소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 377 소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 (Design of a Productivity Measuring System for Twitter Marketing Reflecting User's Sentiment in Social Networks) 윤 진 영 황 병 연 (Jinyoung Yoon) (Byung-Yeon Hwang) 요 약 소비자들이 소셜 네트워크 서비스를 통해 자신의 의견을 공유하게 되면서 기업들은 소셜 미디 어를 마케팅 도구로 적극 활용하기 시작하였다. 대표적인 마이크로블로깅 서비스인 트위터는 간결하고 짧 은 텍스트와 리트윗 기능을 통해 막강한 전파력을 자랑하는 마케팅 도구이다. 하지만 트위터는 다른 소셜 미디어 플랫폼과 같이 제공되는 분석 툴이 존재하지 않는 상태이며 성과를 측정하는 연구와 방법이 미약하 다. 기존 분석 도구들 또한 전파된 양과 범위만 계산할 뿐 사용자의 정서 인식을 통한 실질적인 성과 측정 을 고려하지 않고 있다. 따라서 본 논문에서는 트위터 상에 존재하는 세일즈 프로모션 마케팅의 성과를 분 석하기 위해 온라인에 적합한 감정 단어 평가 사전을 구축하고 감정을 나타내는 자질을 추출하여 트윗에 담긴 정서를 인식하는 시스템을 설계하였다. 또한 트윗들의 소셜 관계 추론을 통해 주제에 대한 하나의 네 트워크로 통합하고 트위터 상의 고객들의 반응을 고려하여 이를 수치화한 성과지표 TNPS를 제안한다. 키워드: 트위터, 소셜 미디어 마케팅, 성과 분석, 정서 인식, 소셜 네트워크 서비스 Abstract Customers share their opinions and experiences through the social network services, and enterprises use the social media as a marketing tool to strengthen their identities and to interact with the customers. Twitter is a micro-blogging service with short texts, and the retweet function makes Twitter become a strong tool for marketing; however, Twitter does not offer its own analysis tools, and measuring the marketing productivity on social network services is a challenge. Some existing tools measure the quantity of retweeted tweets, but they do not provide any practical productivity measuring methods using users sentiment recognition. In this paper, we built a dictionary to evaluate sentiment words and designed a system that recognizes the sentiment in tweets for measuring the marketing productivity on Twitter. In addition, the system combines into a single network about the target of analysis through inferred social relationships. We propose TNPS (Twitter Net Promoter Score) that considers the reaction of customers on Twitter to digitalize the result. Keywords: twitter, social media marketing, productivity measuring, sentiment recognition, social network service 본 연구는 2011년도 정부(교육과학기술부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. 2011-0009407) 학생회원 : 가톨릭대학교 컴퓨터정보공학부 my_sk_test@naver.com 종신회원 : 가톨릭대학교 컴퓨터정보공학부 교수 byhwang@catholic.ac.kr (Corresponding author임) 논문접수 : 2013년 8월 19일 심사완료 : 2013년 10월 8일 CopyrightC2013 한국정보과학회ː개인 목적이나 교육 목적인 경우, 이 저작물 의 전체 또는 일부에 대한 복사본 혹은 디지털 사본의 제작을 허가합니다. 