AI 리뷰분석, 응답 수백 개를 주제·감성·요약으로 한 번에

안녕하세요, 깅글렛이에요.

설문 자유응답이나 고객 리뷰 수백 개, 한 칸씩 읽다가 눈이 핑 돌아본 적 있으시죠. 저도 그랬거든요.

그런데 이 ’말 데이터’를 무료 AI에 통째로 붙여넣으면, 주제별 분류부터 긍·부정 감성, 핵심 요약, 개선점까지 한 번에 정리돼요.

이 글은 답글 쓰는 법도, 설문 문항 만드는 법도, 숫자 차트 그리는 법도 아니에요. 이미 쌓인 응답을 분석해 한눈에 보는 글이에요.

ChatGPT·Claude·Gemini 아무거나, 검증된 프롬프트 하나로 끝내는 흐름을 풀어볼게요.

비슷해 보여도 이 글이 다루는 건 ’쌓인 응답 분석’이에요

먼저 헷갈리기 쉬운 영역부터 정리할게요. AI로 고객 데이터를 다루는 글이 몇 개 있는데, 무대가 다 달라요.

리뷰 한 건에 정중하게 답글을 쓰는 건 응대예요. 설문 문항을 편향 없이 설계하는 건 앞단 기획이고요. 별점·NPS 같은 숫자를 막대·선 차트로 그리는 건 데이터 시각화예요.

이 글은 그 사이를 메워요. 이미 모인 자유응답·리뷰 같은 ’문장으로 적힌 의견’을, 주제별로 묶고 감성을 매기고 요약하는 뒷단 분석. 설문을 어떻게 만들지가 앞단이었다면, 여기선 모인 응답을 어떻게 읽어낼지를 본편으로 깊게 파봤어요.

📖 정성 데이터란? 별점·점수처럼 숫자로 떨어지는 정량 데이터와 달리, “배송이 늦었어요” 같이 문장으로 적힌 의견을 말해요. 사람 말이라 뜻은 풍부한데, 손으로 분류하기가 까다롭죠.

그래서 다루는 입력은 설문의 주관식 답변, 스마트스토어·네이버플레이스·앱스토어에 쌓인 후기, CS 문의나 불만 같은 거예요. 무신사나 스마트스토어가 알아서 요약해주는 ‘리뷰 요약’ 서비스와는 달라요. 그건 소비자용 자동 서비스고, 이건 내 데이터를 내가 직접 분석하는 거예요.

4개 영역 분리 다이어그램 - 가운데 “정성 텍스트 분석” 박스, 주변에 ①답글 쓰기 ②설문 설계 ③숫자 차트 화살표로 구분, 각 박스에 “이 글 아님” 라벨

한 번 돌리면 이 4가지가 같이 나와요

범용 AI에 응답을 붙여넣으면 한 번에 4종 세트가 나와요. 단, 프롬프트에 다 시켜야 다 나오는 거라 이건 뒤에서 짚을게요.

첫째, 주제별 분류예요. 배송·가격·품질·사용성·응대처럼 반복되는 주제로 묶고, 주제마다 몇 건이 언급됐는지 비율까지 세요. 학술 쪽에선 이걸 ’주제 코딩(thematic coding)’이라 부르는데, 어렵게 생각할 거 없어요. 그냥 비슷한 얘기끼리 묶는 거예요.

둘째, 감성 태깅이에요. 각 의견이 긍정인지 부정인지 중립인지 매겨요. 여기서 한 가지가 중요한데, 전체를 뭉뚱그려 하나로 매기지 말고 주제별로 따로 매겨야 해요. 한 가이드에 따르면 응답의 29%는 한 문장 안에 긍·부정이 섞인 ’혼합 감성’이거든요. “맛은 좋은데 배송이 느려요” 같은 거죠. 뭉뚱그리면 이 뉘앙스를 놓쳐요.

셋째와 넷째는 요약과 개선점이에요. 전체를 서너 줄로 압축하거나 주제별 한 줄로 정리하고, 부정 의견에서 구체적인 개선 아이디어를 뽑아내요. 결국 “그래서 뭘 고쳐야 하나”까지 나오는 거예요.

이 순서, 그러니까 분류 → 감성 → 요약 → 개선점이 실전에서 가장 자연스러운 흐름이에요. 그럼 이걸 어떻게 시키느냐가 관건이겠죠.

인포그래픽 - “입력: 자유응답·리뷰·CS 텍스트” → “출력 4종: ①주제 분류(건수·비율) ②감성 태깅(주제별) ③핵심 요약 ④개선점·액션” 한눈에 보기, 혼합 감성 29% 수치 강조

막연한 “분석해줘”와 프레임워크 프롬프트는 결과가 달라요

여기가 진짜 갈리는 부분이에요. 같은 데이터를 줘도 어떻게 시키느냐로 결과가 확 달라지거든요.

한 비교 실험을 보면 차이가 또렷해요. 막연하게 “이 리뷰 분석해줘”라고 하면 5개짜리 평면 카테고리에, 전체 감성 하나만 달랑 나왔어요. 반대로 주제·감성·의도·개체를 한 번에 시키는 ’프레임워크 프롬프트’를 쓰니까 12개 주제에 하위 주제까지, 주제별 감성, 14개 의도 유형, 개체 범주 4개 이상이 나왔고요.

