관광거리를 개선하려는 지자체 담당 부서가 가장 먼저 마주치는 질문은 "무엇부터 손봐야 하는가"다. 설문을 새로 돌리자니 예산과 시간이 걸리고, 감으로 정하자니 결재 자리에서 근거를 대기 어렵다. 역사관광 중심 지자체 A의 구도심 관광거리 프로젝트는 이 질문에 이미 쌓여 있는 리뷰 데이터로 답했다.
무엇을 분석했나
구글 지도 리뷰와 네이버 블로그 후기를 통합해 총 4,175건의 관광객 음성을 수집했다. 별도 설문 조사 없이 이미 쌓여 있는 자발적 후기를 활용했기 때문에 추가 조사 비용이 들지 않았다. 수집한 텍스트는 한국어 형태소 분석과 관광 도메인 특화 감성사전으로 전처리했다.
전처리를 마친 데이터는 BERTopic(트랜스포머 임베딩 + UMAP + HDBSCAN)으로 9개 토픽으로 자동 분류했다. 이어 감성분석, IPA(중요도-성과 분석) 매트릭스, JTBD(Jobs-to-be-Done) 프레임워크, 우선순위 점수, ROI 시뮬레이션까지 이어지는 다단계 파이프라인을 적용했다.
무엇이 나왔나
첫째, 부정 리뷰가 3개 영역에 집중됐다는 점. 부정 리뷰의 80% 이상이 ① 가격·정체성 ② 주차장 부족 ③ 주말 혼잡 3개 영역에 몰려 있었다. 감성분석 결과는 긍정 56.7%, 부정 6.5%로, 관광거리의 핵심 매력 자체는 유지·보호 대상으로 확인됐다.
둘째, JTBD 분석이 병목을 특정했다는 점. "주차하기 → 10분 내 주차 완료"라는 과업이 충족되지 않는 것이 재방문 의향을 가장 크게 떨어뜨리는 병목으로 드러났다. 이 결과를 우선순위 점수로 환산해 즉시 개선해야 할 정책 순서를 제시했다.
셋째, 통계 검증으로 결과의 견고성을 확보했다는 점. 토픽 간 별점 차이는 Kruskal-Wallis 검정에서 p < 10⁻⁶⁵로 매우 유의했고, 감성 기준 분류와 별점 기준 분류의 사분면 일관성이 100%로 나타났다.
심사위원이라면 여기를 본다
포인트 1 — 두 개의 독립적 분류가 같은 결론을 가리켰다. 감성 기준 분류와 별점 기준 분류를 각각 사분면으로 나눴을 때 일관성이 100%로 나타나, 어느 한쪽 지표에만 기댄 결론이 아님을 방어할 수 있다.
포인트 2 — 통계 검정으로 우연을 배제했다. 토픽 간 별점 차이가 우연이 아니라는 근거를 Kruskal-Wallis 검정(p < 10⁻⁶⁵)으로 제시해, "왜 이 순서로 개선하는가"라는 질문에 유의성 수치로 답할 수 있다.
포인트 3 — 정성 프레임과 정량 점수를 이었다. IPA 매트릭스로 영역별 중요도·성과를 나누고, JTBD로 그 안의 병목 과업을 특정한 뒤, 이를 다시 우선순위 점수로 환산해 정책 순서까지 이어지는 구조라 각 단계의 근거를 따로 설명할 수 있다.
마치며
관광거리처럼 이미 다수의 목소리가 쌓여 있는 공공 공간은, 새 설문 없이도 리뷰 데이터만으로 정책 우선순위를 근거 있게 도출할 수 있다.
비슷한 공공·행정 UX 진단이나 리뷰 기반 정책 우선순위 분석이 필요하다면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.