이 때, 사본은 상업적 수단으로 사용할 수 없으며 첫 페이지에 본 문구와 출처를 반드시 명시해야 합니다. 이 외의 목적으로 복제, 배포, 출판, 전송 등 모든 유형의 사용행위를 하는 경우에 대하여는 사전에 허가를 얻고 비용을 지불해야 합니다. 정보과학회논문지: 데이타베이스 제40권 제6호(2013.12) 1. 서 론 웹 2.0 시대가 열리면서 소유자나 독점자 없이 누구나 손쉽게 데이터를 생산하고 공유할 수 있는 인터넷 환경 이 펼쳐졌다. 이러한 사용자 참여 중심의 환경은 사람과 사람 사이의 관계를 지향하는 소셜 미디어(social media)의 배경이 되었으며 기존의 매스 미디어의 단방 향 전달 흐름을 쌍방향으로 바꿔 개인 미디어 형태로 만드는 중요한 역할을 하였다. 트위터, 페이스북과 같은 소셜 네트워크 서비스(SNS, Social Network Service) 를 통한 개인 미디어가 확산되면서 소비자가 생산자의
378 정보과학회논문지 : 데이타베이스 제 40 권 제 6 호(2013.12) 역할까지 수행하는 프로슈머(prosumer)의 적극적인 활 동이 가능해져 소셜 네트워크 서비스를 사회와 문화현 상의 저변을 바꾸는 강력한 도구로 발전시켰다. 이에 발 맞춰 기업들은 메시지를 전파하고 기업의 이미지를 고 양하기 위해 소셜 미디어를 마케팅 수단으로 하는 소셜 미디어 마케팅(social media marketing)을 폭넓게 사용 하고 있으며[1] 그 관심이 소셜 미디어 내 사용자들 사 이에 발생하는 관계에 대한 분석 연구로 자연스럽게 이 어지고 있다. 마케팅 분야에서 주목하는 3대 소셜 미디어 중 하나 인 트위터는 140자로 제한된 단문 텍스트를 기반으로 하는 마이크로블로깅(micro-blogging) 서비스로, 정보 를 축약하거나 링크된 정보를 고객에게 푸시(push)하는 전달자 역할과 리트윗(RT, ReTweet) 기능을 통해 입 소문 마케팅(WOM, Word of Mouth marketing)의 효 과를 극대화할 수 있는 구조적 특징을 가지고 있다. 트 위터에서 발생하는 트윗(tweet)에는 사회 전반적인 내 용뿐만 아니라 자신의 주변에서 일어나는 사건, 일상 등 에 대한 개인적인 견해 등이 포함되어 있으며 사용자 중심의 관계 망을 통해 퍼져나간다. 특히 기업의 제품 또는 서비스에 대한 경험, 의견을 포함하는 트윗일 경우 에는 입소문을 형성하여 기업의 마케팅 성과에 영향을 미친다. 이전부터 입소문은 마케팅 분야에서 소비자의 구매 의사와 행동에 영향을 주는 중요한 요인으로 자리매김 하고 있다. Katz 등의 연구[2]에서는 제품의 브랜드 선 택에 있어 뉴스나 잡지 광고보다 7배나 효과적이라는 사실이 발견되었고 Eliashberg 등[3]은 입소문을 통한 교류 또는 의사소통을 영화의 수익을 예측하는 중요한 변수로 주장하는 등 입소문과 마케팅의 밀접한 연관성 을 보여주었다. 게다가 소셜 미디어 등을 활용해 온라인 에서 이루어지는 입소문 의사소통의 경우 시간과 공간 적 제약이 없다는 점에서 더 빠르고 넓게 확산될 가능 성을 내재하고 있다. 2012년 개봉작 영화 부러진 화살 은 SNS를 통해 추천 물결이 퍼져나가면서 거창한 홍보 없이도 각종 포털 사이트의 평점도 1위를 차지한 사례 로 남아 이를 뒷받침하고 있으며 SNS의 파급력을 측정 하려는 다양한 연구들이 시도되고 있다[4]. 소셜 미디어 마케팅의 활용도와 성과에 비해 이를 측 정하고 분석하는 방법과 진행된 연구 성과는 미흡하다. 페이스북은 자사 플랫폼의 투자수익률(ROI, Return on Investment)을 측정할 수 있는 툴을 공개해 광고의 성 과를 추적하는 기능을 제공하지만 파워 에디터나 광고 관리자, API 파트너들로 대상을 제한[5]하여 일반 사용 자들의 성과 분석에 어려움을 주고 있다. 게다가 트위터 는 블로그나 페이스북처럼 서비스 사업자가 통계 툴을 제공하지 않은 상태이며 현존하는 트위터 마케팅 성과 분석 도구들은 전파의 정도나 범위에만 치중하기 때문 에 완벽하게 결과를 도출하기 부족하다. 김태욱 등의 저 서 제대로 통하는 소셜 마케팅 7가지 법칙[1] 에서는 트 위터를 마케팅 툴로 활용하는 마케터들을 위해 몇 가지 분석 도구들을 소개하였다. 대부분의 도구들은 성과를 측정하는 기준을 사용자 계정과 키워드로 설정하여 팔 로워(Follower)나 팔로잉(Following)의 변화 추이를 분 석하거나 트윗의 리트윗 받은 횟수와 노출량, 도달률을 계산하였다. 