어피니티 버블

어피니티 버블(Affinity Bubble)은 pxd가 개발한 업무 도구로, 다수의 사용자 목소리나 텍스트 데이터에서 핵심 주제를 자동으로 추출하여 보로노이 트리맵 형식으로 계층적으로 시각화하고 인사이트 리포트를 제공한다. 기존의 어피니티 다이어그램은 포스트잇을 이용해 여러 디자이너가 장시간 협업해야 했지만, 어피니티 버블은 텍스트 임베딩과 LLM을 결합하여 이 과정을 크게 단축한다.

처리 흐름은 세 단계다. 먼저 텍스트 임베딩을 통해 각 문장을 고차원 벡터로 변환하고, 계층적 클러스터링으로 의미적으로 유사한 항목들을 단계적으로 묶는다. k-means와 달리 계층적 방식은 덴드로그램을 미리 만들어 두고 원하는 유사도 거리에서 가지를 잘라 클러스터 수를 조정할 수 있다. 다음으로 각 클러스터에 LLM을 이용해 대표 레이블을 생성한다. 마지막으로 1차 클러스터들을 다시 임베딩해 2차 클러스터링으로 상위 주제로 묶는 2단계 계층 구조를 완성한다.

베타 버전에서는 UI를 단순화하여 텍스트 붙여넣기 → 1차 클러스터링 → 2차 분류의 순차 구조로 정리하고, 레이블 형식(키워드/사용자 목소리), 상위 분류 방식(토픽/도메인/사용자 골)을 선택할 수 있게 했다. 결과는 테이블로 내보내거나 인사이트 리포트로 요약된다. 워드클라우드가 단순 단어 빈도를 보여주는 것과 달리, 어피니티 버블은 내용 간 관계와 계층 구조를 정량적으로 시각화한다.

2024년 9월 정식 출시와 함께 유료 플랜이 추가되었다. 데이터 입력 방식이 텍스트 붙여넣기에서 CSV·엑셀 파일 업로드로 확장되고, 사용자 리뷰·VOC·인터뷰·설문 등 데이터 유형별 프리셋 기능이 추가되었다. 나이·성별·날짜 등 메타데이터 기반 비교분석 기능으로 스몰멀티플 차트와 범프 차트를 통한 교차 분석이 가능해졌다. 서비스 플랜은 Free(100건 이하), Standard(1,000건 이상), Business(2,000~3,000건, 팀 사용)로 구분된다.

핵심 내용

  • 계층적 클러스터링: 가장 유사한 것부터 단계적으로 묶는 방식, 덴드로그램 기반으로 클러스터 수를 유연하게 조정
  • 1차 클러스터링: 텍스트 임베딩 벡터 유사도 기반, 2차 클러스터링: 추출된 레이블을 재임베딩해 LLM으로 추상화
  • 보로노이 트리맵으로 클러스터 비율을 시각적으로 표현해 어떤 주제가 주요한지 한눈에 파악 가능
  • sentence embedding 기반이므로 짧은 단어는 정확도가 낮을 수 있음
  • 같은 데이터라도 LLM 사용 시 매번 결과가 다를 수 있으나, 다른 관점을 확인하는 장점도 있음
  • 어피니티 다이어그램과 퍼소나는 모두 클러스터링 기반 세분화라는 공통 구조를 가짐 — MBTI의 유형 분류 원리와 UX의 행동 변수 탐색 원리가 동일
  • 어피니티 버블은 속도보다 다양한 관점 탐색을 통한 인사이트 질 향상을 목표로 하는 AI Multiplier
  • ABSA(속성 기반 감성 분석): 도메인 속성 코드북 → 속성별 언급량·감정(aspect-report) → 하위 주제 세분화(aspect-drilldown) → 경쟁사 교차분석(aspect-cross)의 4단계로 오버뷰를 실행 가능한 의사결정으로 연결

