좋아요 개수만 보면 어떤 콘텐츠가 반응을 얻는지 감으로 판단하게 된다. 그런데 그 감이 실제 데이터와 얼마나 다른지는 세어보기 전에는 알 수 없다.
무엇을 분석했나
AI·데이터 분야 콘텐츠를 운영하는 크리에이터 채널(이하 채널 A)의 성과를 규명하기 위해, 2026년 06월 진행한 작업이다. 채널이 발행한 게시물 95건을 전수 수집해, 좋아요·답글·리포스트·공유를 가중 합산한 참여점수와 함께 주제·글 형식·글자수·이미지 첨부·이모지 사용 등 콘텐츠 속성을 정량화한 분석 코퍼스를 구축했다. 게시물 캡션은 텍스트마이닝으로 전문성 콘텐츠·실전 활용기·범용 도구 소개·자료 배포 등 주제 카테고리로 분류했다. 여기에 동일 니치의 상위 인기글 276건을 별도 수집해 벤치마크로 대조했다. Python 기반으로 pandas·matplotlib과 정규표현식 기반 텍스트 전처리(주제 분류·이모지 추출), 중앙값·평균 참여점수 등 기술통계를 사용했다.
무엇이 나왔나
첫째, 주제별 성과 격차가 뚜렷하게 드러났다. 주제별 게시물당 평균 참여점수를 비교한 결과 "전문성 콘텐츠(데이터 분석)"가 438.5점으로, 나머지 주제군(59.8~135.4점)을 크게 앞섰다. 이 채널의 참여를 실질적으로 견인하는 콘텐츠 축이 무엇인지 데이터로 확인한 셈이다.
둘째, 벤치마크 대조에서 구조적 스타일 격차가 나타났다. 채널 A는 니치 상위 인기글 276건 대비 글자수가 길고(150.5자 vs 93.0자), 사진 첨부율은 낮았다(34.7% vs 70.0%). 아울러 답글을 유도하는 "댓글 게이트형" 게시물이 일반형 대비 답글 중앙값을 2배(4 vs 2)로 끌어올린다는 형식 레버도 확인했다.
셋째, 진단 결과를 실행 가능한 로드맵으로 종합했다. 성과 데이터 진단 → 벤치마크 대조 → 포지셔닝 확정 → 콘텐츠 필러 4종 설계로 이어지는 프레임워크와, 게시 → 지표 재수집 → 주간 KPI 적립의 성장 루프를 함께 제안했다.
심사위원이라면 여기를 본다
포인트 1 — 참여점수를 단일 지표(좋아요)가 아니라 좋아요·답글·리포스트·공유의 가중 합산으로 정의했다. 단일 지표는 특정 콘텐츠 유형에 유리하게 왜곡될 수 있어, 여러 참여 행동을 함께 반영하는 합산 지표로 콘텐츠 성과를 방어했다.
포인트 2 — 채널 내부 비교에 그치지 않고 니치 상위군 276건이라는 외부 준거를 별도로 수집했다. 자체 데이터만으로는 "잘하고 있는지"를 판단할 기준이 없다는 한계를, 동일 니치의 외부 벤치마크로 보완했다.
포인트 3 — 형식 레버(댓글 게이트형)의 효과를 중앙값으로 검증했다. 평균이 아닌 중앙값 비교를 사용해 소수의 극단값에 흔들리지 않는 방식으로 답글 유도 효과를 정량화했다.
마치며
어떤 콘텐츠가 반응을 얻는지는 감이 아니라, 참여 지표를 가중 합산하고 외부 벤치마크와 대조하는 절차로 답할 수 있다.
비슷한 SNS 채널 성과분석이나 콘텐츠 텍스트마이닝이 필요하다면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.