--- name: text-analytics-methods description: "텍스트 분석 방법론. topic-classifier와 trend-detector 에이전트가 비정형 텍스트에서 주제를 추출하고 트렌드를 도출할 때 참조. '주제 분류', '키워드 분석', '텍스트 마이닝' 요청 시 사용. 단, NLP 모델 학습이나 대규모 데이터 처리 파이프라인 구축은 범위 밖." --- # Text Analytics Methods — 텍스트 분석 방법론 topic-classifier / trend-detector 에이전트의 텍스트 분석 역량 강화. ## 주제 분류 방법론 ### 상향식 분류 (Bottom-up) ``` 1. 피드백 전체 읽기 (샘플링: 100건 이상) 2. 반복 키워드/구문 식별 3. 유사 키워드 클러스터링 4. 클러스터에 주제명 부여 5. 주제 체계 확정 (MECE 검증) 6. 전체 데이터에 주제 태깅 ``` ### 하향식 분류 (Top-down) ``` 사전 정의 카테고리: ├── 제품/서비스 품질 │ ├── 기능 │ ├── 성능 │ ├── 디자인 │ └── 안정성 ├── 고객 경험 │ ├── 사용 편의성 │ ├── 고객 지원 │ ├── 구매 과정 │ └── 배송 ├── 가격/가치 │ ├── 가격 수준 │ ├── 가성비 │ └── 할인/프로모션 └── 기타 ├── 경쟁사 비교 └── 개선 요청 ``` ## 키워드 분석 ### TF-IDF 개념 적용 ``` TF (Term Frequency) = 특정 문서에서 단어 빈도 IDF (Inverse Document Frequency) = 전체 문서 중 희소성 TF-IDF = TF × IDF 높은 TF-IDF = 특정 문서에서 중요하지만 흔하지 않은 단어 → 피드백 특이사항 파악에 유용 ``` ### 키워드 추출 절차 ``` 1. 불용어 제거: 조사, 접속사, 일반 동사 2. 명사/형용사 추출 3. 빈도 계산 (상위 30개) 4. n-gram 분석 (2-gram, 3-gram) "배송 느림", "고객센터 연결 안됨" 5. 키워드 클라우드 시각화 ``` ## 트렌드 분석 기법 ### 시계열 주제 추이 | 주제 | Q1 | Q2 | Q3 | Q4 | 추세 | |------|-----|-----|-----|-----|------| | 배송 | 15% | 18% | 22% | 25% | ↑ 주의 | | 품질 | 30% | 28% | 25% | 20% | ↓ 개선 | | 가격 | 20% | 22% | 20% | 21% | → 안정 | ### 이상 탐지 기준 ``` 이상 신호: - 특정 주제 비율 전기 대비 +50% → 긴급 분석 - 부정 감성 +0.3 이상 급등 → 원인 조사 - 신규 키워드 급부상 (이전 분기 미출현) → 신규 이슈 ``` ## 인사이트 도출 프레임워크 ### 피라미드 원칙 (So What?) ``` Level 1 (데이터): "배송 불만이 25%로 전분기 대비 7%p 증가" Level 2 (분석): "신규 물류사 전환 후 배송 지연이 주 원인" Level 3 (인사이트): "물류사 SLA 재협상 또는 기존 업체 복귀 필요" Level 4 (액션): "물류팀에 SLA 검토 요청, 2주 내 개선안 보고" ``` ### 액션 우선순위 매트릭스 | 인사이트 | 빈도 | 감성 강도 | 영향 | 실행 용이 | 우선순위 | |---------|------|----------|------|----------|---------| | 배송 개선 | 높음 | -0.8 | 높음 | 중간 | ★★★★★ | | UI 개선 | 중간 | -0.5 | 중간 | 높음 | ★★★★ | | 신기능 A | 낮음 | +0.3 | 낮음 | 낮음 | ★★ | ## 품질 체크리스트 | 항목 | 기준 | |------|------| | 분류 체계 | MECE (중복 없고 빠짐 없이) | | 샘플 크기 | 100건 이상 또는 전수 | | 다중 태깅 | 1건에 복수 주제 허용 | | 트렌드 | 최소 3기간 비교 | | So What | 데이터→분석→인사이트→액션 | | 시각화 | 키워드 클라우드 + 추이 차트 |