1. 서 론

최근 반려동물 산업은 ‘펫코노미 2.0(Pet Economy 2.0)’ 시대로 진입하며 사료 및 용품 중심 시장에서 헬스케어와 프리미엄 소비재 중심으로 확대되고 있다[16]. 펫샴푸는 반려동물의 피부 건강과 위생 관리를 위한 대표적인 펫케어 소비재로서 정기적인 피부 및 위생 관리에 활용되는 제품군에 해당한다[4, 19]. 또한 pH 등 이화학적 특성, 세정 성능 및 표시 정보는 제품 품질을 평가하는 주요 요소로 다뤄지고 있다[14]. 한편 온라인 리뷰에는 이러한 객관적 품질 특성뿐 아니라 실제 사용 과정에서 형성되는 소비자 경험이 함께 반영된다[6, 11].

최근 펫 휴머니제이션(Pet Humanization) 트렌드의 확산과 프리미엄 펫케어 수요 증가는 제품의 기능성과 성분 안전성에 대한 소비자 요구를 더욱 고도화시키고 있다[16]. 이러한 시장 변화 속에서 후발 기업이 경쟁 우위를 확보하기 위해서는 기존 제품에 대한 소비자의 불만(Pain Points)과 고객 요구(Customer Needs)를 정확히 파악하고 이를 제품 개발 과정에 반영하는 것이 중요하다[16, 17].

온라인 리뷰는 소비자가 제품 사용 후 자발적으로 작성한 비정형 데이터로서 실제 시장 반응과 소비자 인식을 반영하는 중요한 정보원이며, 소비자 요구 분석과 제품 개선을 위한 데이터 기반 의사결정에 활용 가치가 높다[6, 11, 17].

이에 본 연구는 온라인 리뷰 데이터를 활용하여 소비자 요구 속성을 도출하고 제품 개선 우선순위를 제시하기 위해 LDA 토픽모델링, 감성분석 및 중요도-성과분석(Importance-Performance Analysis, IPA)을 활용한 통합 분석을 수행하였다. 구체적으로는 네이버 쇼핑에서 수집한 펫샴푸 리뷰 데이터를 대상으로 LDA 토픽모델링을 통해 소비자 요구 속성을 도출하고, 감성분석을 통해 소비자 평가 수준을 측정한 후, IPA 분석을 적용하여 제품 개발을 위한 전략적 우선순위를 도출하고자 한다.

본 논문의 구성은 다음과 같다. 제2장에서는 관련 이론과 분석 방법론을 검토하고, 제3장에서는 연구 방법과 분석 절차를 설명한다. 제4장에서는 분석 결과를 제시하고 이를 바탕으로 소비자 요구 속성과 제품 개선 방향을 도출한다. 제5장에서는 연구 결과를 종합하여 시사점과 한계 및 향후 연구 방향을 제시한다.

2. 연구배경

2.1 설문조사와 온라인 리뷰 기반 요구 분석의 비교

신제품 개발 과정에서 고객 요구 속성을 도출하기 위한 전통적 접근은 설문조사와 인터뷰 중심의 VOC(Voice of Customer) 분석이었다[10].

그러나 설문조사는 연구자가 설계한 문항 범위 내에서만 응답이 이루어지기 때문에 실제 사용 과정에서 나타나는 다양한 소비자 경험이나 잠재적 요구(Latent Needs)를 충분히 반영하기 어렵다는 한계가 있다[11]. 또한 설문조사는 응답자의 주관적 편향(Bias), 표본 대표성의 한계, 그리고 데이터 수집에 소요되는 시간과 비용 등의 제약을 가진 것으로 보고되고 있다[11].

이러한 한계를 보완하기 위한 대안으로 최근에는 온라인 리뷰 기반 분석이 주목받고 있다. 온라인 리뷰 데이터는 설문조사 방식보다 실제 시장 반응을 보다 정확하게 반영할 수 있는 것으로 제시되었으며[11], 텍스트 마이닝을 활용하여 브랜드별 핵심 속성 차이를 도출하고 이를 신제품 개발 전략에 활용한 연구[6]와, 온라인 리뷰를 기반으로 고객 품질 만족도 지수를 산출한 연구[18] 등이 보고되고 있다.

따라서 본 연구는 대규모 온라인 리뷰 데이터를 활용하여 소비자의 실제 요구 속성을 도출하고, 기존 설문 기반 연구의 한계를 보완할 수 있는 데이터 기반 통합 분석 접근법을 적용하고자 한다. 설문조사 기반 분석과 온라인 리뷰 기반 분석의 비교는 <Table 1>과 같다.

2.2 온라인 리뷰 기반 요구 속성 분석 방법론

2.2.1 텍스트 마이닝 및 LDA 토픽모델링

LDA(Latent Dirichlet Allocation)는 Blei et al.[2]이 제안한 확률 기반 토픽모델링 기법으로, 문서 내 단어의 출현 확률 분포를 기반으로 잠재된 토픽을 추론하는 대표적인 비지도 학습(Unsupervised Learning) 방법이다.

LDA는 비구조화된 텍스트 데이터를 잠재 주제별로 구조화하여 핵심 의미를 도출하는 데 효과적인 토픽모델링 기법으로 알려져 있으며[2, 3], 온라인 리뷰 기반 연구에서는 산업별 핵심 요구 요인과 소비자 관심 속성을 도출하는 데 활용된 바 있다[6].

LDA의 문서 생성 과정(Document Generation Process)은 식과 같이 표현된다[2].

여기서 θ d는 문서 d의 토픽 분포를 의미하며, α는 문서-토픽 분포를 제어하는 디리클레(Dirichlet) 사전분포의 하이퍼파라미터를 나타낸다. 또한 z d n은 문서 내 단어의 토픽 할당 변수이며, β는 토픽-단어 분포를 의미한다. M은 전체 문서 수, N d는 문서 d의 단어 수, w d n은 문서 d의 n번째 단어를 나타낸다.

식 (1)은 각 문서가 여러 토픽의 확률 분포로 구성되고, 각 토픽이 다시 단어의 확률 분포를 생성하는 LDA의 생성확률모형(Generative Probabilistic Model)을 나타낸다[2].

이와 같이 LDA는 대규모 온라인 리뷰 데이터에서 잠재된 소비자 요구를 구조화하고 핵심 주제를 도출하는 대표적인 토픽모델링 기법으로 널리 활용되고 있다.

2.2.2 감성분석 기반 만족도 분석

감성분석(Sentiment Analysis)은 텍스트에 내포된 감정을 긍정․부정 또는 점수 형태로 계량화하는 분석 기법이다. 최근 온라인 리뷰 연구에서는 감성 점수를 활용하여 제품 만족도와 소비자 평가 수준을 정량적으로 분석하고 있으며[17], 최근 연구에서는 감성분석 결과를 IPA와 결합하여 제품 개선 우선순위를 도출하고 있다[7, 11, 17].

