앱 리뷰에서 의사결정까지 | ABSA 공부 정리

PXD 블로그에서 앱 리뷰 분석 글을 하나 읽었다. 제목은 “앱 리뷰를 속성으로 쪼개 의사결정으로 연결하는 법”이었다.

리뷰 분석이라고 하면 늘 비슷한 결과물에서 끝나는 인상이 있었다. “별점 낮은 리뷰에서 이런 얘기가 많이 나왔습니다” 정도. 근데 이 글은 거기서 한 단계 더 나아가는 방법을 다루고 있었다. 오버뷰 이후가 왜 막막한지, 거기서 어떻게 의사결정으로 연결할 수 있는지가 궁금해서 끝까지 읽었다.

1️⃣ 이게 뭐냐?

글에서 제시하는 흐름은 크게 네 단계다. 어피니티버블로 전체 지형을 파악하는 오버뷰, 도메인 속성 코드북 구축, 속성 안 세분화, 경쟁사 비교가 순서대로 이어진다.

어피니티버블은 오버뷰 단계에 강한 도구다. 리뷰 텍스트를 의미 유사도 기준으로 묶어서 큰 주제와 감정 흐름을 빠르게 보여준다. “혜택 관련 불만이 많다”, “배송 얘기가 자주 나온다” 같은 큰 그림을 잡는 데 유용하다.

근데 거기서 멈추면 다음 액션을 결정하기가 어렵다. “혜택 불만이 많다”는 말은 너무 넓다. 쿠폰 조건이 복잡한 건지, 포인트 사용이 안 되는 건지, 이벤트가 미끼처럼 느껴지는 건지에 따라 대응이 달라진다.

이걸 해결하는 방법이 ABSA, 즉 속성 기반 감성 분석이다. 리뷰에서 사용자가 반복적으로 판단 기준으로 삼는 속성들을 추출해 코드북을 만들고, 각 속성의 언급량과 감정을 분석한다. 패션앱이면 가격, 혜택, 배송, 사용성 같은 속성들이 나온다. 요즘은 LLM을 활용해서 이 코드북을 만드는 작업이 더 수월해졌다는 내용도 나왔다.

이 코드북을 기준으로 aspect-drilldown을 쓰면 속성 내부를 세밀하게 볼 수 있다. “혜택”이라는 큰 속성 안에서 쿠폰 조건, 포인트 사용, 이벤트 신뢰 같은 하위 문제가 나뉘는 식이다. aspect-cross는 같은 속성을 앱별로 교차 분석해서 어느 앱이 어느 영역에서 강점인지 비교한다.

2️⃣ 내가 든 생각

특히 흥미로웠던 건 “많이 언급되는 속성과 불만이 큰 속성이 다를 수 있다”는 부분이었다. 언급 빈도가 높다고 꼭 문제가 있는 건 아니고, 언급이 적어도 감정이 강한 속성이 우선적으로 봐야 할 대상일 수 있다는 거다.

👉🏻 단순히 많이 나온 키워드를 뽑는 게 아니라 언급량과 감정 방향을 동시에 보는 것 — 이게 이 방법론에서 중요한 지점인 것 같다.

💡 여기서 드는 질문? 속성 코드북을 만들 때 어디까지 나누는 게 적당할까? 글에선 MECE한 분류표라기보다 의사결정을 위한 관점 체계에 가깝다고 했는데, 공부만 한 입장에서는 그 경계가 아직 잘 가늠이 안 된다.

리서치를 배우는 입장에서 보면, 이 프로세스가 결국 “리뷰를 선택 가능한 문제 단위로 변환하는 것”에 관한 얘기처럼 읽혔다. “혜택 불만이 많다”라는 오버뷰 결과가 “쿠폰 조건 단순화”라는 실행 항목으로 좁혀지는 그 과정. 선택이 생겨야 의사결정이 가능하고, 의사결정이 가능해야 리뷰 분석이 실제 변화로 이어진다는 흐름이 납득이 갔다.

3️⃣ 앞으로 어떻게 볼까?

공부한 내용 기준으로는, 앞으로 리서치 결과물을 볼 때 자연스럽게 확인하게 될 것 같다. 오버뷰가 있는지, 거기서 어느 속성으로 드릴다운했는지. 그 흐름이 보이면 의사결정과의 연결이 읽히고, 없으면 “그래서 뭘 하자는 건지”가 막막한 이유가 설명되는 것 같다.

⭐️ 마지막으로, 이 방법론을 공부하며 남은 생각

공부 끝에 남은 건 “분석은 결국 어느 단계에서 멈추느냐의 문제”라는 한 줄짜리 인상이다. 오버뷰에서 멈추면 큰 그림은 보이지만 행동이 어렵고, 너무 깊이 쪼개면 방향을 잃을 수 있다. 어느 수준에서 분석을 마치고 의사결정으로 넘어갈지가 결국 이 방법론의 핵심 판단인 것 같다.

---

참고 원문: 앱 리뷰를 속성으로 쪼개 의사결정으로 연결하는 법