그 중 트위터 애널라이저(http://twitteranalyzer.com) 는 해당 계정의 트윗을 리트윗 한 사람의 팔로워 수까 지 자동으로 계산하여 노출량을 측정하고 리트윗 받은 횟수 등을 결과로 제시해 기업 계정으로 올린 트윗의 반응을 직접적으로 계산해주는 도구이다. 그러나 원문을 그대로 리트윗한 트윗은 카운트가 되지만 리트윗하면서 무언가를 덧붙인 트윗은 카운트가 되지 않는다는 약점 을 가지고 있다. 덧붙여진 리트윗에는 트윗을 전달하는 전달자의 긍정 또는 부정적 의견을 포함할 가능성이 크 다. 페이스북의 경우에는 좋아요 버튼 사용으로 정보를 공유할 당시의 사용자의 긍정적 정서(공감)가 분명히 드 러나지만 트위터에서는 감정을 추출하는 과정을 거쳐 사용자의 정서를 인식해야 한다. 따라서 단지 트윗이 노 출되는 양으로만 측정하는 방식을 넘어서 전달자의 의 견이 덧붙여진 리트윗의 정서를 인식해 마케팅의 실질 적 효과를 파악할 수 있는 지표를 설정할 필요성이 있다. 온라인 환경에서 사용자가 작성한 상품평, 리뷰 등의 게시글은 사용자의 구매 결정에 직접적인 영향을 미치 는 중요한 정보이다. 명재석 등[6]의 연구에서는 온라인 쇼핑몰의 상품평에 대하여 사용자의 의견을 추출하고 추출된 정보를 활용하여 상품의 순위를 산정하는 상품 평 분석 시스템을 설계하고 구현하였다. 이처럼 사용자의 정서를 인식하여 대상에 대한 의견을 추출하는 연구는 소셜 네트워크 분석(SNA, Social Network Analysis) 에서도 자주 사용되며 게재된 트윗에서 인식된 정서와 입소문 효과를 트위터 마케팅의 반응과 만족을 확인하 는 지표로 적용할 수 있다. 본 논문에서는 소셜 미디어 마케팅 성과를 보다 정확 하게 측정하기 위해 기업의 마케팅 활동과 관련된 트윗 을 통해 의견을 드러낸 사용자들의 관계를 정의 추론하 고 트윗의 정서를 인식하는 분석 시스템을 설계하였다. 이 시스템에서는 마케팅 성과 측정방법으로 기존의 마케팅 분야에서 사용되는 고객 충성 지수(NPS, Net Promoter Score)를 트위터 환경에 적용한 TNPS(Twitter Net Promoter Score)를 지표로 설정하여 마케팅 효과를 수 치화하였다. 또한 트위터를 마케팅 도구로 적극 활용하
소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 379 여 자사 공식 계정을 통해 세일즈 프로모션을 진행하는 등 고객과의 지속적인 소통을 해왔던 커피 전문점 S사 의 반값 이벤트에 대한 사례 분석을 수행하였다. 본 논문은 다음과 같은 순서로 구성되었다. 2장에서 소셜 미디어 마케팅 관련 연구와 기존의 성과 측정 도 구들을 소개하고 3장에서는 분석 대상이 되는 세일즈 프로모션을 하나의 주제로 설정하여 주제 관련 트윗을 작성한 사용자간의 소셜 관계를 정의하고 추론한 후 통 합한다. 4장에서는 입소문의 실질적인 효과를 파악하기 위해 게재된 트윗의 정서를 인식하는 과정을 보이고 정 서의 극성을 분류한다. 5장에서는 트위터 상에서 나타난 성과를 측정하기 위한 지표를 설정하여 적용한 성과 결 과를 수치화한다. 마지막으로 6장에서는 본 연구의 결론 및 한계점을 서술하고 그에 따른 향후 연구 방향을 제 시한다. 2. 관련연구 및 기법 2.1 소셜 미디어 마케팅 연구 자신의 생각과 의견, 경험 등을 소셜 네트워크 서비스를 통해 공유하는 소통과 관계 중심의 소셜 미디어 마케팅 이 도입되면서 기존 매스 미디어의 구매 퍼널(funnel)에 소셜 피드백(social feedback) 주기가 통합된 새로운 구 매 퍼널이 등장하였다. 소비자의 구매 퍼널이란 인지부터 고려 과정을 거쳐 구매로 유도하는 과정의 특성을 나타 내는 모델이며 그림 1은 구매 이후 실제로 사용(use)한 경험이 있는 고객들부터 형성된 의견(form opinion)이 대화(talk)를 통해 전달되는 소셜 피드백 주기가 추가된 구매 퍼널을 나타낸다. 소셜 피드백 주기는 기존 고객이 생성하는 경험을 잠재 고객의 구매 결정 전 고려 시점 에 전달하여 구매에 영향을 미치는 역할을 하기 때문에 [7,8] 이 주기의 중요성을 인지하여 마케팅 성과와의 연 관관계를 분석하려는 연구들이 선행되었다. 김상백[7]의 연구에서는 소셜 피드백 주기가 구매 후 그림 1 소셜 피드백 주기가 감안된 구매 퍼널(출처: [8]) Fig. 1 purchase funnel considering social feedback cycle (source: [8]) 의견에 의해 작동을 시작하기 때문에 이 단계에서 입소 문이 유도되어 바이럴(viral) 마케팅의 역할을 수행한다 고 주장하였다. 