문맥을 꿰뚫는 '객체-감성' 분석과 그래프 머신러닝의 만남
어쩌다 보니 수많은 분석 방법론 중 감성 분석(Sentiment Analysis)에 지대한 관심으로, 따로 읽어야만 하는 다른 주제의 아티클이 없을 때는 자연스레 관련 연구들을 찾아보고 있다. 감성 분석의 여러 기법 중 하나로 ABSA(Aspect Based Sentiment Analysis)라는 개념이 있다. 아주 간단히 설명하자면 기존의 감성 분석은 문장의 정서적 온도를 측정해 단순히 긍정이나 부정을 판단하는 것인데, 한 사람이 작성하는 의견 안에서도 꼭 하나의 주제만이 담겨 있는 것은 아니다. 그렇기에 발화 내용 안에서 주제 단위로 A와 B 각각에 대한 감정을 분리하여 확인할 필요가 있다. 이를테면 욕쟁이 할머니가 운영하는 식당 리뷰에서 “주인 할머니는 불친절하지만, 음식의 맛은 보장한다”와 같은 문장을 볼 때, ‘주인-불친절’과 ‘음식-맛있음’을 명확히 구분해서 살펴보는 식이다.
거대언어모델(LLM)이 등장하기 전에는 이 작업이 고역에 가까웠다. 사람이 일일이 어떤 주제 영역이 있을지에 대해 검토하고, 분류 기준을 마련하는 소위 ‘노가다’가 반드시 선행되어야 했기 때문이다. 하지만 지금은 어떨까?
이번에 살펴본 “AI-Driven Sentiment Analysis for Retail Management” 연구는 이러한 변화를 명확히 보여준다. 저자들은 객체-감성(Object-Sentiment)이라는 용어를 사용했지만, 그 내용은 앞서 언급한 ABSA의 개념과 본질적으로 동일하다. 이 연구는 영국 스타벅스의 방대한 리뷰 데이터를 분석하기 위해 Llama-3.2와 같은 생성형 AI를 활용했다. 주목할 점은 별도의 사전 학습이나 복잡한 카테고리 설정 없이도 AI가 문맥을 파악해 ‘서비스-느림’, ‘커피-맛있음’과 같은 쌍을 추출하고, 이를 그래프로 연결해 직영점과 가맹점 간의 미묘한 경험 차이까지 잡아냈다는 것이다. 저자들의 방식을 따라 직접 검증은 해볼 예정이나, SSCI 저널에 게재된 이 연구 결과가 AI 기반의 자동화된 라벨링과 분석 작업이 학술적으로나 실무적으로나 충분히 유효하다고 하니 일단은 매우 반갑고 긍정적이다.
불과 몇 년 사이 기술의 발전은 결국 우리를 더욱 자유롭게 하고 있다. 다만 더욱 중요한 것은 기술이 기존에 하던 복잡한 분석 작업을 손쉽게 해주고 있을 때, 우리 HR에서는 조직의 구성원들에게 어떻게 더 나은 가치를 제공할 것인가에 대한 본질적인 질문과 새로운 시도이다. 스타벅스 직영점과 가맹점 사이 각기 다른 전략이 필요함을 시사했듯, 우리도 기술이 떠먹여 주는 결과를 넘어 이면의 맥락을 읽어낼 필요가 있다.
가슴에 손을 얹고 생각해 보면, 시간은 오래 걸릴지언정 내 손으로 직접 결과를 빚어내던 때가 차라리 마음 편했던 것도 같다. 기술이 답을 빨리 내놓는다는 것을 모두가(정확히는 우리의 리더와 고객들이) 알고 있는 이 시대에, 그 답을 어떻게 활용할지에 대한 고민은 기술의 등장 이전 대비 비교할 수 없을 만큼 깊어질 수밖에 없기 때문이다. 지금이야말로 ‘차별적 고객 가치’라는 책 속의 단어를 마음에 새기고, 기술 너머의 진짜 고민을 시작해야 할 때이다.
