[구글 플레이스토어 리뷰 분석] 텍스톰으로 현대 캐피탈 앱 리뷰 분석하기 (1)

현대 캐피탈 데이터

수집 기간 : 2010년 12월 17일 ~ 2023년 1월 4일

수집 도구 : google-play-scraper

분석 도구 : 텍스톰

데이터 개수 : 3324개

데이터 속성 : reviewId, userName, userImage, content, score, thumbsUpCount, reviewCreatedVerision, at, replyContent, repliedAt

 

데이터 속성 설명
reviewId : 개인별 식별 리뷰 아이디
userName : 닉네임 
userImage : 프로필 사진 url
content : 리뷰 내용 
score : 별점 (1~5)
thumbsUpCount : 사용자 n명이 이 리뷰가 유용하다고 평가함
reviewCreatedVersion : 작성된 리뷰 버전
at : 리뷰 작성 날짜
replyContent : 답변 내용
repliedAt : 답변 날짜

 

 

---

텍스톰 분석

데이터 수집

원본 스크래핑 데이터 (csv / 1,227KB) -> 추출 데이터 (xlsx / 387KB)

 

원본 데이터 중 텍스트 분석에 사용할 reviewId, userName, content, score, at 속성만 추출하여 새로운 파일을 만들었다.

텍스톰은 txt, pdf, xls, xlsx 파일 데이터만 인정하고 있어 기존의 csv 원본 데이터 파일을 xlsx로 변경해 주었고, 분석에 필요한 속성들만 뽑아 텍스톰 데이터 용량을 절약하고자 했다.

 

 

텍스톰에 데이터를 업로드 할 때에는 리뷰 내용이 담긴 content 속성의 D열만 지정하여 수집 리스트를 생성했다.

참고로 텍스톰은 다중 컬럼 선택 시, 한 컬럼으로 합쳐져서 분석하게 된다.

 

 

---

정제 / 형태소 분석

정제방법을 [직접선택]으로 세부적인 옵션을 조정해서 정제/형태소 분석을 진행했다.

이때 분석기를 Espresso K를 선택했는데 위와 같은 결과가 나왔다. (참담..)

 

 

● 텍스톰 형태소 분석기

Espresso K는 고유명사, 복합명사를 그대로 결과값이 반영한다.

하지만 띄어쓰기가 잘 되어 있지 않는 문서를 분석하거나 일반적인 단어들로 분석을 하기에는 적합하지 않다.

MeCab은 띄어쓰기와 상관없이 사전을 참조하여 어휘를 구분한다. 따라서 띄어쓰기에 의존하지 않고 안정적인 결과를 보여주지만, 단체명이나 복합명사에 대해서는 떨어진 단어들을 합쳐주는 작업이 필요하다.

 

 

"앱간편비번입력에서 화면 터치가 안되네요." 라는 리뷰가 있는데 앱간편비번입력의 경우 Espresso K로 돌릴 경우 "앱간편비번입력" 그대로 정제하지만, MeCab으로 돌릴 경우에는 "앱", "간편", "비번", "입력"으로 정제한다. 문맥을 따져보면 앱간편비번입력이 터치가 안 되어 불편하다는 뜻으로 이해할 수 있는데 MeCab은 사전을 참고하기 때문에 간편이라는 단어가 따로 분리되어 문맥이 고려되지 않는다. (물론 단순 빈도분석은 애초에 문맥을 고려하지 않지만)  또한, 앱에 있어 중요한 속성 중 하나인 "비밀번호"의 경우에도 MeCab은 "비밀", "번호"라고 따로 분리하기 때문에 Espresso K가 수월할 것 같다고 판단하였다.

 

하지만 막상 결과값을 보니 Espresso K 분석기는 조사, 어미를 고유명사 / 복합명사로 판단하여 정제 결과가 깔끔하지 않았다. 따라서 최종적으로 MeCab 분석기를 사용하고 단어를 2차 편집하는 것으로 결정했다.

 

 

선택한 분석 품사인 체언(일반명사, 고유명사, 의존명사, 단위명사, 수사, 대명사) 별로 결과가 잘 나온 것을 확인할 수 있다. 다만 위에서도 언급한 것처럼 사전을 참고하여 어휘가 분리되었기 때문에 고유명사, 복합명사에 대해 2차적으로 데이터를 편집해 주어야 한다.

