차(茶) 이야기가 온라인에서 "마신다"는 화제에서 "머문다"는 화제로 옮겨간 시점을 데이터로 짚을 수 있을까. 9년치 담론을 통째로 놓고 보면 이 질문에 정량적으로 답할 수 있다.
무엇을 분석했나
2017년부터 2025년까지 9년간 네이버 블로그·카페 게시글 45,034건과 유튜브 영상·댓글 데이터를 수집했다. Playwright 기반 크롤러와 YouTube Data API로 기간 필터를 적용해 대량 수집·정제하는 것이 파이프라인의 첫 단계였다.
전체 기간은 2017-19 / 2020-22 / 2023-25 세 개 Phase로 나눴다. Phase별로 TF-IDF를 적용해 핵심 키워드와 변화율을 산출했는데, Phase1 대비 Phase3에서 '찻집' 키워드는 +120.6%, '리추얼' 키워드는 +75.7% 급상승했다. 이어 DTM(Dynamic Topic Model)으로 4개 토픽의 연도별 비중 궤적을 추적해 담론 구조가 바뀌는 교차 시점을 포착했고, 마지막으로 Phase별 키워드 동시출현 네트워크에 Louvain 커뮤니티 탐지를 적용해 담론 군집이 재편되는 과정을 시각화했다.
무엇이 나왔나
첫째, 차 담론은 기초(음용)·공간·경험(체험)·미학(리추얼) 4개 범주로 구조화됐다. 공간 담론은 9년 내내 꾸준히 성장했고, 경험 담론은 Phase3에서 역전이 일어났다. 담론이 하나의 흐름이 아니라 범주별로 다른 궤적을 그린다는 뜻이다.
둘째, 전환의 크기는 TF-IDF 변화율로 특정된다. Phase1→Phase3 구간에서 '찻집'은 +120.6%, '리추얼'은 +75.7% 상승했다. 음용 중심 담론이 공간·의례 중심으로 이동했다는 주장을 감이 아니라 수치로 뒷받침한다.
셋째, 채널마다 담론이 다르게 형성된다. 블로그·카페·유튜브 출처별 담론 비중을 비교하고, 유튜브는 콘텐츠 유형 분포까지 별도로 분석했다. 같은 주제라도 채널에 따라 강조되는 범주가 달랐다.
심사위원이라면 여기를 본다
포인트 1 — Phase 구간이 임의적이지 않은가. 3개 Phase 분할은 DTM으로 산출한 4개 토픽의 연도별 비중 궤적에서 담론 구조의 교차 시점을 근거로 잡았다. 임의 구획이 아니라 궤적 데이터가 가리키는 지점이다.
포인트 2 — 채널 편향 방어. 블로그·카페·유튜브 세 출처를 나란히 비교해, 결과가 특정 채널의 특성이 아니라 담론 전반의 흐름임을 함께 보였다.
포인트 3 — 재현성. 모든 그래프와 본문 수치는 원본 데이터에서 자동 생성되므로, 심사·검수 과정에서 산출 근거를 코드 단위로 방어할 수 있다.
마치며
"특정 주제의 온라인 담론이 시간에 따라 어떻게 변했는가"라는 질문은 브랜드 평판 추적이나 정책 이슈의 여론 변화 분석에도 그대로 적용된다.
담론의 시계열 구조를 근거 수치로 제시해야 하는 작업이라면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.