뼈대만 잘 짜면 평면적인 요약이 입체적인 분석으로 바뀌는 거예요. 아래는 분류·감성·요약을 한 번에 뽑는 통합 프롬프트예요. 그대로 복사해서 <리뷰> 안에만 응답을 넣으면 돼요.

너는 고객 피드백 분석가야. 아래 <리뷰> 안의 응답들을 분석해줘. 출력은 다음 형식으로:

1) 주제 분류: 반복되는 주제 5~10개로 묶고, 각 주제별 (a) 언급 건수 (b) 전체 대비 비율 (c) 긍정/부정/혼합 감성 (d) 그 주제를 뒷받침하는 실제 원문 인용 1~2개
2) 전체 요약: 3~4줄
3) 가장 시급한 개선점 3가지: 부정 의견 근거와 함께

규칙: 데이터에 없는 내용은 지어내지 마. 인용은 원문 그대로. 애매하면 "불명확"이라고 표시해.

<리뷰>
(여기에 응답 붙여넣기)
</리뷰>

이 프롬프트에 세 가지 장치가 숨어 있어요. 데이터를 < > 같은 구분 기호로 감싼 건, AI가 지시문과 데이터를 안 헷갈리게 하려는 거예요. “원문 인용을 같이 달라”는 뒤에 나올 검산 장치고요. “주제별로 감성을 따로” 매기게 한 건 아까 말한 혼합 감성 때문이에요.

저는 스마트스토어 리뷰 200건쯤을 이런 식으로 돌려본 적이 있어요. 처음엔 그냥 “정리해줘”라고 했다가 뻔한 요약만 받고, 위처럼 형식을 박아서 다시 시켰더니 그제야 쓸 만한 표가 나오더라고요.

초안이 나왔다고 끝이 아니에요. 대화를 이어가며 더 파고들 수 있거든요. 이게 AI를 단순 요약기에서 분석가로 바꾸는 단계예요.

부정 의견의 근본 원인을 3가지로 정리해줘.
20대와 40대 응답에서 차이 나는 주제가 있어? (세그먼트 정보를 같이 넣었을 때)
이 개선점들을 비용 대비 효과로 우선순위 매겨줘.

비교 표 - “막연한 프롬프트 vs 프레임워크 프롬프트” 2열, 좌: 5개 평면 카테고리·전체 감성 1개 / 우: 12주제+하위·주제별 감성·14개 의도, 우측에 그린 강조

검토와 결정은 사람이 해요 (이게 신뢰 장치예요)

AI가 뽑아준 표를 그대로 믿으면 안 돼요. 여기서부터가 사람 몫이에요.

가장 먼저 할 건 원문 대조예요. AI가 묶은 각 주제를, 같이 받은 원문 인용과 맞춰보는 거죠. 이상하게 분류된 게 있으면 고치고, 중복된 주제는 병합해요. 아까 프롬프트에서 “원문 인용을 같이 달라”고 한 게 바로 이 검산을 위한 거예요.

왜 검산이 필요하냐면, AI는 자기가 잘 아는 주제만 붙잡고 나머지는 흘려버리는 버릇이 있거든요. 한 분석 가이드도 이 점을 콕 집어 경고해요. 소수 의견이 통째로 누락될 수 있다는 거죠. 그래서 원문 인용을 요구하고 사람이 대조하는 게 안전장치예요.

한 가지 더 조심할 게 있어요. 상관관계와 인과관계는 달라요. “A를 언급한 사람이 부정적”이라는 것과 “A 때문에 부정적”은 다른 말이에요. AI는 상관 기반으로 추론하니까, 인과를 단정하는 건 사람이 막아야 해요.

검수가 끝나면 감성 비율은 표로 정리해서 팀에 공유하면 돼요. 비율을 차트로 그리고 싶으면, 차트 만드는 법은 예전 글에서 따로 다뤘어요. 개선점은 액션 리스트로 묶고요.

사람 검수 단계 카드 - “①원문 인용과 대조 ②중복 주제 병합 ③상관≠인과 점검 ④액션 리스트로 공유” 체크리스트 형태, 상단에 “검토·결정은 사람” 밴드

수백 건까진 괜찮고, 그 이상은 쪼개거나 전용 도구예요

장점만 말하면 양산형 글이죠. 한계도 솔직하게 짚을게요. 이게 이 글이 다른 글과 다른 점이기도 하고요.

가장 큰 벽은 양이에요. 한 가이드는 응답이 약 500건을 넘으면 출력 품질이 떨어진다고 봐요. 주제가 모호해지고 세밀한 탐지가 줄어든다는 거죠. 100~200건씩 쪼개서 돌리면 처리는 되는데, 이번엔 배치마다 주제 이름이 조금씩 달라지는 불일치가 생겨요. 다른 가이드는 “주제는 최대 20개까지가 무난하다”고 보고요.

