사람들이 온라인에서 자신의 감정을 표현하는 방법이 그 어느 때보다 다양해짐에 따라 조직은 조직의 평판뿐만 아니라 조직의 상품 및 서비스에 대해 언급되는 내용을 거의 실시간으로 모니터링할 수 있는 강력한 도구를 필요로 합니다. 최근 기술 및 서비스 산업 협회(Technology Services Industry Association) 보고서에 따르면, 기업이 감정 분석을 도입하고 이를 사용하여 많은 대화와 커뮤니케이션을 분석하기 시작하면서 고객 경험의 모든 단계에서 고객의 문제를 파악하는 것이 더 쉬워질 것이라고 합니다. ¹

고객 리뷰를 통해 보다 객관적인 결과 제공

최신 인공 지능(AI) 감정 분석 도구는 기업이 리뷰와 순고객추천지수(NPS)에서 개인적인 편견을 걸러내고 브랜드, 제품 및 서비스에 대한 보다 객관적인 의견을 얻을 수 있도록 도와줍니다. 예를 들어, 고객이 리뷰에 부정적인 의견과 긍정적인 의견을 모두 표현한 경우, 리뷰를 평가하는 사람은 긍정적인 글로 넘어가기 전에 리뷰를 부정적인 것으로 분류해 버릴 수 있습니다. AI로 강화된 감정 분류는 객관적인 방식으로 텍스트를 정렬하고 분류하는 데 도움이 되므로 이런 일이 발생하지 않으며, 두 가지 감정이 모두 반영됩니다.  

비즈니스 인텔리전스 프로그램의 확장성 향상

감정 분석을 통해 방대한 양의 비정형 데이터를 보유한 기업은 데이터를 빠르고 효율적으로 분석하고 의미 있는 인사이트를 추출할 수 있습니다. 디지털 채널을 통해 고객이 생성하는 텍스트의 양이 많아지면 직원 팀은 정보에 압도되기 쉽습니다. 강력한 클라우드 기반의 AI 강화 고객 감정 분석 도구는 조직이 불필요한 리소스를 낭비하지 않고도 고객 데이터에서 비즈니스 인텔리전스를 대규모로 제공할 수 있도록 지원합니다.

실시간 브랜드 평판 모니터링 수행

오늘날의 기업은 위기 상황에서 신속하게 대응할 수 있어야 합니다. 사실이든 아니든 소셜 미디어에 피력된 의견은 수년에 걸쳐 구축한 브랜드 평판을 파괴할 수 있습니다. 강력한 AI 강화 감정 분석 도구는 경영진이 브랜드를 둘러싼 전반적인 감정을 모니터링하여 잠재적인 문제를 발견하고 신속하게 해결할 수 있도록 도와줍니다.

감정 분석은 자연어 처리(NLP) 및 머신 러닝(ML) 기술을 사용하여 컴퓨터 소프트웨어가 인간과 유사한 방식으로 텍스트를 분석하고 해석하도록 훈련시킵니다. 소프트웨어는 규칙 기반 또는 ML이라는 두 가지 접근 방식 중 하나를 사용하거나 두 가지를 결합한 하이브리드 접근 방식을 사용합니다. 각 접근 방식에는 장점과 단점이 있습니다. 규칙 기반 접근 방식은 거의 실시간으로 결과를 제공할 수 있지만 ML 기반 접근 방식은 적응성이 더 뛰어나고 일반적으로 더 복잡한 시나리오를 처리할 수 있습니다.

규칙 기반 감정 분석

규칙 기반 접근 방식에서 소프트웨어는 작성자의 의도를 설명하는 단어 그룹 또는 어휘를 기반으로 텍스트 블록의 특정 키워드를 분류하도록 학습됩니다. 예를 들어 긍정적인 어휘의 단어에는 '저렴한', '빠른', '잘 만들어진'이 포함될 수 있고, 부정적인 어휘의 단어에는 '비싼', '느린', '형편없는'이 포함될 수 있습니다. 그런 다음 소프트웨어는 분류기에서 긍정적 또는 부정적 어휘의 단어를 스캔하고 사용된 단어의 양과 각 범주의 감정 점수를 기반으로 총 감정 점수를 집계합니다.