하지만 이 연구에서는 잠재 고객의 구매 의사를 결정짓는 소셜 피드백 주기의 입소문 의견에 대 한 중요성을 강조했으나 형성된 의견들이 어떤 성질(긍 정적, 부정적)을 갖는지에 대한 고려가 이루어지지 않았 기 때문에 소셜 피드백을 마케팅의 성과를 좌우하는 결 정적 요소로 인식하고 빠른 탐지를 통해 고객의 소리 (VOC, Voice of Customer)에 귀를 기울여 불만사항을 해결하는 방법이 고안되어야 한다. 2.2 트위터 마케팅 성과 분석 연구 및 도구 정보 과학 분야에서는 트위터의 리트윗 기능으로 인 해 파급된 정보력을 고려한 트위터 마케팅의 입소문 효 과를 측정하려는 연구들이 선행되어 왔다. 특히 김형진 등의 연구[9]에서는 온라인 소셜 네트워크 상의 구전 효 과 영향 요인을 분석하기 위해 리트윗된 횟수를 성과 지표로 간주하여 신제품 프로모션에 영향을 미치는 요 인을 식별하는 실험을 진행하였다. 이처럼 기존의 연구 에서는 측정된 리트윗 수를 성과여부를 결정하는 기준 으로 삼았으며 다음으로 소개하는 트위터 마케팅 성과 분석 도구들 또한 정보가 확산된 정도를 측정한 노출량, 도달률 등을 이용한다. 트위터 애널라이저(TwitterAnalyzer)는 특정 계정이 작성한 트윗들에 대해 일 단위로 리트윗 받은 횟수, 트윗 의 노출량과 도달률을 계산해 주는 도구이다. 이 서비스 에서는 노출량 측정 시 리트윗을 한 사람뿐만 아니라 그 팔로워 수까지 자동으로 포함시켜 실질적으로 노출된 양 을 결과로 나타내어 준다. 하지만 리트윗의 기준을 원문 을 그대로 리트윗한 트윗으로 한정하기 때문에 리트윗하 면서 무엇인가를 덧붙인 트윗은 카운트가 되지 않는다는 치명적인 약점을 가진다. 트윗 리치(TweetReach) 또한 특정 키워드가 들어간 최근 트윗을 중심으로 중복을 포 함한 전체 노출량(impression)과 중복된 사람을 제외한 도달자 수(reached)를 측정한다. 기본적으로 분석되는 트윗 개수는 키워드를 포함하는 트윗 중 최근 50개에 해 당하며 최근 50개 트윗이 몇 분 만에, 몇 명의 사용자에 의해 작성되었는지를 소개한다. 하지만 일반적으로 제공 되는 분석의 대상이 되는 트윗 수가 너무 적기에 종합적 인 분석이 어렵다는 단점을 가지고 있다. 대부분의 트위터 마케팅 성과 분석 도구들은 트윗을 통해 전달되는 내용을 고려하지 않은 채 노출 정도로 입소문의 크기를 측정하고 있다. 이러한 경우 구전된 고 객들의 부정적인 평가와 의견이 마케팅 효과로 인식되 어 부정확한 성과 분석 결과로 전달될 가능성이 있다. 따라서 마케팅 주체자(기업, 일반 사용자)에 의해 게시 된 트윗들의 정서를 파악하고 리트윗을 통해 전파되는
380 정보과학회논문지 : 데이타베이스 제 40 권 제 6 호(2013.12) 트윗들의 정서 변경 여부를 확인하여 실질적인 마케팅 의 효과를 측정하는 방법이 요구된다. 3. 분석 대상에 대한 소셜 관계 분석 이 장에서는 세일즈 프로모션의 성과를 측정하기 위 해 분석 대상을 주제화하고 트위터로부터 수집된 트윗 들의 소셜 네트워크를 분석하고자 한다. 주제와 관련된 키워드를 포함하는 트윗이나 그 리트윗으로 분류된 데 이터 사이의 소셜 관계를 정의하고 분리된 컴포넌트의 연결을 통한 소셜 관계 네트워크 통합을 구현한다. 3.1 분석 대상의 주제 설정 및 데이터 수집 트위터 마케팅 분석에 있어 첫 번째로 수행되어야 할 단계는 분석하고자 하는 대상을 설정하고 이를 주제화 하는 것이다. 이에 앞서 본 시스템에서는 자사 트위터 계정을 통해 홍보되었는지, 신제품 출시 또는 세일즈 프 로모션 마케팅인지의 여부를 조건으로 충족하는 대상으 로 주제를 한정하였다. 트위터에서 진행되는 세일즈 프 로모션 관련 트윗은 세 가지 유형을 통해 작성되고 전 파된다. 유형 1 기업 트위터 계정을 통해 게재된 트윗 유형 2 고객 또는 잠재 고객으로 이루어진 사용자 집단에 의해 작성된 트윗 유형 3 유형 1과 2를 통해 작성된 트윗을 리트윗 한 트윗(RT) 특히 유형 2에 해당하는 트윗은 고객 또는 잠재 고 객으로 이루어진 사용자 집단이 생성한 소셜 피드백 주 기의 트윗이다. 기업의 신제품이나 세일즈 프로모션 활 동에 구매 또는 경험이 있는 고객들이 자신의 계정을 통해 의견을 적극 반영하는 등 실질적인 평가자 역할을 수행한다. 따라서 대부분의 의견은 유형 2를 통해 조성 되고 유형 3에 의해 그대로 퍼져나가거나 의견을 포함 한 RT 형태로 그 원래의 의미를 더하거나 다른 분위기 의 입소문을 조성하며 전파된다. 트위터는 정보에 접근할 수 있는 Open API를 제공하 고 있으며 본 시스템에서는 분류된 3가지 유형의 특성 에 따라 수집 방법의 차이를 두어 Twitter4J의 자바 라 이브러리를 이용한 개발로 트윗 데이터 수집을 진행하 였다. 유형 1은 기업의 계정을 통해 작성된 트윗으로 기업이 게재한 트윗과 멘션으로 이루어진 유저 타임라 인(user timeline)에 나타난 트윗들 중 주제와 관련된 하나 이상의 트윗들의 집합으로 반환된다. 