2.2.3 중요도-성과분석(IPA)

IPA(Importance-Performance Analysis)는 Martilla and James(1977)가 제안한 분석기법으로[9], 속성의 중요도(Importance)와 성과(Performance)를 교차 분석하여 전략적 우선순위를 도출하는 데 활용된다. 이후 다양한 분야에서 제품 및 서비스의 개선 우선순위를 도출하기 위한 대표적인 분석기법으로 활용되고 있다. 기존 연구에서는 텍스트 마이닝과 감성분석 결과를 활용하여 중요도와 성과를 산정하고, 이를 IPA 매트릭스에 적용하여 제품 개선 전략을 제시하였다[7, 11, 17].

특히 IPA는 고객 요구 속성의 전략적 우선순위를 시각적으로 제시할 수 있어, 제품 개선 방향 도출 및 의사결정 지원에 효과적으로 활용될 수 있다는 장점을 가진다[9, 17].

3. 연구방법

3.1 연구 모형

선행연구 검토를 바탕으로 본 연구는 온라인 리뷰 데이터에서 펫샴푸 시장의 소비자 요구 속성과 개선 우선순위를 도출하고자 한다. 전체 연구 수행 절차는 <Figure 1>과 같다.

본 연구모형은 온라인 리뷰에서 상대적으로 높은 비중으로 언급되는 요구 속성과 이에 대한 평가 수준을 동시에 반영하기 위해 LDA 토픽모델링, 감성분석 및 중요도-성과분석(IPA)을 통합한 구조로 구성하였다. 구체적으로 LDA 토픽모델링을 통해 소비자 요구의 내용(What)을 도출하고, 감성분석을 통해 소비자 평가 수준(How)을 측정하였다. 이후 두 분석 결과를 IPA 매트릭스로 통합하여 요구 속성별 전략적 우선순위(Priority)를 도출하였다.

3.2 데이터 수집

본 연구는 네이버 쇼핑(Naver Shopping)에서 수집한 펫샴푸 제품의 온라인 리뷰 데이터를 분석 대상으로 활용하였다. 데이터 수집은 2026년 3월 9일 네이버 쇼핑의 ‘펫샴푸’ 검색 결과에서 네이버 랭킹순 상위 노출 상품을 대상으로 수행하였으며, 각 상품 페이지에 게시된 전체 리뷰를 수집하였다.

네이버 쇼핑은 동일 제품이라도 용량이 다르면 별도의 상품 페이지로 등록되며 각 페이지가 개별적으로 검색 결과에 노출된다. 본 연구는 검색 상위 노출을 수집 기준으로 일관되게 적용하였으므로 해당 페이지를 모두 포함하였으며, 이에 따라 최종 분석 대상은 12개 상품 페이지이고 고유 제품군(Unique Products) 기준으로는 11개에 해당한다. 웹 크롤링(Web Crawling)을 통해 총 14,072건의 원시 리뷰 데이터(Raw Data)를 수집하였다. 데이터 수집 개요는 <Table 2>와 같다.

제품군별 리뷰 수와 제품 유형은 <Table 3>과 같다. 제품 유형은 상품 페이지에 표기된 제품명을 기준으로 분류하였으며, 제품명은 익명 처리하였다. 리뷰 수 기준 상위 2개 제품군이 전체의 56.5%를 차지하여 제품군 간 리뷰 수 편차가 존재한다.

3.3 데이터 전처리

3.2절에서 수집한 총 14,072건의 원시 리뷰 데이터에 대해 분석의 신뢰성과 정확성을 확보하기 위한 전처리를 수행하였다. 전처리 과정에서는 중복 제거, 결측 데이터 처리, 형태소 분석 및 불용어 제거를 적용하여 분석 가능한 형태로 데이터를 정제하였다. 중복 제거는 동일 상품 페이지 내에서 리뷰 본문이 일치하는 경우를 기준으로 적용하였다. 다만 네이버 쇼핑에서는 동일 제품의 용량별 페이지에 같은 리뷰가 공통으로 표시되므로, 페이지 간 중복에 해당하는 331건(전체의 4.6%)이 분석 대상에 포함되어 있다. 형태소 분석은 KoNLPy 패키지[12]의 Okt(Open Korean Text) 형태소 분석기를 활용하였으며, 명사, 동사, 형용사를 추출하고 원형 복원(stemming)을 적용하였다.

한편 수집 과정에서 소비자 리뷰와 판매자 답글이 동일 필드에 포함된 경우가 확인되었다. 이에 판매자 답글에서 반복적으로 나타나는 어휘를 확인하고 문서빈도(Document Frequency, DF)를 기준으로 검토하여 불용어로 처리하였다. ‘펫당’(DF 13.9%), ‘답글’(7.0%), ‘증정’(6.9%), ‘안녕하다’(5.8%) 등 34개 어휘가 이에 해당한다. 다만 답글 텍스트 자체를 제거한 것이 아니라 특정 어휘를 불용어로 처리한 방식이므로, 답글의 영향이 완전히 제거되었다고 보기는 어렵다. 판매자 답글이 포함된 리뷰를 제외한 경우의 결과는 4.2.3절에 제시하였다.

또한 본 연구는 LDA 토픽모델링과 감성분석의 분석 목적이 서로 다르므로, 분석별 전처리 기준을 차등 적용하였다. 감성분석은 개별 감성어의 극성 점수를 합산하는 방식이므로, 리뷰 길이가 짧더라도 감성어가 포함되어 있으면 측정이 가능하다. 이에 결측을 제거한 7,103건 전체를 분석 대상으로 유지하였다. 반면 LDA는 문서 내 단어의 공출현 패턴을 기반으로 잠재 토픽을 추론하므로, 유효 토큰이 2개 이하인 문서는 단어 간 공출현 정보가 부족하여 토픽 확률 분포가 불안정하게 산출된다. 이에 LDA 분석에서는 해당 문서를 제외하였다.

그 결과 감성분석에는 총 7,103건의 리뷰가 활용되었으며, LDA 토픽모델링에는 추가 필터링을 거친 최종 5,405건의 리뷰가 적용되었다. 다만 토픽별 감성점수 산출(4.2.2절)은 토픽 배정이 완료된 5,405건을 대상으로 하며, 전체 감성 분포(4.2.1절)는 7,103건 전체를 대상으로 한다. 데이터 전처리 절차 및 단계별 표본 수는 <Table 4>와 같다.