HCI KOREA 2026 발표: 어피니티 다이어그램·퍼소나 자동화

2026년 HCI KOREA(주제: "AI, 일상, 이상, 상상")에서 pxd UX Tech Lab 한상택 소장은 "AI와 알고리즘을 이용한 정성조사 스케일업과 시각화: 어피니티 다이어그램, 퍼소나 자동화"를 발표했다. 핵심 메시지는 어피니티 다이어그램과 퍼소나가 모두 클러스터링 기반 세분화라는 공통 구조를 가진다는 점, 그리고 MBTI에서 사람을 분류하는 기준(외향/내향 등)이 UX에서 말하는 행동 변수와 원리가 같다는 비유다. 사용자 조사의 핵심은 이 행동 변수를 찾아 사용자를 유형별로 나누는 일인데, 데이터가 많아질수록 사람이 직접 하기 어려워지고 이때 군집화(데이터 간 거리를 계산해 가까운 것끼리 묶는 방법)가 등장한다.

발표에서는 텍스트 임베딩으로 사용자 특성을 벡터화한 뒤 군집화로 패턴을 드러낸 사례들을 소개했다. 미국인의 하루 24시간 활동 데이터를 분석하면 은퇴자·직장인·학생 등 생활 유형이 뚜렷하게 구분되고(출처: Nathan Yau, *A Day in the Life of Americans*), GA·트랜잭션 데이터를 군집화하면 감에 의존하지 않는 Data-driven Personas를 도출할 수 있다 — 평균값이나 개별 지표만으로는 보이지 않던 차이가 벡터화·군집화를 거치면 하나의 패턴으로 드러난다는 것이다.

발표는 어피니티 버블을 이 군집화 기술을 리서치 업무에 직접 적용한 AI Multiplier로 소개한다. "빠르게 하는 게 중요한 게 아니라, 다양한 관점을 보고 인사이트의 질을 높이는 게 중요하다"는 메시지가 핵심으로, 10배 빠른 작업 속도는 그 자체가 목적이 아니라 같은 시간에 10배 많은 관점(사용자 행동 목표 기준, 긍부정 기준, 시간대별 기준 등)으로 데이터를 탐색할 수 있게 해주는 수단이라는 관점이다. 발표 시점 기준 pxd는 행동 변수를 자동으로 추출·맵핑해주는 퍼소나 자동화 도구를 별도로 개발 중이며, 목표는 리서처가 행동 변수를 "마음의 눈으로 보라"는 감각적 판단에만 의존하지 않도록 하는 것이다. 청중 반응으로는 "질적 인터뷰에서 인사이트 뽑는 시간이 단축될 것 같다", "아날로그 방식을 쓰던 조직에 새로운 방식이 필요했다" 등이 나왔다.

관련 개념

OTT 서비스 사용자 경험 분석 사례는 어피니티 버블의 실제 적용을 보여준다. 2024년 기준 국내 OTT 이용률은 89.3%(10~70대 평균)에 달한다. YouTube에서 OTT 비교·추천 영상의 댓글을 수집한 후, 어피니티 버블의 시맨틱 검색 기반 전처리로 OTT 관련 댓글만 추출하고 단순 반응(ㅋㅋ 등)이나 영상 맥락에만 해당하는 댓글을 필터링한다. 멀티토픽 댓글은 의미 단위로 분리해 분석 정확도를 높인다. 전처리 후 클러스터링 결과는 OTT별 콘텐츠 특성, 시청 경험, 기능, 구독 경험, 플랫폼 조합 패턴 등 명확한 범주로 구분된다.