반면, 사용자 집단에 의해 작성된 유형 2는 작성 주체의 정보를 미 리 알 수 없기 때문에 계정 중심의 수집방법이 아닌 주 제 관련 키워드 중심의 검색인 검색(search) API를 통 해 수집된다. 유형 3은 유형 1과 2를 원본 트윗으로 지정하여 원본 트윗의 리트윗 정보를 추출한 결과에 의 해 수집된다. 그림 2는 유형별 수집 방법을 통해 얻은 트윗들의 수 집 과정을 나타낸 흐름도이다. 이 과정을 통해 하나의 세일즈 프로모션 또는 신제품에 대해 트위터에서 형성 된 여론의 소리에 귀 기울일 수 있는 발판을 마련할 수 있다. 그림 2 데이터 수집 과정의 흐름도 Fig. 2 flow chart for data gathering
소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 381 3.2 소셜 관계 정의 및 추론 소셜 관계란 소셜 미디어 상의 사용자들 사이에서 상 호작용을 통해 생성된 관계를 말한다. 트위터에서는 추 종하다, 따르다 라는 뜻을 가진 팔로우 기능으로 형성된 팔로워-팔로이(follower-followee) 관계가 기본적으로 나 타난다. 이 관계를 통해 소비자의 소셜 피드백과 경험에 대한 의견들이 자신의 팔로워들에게 전파된다. 또한 팔 로워들 중 리트윗을 한 사용자들로 인해 전파력은 더욱 더 커지며 소셜 미디어 상의 전자적 입소문(e-WOM, electronic Word of Mouth)을 형성하게 된다. 하지만 트윗을 게재한 사용자와 이를 리트윗한 전달 자를 제외한 모든 팔로워들은 마케팅 주제에 대한 관심 여부를 판단하기 어렵기 때문에 본 논문에서는 그림 3 에서와 같이 기존의 팔로워 중심 소셜 관계에서 단순 구독자를 배제한 정의된 소셜 관계 를 생성한다. 또한 해당 마케팅 활동에 대한 트윗을 게재한 게시자와 이 트윗을 리트윗하여 게시자의 트윗에 관심을 보인 팔로 워 사이의 관계를 리트윗 관계 로 정의하고 기존의 소 셜 관계 중 리트윗으로 전파의 의지를 보인 사용자를 추출한 후 전파된 경로를 역추적하여 연관된 소셜 관계 를 추론한다. 3.3 컴포넌트 분석을 통한 소셜 관계 네트워크 통합 소셜 미디어 상에는 다양한 네트워크들이 존재하며 그 안에서 발견되는 다양한 하위집단은 네트워크의 커 뮤니티 구조를 파악하는 중요한 도구 역할을 한다[10]. 하위집단을 분류하는 방법 중 하나인 컴포넌트 기법은 한 점에서 출발해 그 점과 연결된 모든 점들을 찾아내 는 절차를 지속하여 연결고리를 끝까지 추적하는 방법 으로 3.2절에서 추론된 소셜 관계들은 그림 4(a)와 같은 방향성을 갖는 그래프 형태(directed graph)로 나타난 다. 이 그래프는 각 게시자 중심으로 퍼져나가는 입소문 의 관계 방향을 포함하며 분석 주제와 관련된 트윗을 작성한 게시자와 각 팔로워들이 끊어지지 않고 모두 연 결되었기 때문에 하나의 컴포넌트로 인식 가능하다. 하 지만 이 컴포넌트는 그래프 내부에서 형성된 사용자들 의 관계만을 드러내 그 자체만으로 분석하고자 하는 마 그림 3 정의된 소셜 관계에서 추론된 리트윗 관계 Fig. 3 deduced retweet relations from refined social relation 그림 4 소셜 관계 망 통합 Fig. 4 integration of social relation network
382 정보과학회논문지 : 데이타베이스 제 40 권 제 6 호(2013.12) 케팅 활동에 대한 전체 네트워크를 표현할 수 없다. 따 라서 그림 4(b)에서처럼 공통된 주제를 포함하는 각 컴 포넌트들을 통합하여 트위터에서 나타난 소셜 관계 네 트워크를 추출한다. 4. 트윗에 포함된 정서 인식 트위터 사용자가 정보 전달시 어떤 감정을 트윗에 담 고 있느냐에 따라서 전파되는 입소문의 실질적인 효과 가 달라진다. 직접 작성하거나 리트윗에 의견을 덧붙인 사용자가 부정적인 시선으로 대상을 바라보았다면 이 트윗이 전파되는 과정에서 부정적인 분위기로 인한 선 입견이 만들어져 트위터 마케팅에 큰 영향을 미칠 수 있다. 이 장에서는 실질적인 성과를 분석하기 위해 트윗 에 내재된 사용자의 감정을 추출하고 트윗에 드러난 정 서를 인식한다. 4.1 형태소 분석 및 자질 추출 수집된 트윗들로부터 추출된 텍스트로 이루어진 트윗 코퍼스는 일상생활에서 사용하는 자연어 형태로 나타나 기 때문에 컴퓨터가 처리할 수 있도록 변환하는 자연어 처리(NLP, Natural Language Processing) 과정이 필 요하다. 본 연구에서는 오픈소스 검색 라이브러리 루씬 (Lucene)에 기반한 루씬 한글 분석기로 자연어 분석의 첫 단계인 형태소 분석을 수행하여 각 형태소에 품사와 문장성분 태그(tag)를 함께 부착하여 반환하였다. 