Baray, J., & Cliquet, G. (2025). AI‐Driven Sentiment Analysis for Retail Management: A Graph‐Based DSS Comparing Franchise and Company‐Owned Stores. Managerial and Decision Economics, 46(4), 2345-2363.
영국 스타벅스(Starbucks UK)의 고객 리뷰를 분석하기 위해 생성형 AI와 그래프 머신러닝을 결합한 새로운 의사결정 지원 시스템(DSS)을 제안한다.
직영점(Company-Owned), 가맹점(Franchise), 라이선스 매장(Licensed) 간의 고객 만족도 차이를 분석하고 각 조직 형태에 맞는 관리 전략을 도출한다.
기존 방식보다 정확하고 효율적인 '객체-감성(Object-Sentiment)' 쌍 추출 및 그래프 군집화 방법을 통해 고객 경험의 핵심 동인을 식별한다.
소매 네트워크, 특히 프랜차이즈 시스템에서는 브랜드 개념을 복제하면서도 지역적 특성에 적응해야 하는 이중 과제가 존재하며, 이를 위해 고객 피드백 분석이 필수적이다.
기존의 설문조사는 뉘앙스를 놓치기 쉽고, 전통적인 감성 분석은 문맥을 파악하는 데 한계가 있어, 대량의 비정형 데이터를 효율적으로 분석하여 경영 의사결정을 돕는 고도화된 시스템이 필요했다.
의사결정 지원 시스템(DSS, Decision Support System): 데이터 기반의 의사결정을 돕는 시스템.
객체-감성 쌍(Object-Sentiment Pairs): "커피는 훌륭하다"에서 (커피, 훌륭함)과 같이 대상과 감정을 쌍으로 추출하여 분석하는 단위.
그래프 머신러닝(Graph Machine Learning): 객체와 감성을 노드로, 관계를 엣지로 표현하여 의미적 군집을 분석하는 기법.
구글 맵(Google Maps)에서 영국 스타벅스 리뷰 약 10만 건을 수집하였다.
Llama-3.2-3B 생성형 AI 모델을 사용하여 리뷰에서 '객체-감성' 쌍을 추출하고, 이를 그래프 구조로 변환하였다.
Louvain 커뮤니티 탐지 알고리즘을 적용하여 주제별 클러스터(서비스 품질, 분위기 등)를 식별하고 분석하였다.
직영점은 분위기와 서비스 일관성에서 높은 평가를 받은 반면, 가맹점은 서비스 속도와 직원 응대에서 편차가 컸다.
제안된 그래프 기반 방법론은 기존 어휘 기반 분석보다 처리 시간을 약 40% 단축하고 정확도를 높였다.
고객 만족의 주요 동인은 가성비, 경험의 질, 분위기 등으로 확인되었으며, 이를 바탕으로 매장 유형별 맞춤형 전략(예: 가맹점 교육 강화, 라이선스 매장 품질 관리 등)을 제시하였다.
인공지능(AI)은 데이터 기반 의사결정 과정을 강화하고 관리자에게 정교한 분석 도구를 제공함으로써 비즈니스 환경을 근본적으로 변화시키고 있다. 특히 AI를 통한 수요 예측과 재고 관리 최적화는 기업이 소비자 수요 변화에 선제적으로 대응할 수 있도록 돕는다. 이러한 기술적 진보 속에서 기업, 특히 프랜차이즈 네트워크는 다음과 같은 도전에 직면해 있다.
경제적 및 기술적 제약: 경제 둔화와 더불어 정보통신기술(ICT)의 활용이 부족하거나 전무한 경우가 많아 어려움을 겪고 있다.
표준화와 현지화의 이중 과제: 원격지에 위치한 매장들은 브랜드 고유의 개념을 복제(Replicating)하는 동시에, 현지 시장의 특수한 요구에 맞춰 적응(Adapting) 해야 하는 상충적인 과제를 안고 있다.