프롬프트 설계와 관점 전환의 힘(OTT 분석 2편): 같은 데이터에 대해 상세 요구사항을 어떻게 작성하느냐에 따라 분석 결과가 달라진다. 기본값으로 "5~9개 덩어리로 분류"한 결과를 본 뒤, "제공 콘텐츠별로 분류해줘"라고 프롬프트를 조정하면 영화·디즈니/마블·애니메이션·스포츠·드라마·중드/일드 같은 장르별 분류가 나온다. 1차 결과를 보고 "애니메이션, 스포츠, 한드, 일드, 중드, 영화 분류를 추가해줘"처럼 분류를 명시하면 정밀도가 높아진다. 동일 데이터에 "OTT 플랫폼별로 분류해줘"처럼 관점을 바꾸면 쿠팡플레이·왓챠·넷플릭스·티빙 등 플랫폼 중심으로 묶이며, 콘텐츠 중심(사용자 니즈 파악)과 플랫폼 중심(브랜드 이미지·UX 개선점) 두 가지 다른 인사이트를 같은 데이터에서 얻는다. 세 가지 핵심 교훈: ① 프롬프트를 구체화할수록 분석은 정밀해짐, ② 관점의 이동이 곧 결과를 만든다, ③ AI는 분석 속도를 넘어 사람이 반복하기 어려운 '관점 전환'을 지치지 않고 수행해 더 많은 가능성을 탐색하게 한다.

별점·리뷰 메타데이터 결합 분석: K뷰티 앱 리뷰 사례

리뷰 텍스트를 어피니티 버블로 군집화하면 "사용자가 무엇을 말하는지"는 드러나지만, 리뷰에는 별점·작성 시점 같은 메타데이터가 함께 달려 있어 이를 텍스트 군집과 겹쳐 보면 더 깊은 해석이 가능하다. K뷰티 앱 top3(올리브영·화해·글로우픽)의 앱스토어 리뷰를 분석한 사례가 이를 보여준다. 올리브영 iOS 리뷰 평균은 2.6점이지만 실제 분포는 1점(44%)과 5점(24%) 양쪽 끝에 몰려 있는 양극화 구조였다 — 평균은 "정말 불만"과 "정말 만족"이 서로 상쇄된 결과를 숨긴다. 같은 리뷰를 군집화하고 군집별 평균 별점으로 색을 입히면(빨강 1점, 초록 5점) 긍부정 지형이 지도처럼 드러나며, 앱 안정성·기술 오류(35%) 같은 최대 군집 안에도 "앱이 안 열려 답답한 사람"과 "잘 쓰고 있어 만족한 사람"이 공존한다는 것이 확인됐다.

빈도 × 평균 별점 매트릭스는 우선순위 판단에 실질적으로 쓰인다. 많이 언급된 군집이 곧 가장 급한 문제는 아니며, 빈도는 낮아도(7%) 평균 별점이 매우 낮은(2.0점) 배송 서비스 군집처럼 "자주 언급되진 않지만 놓치면 안 되는 숨은 불만"을 매트릭스가 드러낸다. 별점을 시계열에 펼쳐 클러스터별로 분기 단위 변화를 보면, 앱 안정성 오류처럼 여러 분기에 걸쳐 반복되는 만성 패턴과, 리뷰 UI 개편처럼 특정 분기에 집중됐다가 해소되는 일시적 급증을 구분할 수 있다.

어피니티 버블은 LLM으로 리뷰 본문을 읽어 1~5점 감성 점수도 함께 산출하는데, 이 점수와 실제 별점이 어긋나는 군집이 따로 챙겨볼 만한 신호가 된다. 회원가입·연령 제한 군집에서는 감성 점수는 낮은데 별점은 오히려 높게 나타났다 — 사용을 가로막는 불만(가입 절차, 부모 동의)을 토로하면서도 서비스에 대한 애착은 남아 있다는 뜻이다. 별점만 봤다면 "3점대면 괜찮다"고 지나쳤을 군집이 별점-감성 격차를 통해 드러난다. 반대로 평균 4.6점으로 5점(82.6%)에 쏠린 글로우픽처럼 평균이 변별력을 잃는 경우에는 "왜 좋은가"를 뜯어봐야 하는데, 체험단 당첨 경험 군집은 별점(4.93)과 감성(4.90) 격차가 거의 없어 겉보기엔 진심 어린 칭찬이지만, 원문에 '당첨'·'이벤트' 같은 단어가 압도적으로 많이 등장해 실제로는 제품력이 아니라 보상 설계에 대한 평가라는 점이 원문 언어 분석을 통해서만 드러났다.