한국어의 품사 중 감정을 나타내는 어휘가 대부분 동 사와 형용사에 존재하기 때문에 형태소 분석에서 추출 한 어휘 자질 중 동사와 형용사를 모두 일컫는 문장성 분인 용언을 중요한 자질로 사용한다. 용언은 체언(명사, 대명사)을 주어로 갖는지 여부에 따라 구분되는데 소셜 피드백의 요소를 얻기 위해서는 주체가 되는 체언도 필 요하기 때문에 용언과 체언을 감정 분류를 위한 최적의 자질로 선정하였다. 표 1은 트윗에 포함된 텍스트(내용) 가 형태소 분석을 거쳐 용언과 체언의 실질적 의미를 나타내는 어근과 어간으로 각각 추출되어 최종적인 자 질로 채택되는 과정을 보인다. 4.2 감정 어휘 평가 사전 구축 형태소 분석 후 추출된 자질들의 감정을 분류하여 정 서를 인식하기 위해서는 감정 어휘들로 이루어진 감정 어휘 평가 사전을 구축하는 것이 필수적이다. 구축된 평 가 사전에는 감정 어휘들이 갖는 특성에 따라 부착된 태그들이 존재하는데 어휘들의 감정 정도를 나타내는 가중치를 부여하기 위해 지정된다. 본 논문에서는 품사 나 감정 파악 방법 등 문장 내에 포함된 각 특성을 반 영하여 분류 기준을 수립하고 다음과 같이 그에 따른 기준 태그를 생성하였다. 첫 번째 기준 태그는 어휘 자 체가 긍정이지 부정인지를 판단하는 극성으로 나누어진 극성 태그 P(positive)와 N(negative)이다. 두 번째는 감정을 파악할 수 있는 단서의 차이를 기준으로 하는 단서 태그이며 그 단서가 단어 자체에 있는지 단어가 갖는 의미로 상황을 파악하여 확인 가능한지에 따라 E(emotion)와 S(state)으로 구분된다. 마지막으로 품사 태그는 품사에 따라 VA(verb&adjective), N(noun)과 ADV(adverb)로 설정되며 감정 어휘의 품사가 대부분 동사와 형용사인 것을 감안하여 VA로 분류된 경우에는 태그를 생략한 형태로 부착하였다. 각 특성 태그들이 각 각 조합되어 8가지 감정 어휘 태그가 되며 감정 자체를 나타내는 태그(EP, EN), 처해진 상황을 파악하여 감정 을 유추할 수 있는 태그(SP, SN), 추천, 대박 등과 같이 명사처럼 쓰이는 동사 명사 태그(NP, NN), 부사 태그(ADVP, ADVN)로 나뉜다. 본 논문에서는 평가 사 전을 구축하기 위해 기존의 감정 인식 연구에서 쓰인 사전을 기반으로 한 감정 어휘를 비롯하여 2013년 3월 에 트위터에서 작성된 트윗 50,327개의 텍스트에서 추출 한 용언을 분석하여 얻은 온라인상의 텍스트기반 감정 표 1 자질 추출 과정 Table 1 attribute extraction process for emotion recognition
소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 383 유추 가능 어휘를 평가 사전에 추가하였다. 그 결과 맞 춤법에는 맞지 않지만 일반적으로 사용되는 온라인 어 휘나 신조어 등의 감정 어휘들이 등록되어 감정 어휘 평가 사전의 정확성을 높였다. 4.3 감정 자질 선택 및 정서 인식 각 트윗에 내재된 정서를 인식하기 위해서는 분석하 고자 하는 마케팅 대상에 대한 주제로 통합된 소셜 관 계 네트워크 내에서 발생한 트윗 코퍼스를 형태소 분석 하여 자질을 추출해 내는 선처리를 거쳐야 한다. 추출된 자질들은 감정 어휘 평가 사전을 거쳐 감정 어휘 태그 를 통해 분류되어 감정 자질로 선택되며 표 2에서와 같 이 극성 값을 부여받게 된다. 한 트윗 의 정서는 트윗 텍스트 내의 감정 어휘 태 그 가 부착된 개의 감정 자질들로 결정된다. 다 음 식은 트윗 전체의 극성 값 을 계산하기 위한 식으로 각 감정 어휘 태그들의 극성 값을 합산하 여 얻는다. 계산된 트윗의 극성 값을 통해 정서를 인식하기 위해 285개의 트윗을 도메인으로 설정한 데이터 마이닝의 분 류 규칙(classification)을 적용하여 정서를 분류할 극성 값의 기준을 설정하였다. 의사결정 나무(decision tree) 알고리즘과 10단 집단 교차 검증(10-fold cross-validation) 방법으로 얻은 규칙은 극성 값 -0.5를 기준으로 긍정 Positive(>-0.5)와 부정 Negative(<=-0.5)로 트윗 의 극성을 판단하여 정서를 인식한다. 5. 마케팅 성과 분석 5.1 성과 측정 지표 적용 기존의 마케팅 분야에서 사용한 성과 지표 중 하나인 고객 충성 지수 는 순 추천 고객 지수라고도 불리 는 고객 로열티 측정법으로 다음과 같은 식에 의해 측 정된다. 적극적추천고객수 비추천고객수 응답자수 김규식 등의 연구[11]에서는 가 구매 고객에게 해당 제품이나 기업을 다른 고객에게 추천할 의향이 있 는지 직접 묻는 방식으로 측정하기 때문에 지수화한 결 과를 기업 평가 등에 적용하여 경영 개선 활동에 반영 할 수 있는 지표라고 덧붙였다. 