3.4 분석 방법

온라인 리뷰 데이터를 기반으로 고객 요구 속성을 도출하기 위해 텍스트 마이닝 기반 분석 방법을 적용하였다. 분석은 LDA 토픽모델링, 감성분석, IPA 분석의 세 단계로 구성된다.

3.4.1 LDA 토픽모델링

LDA 토픽모델링은 Python 환경의 Gensim 라이브러리를 활용하여 수행하였다. 문서-토픽 분포와 토픽-단어 분포의 디리클레 사전분포 하이퍼파라미터(α , β)는 데이터 특성에 따라 자동 추정되도록 설정하였으며(auto), 학습 결과 α는 0.080∼0.183, β는 0.137∼2.811 범위로 수렴하였다. 학습 파라미터는 passes=20, iterations=300으로 설정하였고, 추론에는 변분 베이즈(Variational Bayes) 방법을 적용하였다. 어휘 사전 구축 시 최소 출현 빈도 제한은 두지 않았으며(no_below=1), 전체 문서의 55%를 초과하여 등장하는 어휘는 제외하여(no_above=0.55) 최종 5,023개 어휘로 사전을 구성하였다.

최적 토픽 수(K)를 결정하기 위해 전처리 조건과 토픽 수를 달리한 복수의 모델에 대해 C_V 토픽 일관성(Coherence)을 비교하였다. C_V 토픽 일관성은 단어 간 공출현 정보를 기반으로 토픽 내 상위 단어들의 의미적 일관성을 측정하는 지표이며, 계산 과정에서 NPMI(Normalized Pointwise Mutual Information)가 활용된다. C_V는 다수의 토픽 일관성 지표를 비교․검토하는 과정에서 제안된 지표로[15], 확률 기반 자동 평가 지표가 인간의 토픽 해석 가능성과 항상 일치하지는 않는다는 점이 보고되어 있다[3]. 본 연구는 도출된 토픽을 소비자 요구 속성으로 해석하는 것을 목적으로 하므로, C_V를 주된 정량 지표로 채택하였다. 난수 초기화에 따른 결과 변동을 통제하기 위해 각 조건마다 8개의 시드(7, 17, 42, 77, 123, 256, 512, 999)로 반복 학습한 후 C_V가 가장 높은 모델을 선택하였으며, 최종 모델은 seed=123으로 고정하였다.

각 리뷰는 문서-토픽 분포에서 확률이 가장 높은 토픽에 배정하였다. 배정된 토픽의 평균 확률은 0.671이었으며, 전체 문서의 99.7%가 0.3 이상의 확률로 배정되었다. 각 토픽의 명칭은 상위 20개 키워드와 해당 토픽에 배정된 대표 리뷰의 문맥을 함께 검토하여 결정하였다.

최종 도출된 토픽 비중은 이후 IPA 분석에서 중요도(Importance) 지표로 활용하였다[8].

3.4.2 감성분석

본 연구의 감성분석은 KNU 한국어 감성사전(KNU Korean Sentiment Lexicon)을 기반으로 수행하였다[13]. KNU 감성사전은 한국어 단어에 -2부터 ＋2까지의 극성 점수를 부여하여 텍스트의 감성 수준을 정량적으로 측정할 수 있는 대표적 한국어 감성사전이며, 총 14,843개 어휘로 구성된다.

감성분석 방법으로는 사전 기반 접근을 채택하였다. 학습 기반 감성모델은 문맥을 반영할 수 있다는 장점이 있으나, 본 연구는 펫샴푸 도메인에서 개별 어휘의 극성과 보정 과정을 명시적으로 추적하고 분석 절차의 해석 가능성과 재현성을 확보하는 것을 우선하였다. 사전 기반 접근은 일반 문맥과 도메인 문맥에서 의미가 달라질 수 있는 어휘의 극성을 직접 검토․조정할 수 있으며, 사전 구성을 변경한 강건성 검증이 가능하다는 특성이 있다.

이에 펫샴푸 도메인의 특성을 반영하기 위해 두 가지 보완을 적용하였다. 첫째, 극단 극성값이 감성점수에 과도하게 반영되는 것을 완화하기 위해 46개 어휘의 극성값을 하향 조정하였으며(＋2→＋1 23개, -2→-1 23개), 이는 긍정․부정 양방향에 대칭적으로 적용하였다. 조정 대상은 본 연구 코퍼스에 출현하는 KNU 사전의 ±2 극성 어휘 186개를 대상으로 선정하였다. 코퍼스에 반복적으로 출현하는 어휘를 검토 대상으로 삼고, 그중 원 사전의 ±2 극성이 펫샴푸 리뷰 문맥에서 평가 강도를 과도하게 반영한다고 판단되는 어휘를 조정 대상으로 선정하였다. 선정 결과 46개 어휘는 모두 빈도 순위 61위 이내에 분포하였으며 순위 중앙값은 23위였다. 긍정 어휘의 경우 ‘만족하다’, ‘깨끗하다’ 등이 리뷰 말미에 관용적으로 반복되는 경향이 있었고, 부정 어휘의 경우 ‘피부병’, ‘곰팡이’ 등이 제품에 대한 부정 평가가 아니라 반려동물의 상태를 서술하는 맥락에서 사용되는 경우가 많았다. 둘째, 펫샴푸 리뷰에 빈출하나 사전에 등재되지 않은 도메인 어휘 29개를 신규 등록하였다. 등록 대상은 불용어 제거 후 문서빈도가 높은 미등재 어휘를 중심으로 리뷰 문맥을 검토하여 선정하였다. 대표적으로 ‘냄새’는 문서의 28.4%에 출현하며 일반적 문맥에서 부정적으로 인식될 수 있으나 펫샴푸 리뷰에서는 ‘냄새 제거’라는 제품 기능 속성으로 언급되는 경우가 많아 중립으로 등록하였다. 이를 통해 도메인 특성을 반영한 보완 사전을 구축하였으며, 보완 내역은 <Table 5>와 같다.

각 리뷰의 감성점수는 보완된 감성사전을 기반으로 산출하였다. 부정 표현에 의한 극성 반전을 반영하기 위해, 감성어를 기준으로 선행하는 3개 토큰 이내에 부정어가 존재하는 경우 해당 어휘의 극성값을 반전시켰다. 다만 한국어에서는 부정어가 감성어에 후행하는 표현이 빈번하므로, 선행 토큰만을 탐색하는 본 규칙으로는 ‘자극이 없다’와 같은 표현이 반영되지 않는다. 이에 대한 강건성 검증은 4.2.3절에 제시하였다. 리뷰 길이에 따른 편향을 완화하기 위해 총 감성점수를 유효 토큰 수(불용어 제거 후 잔여 토큰 수)의 제곱근으로 나누어 정규화하였다.