속성 기반 리뷰 분석(ABSA): 오버뷰에서 의사결정까지

어피니티 버블의 오버뷰는 리뷰 더미 안의 큰 주제와 감정 흐름을 한 장의 지도로 보여주는 데는 강하지만, "무엇을 먼저 고쳐야 하는가"라는 실제 의사결정으로 바로 이어지지는 않는다는 한계가 있다. 패션앱 3종(에이블리·무신사·지그재그) 리뷰를 사례로 오버뷰 이후의 분석 흐름을 설계한 실험은 이 간극을 메우는 4단계 구조를 제시한다. ① 리뷰 문장에서 사용자가 반복적으로 판단 기준으로 삼는 표현(가격·혜택·배송·사용성 등)을 LLM으로 추출해 도메인 속성 코드북을 만든다 — 완전히 MECE한 분류표가 아니라 이후 드릴다운·교차분석에서 같은 기준으로 비교하기 위한 관점 체계에 가깝다. ② aspect-report가 이 코드북 기준으로 속성별 언급량과 감정을 보여주는 ABSA(Aspect-Based Sentiment Analysis, 속성 기반 감성 분석)를 수행한다 — 많이 언급되는 속성과 불만이 큰 속성은 서로 다를 수 있어, 이 단계의 목적은 결론이 아니라 더 들여다볼 후보군을 정리하는 것이다. ③ aspect-drilldown은 오버뷰에서는 "혜택 불만"처럼 뭉뚱그려 보이던 덩어리를 쿠폰 조건·포인트 사용·이벤트 불신 같은 실행 가능한 문제 단위로 재세분화한다. ④ aspect-cross(속성 × 앱)와 aspect-drilldown-cross(하위 주제 × 앱)는 같은 속성이라도 경쟁사별로 강점과 약점이 다르게 나타나는지 교차 비교해, 문제에 전략적 의미(차별화 기회 vs 따라잡아야 할 기준)를 부여한다.

전체 흐름은 "오버뷰로 전체 지형을 본다 → 도메인 속성을 탐색한다 → 속성 내부를 세분화한다 → 경쟁사별로 교차 비교한다"로 요약되며, 오버뷰는 어디를 파야 할지 정하는 출발점일 뿐 거기서 멈추면 "흥미로운 지도"에 그친다는 관점을 제시한다. 이런 속성 기반 분석은 어피니티버블의 프로 리포트 기능으로 제공될 예정이다.

서울의 목소리: 정성 데이터 시각화와 워드클라우드의 대안

2026년 서울시장 선거 국면에서 정원오 후보가 만든 '서울의 목소리' 사이트는 시민 고충·바람·연상 키워드를 수천 건 수집해 공공데이터로 공개했다. 이 데이터를 어피니티 버블로 분석한 사례는 정성 데이터 시각화의 대안적 방법론을 잘 보여준다. 사이트는 개별 목소리(지도 위 픽토그램, 카드 목록)와 통계(막대·파이 차트, 충적도(Alluvial Diagram)로 그린 연령대별 고충 순위 변화)를 병행해 보여주는데, 남성은 전 연령대에서 집값 고민이 1위인 반면 20대 여성은 71%가 안전·치안을 최대 고충으로 꼽아 성별에 따라 전혀 다른 서울을 살고 있음이 드러난다.