이처럼 는 기업 평 가뿐만 아니라 기업 내의 마케팅 활동들의 비교 평가 등에 유리한 지표로 작용할 수 있다. 하지만 설문조사와 유사하게 직접 묻는 방식을 택하고 있으며 고객의 분류 또한 조사자가 직접 해야 하기 때문에 트위터 등의 온 라인 마케팅 분야에서는 적용이 어려울 것으로 보인다. 본 논문에서는 발생한 트윗에서 인식된 정서를 바탕 으로 고객을 분류하여 성과를 측정할 수 있는 트위터 마케팅 성과 지표 (Twitter Net Promoter Score) 를 제안하였다. 긍정적정서의사용자 부정적정서의사용자 정의된소셜관계네트워크상의사용자 는 의 고객 분류 기준을 추천 여부에서 정 서로 변경하여 트윗에 내재된 정서를 사용자의 만족 여 부라고 간주하였다. 따라서 덧붙여진 RT를 포함해 분석 주제에 대해 우호적이며 긍정적 정서를 가지고 트윗을 작성했다고 인식되는 사용자를 적극적 추천 고객으로, 대상에 대해 비우호적이고 부정적 의견이 인식된 트윗 작성자를 비추천 고객으로 일치시켜 수치 값을 도출해 낼 수 있다. 나머지 단순 RT들은 관심만 있는 정도로 적극적인 사용자가 아니므로 중립 또는 만족 고 객에 해당한다. 5.2 사례 분석 사례 분석은 2010년 6월부터 트위터를 마케팅 도구로 적극 활용하는 커피 브랜드 S사의 반값 할인 이벤트 세 일즈 프로모션을 주제로 설정하여 진행되었다. 이벤트는 2013년 4월 30일부터 5일간 매일 오후 3시~5시 사이에 전국적으로 이루어졌으며 기업의 트위터 계정을 통해 게재된 6개의 트윗을 포함하여 이벤트 기간 내에 총 882개의 트윗 데이터를 수집하였다. 표 3은 형태소 분석 과정을 거쳐 추출된 자질을 평가해 인식된 트윗의 극성 결과를 보여준다. 첫 번째 예제 트윗의 경우에는 추출된 자질들 중 감정 어휘 평가 사전에서 걸러진 감정 어휘 가 존재하지 않아 트윗의 정서를 인식할 수 없었다. 다 른 두 트윗은 트윗의 극성 값을 생성된 분류 규칙에 적 용하여 트윗의 극성을 인식하였다. 마지막으로 S사의 세일즈 프로모션 이벤트 성과 측정 결과, 단순 팔로우 관계를 제외한 사용자 753명 중 긍정 표 2 가중치가 적용된 감정 어휘 태그의 극성 값 Table 2 weighted polarity value of emotional word tag
384 정보과학회논문지 : 데이타베이스 제 40 권 제 6 호(2013.12) 표 3 트윗의 정서 인식 과정 Table 3 emotion recognition process of tweets 적 또는 부정적 정서를 지닌 극성 사용자가 159명으로 나타났으며 S사의 는 로 측 정되어 긍정적인 반응을 보인 사용자가 부정적인 사용 자보다 더 많은 것으로 드러났다. 6. 결론 및 향후 연구계획 본 논문에서는 트위터를 활용한 소셜 미디어 마케팅 의 성과를 측정하기 위해 리트윗 특성을 고려한 소셜 관계 네트워크를 정의하고 분석 대상에 대해 작성된 트 윗과 전파된 트윗의 정서를 인식하여 실질적인 성과를 측정할 수 있는 지표를 제시하는 시스템을 설계하였다. 또한 대표적인 소셜 미디어 마케팅 활용 기업의 세일즈 프로모션 활동을 하나의 주제로 삼아 적용해 봄으로써 사용자의 정서 인식의 중요성을 인지하고 리트윗으로 생성된 소셜 관계 네트워크를 하나의 입소문 경로로 간 주하여 트위터 고객 충성 지수 산출을 통한 마케팅 효 과를 분석하였다. 이로 인해 기업들은 게재한 특정 트윗 이나 세일즈 프로모션을 목적으로 하는 트윗의 반응을 모니터링 하는 것이 가능해지고 기업 내 외부의 마케팅 활동과 성과를 비교할 수 있어 향후 마케팅 목표와 계 획을 세우는 데 유용하게 작용할 것이다. 논문에서는 감정 추출을 위해 국어사전에 기반한 감 정 어휘뿐만 아니라 실제 소셜 미디어 환경에서 사용되 는 온라인 어휘, 세일즈 프로모션 관련 어휘를 추가한 사전을 구축하였다. 이러한 감정 어휘 평가 사전은 감정 어휘를 분류하는 과정에서 주관적인 견해가 개입될 수 있다는 점에서 정확도를 떨어뜨리는 요인이 될 수 있다. 또한, 온라인에서 사용되는 신조어와 줄임말 등은 어휘 의 생성과 소멸 주기가 빠른 경향을 보이기 때문에 지 속적인 사전의 갱신과 추가가 필요하다. 논문에서 감정 을 분류하는 기준으로 쓰인 감정 어휘 분류 규칙은 88.42%의 높은 정확도를 보이지만 효과적인 사용자 성 향 분석을 위해 형태소 분석기의 성능과 평가 사전의 질을 높이는 방법이 고안되어야 한다. 