정규화 감성점수가 0에 근접한 리뷰는 감성 방향이 뚜렷하지 않은 것으로 보아, 임계값 ±0.05를 기준으로 각 리뷰를 긍정․중립․부정으로 분류하였다. 감성점수의 0이 아닌 최소 절댓값은 1 L로 제한되어 본 자료에서는 0과 0.05 사이의 값이 존재하지 않았으며, 임계값을 ±0.03, ±0.10으로 달리 적용하여도 긍정․중립․부정의 분류 분포는 동일하였다.

토픽별 감성점수는 LDA 토픽 배정이 완료된 5,405건을 대상으로, 각 토픽에 배정된 리뷰의 정규화 감성점수 평균으로 산출하였으며, 이는 이후 IPA 분석에서 성과(Performance) 지표로 활용하였다[8, 11].

3.4.3 IPA 분석

IPA(Importance-Performance Analysis)는 속성의 중요도와 성과를 2차원 매트릭스에 시각화하여 전략적 우선순위를 도출하는 분석 기법이다[9, 17]. 본 연구는 LDA 토픽모델링으로 도출된 토픽 비중(%)을 중요도(Importance) 지표로, 감성분석으로 산출한 토픽별 정규화 감성점수를 성과(Performance) 지표로 적용하여 IPA 매트릭스를 구성하였다[7, 11, 17].

온라인 리뷰 기반 IPA 연구에서 중요도는 속성별 언급 빈도를 활용하는 방식과, 속성 감성이 소비자 전체 평점에 미치는 영향을 회귀 또는 기계학습으로 추정하는 방식이 함께 활용되고 있다[1, 5]. 본 연구는 전자를 채택하였다. 이는 소비자가 자발적으로 작성한 리뷰에서 반복적으로 언급되는 속성일수록 구매 및 사용 과정에서 현저성(salience)이 높다는 관점에 근거한다[1]. 아울러 본 연구의 수집 데이터는 전체 리뷰의 88.1%가 5점에 집중되어 토픽별 평균 별점이 4.83∼4.92의 좁은 범위에 분포하므로(4.2.1절 참조), 전체 평점을 종속변수로 하는 중요도 추정은 종속변수의 분산이 충분히 확보되지 않아 적용이 어렵다. 다만 언급 빈도에 기반한 중요도는 소비자가 직접 응답한 속성 중요도와 개념적으로 구분되므로, 이를 대리지표로 활용하는 데에는 해석상 제약이 존재한다.

사분면 분할의 기준선은 절대적 기준이 존재하지 않는 탐색적 분석의 특성을 고려하여 전체 토픽의 평균 중요도(I ¯)와 평균 성과(P ¯)를 적용하였다. 토픽 비중의 합이 100%이므로 평균 중요도는 K개 토픽이 균등하게 분포할 때의 기대 비중(100 / K)과 일치하며, 따라서 본 연구의 중요도 기준선은 특정 요구 속성이 균등 분포 수준을 초과하여 언급되었는지를 판단하는 상대적 기준으로 해석된다.

각 토픽은 산출된 중요도-성과 좌표에 따라 Q1 유지․강화 영역(Keep Up the Good Work), Q2 집중 개선 영역(Concentrate Here), Q3 과잉투입 영역(Possible Overkill), Q4 저우선순위 영역(Low Priority)의 4개 사분면으로 분류되며[9], 이를 통해 펫샴푸의 요구 속성별 전략적 우선순위가 도출된다. 사분면 분류 시 기준선과 동일한 값은 기준선 이상에 해당하는 것으로 처리하였다. 이 중 Q3는 소비자 평가는 높으나 언급 빈도가 상대적으로 낮은 속성이 배치되는 영역으로, Martilla and James[9]의 정의에서는 자원이 과잉 투입된 상태를 의미한다. 본 연구에서는 이를 제품 개발 관점에서 현 수준을 유지하되 경쟁 제품과의 차별화 요소로 활용 가능한 영역으로 해석하였다.

4. 연구결과

4.1 LDA 토픽모델링 결과

4.1.1 토픽 추출 결과

3.4.1절에서 제시한 절차에 따라 전처리 조건과 토픽 수를 달리한 모델들의 C_V 토픽 일관성을 비교한 결과, 값은 0.43∼0.54의 좁은 범위에 분포하여 지표만으로는 모델 간 변별력이 제한적이었다. 이에 본 연구는 C_V를 후보 모델을 선별하는 정량 지표로 활용하고, 최종 선택에서는 상위 키워드와 대표 리뷰 문맥을 바탕으로 토픽 내 의미적 응집성과 토픽 간 의미적 분리 가능성을 우선적으로 검토하였으며, 문서 배정 분포는 결과 해석을 위한 보조적 진단 지표로 확인하였다.

먼저 전처리 조건 비교에서, 도메인 공통어만 제거한 조건(C_V=0.5019)에서는 판매자 답글에 반복적으로 사용되는 어휘로 구성된 토픽이 전체 문서의 5.4%(299건) 규모로 형성되어 소비자 요구와 무관한 내용이 도출되었다. 이에 해당 패턴 어휘를 불용어에 추가한 조건(C_V=0.5018)을 최종 분석 조건으로 채택하였다.

다음으로 토픽 수 비교에서, K = 5를 직접 적용한 경우 C_V는 0.5391로 K = 6(0.5018)보다 높았으나, 단일 토픽에 전체 문서의 38.8%가 집중되었고 해당 토픽 내부에 성분․안전성, 예방적 피부 관리, 향․모질 관련 어휘가 혼재되었다. 또한 사용 경험 관련 주제가 2개 토픽으로, 피부질환 관련 주제가 3개 토픽으로 분산되어 토픽 간 의미 경계가 불명확하였다. 이러한 편중 구조는 토픽별 비중과 사분면 해석에 영향을 줄 수 있다.

반면 K = 6에서는 상위 키워드와 대표 리뷰 문맥을 검토한 결과 토픽 간 의미 축이 비교적 명확하게 구분되었으며, 피부질환 관련 속성은 두 개의 세부 토픽으로 분리되는 형태를 보였다. 이에 본 연구에서는 K = 6으로 도출된 토픽 중 의미적으로 유사한 두 개의 피부질환 관련 토픽을 통합하여 최종 5개의 토픽을 구성하였다. 통합은 문서 배정 수준에서 수행하였다. K = 6에서 4번, 6번 토픽으로 배정된 문서를 모두 T04로 재배정하고, 통합 이후 토픽 비중을 다시 산출하였다. 병합의 타당성을 추가로 검토하기 위해 제품 유형별 토픽 구성을 확인하였다. 피부 관련 기능을 표방한 제품군에서는 T02와 T04가 각각 30.3%, 32.9%로 함께 높은 비중을 보인 반면, 그 외 제품군에서는 각각 14.4%, 16.9%로 나타났다. 이러한 경향은 두 토픽의 의미적 연관성을 보조적으로 뒷받침한다. 병합 전 두 토픽의 비중은 각각 13.2%와 9.5%로 K = 6의 평균 중요도 기준선인 16.7%를 각각 하회하였으나, 병합 후 T04의 비중은 22.7%로 최종 5개 토픽의 평균 중요도 기준선인 20.0%를 상회하였다. K = 6 토픽의 구성과 병합 내역은 <Table 6>과 같다.