'서울하면 떠오르는 키워드' 같은 주관식 응답은 보통 워드클라우드로 시각화하지만, 글자 크기가 빈도가 아니라 단어 길이에도 영향을 받아 왜곡되는 문제가 있다. 버블 크기(면적)로 빈도를 표현하는 편이 더 정확한데, 이때 값을 지름이 아닌 면적에 비례시켜야 한다 — 지름에 값을 맞추면 면적은 제곱으로 커져 실제 차이를 과장한다. 상위 10개 키워드가 전체 응답의 약 30%에 그치는 긴 꼬리 분포 문제도 있어, 어피니티 버블의 자매 시각화인 워드맵을 대안으로 제시한다. 워드맵은 임베딩 클러스터링으로 키워드를 색상(대분류)·클러스터(의미 묶음)·개별 텍스트(최하위)의 3단계 계층으로 구조화하고 force 시뮬레이션으로 겹치지 않게 배치해, 워드클라우드보다 위계는 살리면서도 개별 키워드와 공간적 인접성(의미 유사도)을 함께 드러낸다. 이를 통해 서울의 이미지가 랜드마크·역동적 정체성·수도 상징성 같은 긍정 범주와 범죄·불평등·교통혼잡·집값 같은 부정 범주로 갈리는 양면성이, 상위 10개 키워드만으로는 보이지 않던 방식으로 드러났다. 세대별로도 40대 이상은 랜드마크를, 20대는 불평등·과밀을 더 많이 연상하는 차이가 확인됐다.

자발적 참여 설문 데이터에는 선택편향(self-selection bias)이 따른다는 점도 함께 짚었다. 하나는 동기 편향으로, 불편을 크게 느끼는 사람일수록 응답 동기가 크므로 응답자 풀이 불만 강도가 평균 이상인 쪽으로 쏠린다. 다른 하나는 도달 편향으로, 홍보 채널의 인구 구성이 응답자 구성을 그대로 결정한다. 실제로 후보가 트위터에 사이트를 알린 당일과 다음날 응답이 폭증했는데 대부분 20대 여성이었고, 이는 응답자 성별·연령 분포가 실제 서울 인구 분포와 크게 어긋나는 결과로 이어졌다. 여론조사에서 쓰는 셀 가중치 보정은 자발적 참여 데이터에는 오히려 정밀도를 과장하는 착시를 낳을 수 있어(응답자 안에 이미 남아 있는 편향은 가중치로 해소되지 않으므로), 이런 데이터는 "서울 시민 전체의 대표값"이 아니라 "참여한 사람들의 목소리"로 읽어야 한다는 결론이다.

Affinity Bubble v1.1과 서포터즈 프로그램: 2026년 5월 어피니티 버블은 v1.1 업데이트와 함께, 실무자 피드백을 통해 완성도를 높이기 위한 서포터즈 1기를 모집했다. 분석 결과 SNS 공유(월 2회, 필수 해시태그 사용)·동료 추천·3개월 활동 종료 시 피드백 설문 참여를 조건으로, Business 플랜 무상 제공·지인 추천 쿠폰·신기능 선사용·밋업 우선 초대 같은 혜택을 제공하는 구조다. 정성 데이터 분석 도구가 사용자 커뮤니티를 통해 반복적으로 개선되는 제품 운영 방식을 보여주는 사례다.

발화 유형 분석: 부동산 정책 토론회 게시판 사례

2026년 7월 국민 부동산 정책 제안 토론회를 앞두고 열린 온라인 의견수렴 게시판에는 열흘 남짓한 기간에 6,680건의 글이 올라왔다. 먼저 어피니티 버블로 주제별 지형도를 그려 대량의 정성 데이터를 바텀업으로 묶어봤지만, "무엇을 말하는지"는 드러나도 "왜 그런 얘기를 하는지" 맥락은 잘 보이지 않았다. 이 한계를 넘어서기 위해 비공개·블라인드·복붙을 제외한 4,959건에 공통 변수를 적용해 글쓴이의 발화 유형을 분류하는 방식을 시도했다.