 

 

---

텍스트 마이닝

 

텍스트 2차 수정내역

플 ▶ 어플 / 비밀 번호 ▶ 비밀번호 / 회원 가입 ▶ 회원가입 / 중도 상환 ▶ 중도상환 / 청구 금액 ▶ 청구금액 / 고객 센터 ▶ 고객센터 / 공인 인증서 ▶ 공인인증서 / 현대 카드 ▶ 현대카드 / 최신 버전 ▶ 최신버전 / 인터넷 연결 ▶ 인터넷연결 / 악성 코드 ▶ 악성코드 / 문제 해결 ▶ 문제해결 / 하루 종일 ▶ 하루종일 / 장기 렌트 ▶ 장기렌트 / 플러스 멤버십 ▶ 플러스멤버십 / 주택 담보 ▶ 주택담보 / 자동 이체 ▶ 자동이체 / 숫자 판 ▶ 숫자판 / 시간 낭비 ▶ 시간낭비 / 연결 실패 ▶ 연결실패 / 가상 네트워크 ▶ 가상네트워크 / 미 성년자 ▶ 미성년자 / 저번 달 ▶ 저번달 / 가상 계좌 ▶ 가상계좌 / 상담 사 ▶ 상담사 / 위 변조 ▶ 위변조 / 세션 만료 ▶ 세션만료 / 버튼 활성 ▶ 버튼활성 / 화면터치 ▶ 화면터치 / 버 젼 ▶ 버젼 / ㄴ ㄴ ▶ ㄴㄴ / 개발 팀 ▶ 개발팀 / 설정 조건 ▶ 설정조건 / 필수 항목 ▶ 필수항목 / 상세 주소 ▶ 상세주소 / 해외 출장 ▶ 해외출장 / 컴 터 ▶ 컴터 ▶ 컴퓨터 / 이벤트 해택 ▶ 이벤트해택 / 네이버 웹툰 ▶ 네이버웹툰 / 납입 횟수 ▶ 납입횟수 / 현대 피탈 ▶ 현대피탈  ▶ 현대캐피탈 / 회원 탈퇴 ▶ 회원탈퇴 / 콜 센터 ▶ 콜센터 / 갤럭시 노트 ▶ 갤럭시노트 / 숫자 패드 ▶ 숫자패드 / 이번 달 ▶ 이번달 

 

 

N-gram

N-gram을 통해 n개 단어의 연쇄를 확인할 수 있다. 단어1과 단어2의 빈도가 높다는 것은 두 단어가 나란히 등장하는 빈도가 높다는 것을 뜻한다. '본인'은 '인증'과 나란히 등장하는 빈도가 가장 높으며, '사용 - 편리', '확인 - 수'가 뒤따르고 있다.  '인증 - 번호', '지문 - 인증'의 경우 복합명사로 볼 수 있기 때문에 N-gram을 토대로 복합명사들을 재편집 해준다.

 

인증 번호 ▶ 인증번호 / 지문 인증 ▶ 지문인증 / 신용 정보 ▶ 신용 정보 / 휴대폰 인증 ▶ 휴대폰인증 / 대출 정보 ▶ 대출정보 / 개인 정보 ▶ 개인정보 / 신용 대출 ▶ 신용대출 / 인증 오류 ▶ 인증오류 / 공인 인증 ▶ 공인인증 / 한도 조회 ▶ 한도조회 / 통신 오류 ▶ 통신오류 / 지문 인식 ▶ 지문인식 / 인증 문자 ▶ 인증문자 

 

어디까지를 '단어의 연쇄', '복합명사'로 볼 것인지 구분하는 과정이 다소 모호했다.

이 점을 보완하기 위해 복합명사 사전을 참고하는 등의 보안이 필요할 것 같다.

 

 

단어 빈도를 참고하면  '거', '것', '데', '때', '수', '중', '후'와 같이 한 글자로 이루어져 유의미한 뜻이 없는 단어들이 있는데,

빈도가 높기 때문에 결과 영향을 미칠 수 있어 하나하나 제거해 주었다.