📖 배치란? 데이터를 한 번에 다 못 넣을 때 100건, 200건씩 묶음으로 나눠 여러 번 돌리는 걸 말해요. 처리는 되지만 묶음마다 결과 기준이 달라질 수 있어요.

기준선은 가이드마다 다르지만 방향은 같아요. 수백 건까진 무료 범용 AI로 충분하고, 수천~수만 건을 정기적으로 돌려야 하면 부적합해요. 그 규모는 전용 분석 도구나 API로 코드를 짜서 자동화하는 게 맞아요. 한 한국 사례를 보면 2만 건을 API로 처리할 때 감성분석은 건당 1~2초, 개선안 작성은 건당 10초 정도라, 수작업과는 차원이 다른 시간이 들어요.

일관성도 약점이에요. 같은 데이터를 다시 돌려도 주제 이름이 살짝 바뀌어요. 매달 정기로 분석할 거면, 분류 기준을 사람이 미리 정해서 프롬프트에 넣어주거나 ChatGPT의 프로젝트 기능에 저장해두는 식으로 고정해야 해요. ChatGPT가 지난달 기준을 알아서 기억해주진 않거든요.

정확도는 어느 정도일까요. 한 한국 실무 사례는 감성분석 정확도를 약 90% 수준으로 봐요. 나머지 10%는 사람 보정이 필요하다는 뜻이죠. 한 학술 비교 연구에서는 자유응답 448건을 두고 사람 전문가와 AI를 대조했더니 일부 모델이 완전히 일치하는 결과도 나왔어요. 다만 그 연구진조차 “그래도 AI가 수작업 분석을 대체하면 안 된다”고 결론을 냈고요. 이건 의학 교육 데이터를 쓴 연구라, 내 비즈니스 리뷰에서도 똑같이 들어맞는다고 일반화할 수는 없어요.

한계 체크리스트 카드 - “①약 500건 한계 ②배치 시 주제 불일치 ③재현성 약함 ④할루시네이션·편식 ⑤혼합 감성 29% ⑥상관≠인과”, 각 항목 한 줄 설명

원본 그대로 붙여넣지 마세요 (개인정보 가드)

이건 한국에서 고객 데이터를 다룬다면 무조건 지켜야 하는 부분이에요. 따로 한 섹션을 뗀 이유가 있어요.

실명·연락처·주소·주문번호·이메일이 든 리뷰나 응답을 그대로 붙여넣으면 안 돼요. 입력한 데이터는 외부 API를 거치거든요. 그러니 식별 정보는 지우고 분석에 필요한 의미만 남겨요. “김철수 고객”은 “A고객”으로 바꾸고, 전화·주소·주문번호는 삭제하거나 더미값으로 치환하는 식이죠.

설정도 한 번 손봐두는 게 좋아요. ChatGPT 설정에서 대화 기록과 모델 학습 사용을 끄면, 입력한 내용이 모델 학습에 쓰이지 않아요. 민감한 데이터를 자주 다루는 회사라면 데이터 보호가 강한 Team이나 Enterprise 버전을 검토할 만하고요.

과거에 유출 우려로 규제 당국이 OpenAI에 조치를 한 전례도 있어요. 경각심 차원에서 알아두면 좋겠죠. 비식별화도 만능은 아니라, 대량 텍스트는 조합으로 다시 식별될 수 있어요. 민감도가 높은 데이터라면 비식별화에 더해 학습 끄기, 그리고 소량만 처리하는 걸 같이 챙기는 게 안전해요.

참고로 이 작업 자체엔 돈이 거의 안 들어요. ChatGPT·Claude·Gemini 모두 무료 티어로 가능하거든요. 유료가 꼭 필요한 건 아니에요. 그래도 더 쓰고 싶다면 ChatGPT Plus가 월 29,000원(2026년 6월 기준, 바뀔 수 있어요)인데, 이 분석엔 무료로 충분해요.

비식별화 Before/After 카드 - 좌측(빨강) “김철수 고객, 010-xxxx, 주문 #12345 / 배송 늦음” → 우측(그린) “A고객 / 배송 늦음”, 하단에 “+ 학습 사용 끄기” 배지

깅글렛 한줄평

💡 좋은 점: 손으로 며칠 걸리던 응답 분류·요약이, 프롬프트 하나에 표 한 장으로 정리돼요.

⚠️ 아쉬운 점: 수백 건이 한계선이고, AI가 묶어준 주제는 결국 사람이 원문과 대조해 검산해야 믿을 수 있어요.

마무리

쌓인 응답을 멍하니 노려보지 말고, 일단 한 묶음만 위 프롬프트로 돌려보세요. 표 한 장으로 정리되는 걸 보면 흐름이 잡힐 거예요.

여러분은 어떤 데이터를 제일 먼저 분석해보고 싶으세요?

※ 본 글은 2026년 6월 기준 정보를 바탕으로 작성됐어요. AI 도구의 기능·가격·정책은 추후 변경될 수 있어요. ※ 고객 데이터를 다룰 땐 반드시 개인정보를 비식별화하고, 학습 사용 설정을 확인해주세요.