머신러닝 감정 분석

머신러닝(ML) 접근 방식을 사용하면 텍스트에 나타나는 단어와 나타나는 순서를 사용하여 텍스트 블록의 감정을 측정하도록 소프트웨어를 훈련하는 데 알고리즘이 사용됩니다. 개발자는 감정 분석 알고리즘을 사용하여 소프트웨어에게 인간과 유사하게 텍스트의 감정을 식별하는 방법을 교육합니다. ML 모델은 입력되는 데이터를 통해 계속 '학습'하기 때문에 '머신러닝'이라는 이름이 붙었습니다. 다음은 가장 일반적으로 사용되는 몇 가지 분류 알고리즘입니다.

• 선형 회귀: 일련의 특성(X)을 기반으로 값(Y)을 설명하는 통계 알고리즘입니다.

• 나이브 베이즈: 베이즈 정리를 사용하여 텍스트 블록의 단어를 분류하는 알고리즘입니다.

• 서포트 벡터 머신: 두 그룹 분류 문제를 해결하는 데 사용되는 빠르고 효율적인 분류 알고리즘입니다.

• 딥 러닝(DL): 인공 신경망으로도 알려진 딥 러닝은 여러 알고리즘을 연결하여 인간의 뇌 기능을 모방하는 고급 기계 학습 기술입니다.

하이브리드 접근 방식

텍스트 분석에 대한 하이브리드 접근 방식은 ML과 규칙 기반 기능을 결합하여 정확성과 속도를 최적화합니다. 이 접근 방식은 정확도가 높지만 다른 두 가지 방법보다 시간과 기술 능력 등 더 많은 리소스가 필요합니다.

감정 분석 도구를 구축하는 데 사용되는 다양한 접근 방식 외에도 조직이 필요에 따라 선택하는 다양한 유형의 감정 분석이 있습니다. 가장 널리 사용되는 세 가지 유형인 감정 기반 분석, 세부 분석, 측면 기반 감정 분석(ABSA)은 모두 극성, 즉 텍스트 조각으로 전달되는 전체적인 느낌을 측정하는 기본 소프트웨어의 능력에 의존합니다.

일반적으로 텍스트의 극성은 긍정적, 부정적 또는 중립적으로 설명될 수 있지만, 예를 들어 '매우 긍정적' 또는 '매우 부정적'과 같은 하위 그룹으로 텍스트를 더 세밀하게 분류함으로써 일부 감성 분석 모델은 더 미묘하고 복잡한 감정을 식별할 수 있습니다. 텍스트의 극성은 텍스트의 감정을 측정하는 데 가장 일반적으로 사용되는 매트릭이며 소프트웨어에서 1부터 100까지의 수치 등급으로 표현됩니다. 0은 중립적인 감정을 나타내고 100은 가장 극단적인 감정을 나타냅니다.

가장 널리 사용되는 세 가지 유형의 감정 분석은 다음과 같습니다.

세분화(등급)

세분화된 감정 분석 또는 등급이 매겨지는 감정 분석은 텍스트를 다양한 감정과 표현되는 감정 수준으로 그룹화하는 감정 분석의 한 유형입니다. 그런 다음 소비자 웹사이트가 고객 만족도를 평가하기 위해 별점을 사용하는 것과 유사하게 0에서 100까지의 등급으로 감정을 평가합니다.

측면 기반 감정 분석(ABSA)

측면 기반 감성 분석(ABSA)은 텍스트 본문에서 분석 중인 것의 범위를 기업이 분석하고자 하는 제품, 서비스 또는 고객 경험의 특정 측면으로 조사 대상의 범위를 좁힙니다. 예를 들어, 저가 여행 앱에서는 새로운 사용자 인터페이스가 얼마나 직관적인지 파악하거나 고객 서비스 챗봇의 효과를 측정하는 데 ABSA를 사용할 수 있습니다. ABSA는 조직이 자사 제품이 어떻게 고객 기대에 미치지 못하거나 성공을 거두고 있는지를 더 잘 이해할 수 있도록 지원합니다.

감정 감지

감정 감지를 사용한 감정 분석은 텍스트를 작성할 때의 마음 상태와 의도를 포함하여 텍스트 본문 이면에 있는 개인의 심리적 상태를 이해하려고 합니다. 이는 세분화된 방법이나 ABSA보다 더 복잡하며 일반적으로 사람의 동기나 감정 상태를 더 깊이 이해하는 데 사용됩니다. 감정 감지는 긍정적, 부정적 및 중립적인 것과 같은 극성을 사용하는 대신 좌절감, 무관심, 불안감, 충격과 같은 특정 감정을 텍스트 본문에서 식별할 수 있습니다.