최종 도출된 5개 토픽은 소비자의 주요 관심 속성과 사용 경험을 반영하는 요구 속성으로 해석되었으며, 토픽별 명칭은 상위 키워드와 대표 리뷰 문맥을 종합적으로 검토하여 결정하였다. 예를 들어 T01은 상위 10개 어휘에서 ‘냄새’, ‘산책’, ‘정제수’ 등 사용 상황과 관련된 표현이 나타났으며, 11∼20위에서도 ‘발바닥’(11위), ‘매번’(12위), ‘물티슈’(13위), ‘편리하다’(14위), ‘간편하다’(16위), ‘헹굼’(20위) 등 사용 과정과 편의성을 나타내는 어휘가 확인되어 ‘사용경험 및 편의성’으로 명명하였다. 이와 같은 기준으로 각 토픽의 의미를 해석하고 명칭을 부여하였으며, 그 결과를 <Table 7>에 제시하였다.

4.1.2 토픽별 특성 분석

최종 도출된 토픽은 사용경험 및 편의성(T01), 예방적 피부 관리(T02), 성분 및 안전성(T03), 피부질환 케어(T04), 향 및 모질 상태(T05)의 5개 영역으로 구성되었다.

추출된 5개 토픽의 세부 특성을 살펴보면 다음과 같다. 첫째, T01(사용경험 및 편의성)은 펫샴푸가 단순 세정 기능을 넘어 일상적인 사용 편의성과 연계되어 인식되고 있음을 보여준다. 둘째, T02(예방적 피부 관리)는 질환 치료 이전의 피부 상태 유지와 예방적 관리에 대한 요구를 반영한다. 셋째, T03(성분 및 안전성)은 제품 성분의 안전성과 신뢰성에 대한 소비자 관심이 반영된 토픽으로 해석된다. 넷째, T04(피부질환 케어)는 일상적 관리 중심의 T02와 달리 피부 문제의 개선 및 관리 목적과 관련된 요구를 반영한다. 마지막으로 T05(향 및 모질 상태)는 향과 사용 후 모질 변화 등 감각적 사용 경험과 관련된 요구를 나타내는 토픽으로 해석된다.

토픽 비중 분포는 <Figure 2>와 같다. 최종 5개 토픽의 비중은 12.6%에서 24.9%의 범위에 분포하였으며, 소비자 요구가 여러 속성에 걸쳐 나타났다. 이는 소비자 요구가 단일 기능보다 피부 관리, 안전성, 사용 경험, 감각적 만족 등 다양한 속성에 걸쳐 형성되고 있음을 의미한다.

한편, 사전 예상과 달리 ‘가격․가성비’ 및 ‘적용 대상’은 독립된 토픽으로 도출되지 않았다. 다만 이는 해당 속성이 다른 토픽에 분산되었거나 불용어 처리, 단문 제거, 토픽 수 설정 등 분석 조건의 영향을 받았을 가능성이 있으므로, 소비자 인식 구조에 대한 해석으로 확대하기 위해서는 추가 검증이 필요하다.

4.2 감성분석 결과

4.2.1 감성 분포

감성분석은 3.4.2절에서 제시한 KNU 한국어 감성사전 기반 방법을 적용하여 전처리를 거친 총 7,103건의 리뷰를 대상으로 수행하였다. 감성사전의 어휘와 리뷰 간 매칭 결과, 감성어 매칭률은 90.3%로 나타났으며, 감성점수를 산출하기에 충분한 수준으로 판단하였다. 이후 각 리뷰의 정규화 감성점수에 임계값(±0.05)을 적용하여 긍정․중립․부정으로 분류하였으며, 전체 감성 분포는 <Table 8>과 같다.

분석 결과, 전체 리뷰 중 긍정 감성이 63.9%(4,542건)로 가장 높은 비중을 차지하였으며, 중립은 18.5%(1,312건), 부정은 17.6%(1,249건)로 나타났다. 이는 펫샴푸 제품에 대한 소비자 평가가 전반적으로 긍정적임을 시사한다.

또한 감성분석 결과의 타당성을 검토하기 위해 소비자가 직접 부여한 별점을 외부 준거(external criterion)로 활용하였다. 다만 별점의 분포가 특정 구간에 집중되어 있어 상관 기반 검증에는 제약이 있으므로, 분포 확인과 집단 간 비교를 함께 수행하였다. 별점별 리뷰 수와 평균 정규화 감성점수는 <Table 9>와 같다.

분석 결과, ★1(-0.3713)에서 ★4(＋0.3853)까지는 별점이 높아질수록 정규화 감성점수가 증가하는 경향이 확인되었다. 다만 ★4와 ★5(＋0.3852)는 사실상 동일한 수준으로 나타나 고평점 구간에서는 별점의 변별력이 소실되었다. 이는 전체 리뷰의 88.1%가 ★5에 집중되고 ★4 이상이 96.8%를 차지하는 천장효과(ceiling effect)에 기인한다.

이러한 분포 특성으로 인해 별점과 감성점수의 순위상관은 통계적으로 유의하지 않았다(Spearman ρ = 0.011, p = 0.365). 이는 별점 변수의 동점(tie)이 과도하여 순위 기반 지표가 적용되기 어렵기 때문이다. 이에 본 연구는 집단 간 비교를 통해 검토하였으며, 별점 집단 간 감성점수의 차이는 통계적으로 유의하였다(Kruskal-Wallis H = 24.68, p < 0.001). 특히 저평점 집단(★1∼2)과 고평점 집단(★4∼5) 간 감성점수 차이는 유의하였고 효과크기도 중간 수준으로 확인되었다(Mann-Whitney U test, p < 0.001, rank-biserial r = 0.423). 종합하면 별점의 천장효과로 인해 상관 기반의 준거타당도 검증에는 한계가 있었으나, 저평점 집단과 고평점 집단 간 비교에서는 감성점수의 방향성이 일부 확인되었다.