모든 글에 요구 방향(무엇을 해 달라는가), 적용 태도(규제를 어떻게 보는가), 발화 위치(어느 자리에서 말하는가) 세 변수를 LLM으로 코딩하고 일부 표본을 사람이 검수했다. 발화 위치는 원문에 자기·가족·소속집단 근거가 직접 드러난 경우에만 기록하고, 요구 내용을 근거로 신분을 역추정하지 않도록 했다 — 요구를 보고 신분을 추정한 뒤 "신분에 따라 요구가 달랐다"고 결론 내면 자기가 넣은 답을 자기가 꺼내 보는 순환 논리가 되기 때문이다. 이 변수 조합으로 전체의 79%가 10가지 유형(청약 당첨 집단·입주 앞둔 집단·정비사업 조합·임차인 집단 같은 집단 당사자 4유형, 실거주 1주택자·계약·입주 진행자·무주택 실수요자·다주택자·임대인 같은 개인 당사자 4유형, 발화 위치를 밝히지 않은 훈수형 제안자·규제 강화 요구자)로 분류됐다. "완화해 달라"는 같은 요구도 태도에 따라 범위 조정(60%, 적용 대상만 좁혀 달라)·원칙 반대(21%, 규제 자체가 잘못됐다)·경과조치(15%, 시행 시점만 늦춰 달라)로 갈렸고, 세금·대출·공급 영역별로도 두드러진 태도(원칙 반대·경과조치·이행 요구)가 서로 달랐다. 집단 당사자 글의 25%는 본문이 완전히 동일한 복붙이었는데, 이는 여론 조작의 흔적이라기보다 같은 문제를 겪는 사람들이 이미 조직화돼 있다는 신호로 해석됐다. 이 발화 유형 분류 방법론은 이후 어피니티 버블의 발화 유형 분석 API로 정식화된다.

상품 리뷰 AI 요약: ABSA 기반 리뷰 목차

기존의 AI 리뷰 요약(네이버 스토어 등)은 수천 건의 리뷰를 한 문장과 긍정 위주 태그로 정리해 "이 상품이 대체로 어떤가"는 빠르게 알려주지만, 구매자가 실제로 궁금한 "이게 나에게 맞는가"에는 답하지 못한다. 뉴발란스 운동화 사례가 이 간극을 보여준다 — AI 요약은 "가볍고 편안한 여름 운동화"로 전부 긍정적이었지만, 같은 상품의 문의 탭에는 사이즈 질문이 반복되고 있었다. 답은 이미 리뷰 안에 있었지만, 요약과 키워드 필터만으로는 그 답이 어디 있는지 찾을 방법이 없었다.

이 문제를 어피니티 버블의 ABSA(속성 기반 감성 분석)로 접근한 실험은 리뷰를 속성별로 드릴다운해 의견이 갈리는 지점을 계층적으로 펼쳐 보이는 방식을 제안한다. 뉴발란스 사례에서는 착화감·디자인이 거의 전량 긍정인 반면 사이즈 하나에서만 의견이 갈렸고, 드릴다운하면 정사이즈·반 사이즈 작게 구매·발볼처럼 갈리는 맥락과 건수를 확인할 수 있었다. 이때 "반 업해서 신는 편인데 원래 사이즈로 했는데도 커요"처럼 자기 조건을 먼저 밝힌 리뷰가 특히 유용한데, 그 전제가 있어야 리뷰의 결론을 자신의 상황으로 번역할 수 있기 때문이다. 클렌저 성분 리뷰에서도 "민감성이라", "지복합성이라"처럼 피부 조건을 먼저 밝히는 패턴이 동일하게 나타났다 — 카테고리마다 이름은 다르지만 "나는 ○○인데"라고 판단 축을 먼저 밝히는 구조는 공통적이었다.

이 리뷰 목차는 속성과 세부 의견을 버블로 묶어 보여줄 수도 있다. 향기 버블처럼 하나의 속성 안에 "달콤해서 좋다"와 "너무 강해서 머리 아프다"는 상반된 의견이 함께 들어 있는 경우, 요약 한 줄이나 필터 목록으로는 지나치기 쉽지만 버블은 전체 지형을 먼저 보여준 뒤 궁금한 의견만 원문으로 열어보게 한다. 결론적으로 이 접근은 별점 순·최신순이 아니라 조건 축으로 정렬하고, 긍정과 부정을 같은 자리에 배치하며, 기존 AI 요약을 대체하지 않고 그 아래에 리뷰 목차를 두는 구조를 제안한다 — 요약은 리뷰 전체를 만나는 입구이고, 드릴다운 목차는 "나에게 맞는가"를 판단할 정보로 내려가는 경로다. 이 방법론은 어피니티 버블의 상품 리뷰 API로 이어진다.