이러한 문제를 완화하기 위해서는 고객 피드백에 대한 심층적인 분석이 필수적이다. 감성 분석(Sentiment Analysis)과 같은 기술은 고객의 선호도를 파악하고 개선이 필요한 영역을 식별하는 데 중요한 역할을 한다.
이 연구의 핵심 목표는 영국 스타벅스(Starbucks UK)의 고객 리뷰를 분석하기 위해 정확도가 향상된 새로운 의사결정 지원 시스템(DSS)을 개발하는 것이다. 이 시스템은 AI 기반 방법론을 활용하여 고객 감성을 보다 정교하게 이해하고, 매장의 조직 형태(직영점, 가맹점, 라이선스 매장)를 고려한 마케팅 의사결정을 지원하는 것을 목적으로 한다.
본 연구는 기존 분석 방식의 한계를 극복하기 위해 ‘그래프 기반 감성 분석 알고리즘(Graph-Based Sentiment Analysis Algorithm)’이라는 새로운 방법론을 제안한다. 이 방법론의 주요 특징은 다음과 같다.
객체-감성 쌍 추출: 생성형 AI를 활용하여 각 고객의 코멘트에서 '대상(Object)'과 그에 대한 '감성(Sentiment)'을 쌍(Pair)으로 추출한다.
그래프 구조 모델링: 추출된 객체와 감성을 각각 노드(Node)로 표현하고, 이들 간의 관계를 엣지(Edge)로 연결하여 그래프를 구축한다. 이는 텍스트의 논리적 흐름과 문맥을 보존하는 데 유리하다.
심층적 주제 군집화: 그래프 머신러닝 기술을 적용하여 단순한 감성 파악을 넘어 고객 만족의 패턴을 주제별로 군집화한다.
연구의 의의 및 기대 효과
이러한 접근 방식은 기존의 어휘 기반(Lexicon-based) 분석이나 단순 셀 기반(Cell-based) 방식에 비해 정확도와 효율성 측면에서 우수한 성과를 보인다.
효율성 증대: 기존 어휘 기반 분석 대비 처리 시간을 약 40% 단축하여 신속한 피드백 반영이 가능하다.
전략적 인사이트 제공: 가성비, 경험의 질, 분위기 등 고객 만족의 핵심 동인을 식별함으로써, 관리자가 조직 형태별로 최적화된 전략을 수립하고 자원을 효율적으로 배분할 수 있도록 돕는다.
2.1 온라인 평점을 통한 고객 만족도 측정
소매 및 서비스 체인에서 온라인 고객 평점 시스템을 활용하여 만족도를 측정하는 것은 매우 중요한 과제이다. 기존 연구들은 온라인 리뷰 플랫폼(예: Expedia, TripAdvisor)의 데이터와 기업의 조직 형태(독립 매장 대 체인 매장)를 연계하여 분석해 왔다.
조직 형태의 영향: 조직 형태와 고객 유형은 만족도 평점에 영향을 미친다. 예를 들어, 비즈니스 여행객은 프랜차이즈 매장에 더 높은 점수를 부여하는 경향이 있다.
측정 방식의 발전: 과거에는 SERVQUAL 모델과 같은 설문 기반 방식이 주를 이루었으나, 디지털 기술의 발전으로 인해 감성 분석과 같은 보다 정교한 접근 방식이 등장하였다.
2.2 고객 만족에 대한 이론적 관점
고객 만족은 단순한 거래의 결과가 아니라 소비자의 경험과 기대가 복합적으로 작용하는 과정이다.
행동학적 관점: 소비자의 감정과 기대는 만족도 형성에 중요한 역할을 한다. 특히, 서비스 품질이 향상되더라도 고객의 기대치 또한 함께 상승하여 높은 만족도를 유지하기 어려워지는 '고객 만족의 역설(Paradox of Customer Satisfaction)' 현상이 나타난다.
