2026. 8. 20. 07:50ㆍpxd AI툴 이야기
들어가며
어피니티버블은 정성 데이터를 에이전트 방식으로 분석하는 도구로 진화하고 있습니다. 이 글에서 그 변화가 실제로 어떤 모습인지 공유하고자 합니다.
지난 8월 5일, 어피니티버블 팀은 SMIT AI스타트업학과 유훈식 교수님이 매주 진행하시는 온라인 AX 디자인 세미나(71회)에 참여해 '어피니티버블을 활용한 UX 정성 리서치 데이터 분석하기'를 주제로 강연을 진행했는데요. 이 글은 그중에서도 최근 새롭게 업데이트된 부분, AI 에이전트 시대에 정성 데이터를 분석하는 방법을 정리해 보았습니다. (강연에서 함께 다룬 정성 데이터 시각화 방법은 이전 포스트에서 소개했으니, 궁금하시면 아래 링크를 참고해 주세요.)
- pxd & UXR 밋업 현장 스케치 (정성 조사의 새로운 패러다임)
- [HCI KOREA 2026] AI와 알고리즘을 이용한 정성 조사 스케일업과 시각화
이 글에서는 다음과 같은 순서로, AI 에이전트의 방식으로 어피니티버블을 활용하여 정성 데이터를 분석하는 법을 소개해 드리려고 합니다.
- 에이전트가 사용하는 도구로서의 어피니티버블
- API로 에이전트와 더 세분화된 분석 하기
- 어피니티버블이 제공하는 서비스들
이 글을 읽고 나면, 어피니티버블이 왜 에이전트가 쓰는 도구로 방향을 틀었는지, 그리고 지금 에이전트를 이용해 정성 데이터를 얼마나 깊게 분석할 수 있는지 확인하실 수 있습니다.
1. 에이전트가 사용하는 도구로서의 어피니티버블
어피니티버블이 정식 서비스를 출시한 지 1년이 되어가고 있는데요. 그동안 사용자들의 피드백을 들어보니 공통적으로 나오는 이야기가 있었습니다.
"데이터가 어떤 모습인지 한눈에 파악하는 데는 유용한데, 실제 업무에 쓰려면 더 깊은 분석이 필요해요."
문제는 그 '더 깊은 분석'이 사람마다, 팀마다 다 다르다는 점입니다. 어떤 팀은 시계열로 리뷰 변화를 보고 싶어 했고, 어떤 팀은 메타데이터와 교차 분석을 하고 싶어 했고, 어떤 팀은 전처리부터 다시 하고 싶어 했습니다. 모든 유스케이스를 담은 UI를 만들기엔 많은 논의와 기획이 필요한 상황이었죠.
더불어 이미 많은 분들이 업무에 AI 에이전트를 사용하고 있었습니다. 저희는 이 맥락에서 앞선 상황의 의사 결정에 필요한 시간을 줄여줄 좋은 방법을 떠올릴 수 있었는데요. 새로운 UI를 발명하지 말고, 에이전트가 이미 쓰고 있는 도구를 잘 만들어서 건네주자.
실제로 UI의 흐름은 CLI → GUI → Agent UI로 넘어가는 중입니다. GUI는 사람의 인지 부담을 줄여주지만, 에이전트에게는 오히려 비용입니다. 에이전트에게는 텍스트가 훨씬 빠르고 저렴하기 때문입니다. 그래서 어피니티버블은 API + 시각화 라이브러리를 에이전트가 스킬로 사용할 수 있는 형태로 제공하는 방향으로 피봇을 시도했습니다.
어피니티버블 API
어피니티버블 API는 에이전트가 잘 읽고 스킬화할 수 있게 작성되어 있습니다. 해당 문서를 에이전트에게 전달한 뒤, 아래와 같은 흐름으로 사용해 볼 수 있습니다.
1. 소스 수집
SNS 게시글, 앱 리뷰, 유튜브 댓글 등을 크롤링 API를 사용하여 가져옵니다. (소스 수집 단계에서는 다른 유료 API를 사용합니다.) (예시에서는 테슬라 FSD 관련 169개의 트윗을 수집.)