AI 에이전트 시대로의 전환: API와 시각화 라이브러리

어피니티 버블 정식 출시 1년 차에 접어들며 사용자 피드백에서 공통적으로 나온 이야기는 "데이터 지형을 한눈에 파악하는 데는 유용한데, 실제 업무에 쓰려면 더 깊은 분석이 필요하다"는 것이었다. 문제는 그 '더 깊은 분석'이 팀마다 다르다는 점이다 — 시계열로 리뷰 변화를 보고 싶은 팀, 메타데이터와 교차 분석하고 싶은 팀, 전처리부터 다시 하고 싶은 팀까지 요구가 제각각이라 모든 유스케이스를 하나의 UI에 담기 어려웠다. 이미 많은 사용자가 업무에 AI 에이전트를 쓰고 있다는 점에서, 어피니티 버블은 "새로운 UI를 발명하지 말고 에이전트가 이미 쓰고 있는 도구를 잘 만들어 건네주자"는 방향으로 전환했다. UI의 흐름이 CLI → GUI → Agent UI로 넘어가는 중이며, GUI가 사람의 인지 부담을 줄여주는 것과 달리 에이전트에게는 텍스트가 오히려 더 빠르고 저렴하다는 판단에서다.

전환의 결과물은 API + 시각화 라이브러리를 에이전트가 스킬로 쓸 수 있게 제공하는 것이다. 사용 흐름은 소스 수집(SNS·앱 리뷰·유튜브 댓글 등을 크롤링 API로 수집) → 분석(어피니티 버블 API가 텍스트를 세그먼트로 정리하고 세그먼트별 긍부정 편향까지 산출) → 시각화(보로노이 버블로 결과를 그림) → 에이전트 내 추가 분석(사용자 피드백을 받아 세그먼트를 재구성하거나, "댓글에 언급된 차량 연식×모델을 막대 그래프로 보여줘" 같은 API 바깥의 요청까지 에이전트가 그 자리에서 처리) 네 단계로 구성된다.

전체 지형을 본 다음 더 세밀하게 들어가는 두 축은 퍼소나 API와 ABSA다. 퍼소나 API는 행동 변수 채점을 LLM으로 자동화하면서 중간값이 있는 5점 척도 대신 중간값 없는 4점 척도를 쓴다 — 사람이 평가할 때는 애매한 응답에 중간값을 주지만, 기계 채점에서는 중간값을 없애야 애매한 응답까지 한쪽으로 정리되면서 사용자 유형이 더 뚜렷하게 갈린다. 시각화도 기존 도트 플롯(색=사용자, 위치=변숫값) 대신 변수×사용자 히트맵 테이블을 쓰는데, 사용자 위치를 열에 고정하고 변숫값만 컬러맵으로 표현하면 같은 행에서 색이 비슷한지만 비교하면 되므로 전주의적 처리로 그룹 차이가 한눈에 드러난다. 프로세스는 행동 변수 추출 → 응답자별 변수 맵핑(4점 척도) → 클러스터링(세그먼트별 특징·니즈·근거 인용문을 담은 퍼소나 카드 생성) 순서다. ABSA는 "사용자를 어떻게 나눌까"를 답하는 퍼소나 축과 달리 "무엇에 대해 어떻게 느끼는가"를 보는 축으로, "배송은 좋은데 포장은 나쁘다"처럼 한 문장에서도 속성과 스탠스를 분리해서 본다. 이 방법론들은 앱 리뷰 드릴다운 리포트, 상품 리뷰 API, 발화 유형 분석 API 세 서비스의 기반이 된다. 지향점은 새 서비스를 배우는 장벽을 낮추고, 이미 쓰고 있는 에이전트 워크플로우 안에서 정성 데이터 분석까지 자연스럽게 이어지도록 하는 것이다.

출처

최종 업데이트: 2026-09-07 | 출처 13개