감정 분석과 이를 뒷받침하는 기술이 빠르게 성장하고 있지만, 이는 여전히 비교적 새로운 분야입니다. 2020년에 발행한 리우 빙(Liu Bing)의 '감정 분석(Sentiment Analysis)'에 따르면 이 용어는 2003년 이후로 널리 사용되고 있을 뿐입니다. ² 여전히 배우고 개선해야 할 부분이 많이 있습니다. 가장 일반적인 단점과 과제는 다음과 같습니다.

컨텍스트 부족

컨텍스트는 텍스트 블록에서 어떤 감정이 표현되고 있는지 이해하는 데 중요한 요소이며, 감성 분석 도구가 자주 실수하는 요소이기도 합니다. 예를 들어 고객 설문조사에서 고객은 “앱의 어떤 점이 마음에 들었나요?” 라는 질문에 두 가지 답변을 할 수 있습니다. 첫 번째 대답은 '기능성'이고 두 번째 대답은 'UX'일 수 있습니다. 예를 들어 "앱의 어떤 점이 마음에 들지 않았나요?"와 같이 질문이 달랐다면, 단어 자체를 바꾸지 않고도 고객 응답의 의미가 바뀝니다. 이 문제를 해결하려면 알고리즘에 고객이 응답한 질문의 원래 컨텍스트를 제공해야 하는데, 이는 사전 또는 사후 처리로 알려진 시간 소모적인 전략입니다.

아이러니와 풍자 사용

훈련의 수준이나 범위에 관계없이 소프트웨어는 텍스트 본문에서 아이러니와 풍자를 올바르게 식별하는 데 어려움을 겪습니다. 누군가가 비꼬거나 아이러니한 말을 할 때는 목소리 톤이나 표정을 통해 전달되는 경우가 많고 사용하는 단어에는 뚜렷한 차이가 없기 때문입니다. 예를 들어, "굉장하다. 또 천 달러짜리 주차 위반 딱지라니- 딱 필요한 거야."라는 문구를 분석할 때 감정 분석 도구는 "굉장하다"라는 단어를 사용했기 때문에 표현되는 감정의 본질을 오해하고 긍정적으로 분류할 가능성이 높습니다.

부정

부정은 문장에서 의미의 반전을 전달하기 위해 부정어를 사용하는 경우입니다. 예를 들어, "신발이 저렴하다고는 할 수 없다"라는 문장을 생각해 보세요. 즉, 신발이 비싸거나 적어도 적당한 가격일 가능성이 높지만 감정 분석 도구는 이러한 미묘한 차이를 놓칠 가능성이 높다는 뜻입니다.  

관용적 언어

예를 들어 "Let’s not beat around the bush(빙 둘러말하지 말자)" 또는 "Break a leg(행운을 빌어)"와 같은 일반적인 영어 문구의 사용과 같은 관용적 언어는 감정 분석 도구와 그 기반이 되는 ML 알고리즘에 종종 혼란을 야기합니다. 소셜 미디어 채널이나 제품 리뷰에서 위와 같은 인간 언어 문구를 사용할 경우, 감정 분석 도구는 이를 잘못 식별할 수 있습니다. 예를 들어 "Break a leg"를 고통스럽거나 또는 슬픈 것으로 잘못 식별하거나 완전히 놓칠 수 있습니다.

고객을 더 잘 이해하기 위해 감성 분석을 구현하기로 결정한 조직은 기존 도구를 구매하거나 자체적으로 구축하는 두 가지 방법을 선택할 수 있습니다.

자체 도구를 구축하기로 선택한 기업은 일반적으로 Python 또는 Java와 같은 공통 코딩 언어로 된 오픈 소스 라이브러리를 사용합니다. 이러한 라이브러리가 유용한 이유는 해당 커뮤니티가 데이터 과학에 정통하기 때문입니다. 그러나 이 접근 방식을 취하려는 조직은 엔지니어 및 데이터 과학자 팀을 고용하는 데 상당한 투자를 해야 합니다.

기존의 서비스형 소프트웨어(SaaS) 감정 분석 도구를 구입하면 초기 투자 비용이 적게 들고, 기업은 처음부터 머신러닝 모델을 만들지 않고 미리 학습된 머신러닝 모델을 구축할 수 있습니다. SaaS 감정 분석 도구는 몇 가지 간단한 단계만 거치면 바로 실행할 수 있으며, 자체 구축에 필요한 투자를 할 준비가 되지 않은 기업에게 좋은 옵션입니다.