관광 정책 담당자가 궁금한 것은 관광객이 "어디 갔고 얼마 썼는가"가 아니라 "왜 다시 찾고 왜 떠나는가"다. 그런데 정작 그 답을 담고 있는 리뷰·SNS·앱 평점은 매일 쌓이면서도 분석되지 못한 채 버려지고 있었다.
무엇을 분석했나
해안 관광 대도시의 관광 데이터 활용을 고민하던 공공 부문 의뢰인의 요청으로, 2026년 05월 진행한 작업이다. 기존 관광 데이터가 이동통신·신용카드 기반의 이동·소비 정량 지표에 머물러 있어, 방문객이 왜 다시 찾고 왜 떠나는지는 알 수 없다는 진단에서 출발했다.
제안서는 방문객의 목소리를 정책 아이디어로 구조화하는 「투어보이스(TourVoice)」 개념을 중심에 두고, 문제→데이터→제안→기대효과의 4단계 논리로 설계했다. 핵심 데이터 엔진은 한·영·중·일 4개 언어의 UGC(리뷰·SNS·앱 평점)를 상시 수집해, 텍스트마이닝과 속성기반 감성분석(ABSA)으로 "무엇이 좋고 무엇이 나쁜지"를 자동으로 읽어내는 세 개 모듈로 구성했다. Python 기반으로 matplotlib을 사용해 프레임워크·아키텍처 다이어그램을 시각화했다.
무엇이 나왔나
첫째, 데이터 엔진을 언어권별 분류·조기경보·정책효과 측정의 세 모듈로 구조화했다. ① 언어권별 만족·불만 자동 분류, ② 거점별 속성 감성을 신호등으로 표시하고 임계치 초과 시 자동 경보하는 조기경보 대시보드, ③ 시정 개선 전후의 감성 변화로 예산 효과를 증명하는 정책효과 실시간 측정으로 나눠, 진단부터 효과 검증까지 하나의 엔진 안에 담았다.
둘째, 제안서를 현황 진단·문제 원인·비전·해법 엔진·목표와 추진의 다섯 개 장으로 완결했다. 데이터 분석 방법론(텍스트마이닝·감성분석)을 근거로 삼되, 그 결과를 의사결정권자가 곧바로 실행에 옮길 수 있는 정책 언어와 로드맵으로 옮겨 담았다.
셋째, 거점 3곳·6개월 파일럿에서 전역·축제·MICE·크루즈로 확산하는 단계적 추진안을 제시했다. 전면 도입 대신 파일럿에서 시작해 효과를 검증한 뒤 넓혀가는 방식으로, 새 데이터를 만드는 것이 아니라 이미 존재하는 목소리를 듣기 시작하는 저비용·고속 접근을 취했다.
심사위원이라면 여기를 본다
포인트 1 — 정량·이동 데이터와 목소리 데이터의 역할을 분리해 논리를 세웠다. 기존 이동통신·신용카드 데이터가 "어디 갔나·얼마 썼나"를 답한다면, UGC 텍스트마이닝은 "왜 다시 찾고 왜 떠나는가"를 답한다. 두 데이터의 역할을 겹치지 않게 나눠 제안의 필요성을 방어했다.
포인트 2 — 다국어 대응을 설계 단계부터 포함했다. 한·영·중·일 4개 언어 UGC를 동일한 파이프라인으로 처리하도록 설계해, 언어권별로 만족·불만이 다르게 나타나는 경우도 놓치지 않도록 구조화했다.
포인트 3 — 정책효과를 감성 변화로 사후 측정하는 장치를 제안 단계부터 넣었다. 시정 개선 전후의 감성 변화를 추적하는 모듈을 처음부터 설계에 포함해, 집행 이후 예산 효과를 증명할 수 있는 근거를 미리 마련했다.
마치며
관광 정책에서 목소리 데이터는 새로 만들어야 하는 것이 아니라, 이미 쌓이고 있는데 듣지 않고 있었던 것이다.
비슷한 공공데이터 기반 정책제안서 설계나 UGC 텍스트마이닝 분석이 필요하다면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.