주의(Attention) 경쟁: 기업은 고객 만족과 충성도를 높이기 위해 고객의 주의를 효과적으로 사로잡아야 하며, 이는 서비스 품질에 대한 고객의 판단에 영향을 미친다.
조직 구조의 영향: 프랜차이즈나 다점포 조직에서 사용하는 복수 형태(Plural form)와 같은 조직 구조는 고객 만족 전략을 설계하는 데 있어 핵심적인 고려 사항이다.
2.3 감성 분석의 방법론적 접근
AI와 자연어 처리(NLP) 기술의 발전은 고객 만족도 분석의 정확성을 높이는 데 기여하고 있다.
AI와 서비스 품질: AI 서비스 로봇이나 딥러닝 기반의 고객 성향 분석은 서비스 품질을 향상하고 고객 충성도를 높이는 데 중요한 역할을 한다.
프랜차이즈 동태성: 프랜차이즈와 독립 매장 간의 역학 관계, 그리고 스타벅스와 같은 브랜드의 비즈니스 모델은 고객의 인식과 만족도에 영향을 미치는 주요 요인이다.
시공간적 패턴: 고객 만족도는 시간과 장소에 따라 변화한다. 따라서 위치 및 시간적 요소를 포함한 분석은 고객 경험의 맥락을 이해하는 데 유용하다.
2.4 고객 만족 측정을 위한 의미론 및 감성 분석
고객 만족은 수익 성장과 수익성에 직접적인 영향을 미치는 핵심 요소이다. 전통적인 설문조사는 구조화된 데이터에 의존하여 고객의 세밀한 감정을 포착하는 데 한계가 있었으나, 비정형 데이터를 분석하는 최신 AI 기법은 이러한 문제를 해결하고 있다.
비정형 데이터의 가치: 온라인 리뷰와 같은 비정형 데이터는 고객의 경험과 감정을 보다 자연스럽고 상세하게 반영한다. 이를 분석하는 감성 분석 기술은 소매, 음악 추천, 호텔, 금융 등 다양한 분야에서 활용되고 있다.
최신 기술의 적용: CNN-LSTM이나 BERT와 같은 딥러닝 모델은 감성 추출의 정밀도를 높였으며, 최근에는 ChatGPT와 같은 생성형 AI가 텍스트 전처리에 도입되어 효율성을 강화하고 있다.
현존하는 한계점:
. 확장성 및 자원 문제: 기존의 고성능 모델들은 방대한 학습 데이터와 컴퓨팅 자원을 요구하므로 중소기업이 도입하기 어렵다.
. 문맥 파악의 어려움: 풍자나 복합적인 감정과 같이 문맥에 따라 달라지는 표현을 정확하게 분류하는 데 여전히 어려움을 겪는다.
3.1 데이터 수집 및 강화 (Data Collection and Enrichment)
본 연구는 영국 내 스타벅스 매장에 대한 구글 맵(Google Maps) 고객 리뷰를 기반으로 한다. 구글 맵은 다양한 사용자층을 보유하고 있어 편향되지 않은 진솔한 피드백을 수집하기에 적합하다.
데이터 규모 및 범위: 최근 5년 이내에 작성된 약 10만 건의 고객 리뷰를 수집하여 현재 시장 상황을 반영하면서도 충분한 데이터 양을 확보하였다.
데이터 강화: 리뷰 텍스트 외에도 리뷰 작성 날짜, 매장 유형(가맹점, 라이선스 매장, 직영점), 평점 등의 메타데이터를 함께 추출하여 분석의 풍부함을 더하였다.
윤리적 고려: 사용자 개인정보 보호를 위해 수집된 데이터는 익명화 처리를 거쳤으며, HTML 태그나 특수 기호 등을 제거하는 정제 과정을 수행하였다.