거 ▶  / 것 ▶  / 데 ▶  /때 ▶  / 수 ▶  / 중 ▶  / 후 ▶  / 전 ▶  / ㅈ ▶  / 앞 ▶  / 부 ▶  / 분 ▶  / 글 ▶  

 

텍스톰의 경우 삭제하고 싶은 단어를 찾아서 하나하나 제거해야 하고, 단어 빈도가 상위 200개까지 밖에 안 뜨기 때문에

파이썬으로 단어 길이가 2개 이하인 것들을 제거하는 방법을 사용하는 게 좋을 것 같다.

 

단어빈도 / TF-IDF

단어빈도를 보면 '앱 - 사용 - 정보 - 수 - 편리 ..'의 순으로,

TF-IDF는 '앱 - 사용 - 정보 - 수 - 대출 ..' 순으로 많이 언급됐음을 확인할 수 있다.

 

TF-IDF란 여러 문서로 이루어진 문서군이 있을 때 어떤 단어가 특정 문서 내에서 얼마나 중요한 것인지를 나타내는 통계적 수치이다. 해당 문서에서 빈도가 높을 수록 단어의 중요도가 높아지고(TF), 다른 전체 문서에서 많이 쓰일수록 중요도가 떨어지도록(IDF) 계산한다.  TF-IDF 값이 높을 수록 단어가 해당 문서에서 중요하다고 해석할 수 있다.

 

TF-IDF의 결과값을 보면 단어빈도 순위와 거의 유사한 값을 보이고 있다.

즉, 모든 문서에서 자주 등장하지 않으면서도 특정 문서에서만 자주 등장하는 단어들이 많다고 볼 수 있다.

 

 

워드클라우드(상위 30)

바차트(상위 25)

에고네트워크(상위 25)

단어빈도를 가시성 좋게 확인하기 위해서 워드클라우드, 바차트, 에고네트워크로 시각화했다.

현대캐피탈 리뷰에 대한 에고네트워크 분석결과, '앱'이 가장 높은 빈도를 나타냈다.

뒤이어  '사용', '정보', '편리', '수' 순으로 도출됐다.

 

 

 

개체명 인식

개체명 인식은 단어를 13개의 개체명 범주에 따라 분류하고 그 빈도수를 나타낸다.

(13개의 개체명 : 사람, 학문, 대상물, 기관, 지역, 문명, 날짜, 시간, 숫자, 사건/사고, 동물, 식물, 금속, 용어)

 

개체명 인식

미리 정의된 개체명 범주로 분류하여 트리맵으로 나타낸 시각화이다.

개체명 인식기에 기본 탑재된 형태소 분석기로 출력된 키워드이므로, 텍스트마이닝 페이지에서 직접 편집한 데이터와는 차이가 있다고 한다.

 

---

매트릭스

텍스톰에서는 정제된 단어들 간의 동시출현빈도(공출현빈도)로 작성된 매트릭스 데이터를 제공한다.

 

● 매트릭스 mode

1-mode : 단어(메인노드)간의 관계 분석, 행과 열이 같은 단어로 이루어진 매트릭스

2-mode : 단어(메인노드)와 범주(서브노드)간의 관계 분석, 행과 열이 다른 단어로 이루어진 매트릭스

 

네트워크의 가장 일반적인 유형인 1-mode를 선택했다. 텍스톰에서 가시성 좋은 시각화를 위해 추천하는 단어 개수는 50~70개이다. 따라서 단어빈도 순으로 상위 50개의 단어를 적용했고, 선택단어누적비율은 47.4% 정도이다.

 

빈도

전체 문서 내에서 단어의 출현빈도가 높은 순서대로 단어와 빈도 수를 표시한다.

 

 

엣지리스트

단어와 단어, 노드와 노드를 짝지어 목록으로 보여준다.

 

매트릭스

매트릭스 데이터(공출현 빈도)의 결과값을 사용한 매트릭스 차트이다.

 

 

네트워크(상위 50)

네트워크 분석 결과 ① '본인 → 인증 → 오류 → 발생'과  ②'사용 → 편리 → 앱 → 설정' 등이 강도가 높게 나타났다.

① 본인→ 인증 (연결강도: 92), 인증 → 오류 (연결강도: 15), 오류 → 발생 (연결강도: 29)

② 사용 → 편리 (연결강도: 51), 편리 → 앱  (연결강도: 13), 앱 → 실행 (연결강도: 19)

 

 

 

 

---

분량 상의 이유로 담론분석, 감성분석, 토픽분석은 다음 포스팅에서 다뤄야겠다...!