설문지에는 없는 말이 리뷰에는 있다. 프랜차이즈 카페의 고객 경험을 서비스스케이프(servicescape) 이론으로 규명하려는 석사학위논문에서, 의뢰인이 정말 필요했던 근거는 설문 문항이 아니라 고객이 자발적으로 남긴 말이었다.
무엇을 분석했나
동일 브랜드 매장 4곳의 고객 리뷰 2,471건을 수집해, 노이즈 제거·도메인 불용어 처리·한국어 형태소 분석·유사어 통합의 전처리 과정을 거쳐 분석 코퍼스를 구축했다. 분석의 뼈대는 Bitner(1992)의 서비스스케이프 이론과 데이터 기반 토픽 구조를 연결하는 것이었다.
먼저 TF-IDF로 핵심 어휘 지형을 확인한 뒤, LDA 토픽모델링에서 Coherence Score(c_v) 곡선을 k=2~15 범위로 탐색해 최적 토픽 수 k=10을 데이터 기반으로 선정했다. 도출된 10개 토픽을 서비스스케이프의 구성 차원(주변 요소·공간/기능·표지/상징 등)에 매핑하고, KNU 감정사전 기반 5단계 감성분석(매우긍정~매우부정)으로 각 토픽이 실제 고객 경험에서 긍정적으로 작동하는지 부정적으로 작동하는지를 정량화했다.
무엇이 나왔나
핵심은 각 토픽을 빈도 비중(영향력)과 평균 감성으로 배치한 사분면 우선순위 지도였다. 어느 서비스 요소가 고객 만족의 핵심 강점이고 어느 요소가 우선 개선 대상인지가 좌표 하나로 정리된다.
여기에 두 축의 강건성 검증을 더했다. 시기 축에서는 전체 기간 토픽 구조를 코로나 이전(2020~2022)과 엔데믹(2023~2026) 두 하위 구간으로 나누어 재추정하고 Jaccard 중첩률로 토픽 안정성을 확인했다. 매장 축에서는 4개 매장을 분리해도 동일한 토픽 구조가 재현되는지를 점검했다. 시기·매장 어느 방향으로 데이터를 쪼개도 토픽이 유지된다는 근거를 확보함으로써, "표본을 달리 잡으면 결과가 달라지지 않느냐"는 공격을 사전에 방어할 수 있는 구조를 만들었다.
심사위원이라면 여기를 본다
포인트 1 — 토픽 수의 근거. k=10은 감으로 정한 값이 아니다. Coherence Score 곡선을 k=2~15 전 구간에서 그려 놓았기 때문에 "왜 10개인가"에 그림으로 답할 수 있다.
포인트 2 — 이중 강건성 검증. 시기를 쪼개도, 매장을 쪼개도 토픽 구조가 재현된다는 걸 각각 검증했다. 표본 편향에 대한 방어선이 두 겹이다.
포인트 3 — 이론과 데이터의 접점. 데이터에서 뽑은 10개 토픽을 Bitner(1992) 서비스스케이프의 이론적 차원에 매핑해, "이 분석이 왜 서비스스케이프 연구인가"라는 질문에 답을 미리 준비해 뒀다.
마치며
리뷰 텍스트마이닝의 값은 키워드 나열이 아니라, 이론적 프레임과 데이터 구조를 맞물리게 하고 그 결과를 표본을 흔들어도 무너지지 않는 형태로 제시하는 데 있다.
비슷한 리뷰·VoC 텍스트마이닝 분석이 필요하다면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.