3.2 AI 기반 전처리 기술 (AI-Driven Preprocessing Techniques)
수집된 비정형 텍스트 데이터를 분석 가능한 형태로 변환하기 위해 자연어 처리(NLP) 기술과 생성형 AI를 결합하여 사용하였다.
기본 NLP 처리: 텍스트를 문장이나 단어 단위로 나누는 토큰화(Tokenization) 과정을 거쳐 분석의 기초 단위를 설정하였다.
객체-감성 쌍 추출: 메타(Meta)의 생성형 AI 모델인 'Llama-3.2-3B-Instruct-IQ4'를 활용하여 각 리뷰에서 '객체-감성 쌍(Object-Sentiment Pairs)'을 추출하였다. 이 모델은 "20분을 기다려야 했다"라는 문장에서 (서비스, 긴 대기시간)을, "테라스 뷰는 좋았지만 조명이 어두웠다"에서 (테라스, 아름다운 전망)과 (조명, 불충분함)을 추출하는 등 문맥에 숨겨진 의미를 파악하여 구조화한다. 이러한 접근은 직접적으로 언급되지 않은 대상까지 파악하여 분석의 일관성과 정확성을 높인다.
3.3 방법론의 8단계 상세 절차
연구는 체계적인 분석을 위해 다음 8단계의 방법론을 따른다.
1단계: 입력 (Input)
영국 스타벅스 매장의 구글 맵 리뷰 데이터를 수집하여 원시 데이터로 활용한다.
2단계: 전처리 (Preprocessing)
분석에 불필요한 기호, HTML 태그 등을 제거하여 데이터의 품질을 높인다.
3단계: 토큰화 (Tokenization)
텍스트를 단어 및 문장 단위로 분리하여 객체와 감성을 추출하기 용이하게 만든다.
4단계: 객체-감성 추출 (Object-Sentiment Extraction)
생성형 AI를 이용해 리뷰에서 (커피, 훌륭함), (서비스, 느림)과 같은 쌍을 자동으로 식별하고 분류한다.
5단계: 그래프 구축 (Graph Construction)
추출된 객체와 감성을 노드(Node)로, 그들 간의 관계를 엣지(Edge)로 표현하는 그래프를 생성한다. 이 방식은 문장 내의 논리적 흐름을 보존하며, '커피'와 '서비스'가 어떤 감정을 공유하는지 등 요소 간의 상호 연결성을 시각화한다. 연결이 많은 노드(허브)를 식별하여 고객 경험에 결정적인 영향을 미치는 요소를 파악한다.
6단계: 주제별 군집화 (Thematic Clustering)
그래프 상에서 'Louvain 커뮤니티 탐지 알고리즘'을 적용하여 유사한 주제를 가진 객체-감성 쌍들을 그룹화한다. Louvain 알고리즘은 대규모 데이터셋 처리 시 모듈성을 최적화하고 연산 효율성이 뛰어나 선택되었다.
7단계: 군집 분석 (Cluster Analysis)
각 군집 내의 지배적인 객체와 감성을 기반으로 군집의 이름을 지정하고(라벨링), 그 특징을 분석한다. 본 연구의 모델은 정밀도 87%, 재현율 84%의 높은 성능을 보였으며 교차 검증을 통해 견고성을 확인하였다.
8단계: 출력 (Output)
최종적으로 그래프를 시각화하고, 군집 분석 결과를 바탕으로 경영진이 이해하기 쉬운 리포트 및 인사이트를 생성한다.
4.1 식별된 주요 테마 (Key Themes Identified)
주제별 군집화 분석을 통해 고객 만족에 영향을 미치는 핵심 테마들이 식별되었다.
서비스 품질 (Service Quality): 서비스 속도와 직원의 태도는 만족도를 결정하는 중요한 요소이다. 특히 가맹점에서는 이 부분에서 편차가 크게 나타나 표준화된 교육의 필요성이 제기된다.