한편 토픽별 평균 별점은 4.83∼4.92의 좁은 범위에 분포하여 토픽 간 변별력이 제한적인 반면(η 2 = 0.005), 정규화 감성점수는 ＋0.1730∼＋0.4340의 범위에서 토픽 간 차이를 상대적으로 크게 나타냈다(η 2 = 0.035). 실제로 부정으로 분류된 리뷰의 95.0%가 ★4 이상에 해당하였다. 다만 이는 별점의 천장효과와 사전 기반 감성분류의 정밀도 한계가 함께 작용한 결과일 수 있으므로, 어느 한 요인에 기인한 것으로 단정하기는 어렵다. 토픽 간 변별력 비교에서는 정규화 감성점수가 별점보다 토픽 간 차이를 상대적으로 더 포착한 것으로 나타났다.

4.2.2 토픽별 감성 분석

LDA 토픽 배정이 완료된 5,405건을 대상으로 토픽별 감성 분포와 정규화 감성점수를 산출한 결과는 <Table 10>과 같다.

분석 결과, 토픽별 정규화 감성점수는 ＋0.1730∼＋0.4340의 범위에서 나타났으며, 토픽 간 평가 수준의 차이가 확인되었다.

구체적으로, 사용경험 및 편의성(T01), 성분 및 안전성(T03), 향 및 모질 상태(T05)는 상대적으로 높은 성과 수준을 보인 반면, 예방적 피부 관리(T02)와 피부질환 케어(T04)는 토픽 비중 측면에서 각각 20.4%와 22.7%로 비교적 높은 비중을 차지하였음에도 정규화 감성점수는 각각 ＋0.1758과 ＋0.1730으로 가장 낮게 나타났다. 두 토픽의 평균 별점은 각각 4.84, 4.83으로 다른 토픽과 유사한 수준이었으나 정규화 감성점수는 상대적으로 낮게 나타나, 별점만으로는 포착되지 않는 평가 수준의 차이가 텍스트 기반 감성분석을 통해 확인되었다. 이는 리뷰에서 상대적으로 높은 비중을 차지한 피부 관련 속성에 대한 소비자 평가가 낮게 나타났음을 시사한다.

두 토픽의 부정 리뷰에서 나타나는 어휘를 확인한 결과, 피부 문제 관련 어휘(아토피, 습진, 피부병, 피부염, 치료, 호전, 약용)의 출현 비율이 T02에서 전체 리뷰 32.2%에서 부정 리뷰 50.6%로, T04에서 39.0%에서 51.9%로 증가하였다. 반면 보습 관련 어휘(보습, 촉촉하다, 건조하다, 건조)는 T02에서 15.1%에서 8.7%로 감소하였으며, 자극 관련 어휘(자극, 예민하다, 민감하다, 따갑다, 붉다)는 T02에서 17.1%에서 25.9%로 증가하였다.

이러한 결과는 이후 4.3절 IPA 분석에서 중요도와 성과를 통합적으로 해석하는 근거로 활용된다.

4.2.3 분석 조건에 따른 감성분석 결과 검토

앞서 도출된 토픽별 감성분석 결과가 분석 조건에 따라 달라지는지를 확인하기 위해 리뷰 길이, 감성사전 및 부정 표현 처리, 토픽 배정 방식, 감성어 매칭 여부, 분석 표본 구성의 영향을 추가로 검토하였다.

먼저, 리뷰 길이의 영향을 검토하였다. 정규화 감성점수는 유효 토큰 수에 따라 달라질 수 있으므로 토픽별 평균 유효 토큰 수와 감성어 매칭률을 확인하였다. 그 결과 평균 유효 토큰 수는 11.5∼16.6개, 감성어 매칭률은 90.5∼95.4%로 나타났다. 유효 토큰 수를 사분위로 층화한 결과, 네 개 층 모두에서 T02와 T04의 정규화 감성점수가 가장 낮았다. 또한 정규화 감성점수를 종속변수로 하고 토픽(T01 기준집단)과 로그 유효 토큰 수를 투입한 회귀분석(N = 5,405 , R 2 = 0.043)에서도 T02(B = − 0.273 , p < 0.001)와 T04(B = − 0.280 , p < 0.001)만 유의하게 낮았으며, T03과 T05는 T01과 유의한 차이를 보이지 않았다. 따라서 토픽 간 성과 차이를 리뷰 길이에 따른 결과로 보기는 어려웠다.

다음으로, 감성사전 구성의 영향을 검토하였다. 질환 및 증상을 기술하는 어휘가 제품 평가와 무관하게 부정 점수로 반영될 가능성을 확인하기 위해 상태 기술 어휘 6개(피부병, 피부염, 곰팡이, 습진, 염증, 발진)를 중립 처리하였다. 해당 어휘는 589건(10.9%)의 리뷰에 포함되었으며, 재산출 결과 T02와 T04의 성과는 각각 ＋0.2665와 ＋0.2443으로 상승하였다. 그러나 성과 기준선 역시 ＋0.3173에서 ＋0.3551로 상승하여 사분면 배치는 동일하게 유지되었다. 다만 T02와 성과 기준선의 격차는 -0.1415에서 -0.0886으로 축소되었다.

아울러, 부정 표현 처리 방식의 영향을 확인하기 위해 감성어 직후 2개 토큰 이내에 부정어(‘없다’, ‘않다’, ‘아니다’, ‘없어지다’, ‘사라지다’)가 출현하는 경우 해당 감성어의 극성을 반전하여 성과를 재산출하였다. 보정은 503건(9.3%)에 적용되었으며, T02와 T04의 성과는 각각 ＋0.1822와 ＋0.1757, 성과 기준선은 ＋0.3301로 나타나 사분면 배치는 동일하게 유지되었다. 특히 T02와 T04의 변화폭은 각각 ＋0.0064와 ＋0.0027로 나타나, 본 보정 조건에서는 후행 부정 표현의 미처리가 두 토픽의 상대적으로 낮은 성과를 설명하는 주된 요인으로 나타나지 않았다. 다만 부정어 탐색 범위가 연구자에 의해 설정되었으므로 한국어의 다양한 부정 표현을 완전히 반영한다고 보기는 어렵다.