2. 분석
어피니티버블 API가 위에서 모은 텍스트를 묶어 세그먼트로 정리합니다. (해당 사례에서는 158개 항목이 배포 일정 지연 61% / 소비자 권리 보호 26% / 제조사 소통 방식 13% 3개 세그먼로 정리되었고, 세그먼트별 긍부정 편향까지 함께 나왔습니다.)
3. 시각화
어피니티버블 API가 보로노이 버블로 결과를 그려줍니다.
4. 에이전트 내 추가 분석
이후 사용자가 추가 피드백을 주면 에이전트가 그 자리에서 다시 분석하게 됩니다. (같은 사례에서 4개 세그먼트로 재구성 — 기약 없는 대기 36% / 배포 일정 불확실성 31% / 기업 소통 불신 17% / 소비자 권리 투쟁 17%) 나아가 "댓글에 언급된 차량 연식×모델을 막대 그래프로 보여줘" 같은, 어피니티버블이 제공하는 기능 외의 간단한 요청도 에이전트에서 처리할 수 있습니다.
이런 식으로, 서비스가 모든 기능을 제공하는 대신 분석 API + 시각화 라이브러리라는 재료를 제공하고, 에이전트와 사용자가 자유롭게 조합할 수 있는 방향으로 가고 있습니다. API와 시각화 라이브러리는 아래 링크에서 사용할 수 있습니다. (링크를 AI 에이전트에게 전달 후 적용해 달라고 해 보세요!)
👉 API 문서 보기 (사용을 위해 링크 내에서 API 키 발급이 필요합니다.)
👉 시각화 라이브러리 사용하기 (GitHub)
2. API로 에이전트와 더 세분화된 분석 하기
어피니티버블로 전체 지도를 본 다음에는, 더 세밀하게 분석하는 작업이 필요한데요. 이를 위해 저희는 퍼소나와 속성 기반 감성 분석(ABSA) 방법을 채택하고 있습니다.
퍼소나 API로 행동 변수 기반 군집화 하기
어피니티버블이 생성하는 퍼소나는 두 가지 특징이 있습니다.
- 중간값 없는 4점 척도를 사용
어피니티버블은 행동 변수 채점을 LLM으로 자동화하면서, 중간값이 있는 5점 척도 대신 중간값을 없앤 4점 척도를 사용합니다. 사람이 직접 평가할 때는 애매한 경우 중간값을 주지만, 기계로 채점할 때는 그 중간값을 생략해야 애매한 응답까지 한쪽으로 정리되면서 사용자 유형이 더 뚜렷하고 정확하게 갈렸습니다.
- 히트맵 테이블로 시각화
기존 퍼소나 도구에서 사용하던 행동 변수 도트 플롯은 사용자를 색으로, 변숫값을 x 위치로 설정합니다. 비슷한 사용자를 찾으려면 색과 위치 두 속성의 조합을 행마다 눈으로 훑어야 하는데, 이런 탐색은 인지 비용이 큽니다. 같은 정보를 변수×사용자 히트맵 테이블로 나타내면 사용자 위치를 열에 고정하고 변숫값만 컬러맵으로 표현하기 때문에, 같은 행에서 색이 비슷한지만 비교하면 됩니다. 색에 대한 판단은 전주의적으로(의식적으로 주의를 기울이지 않아도) 처리되어, 어떤 그룹이 어떤 변수에서 다른지가 한눈에 드러납니다.
퍼소나는 아래와 같은 프로세스로 생성하고 있습니다.
- 행동 변수 추출
인터뷰 등 원문 데이터에서 후보 행동 변수를 뽑고, 각 변수를 이름 붙이고 척도별 기준을 정의합니다. - 행동 변수 맵핑
응답자마다 각 변수에 (4점 척도로) 점수를 매깁니다. 이후 개별 행동 변수를 묶어 더 큰 축으로 정리합니다. - 클러스터링
축을 기준으로 응답자를 묶고, 세그먼트별 특징과 니즈, 근거 인용문까지 담은 퍼소나 카드를 만들어줍니다.
이미 쌓여 있는 리뷰나 설문 텍스트만으로도 이 프로세스를 통해 사용자를 이해할 수 있습니다. 퍼소나 도구는 API 형태로 준비 중이니, 관심 있는 분은 biz@affinitybubble.com으로 문의해 주세요.