더 나아가 전파구 조로 형성된 관계 네트워크 분석을 통해 얻어진 소셜 피드백은 소셜 미디어 마케팅에서 기업이 고려해야할 고객 관리 기법의 중요한 요소로 작용하므로 소셜 피드 백 요소 탐지를 통해 소비자의 요구와 불만사항에 빠른 대응을 할 수 있는 모듈을 추가하여 성과에 대한 요인 까지 분석하는 연구로 확장할 수 있을 것이다. References [1] T. Kim and Y. Lee, Social Marketing's Seven Rules, Dawoo, 2011. [2] E. Katz and P. Lazarsfeld, Personal Influence, The Free Press, New Brunswick, NJ, 1955. [3] J. Eliashberg and S. M. Shugan, "Film Critics Influencers of Predictors?," Journal of Marketing, vol.61, no.3, pp.282-292, 1988. [4] M. Cha, H. Haddadi, F. Benevenuto, and K. P. Gummadi, "Measuring User Influence in Twitter: The Million Follower Fallacy," Proc. of the Fourth Internaltional AAAI Conference on Weblogs and Social Media, pp.10-17, 2010. [5] R. Sim. (2013, January 22). Conversion Measurement: A Win for Direct Response Marketers [Online]. Available: http://www.facebook-studio.com/news/item/ [6] J. Myung, D. Lee, and S. Lee, "A Korean Product Review Analysis System Using a Semi-Automatically Constructed Semantic Dictionary," Journal of KIISE : Software and Applications, vol.35, no.06, pp.392-403, 2008. [7] S. Kim, "Study on Corporation's Relationship in Social Media: Focused on the Examples of Domestic and Foreign Corporations' media Applications," Master s thesis, University of Dankook, 2010. [8] D. Avans, Social Media Marketing: An Hour a Day, Sybex, 2008. [9] H. Kim, I. Son, and D. Lee, "The Viral Effect of Online Social Network on New Products Promotion: Investigating Information Diffusion on Twitter,"
소셜 네트워크에서 사용자 정서를 반영한 트위터 마케팅 성과 분석 시스템 설계 385 Journal of Intelligence and Information Systems, vol.18, no.2, pp.107-130, 2012. [10] M. Grivan and M. E. J. Newman, "Community Structure in Social and Biological Networks," Proc. of the National Academy of Sciences, vol.99, no.12, pp.8271-8276, 2002. [11] K. Kim and S. Lee, "Empirical Study on Customer Satisfaction and Others Factor Influencing Would Recommend in NPS(Net Promoter Score) - Focus on Kitchen Furniture," Journal of the Korean Society for Quality Management, vol.37, no.2, pp.58-67, 2009. 윤 진 영 2011년 가톨릭대학교 컴퓨터공학과 학사 2011년 현재 가톨릭대학교 컴퓨터공학 과 석사과정. 관심분야는 소셜네트워크분 석, 데이터베이스, 정보검색, 오피니언마 이닝, 시맨틱 웹 황 병 연 1986년 서울대학교 컴퓨터공학과 학사 1989년 한국과학기술원 전산학과 석사 1994년 한국과학기술원 전산학과 박사 1994년~현재 가톨릭대학교 컴퓨터정보 공학부 교수. 1999년 University of Minnesota Visiting Scholar. 2007년 California State University, Sacramento Visiting Scholar 관심분야는 소셜네트워크분석, XML 데이터베이스, 데이터 마이닝, 정보검색, 지리정보시스템