제품 일관성 (Product Consistency): 라이선스 매장을 이용한 고객들은 제품 품질의 불일치를 자주 언급하였으며, 이는 공급망 관리 측면에서의 개선 가능성을 시사한다.
분위기 및 청결도 (Ambiance and Cleanliness): 매장 분위기에 대한 긍정적인 감성은 직영점에서 더 흔하게 나타난다. 이는 스타벅스가 직영점의 매장 디자인과 고객 경험에 투자한 결과가 반영된 것이다.
4.2 프랜차이즈 대 직영 모델에 대한 시사점
매장 유형별 감성 분석 결과, 조직 형태에 따라 고객 경험 관리의 중점이 달라져야 함을 보여준다.
가맹점 (Franchised Stores): 서비스 품질의 일관성을 유지하는 것이 주요 과제이다. 고객 서비스 및 운영 효율성에 초점을 맞춘 본사 차원의 중앙 집중식 교육 모듈 지원이 효과적일 수 있다.
라이선스 매장 (Licensed Stores): 공항과 같은 특수 환경에 위치한 경우가 많으므로, 제품의 일관성을 확보하고 바쁜 환경에 맞춰 서비스 속도를 조정하는 데 집중해야 한다.
직영점 (Company-Owned Stores): 분위기와 서비스 품질 면에서 가장 긍정적인 피드백을 받았다. 이는 다른 형태의 매장들이 벤치마킹해야 할 모델로서 기능한다.
4.3 평점 수준별 감성 분석
2013년부터 2023년까지의 평균 평점 추이를 분석한 결과, 2013~2015년의 하락세 이후 정체되거나 소폭 상승하는 등 변동성이 관찰되었다. 평점별 의미론적 분석 결과는 다음과 같다.
낮은 평점 (1~3점): 3점은 중립이 아닌 부정적인 평가로 간주된다. 주로 열악한 서비스, 전문성 부족, 제품 품질 문제가 원인이며, 가맹점과 라이선스 매장에서 이러한 불만이 더 빈번하다.
중간 평점 (4점): 전반적으로 만족하지만 사소한 결점을 지적하는 단계이다. 서비스 전달 속도나 제품 일관성을 조금만 개선하면 충성 고객으로 전환될 가능성이 높다.
높은 평점 (5점): 친절한 직원, 높은 제품 품질, 쾌적한 분위기에 대한 칭찬이 주를 이룬다. 특히 직영점이 이 영역에서 우수한 성과를 보인다.
이러한 평점별 분석은 객체-감성 쌍 네트워크 분석을 통해 더욱 구체화된다.
4.4 객체-감성 쌍 네트워크 분석
추출된 객체-감성 쌍의 빈도와 연결성을 정량적으로 분석하여 구체적인 고객 인식을 파악하였다.
직원-친절함 (Staff-Friendly): 882회 언급되며 가장 빈번한 긍정적 요소로 나타나, 직원 상호작용의 중요성을 입증한다.
커피-훌륭함/좋음 (Coffee-Excellent/Good): 제품 품질은 여전히 만족도의 주요 동인이다.
서비스-느림 (Service-Slow): 246회 언급된 주요 부정적 감성으로, 특히 가맹점에서 빈번한 불만 사항이다.
가격 (Price): '합리적'이라는 의견과 '비싸다'는 의견이 혼재되어 있어 가치 인식에 차이가 있음을 보여준다.
분위기 (Atmosphere): '아늑함'과 '시끄러움'이라는 상반된 평가가 공존한다.
또한, 커뮤니티 탐지(Community Detection)를 통해 도출된 주요 군집은 다음과 같다.
서비스 및 직원 (연두색): 매우 높은 중요도를 가지며 효율성과 상호작용이 핵심이다.
분위기 (파란색): 매장 분위기는 고객 만족에 매우 큰 영향을 미친다.
제품 품질 (보라색): 커피를 중심으로 한 음료 경험이 긍정적 평가를 이끈다.
