 응대 직원의 "눈치"를 데이터로 구현한 것과 같습니다.
- 고객이 "그냥 그래요"라고 말해도 표정과 말투로 불만을 감지하듯, 감성 분석은 텍스트의 맥락·부정어·강조어를 함께 읽습니다.
- 예: "배송은 느렸지만 제품은 최고예요" → 배송(부정) + 제품(긍정)으로 속성별 분리 판정.
- 단순 키워드 매칭("느렸" = 부정)으로는 절대 잡히지 않는 복합 감정을 처리하는 것이 핵심입니다.
계산 공식
감성 분석의 기본 스코어링은 다음과 같이 표현됩니다.
Sentiment Score = Σ (w_i × s_i) / √N
- w_i = i번째 감성어의 가중치 (예: "최고" = +1.5, "별로" = -1.0)
- s_i = 극성 부호 (+1 / 0 / -1)
- N = 전체 토큰 수 (문장 길이 정규화)
분류 임계값 예시:
| Score 범위 | 판정 | 액션 트리거 |
|---|---|---|
| ≥ +0.35 | 긍정 | 리뷰 노출 / UGC 활용 |
| -0.34 ~ +0.34 | 중립 | 추가 데이터 수집 |
| ≤ -0.35 | 부정 | CS 에스컬레이션 |
정확도 지표:
Precision = TP / (TP + FP) Recall = TP / (TP + FN) F1 Score = 2 × (Precision × Recall) / (Precision + Recall)
실무 목표치는 F1 ≥ 0.85이며, 한국어 리뷰 특성상 구어체·신조어·초성어 처리에서 성능이 갈립니다.
비교표: 감성 분석 vs 인접 개념
| 항목 | 감성 분석 | 토픽 모델링 | 의도 분류 |
|---|---|---|---|
| 목적 | 감정 극성·강도 판별 | 주제 클러스터링 | 행동 의도 예측 |
| 출력 | Positive/Negative/Score | 토픽 리스트 | 구매/문의/불만 |
| 대표 알고리즘 | KoBERT, LSTM, Lexicon | LDA, BERTopic | Intent CNN |
| DTC 활용 | 리뷰·CS 모니터링 | VOC 주제 도출 | 챗봇 라우팅 |
| 데이터 요건 | 라벨링 리뷰 3,000건+ | 원시 텍스트 10,000건+ | 발화-의도 페어 |
DTC/이커머스 적용 시나리오
1. 리뷰 자동 태깅
리뷰 1,000건 중 부정 감성 리뷰를 실시간 추출 → CS팀 SLA 24시간 내 회신. 실제 도입 브랜드 기준 응답률 62% → 89% 개선 사례가 있습니다.
2. CS 상담 로그 분석
상담 5,000건 감성 스코어링 시, 부정 감성 상위 5% 대화에서 환불·교환 클레임의 78% 가 발생합니다. 사전 개입으로 이탈률을 -14%p 낮출 수 있습니다.
3. 광고 크리에이티브 최적화
광고 댓글 감성 스코어가 +0.4 이상인 소재는 CTR이 평균 2.3배 높게 나타납니다. 감성 데이터를 크리에이티브 A/B 테스트 지표로 활용합니다.
4. 신제품 런칭 모니터링
출시 후 72시간 내 SNS 멘션 감성 추이를 추적, 부정 비율이 15% 초과 시 즉시 제품 페이지·CS 스크립트를 수정합니다.
자주 하는 오해
오해 1: 별점 = 감성
별점 4.5점 제품도 본문 부정 감성 비율이 20%를 넘는 경우가 흔합니다. 별점과 텍스트 감성은 별개 지표로 봐야 합니다.
오해 2: 키워드 사전만 있으면 충분하다
한국어는 "안 좋은 건 아닌데..." 같은 이중 부정·완곡 표현이 많아 룰베이스만으로는 F1 0.6 수준에 머뭅니다. 딥러닝 모델 파인튜닝이 필수입니다.
오해 3: 긍정/부정 2분류면 된다
실무에서는 중립·복합 감정이 전체의 30~40%를 차지합니다. 3분류 이상 + 속성별 분리가 필요합니다.
오해 4: 한 번 구축하면 끝
신조어("혜자", "가성비 미쳤다")와 밈 표현은 분기마다 등장합니다. 월 1회 이상 재학습이 권장됩니다.
관련 용어
- VOC (Voice of Customer): 감성 분석의 원천 데이터
- NPS (Net Promoter Score): 감성 스코어와 상관계수 0.7 내외
- 토픽 모델링: 감성 + 주제 결합 분석
- NER (개체명 인식): "배송", "품질" 등 속성 추출
- Aspect-Based Sentiment Analysis (ABSA): 속성별 감성 분리
- KoBERT / KoELECTRA: 한국어 특화 감성 분류 모델
