라이브방송 채팅창의 'ㅋㅋ'와 '이거 사야겠다'를, AI는 브랜드 성적표로 바꿀 수 있을까?

무슨 연구인가

홈쇼핑처럼 실시간으로 물건을 파는 '라이브커머스'를 떠올려 보세요. 화면 옆으로 댓글과 채팅이 폭포처럼 쏟아지죠. 이 연구는 그 수다스러운 대화 더미에서 '이 방송이 브랜드를 얼마나 잘 알렸는가'를 숫자로 뽑아내는 자동 채점기를 만들었습니다.

🔬 어떻게 분석했나

① 먼저 재료를 모았어요 — 뷰티·스킨케어 라이브 방송 180회에서 댓글·채팅·문의·후기 71만 4천 건을 긁어모았습니다. 사람이 다 읽는 건 불가능한 양이죠.
② 글을 컴퓨터가 읽을 수 있는 숫자로 바꿨어요(BERT) — BERT는 문장을 '뜻이 담긴 숫자 좌표'로 옮기는 AI 언어모델이라, 비슷한 의미의 말끼리 가까운 자리에 놓이게 됩니다.
③ 숨은 이야깃거리를 자동으로 묶었어요(BERTopic) — 수십만 개의 댓글을 '배송 얘기', '향 얘기', '가격 얘기'처럼 저절로 주제별로 분류해 주는 도구입니다. 사람이 일일이 태그를 붙일 필요가 없어요.
④ 각 댓글의 기분을 판별했어요(감성분류) — 같은 BERT로 '좋아요'는 긍정, '실망'은 부정으로 나눠, 어느 주제에서 호감이 쏠리는지 봤습니다.
⑤ 효과 점수를 매기고 예측했어요(XGBoost) — 주제·감성 지표에 가중치를 줘 '브랜드 커뮤니케이션 효과' 점수를 만든 뒤, XGBoost라는 머신러닝 모델로 어떤 방송이 효과가 높을지 예측했습니다.
⑥ 왜 그렇게 예측했는지 열어봤어요(SHAP) — AI의 판단 근거를 변수별로 쪼개 보여주는 기법으로, 어떤 요소가 점수를 끌어올렸는지 확인했습니다.

📊 무엇을 찾았나

모델은 여러 등급을 꽤 정확히 가려냈고, 특히 '브랜드 이름이 얼마나 자주 언급됐나', '신뢰 관련 주제 비중', '긍정 감정의 강도', '추천 의사 밀도', '슬로건을 기억하는 비율'이 효과를 가르는 핵심 열쇠였습니다 — 즉 '많이 언급되고, 믿을 만하다는 얘기가 돌고, 기분 좋게 추천이 오가는' 방송이 커뮤니케이션 승자였던 셈이죠.

💡 내 연구에 가져갈 것

리뷰·댓글 데이터를 다룬다면, BERTopic으로 주제를 먼저 나누고 그 주제별로 감성을 보면 '무엇에 대한 호불호인지'까지 잡혀요.

📄 논문 정보

Research on brand communication effect evaluation models for live streaming e-commerce based on user generated content mining
Yixuan Li
Journal of Applied Economics and Policy Studies · 2026-10-19
원문 보기 ↗