위치 편의성 (주황색): 접근성과 위치는 고객에게 중요한 가치이다.
4.5 기존 방법론과의 비교 분석
본 연구의 그래프 기반 방법론은 기존 연구들과 비교하여 다음과 같은 차별점을 가진다.
CNN-LSTM 모델 대비: 기존 모델은 결측 속성을 임의로 채우는(Imputation) 과정에서 편향이 발생할 수 있으나, 본 연구는 데이터의 자연스러운 관계를 보존하여 더 정확하다.
계량경제학적 모델 대비: 단순 평점 분석을 넘어 감성 간의 미묘한 관계와 뉘앙스를 포착한다.
사전 정의된 카테고리 방식 대비: 생성형 AI를 활용하므로 미리 정의된 범주에 얽매이지 않고, 데이터에서 동적으로 발생하는 복합적인 감정을 식별할 수 있다.
기타 그래프 모델(GCN/GAT) 대비: GAT 등은 막대한 계산 자원을 필요로 하지만, 본 연구의 방식은 군집화와 주제 분석을 통해 효율성과 통찰력의 깊이 사이에서 균형을 맞춘다.
4.6 관리적 및 전략적 시사점 (Managerial and Strategic Implications)
분석 결과를 바탕으로 스타벅스 경영진을 위한 실행 가능한 전략을 제안한다.
직원 교육 강화: 친절함과 효율성을 유지하기 위해 표준화된 교육 프로그램이 필수적이며, 특히 가맹점에 대한 중앙 지원을 확대해야 한다.
분위기 개선: 직영점의 성공 사례를 참고하여 가맹점과 라이선스 매장도 인테리어, 좌석 편안함, 소음 제어 등 물리적 환경을 개선해야 한다.
제품 품질 일관성: 라이선스 매장은 엄격한 품질 관리 기준을 준수하여 직영점 수준의 일관성을 확보해야 한다.
가격 및 위치 전략: 가격 민감도가 높은 고객을 위해 프로모션이나 번들링을 제공하고, 라이선스 매장은 혼잡한 위치 특성에 맞춰 서비스 속도를 최적화해야 한다.
운영 효율성: 주문 정확도와 대기 시간 문제를 해결하기 위해 워크플로우를 개선하고 고객 커뮤니케이션을 명확히 해야 한다.
4.7 한계점 및 향후 연구 (Limitations and Further Research)
본 연구는 유의미한 결과를 도출하였으나 몇 가지 한계점이 존재한다.
언어적 한계: 형용사 중심의 분석에 의존하여 부사나 구체적인 문맥 정보 등 언어의 복잡성을 완전히 포착하지 못할 수 있다.
AI 정확도: 최신 모델을 사용했으나, 여전히 관련 형용사를 추출하고 요약하는 과정에서 개선의 여지가 있다.
데이터 출처: 구글 맵 리뷰에 한정되어 있어 소셜 미디어 데이터나 인구통계학적 정보 등을 결합한 확장이 필요하다.
이 연구는 영국 스타벅스의 고객 만족도를 심층적으로 분석하기 위해 AI와 머신러닝을 결합한 그래프 기반 감성 분석 접근법을 제시하였다. 이 방법론은 문장의 논리적 구조와 복잡한 '객체-감성' 관계를 보존하는 능력이 뛰어나, 기존의 CNN-LSTM 모델이나 계량경제학적 분석보다 우수한 성능을 입증하였다.
분석 결과는 스타벅스 경영진에게 서비스 품질 및 제품 일관성 향상을 위한 구체적인 관리적 제언을 제공하였으며, 매장 유형(직영점, 가맹점, 라이선스 매장) 간의 차이를 명확히 규명하여 맞춤형 전략 수립을 지원하였다. 향후 연구 방향으로는 특정 지역이나 타 브랜드로의 방법론 확장, 시공간 분석의 통합, 그리고 다른 AI 기반 분석 기법과의 비교 검증이 제안되었다.