어피니티 버블

어피니티 버블(Affinity Bubble)은 pxd가 개발한 업무 도구로, 다수의 사용자 목소리나 텍스트 데이터에서 핵심 주제를 자동으로 추출하여 보로노이 트리맵 형식으로 계층적으로 시각화하고 인사이트 리포트를 제공한다. 기존의 어피니티 다이어그램은 포스트잇을 이용해 여러 디자이너가 장시간 협업해야 했지만, 어피니티 버블은 텍스트 임베딩과 LLM을 결합하여 이 과정을 크게 단축한다.

처리 흐름은 세 단계다. 먼저 텍스트 임베딩을 통해 각 문장을 고차원 벡터로 변환하고, 계층적 클러스터링으로 의미적으로 유사한 항목들을 단계적으로 묶는다. k-means와 달리 계층적 방식은 덴드로그램을 미리 만들어 두고 원하는 유사도 거리에서 가지를 잘라 클러스터 수를 조정할 수 있다. 다음으로 각 클러스터에 LLM을 이용해 대표 레이블을 생성한다. 마지막으로 1차 클러스터들을 다시 임베딩해 2차 클러스터링으로 상위 주제로 묶는 2단계 계층 구조를 완성한다.

베타 버전에서는 UI를 단순화하여 텍스트 붙여넣기 → 1차 클러스터링 → 2차 분류의 순차 구조로 정리하고, 레이블 형식(키워드/사용자 목소리), 상위 분류 방식(토픽/도메인/사용자 골)을 선택할 수 있게 했다. 결과는 테이블로 내보내거나 인사이트 리포트로 요약된다. 워드클라우드가 단순 단어 빈도를 보여주는 것과 달리, 어피니티 버블은 내용 간 관계와 계층 구조를 정량적으로 시각화한다.

2024년 9월 정식 출시와 함께 유료 플랜이 추가되었다. 데이터 입력 방식이 텍스트 붙여넣기에서 CSV·엑셀 파일 업로드로 확장되고, 사용자 리뷰·VOC·인터뷰·설문 등 데이터 유형별 프리셋 기능이 추가되었다. 나이·성별·날짜 등 메타데이터 기반 비교분석 기능으로 스몰멀티플 차트와 범프 차트를 통한 교차 분석이 가능해졌다. 서비스 플랜은 Free(100건 이하), Standard(1,000건 이상), Business(2,000~3,000건, 팀 사용)로 구분된다.

핵심 내용

  • 계층적 클러스터링: 가장 유사한 것부터 단계적으로 묶는 방식, 덴드로그램 기반으로 클러스터 수를 유연하게 조정
  • 1차 클러스터링: 텍스트 임베딩 벡터 유사도 기반, 2차 클러스터링: 추출된 레이블을 재임베딩해 LLM으로 추상화
  • 보로노이 트리맵으로 클러스터 비율을 시각적으로 표현해 어떤 주제가 주요한지 한눈에 파악 가능
  • sentence embedding 기반이므로 짧은 단어는 정확도가 낮을 수 있음
  • 같은 데이터라도 LLM 사용 시 매번 결과가 다를 수 있으나, 다른 관점을 확인하는 장점도 있음

관련 개념

OTT 서비스 사용자 경험 분석 사례는 어피니티 버블의 실제 적용을 보여준다. 2024년 기준 국내 OTT 이용률은 89.3%(10~70대 평균)에 달한다. YouTube에서 OTT 비교·추천 영상의 댓글을 수집한 후, 어피니티 버블의 시맨틱 검색 기반 전처리로 OTT 관련 댓글만 추출하고 단순 반응(ㅋㅋ 등)이나 영상 맥락에만 해당하는 댓글을 필터링한다. 멀티토픽 댓글은 의미 단위로 분리해 분석 정확도를 높인다. 전처리 후 클러스터링 결과는 OTT별 콘텐츠 특성, 시청 경험, 기능, 구독 경험, 플랫폼 조합 패턴 등 명확한 범주로 구분된다.

프롬프트 설계와 관점 전환의 힘(OTT 분석 2편): 같은 데이터에 대해 상세 요구사항을 어떻게 작성하느냐에 따라 분석 결과가 달라진다. 기본값으로 "5~9개 덩어리로 분류"한 결과를 본 뒤, "제공 콘텐츠별로 분류해줘"라고 프롬프트를 조정하면 영화·디즈니/마블·애니메이션·스포츠·드라마·중드/일드 같은 장르별 분류가 나온다. 1차 결과를 보고 "애니메이션, 스포츠, 한드, 일드, 중드, 영화 분류를 추가해줘"처럼 분류를 명시하면 정밀도가 높아진다. 동일 데이터에 "OTT 플랫폼별로 분류해줘"처럼 관점을 바꾸면 쿠팡플레이·왓챠·넷플릭스·티빙 등 플랫폼 중심으로 묶이며, 콘텐츠 중심(사용자 니즈 파악)과 플랫폼 중심(브랜드 이미지·UX 개선점) 두 가지 다른 인사이트를 같은 데이터에서 얻는다. 세 가지 핵심 교훈: ① 프롬프트를 구체화할수록 분석은 정밀해짐, ② 관점의 이동이 곧 결과를 만든다, ③ AI는 분석 속도를 넘어 사람이 반복하기 어려운 '관점 전환'을 지치지 않고 수행해 더 많은 가능성을 탐색하게 한다.

출처

최종 업데이트: 2026-04-07 | 출처 5개