(*참고: 앱 리뷰, 댓글 등 이미 쌓인 텍스트로 사용자를 이해할 때는 한 가지 유의점이 있습니다. 댓글을 다는 행위 자체에 편향이 있어서, 그 결과가 전체 모집단을 대표한다고 해석하면 안 됩니다. 초기 이해와 가설 발견용으로 쓰는 게 적절해 보입니다.)
속성 기반 감성 분석(ABSA)으로 사용자의 속성과 스탠스 파악하기
행동 변수 기반 군집화가 "사용자를 어떻게 나눌까"에 대한 답이라면, 속성 기반 감성 분석(ABSA)는 "무엇에 대해 어떻게 느끼는가"를 보는 축입니다.
한 문장 안에서도 판단은 여러 개로 쪼개질 수 있습니다. "배송은 좋은데 포장은 나쁘다"라는 리뷰 한 줄에는 배송(속성)에 대한 긍정과, 포장(속성)에 대한 부정이 함께 들어 있습니다. 이렇게 속성, 즉 무엇에 대해 말하는지와, 스탠스, 즉 어떻게 판단하는지를 분리해서 보는 것이 ABSA의 핵심입니다. 속성 체계는 미리 정해둘 수도 있지만, 데이터에서 직접 추출할 수도 있습니다.
이 방법론이 아래 제공 서비스들 중 앱 리뷰 드릴다운 리포트, 상품 리뷰 API, 발화 유형 분석 API의 기반이 됩니다.
pxd 블로그로 자세한 내용 알아보기
- 앱 리뷰 드릴다운 리포트: 앱 리뷰를 쪼개 의사결정으로 연결하는 법
- 상품 리뷰 API: 상품 리뷰 AI 요약은 구매 결정을 어떻게 도울 수 있을까
- 발화 유형 분석 API: 부동산 정책 토론회 게시판의 10가지 유형 목소리
3. 어피니티버블이 제공하는 서비스들
위 세분화 기능을 적용하여, 어피니티버블은 현재 아래와 같은 서비스로 확장하고 있습니다.
- 앱 리뷰 드릴다운 리포트
경쟁 서비스들의 앱 리뷰를 속성별로 분석해, 사용성 주제별 긍/부정 인용문과 언급량을 비교합니다.
📝 샘플 리포트 확인하기 - 상품 리뷰 API
상품 리뷰를 속성별(착용감·디자인·사이즈·소재·배송·가격 등)로 요약해, 구매 전 사용자에게 "실제로 어떤지"를 보여줍니다. - 발화 유형 분석 API
같은 단어를 사용해도 화자가 어떤 입장에 서 있느냐에 따라 요구가 정반대일 수 있습니다. 글쓴이가 자신의 입장을 밝히지 않아도 글에는 그 위치가 드러납니다. 이 API는 질적 연구에서 하던 코딩 작업을 자동화해, 발화 위치와 요구를 기준으로 유형을 나눠줍니다.
어피니티버블 API 외에는 정식 오픈 전이지만, 문의해 주시면 우선적으로 답변드릴 예정입니다!
👨💻 문의하기 (biz@affinitybubble.com)
이외에 제공하고 있는 기존 서비스는 아래 링크를 참고해 주세요.
🔗 어피니티버블 사이트
🔗 엔터프라이즈 분석
🔗 API 문서
마치며
지금까지 AI 에이전트 시대에 어피니티버블을 활용하여 정성 데이터를 분석하는 법을 살펴봤습니다. 정리하면,
- 어피니티버블은 에이전트가 쓰는 도구로 발전하고 있고,
- 오버뷰 이후엔 퍼소나 API와 ABSA로 더 깊이 들어갈 수 있으며,
- 그 결과는 앱 리뷰 드릴다운, 상품 리뷰 API, 발화 유형 분석 API 같은 실제 서비스로 이어지고 있습니다.
새로운 서비스를 배우고 적응해야 하는 장벽을 낮추고, 이미 쓰고 있는 에이전트 워크플로우 안에서 자연스럽게 정성 데이터 분석까지 이어지도록 하는 것이 지금 어피니티버블이 지향하는 AX 전환의 방향입니다.
지금 쓰고 있는 에이전트에게 위 API 문서와 예제를 그대로 던져보세요. 여러분의 데이터가 어떤 모습으로 정리되는지, 직접 확인해 보시길 바랍니다.