이어서, 토픽 배정 방식의 영향을 검토하였다. 각 리뷰를 최대 확률 토픽에 단일 배정하는 방식의 영향을 확인하기 위해 정규화 감성점수에 최대 토픽 배정확률을 가중치로 적용하여 토픽별 성과를 재산출하였다. 그 결과 기존 성과와의 차이는 최대 0.012에 그쳤으며, 사분면 배치는 동일하게 유지되었다. 또한 배정 확률이 0.5 이상인 문서(80.0%)와 0.7 이상인 문서(48.6%)만을 각각 대상으로 재분석한 경우에도 사분면 배치는 동일하게 유지되었다. 또한 감성어가 매칭되지 않아 정규화 감성점수가 0으로 산출된 리뷰가 토픽 평균에 포함되는 영향을 검토하였다. 전체 감성분석 표본 7,103건 중 무매칭 리뷰는 689건(9.7%)이었으며, 이 중 토픽별 감성분석 대상 5,405건에 포함된 것은 407건이었다. 해당 리뷰 407건을 제외한 결과 분석 표본은 4,998건이었으며, 토픽 비중은 각각 25.0%, 20.3%, 19.9%, 22.4%, 12.4%, 성과는 각각 ＋0.4674, ＋0.1912, ＋0.4222, ＋0.1898, ＋0.4433으로 나타났다. 성과 기준선은 ＋0.3428이었으며 사분면 배치는 동일하게 유지되었다.

끝으로, 분석 표본 구성의 영향을 검토하였다. 3.3절에서 기술한 바와 같이 동일 제품의 용량별 페이지에 동일한 리뷰가 공통으로 표시되어 페이지 간 중복이 포함되어 있으며, 수집 과정에서 판매자 답글이 리뷰 본문과 함께 수집된 경우가 있다. 이에 각 조건에 해당하는 리뷰를 제외한 표본을 구성하여 IPA를 각각 재산출하였다. 전체 전처리 표본에서 확인된 페이지 간 중복은 331건이었으며, 이 중 LDA 분석 표본 5,405건에 포함된 중복 리뷰는 286건이었다. 먼저 페이지 간 중복 리뷰를 제외한 결과, LDA 분석 표본은 5,119건이었으며 토픽 비중은 각각 25.5%, 20.7%, 17.8%, 23.3%, 12.7%로 나타났다. 토픽별 성과는 각각 ＋0.4362, ＋0.1637, ＋0.3817, ＋0.1688, ＋0.4016이었으며, 성과 기준선은 ＋0.3104로 나타났다. 이 경우에도 사분면 배치는 동일하게 유지되었다. 답글 포함 리뷰 324건의 토픽 배정 분포를 확인한 결과 T01 31.5%, T02 17.9%, T03 8.6%, T04 29.3%, T05 12.7%로 나타나, T03의 비중은 전체 표본의 19.3%보다 낮았다. 또한 판매자 답글이 포함된 리뷰 324건(전체의 6.0%)을 제외한 결과 분석 표본은 5,081건이었으며 토픽 비중은 각각 24.48%, 20.59%, 19.98%, 22.32%, 12.64%로 나타났다. 토픽별 성과는 각각 ＋0.3851, ＋0.1461, ＋0.3954, ＋0.1309, ＋0.3778이었으며, 성과 기준선은 ＋0.2871로 나타났다. 이 경우에도 사분면 배치는 동일하게 유지되었다. 다만 T03은 일부 분석 조건에서 중요도 기준선에 근접하여 사분면 분류의 경계 사례에 해당하였다.

이상의 검토 결과, 분석 조건과 표본 구성을 달리하여도 T02와 T04의 상대적으로 낮은 성과는 유지되었으며, IPA를 재산출한 모든 조건에서 사분면 배치가 동일하게 유지되었다.

4.3 IPA 분석 결과

4.3.1 IPA 매트릭스

본 연구는 LDA 토픽모델링으로 도출된 토픽 비중을 중요도(Importance)로, 감성분석을 통해 산출한 토픽별 정규화 감성점수를 성과(Performance)로 설정하여 IPA 매트릭스를 구성하였다. 사분면의 기준선은 전체 토픽의 평균 중요도(I ¯ = 20.00 %)와 평균 성과(P ¯ = + 0.3173)로 설정하였다.

IPA 매트릭스를 통해 토픽별 중요도와 성과의 분포는 <Figure 3>에 시각화하였으며, 각 토픽의 중요도․성과 좌표와 사분면 배치 결과는 <Table 11>에 제시하였다.

<Figure 3>과 <Table 11>에 따르면, 도출된 5개 토픽은 3개 사분면에 분포하였으며, Q4 영역에는 해당 토픽이 나타나지 않았다.

한편 기준선 설정에 따른 사분면 배치의 민감도를 검토한 결과, T02는 중요도 기준선과의 차이가 0.4%p로 가장 작아 기준선 변화에 민감한 경계 사례에 해당하였으며, T03 역시 0.7%p의 차이를 보였다. 반면 T01, T04, T05는 기준선과 각각 4.9%p, 2.7%p, 7.4%p의 차이를 보여 상대적으로 안정적인 배치를 나타냈다.

4.3.2 사분면 해석

IPA 분석 결과, 토픽별 중요도와 성과 수준에 따라 요구 속성의 전략적 우선순위가 구분되었다.

Q1 유지․강화 영역(Keep Up the Good Work)에는 T01(사용경험 및 편의성)이 배치되었다. 해당 토픽은 언급 비중(24.9%)과 성과(＋0.4340)가 모두 평균을 상회하였다. 이는 리뷰에서 높은 비중을 차지하면서 소비자 평가도 긍정적인 속성으로 해석되며, 제품 개발 과정에서 현재의 강점을 유지하고 강화할 필요가 있음을 의미한다.

Q2 집중 개선 영역(Concentrate Here)에는 T02(예방적 피부 관리)와 T04(피부질환 케어)가 배치되었다. 두 토픽은 언급 비중이 각각 20.4%, 22.7%로 평균을 상회하였으나, 성과는 각각 ＋0.1758과 ＋0.1730으로 평균을 하회하였다. 이는 피부 관련 속성이 리뷰에서 상대적으로 높은 비중으로 언급되는 반면 소비자 평가 수준은 낮게 나타나는 구조를 보여주며, 해당 속성이 상대적으로 우선적인 개선 검토 대상임을 시사한다. 특히 T02는 부정 감성 비율이 30.1%로 전체 토픽 중 가장 높게 나타나, 개선 검토 시 함께 주목할 필요가 있는 속성으로 나타났다.

Q3 과잉투입 영역(Possible Overkill)에는 T03(성분 및 안전성)과 T05(향 및 모질 상태)가 배치되었다. 두 토픽은 성과가 각각 ＋0.4028과 ＋0.4011로 평균을 상회하였으나, 언급 비중은 19.3%와 12.6%로 평균을 하회하였다.

특히 T03은 성과가 ＋0.4028로 평균을 상회하면서도 언급 비중은 19.3%로 평균을 하회하였다. 다만 T03은 언급 비중이 기준선에 근접한 경계 사례이므로 사분면 분류의 해석에는 주의가 필요하다.

본 연구의 서론에서 제시한 바와 같이 성분 안전성은 펫 휴머니제이션 트렌드와 함께 고도화된 소비자 요구에 해당하나, 분석 결과 해당 속성은 리뷰에서 상대적으로 낮은 비중을 차지하면서도 높은 평가를 받는 것으로 확인되었다. 이는 성분 안전성이 상대적으로 높은 평가 수준을 보이는 속성임을 나타내며, 추가적인 성능 개선보다는 현 수준을 유지하면서 제품 차별화 및 마케팅 커뮤니케이션 요소로 활용할 가능성을 시사한다. T05 역시 감각적 만족과 관련된 속성으로서 동일한 접근이 가능하다.

한편 Q4 저우선순위 영역(Low Priority)에는 해당하는 토픽이 나타나지 않았다. 이는 성과가 낮은 T02와 T04는 중요도가 모두 평균을 상회하고, 중요도가 낮은 T03과 T05는 성과가 모두 평균을 상회하는 분포에 기인한다. 즉, 본 연구에서 도출된 5개 요구 속성과 상대적 기준선 하에서는 Q4에 해당하는 속성이 나타나지 않았다.

5. 결 론

본 연구는 온라인 리뷰 데이터를 활용하여 펫샴푸 소비자의 요구 속성과 개선 우선순위를 도출하기 위해 LDA 토픽모델링, 감성분석 및 IPA를 통합한 분석 프레임워크를 적용하였다. 분석 결과, 소비자 요구는 5개의 영역으로 구조화되었으며, IPA 분석 결과 피부 관련 속성이 언급 비중은 높으나 평가 수준은 상대적으로 낮은 영역으로 나타났다.

본 연구의 의의는 설문조사 중심의 기존 고객 요구 분석 방법에서 벗어나 온라인 리뷰 데이터를 활용하여 펫샴푸 제품군의 소비자 요구 속성과 개선 우선순위를 실증적으로 도출하였다는 점에 있다. 특히 LDA 토픽모델링을 통해 온라인 리뷰에서 나타나는 주요 소비자 요구 속성을 도출하고, 감성분석과 IPA를 결합하여 각 요구 속성에 대한 소비자 평가 수준과 개선 우선순위를 함께 제시함으로써 소비자 요구 분석과 제품 개발 의사결정을 지원하는 데이터 기반 접근 방법을 제시하였다.

이러한 접근은 펫샴푸 시장에서 소비자 요구를 체계적으로 구조화하고 상대적으로 우선적인 개선 검토 영역을 도출함으로써 신제품 개발 과정에서 활용 가능한 실질적인 의사결정 근거를 제공한다는 점에서 학술적․실무적 의의를 가진다.

도출된 결과는 펫샴푸 신제품 개발 과정에서 소비자 요구 기반의 제품 기획 자료로 활용될 수 있다. 언급 비중이 높으면서 평가 수준이 낮은 예방적 피부 관리와 피부질환 케어는 제품 개선의 우선 검토 대상이다. 특히 예방적 피부 관리에서는 자극 관련 표현의 증가를 고려하여 저자극 설계를 검토하고, 피부질환 케어에서는 특정 피부 문제 대응 기능을 우선적으로 검토할 필요가 있다. 반면 평가 수준은 높으나 언급 비중이 낮은 성분 및 안전성과 향․모질 관련 속성은 제품 차별화 및 마케팅 커뮤니케이션 요소로 선택적으로 활용할 수 있다.

나아가 제안된 분석 절차는 설문조사 중심의 전통적 VOC 분석을 보완하는 데이터 기반 의사결정 도구로 활용 가능하며, 향후 다양한 펫케어 제품군의 요구 분석 및 신제품 개발 과정에도 적용될 수 있을 것으로 기대된다.

다만 본 연구는 다음과 같은 한계를 가진다.

첫째, 표본 구성의 제약이다. 네이버 쇼핑의 검색 상위 노출 상품을 대상으로 하였으며, 리뷰 수 기준 상위 2개 제품군이 전체의 56.5%를 차지하였다. 또한 피부 관련 기능 제품군과 그 외 제품군에서 T02와 T04의 합산 비중이 각각 63.2%와 31.3%로 차이를 보여, 제품군 구성에 따라 요구 속성의 비중이 달라질 가능성이 있다.

둘째, 데이터 정제의 제약이다. 동일 제품의 용량별 페이지에 같은 리뷰가 표시되어 페이지 간 중복 331건이 포함되었으며, 수집 단계에서 소비자 리뷰와 판매자 답글이 분리되지 않아 답글 관련 어휘를 불용어로 사후 통제하였다. 4.2.3절에서 두 조건을 각각 제외한 표본으로 재산출한 결과 사분면 배치는 유지되었으나, 본 분석의 기본 표본에서는 판매자 답글 자체를 사전에 완전히 분리․제거하지 못했다는 한계가 있다.

셋째, 측정 타당성의 제약이다. 리뷰의 88.1%가 5점에 집중되어 별점의 변별력이 제한적이었으며, 준거타당도 검증 역시 집단 간 비교 수준에서 이루어졌다. 저평점 집단(★1∼2)은 39건(0.5%)에 불과하여 해당 집단을 활용한 효과크기 추정에는 제약이 있다. 또한 IPA의 중요도는 직접 측정된 중요도가 아닌 리뷰의 상대적 언급 비중을 대리지표로 사용하였으므로, 개선 우선순위에 대한 해석도 이러한 측정 범위 내에서 이루어질 필요가 있다.

넷째, 감성분석 기법의 제약이다. 사전 기반 접근은 문맥과 복합적인 감성 표현을 충분히 반영하기 어려우며, 후행 부정 표현에 대한 추가 보정 역시 연구자가 설정한 탐색 범위에 기반한다. 또한 긍정․부정 감성어가 함께 나타나는 경우 단일 정규화 점수로 복합적인 평가를 충분히 구분하기 어렵고, 학습 기반 모델과의 직접적인 성능 비교는 수행하지 않았다.

다섯째, 분석 절차의 제약이다. 토픽 수 결정에는 C_V를 주된 정량 지표로 활용하여 다른 토픽 평가 지표와의 교차 검증을 수행하지 않았으며, 최대 확률 토픽에 대한 단일 배정은 하나의 리뷰에 포함된 복수의 요구 속성을 완전히 분리하기 어렵다. 또한 병합 전 K = 6 모형의 문서-토픽 배정 결과가 별도로 보존되지 않아 병합 전․후 IPA 좌표를 직접 비교하지 못하였다.

향후 연구에서는 다중 플랫폼 데이터와 제품 단위의 중복 제거를 통해 표본의 대표성을 높이고, 판매자 답글을 사전에 분리할 필요가 있다. 또한 문맥 및 속성 수준의 감성분석과 복수의 토픽 평가 지표를 활용하여 분석의 정밀도를 높일 필요가 있다.