Cluster Finder는 Listening Mind에서 제공하는 서비스 중에서 Data 양과 종류가 가장 많은 서비스입니다. Data의 종류도 많고 이에 비례해서 다양한 시각에서 분석이 이루어지고 있습니다. 향후 다양한 형태의 Agent가 사용자의 분석과 Data의 활용을 돕겠지만 첫 번째로 서비스하는 Agent는 어떤 역할을 해야 할까에 대해서 고민했습니다. Cluster Finder Data는 키워드의 검색 경로를 보여주지는 않고 있지만 기본적으로 경로를 시각화한 것이고 이런 이유로 하나의 클러스터에 있는 키워드들은 하나 혹은 몇 가지 검색 사용자의 검색 의도를 공유하고 있다고 말할 수 있습니다. 그렇지만 너무 많은 키워드이고 클러스터도 적게는 10개 이하에서, 많게는 50개가 넘는 경우도 있다 보니 클러스터가 가지고 있는 검색 의도를 분석하는 것이 쉽지는 않습니다.
다른 파인더들과 마찬가지로 첫 번째 Agent는 분석을 도와주는 역할을 하는 것이 좋다고 판단했고 전반적인 구성을 파악할 수 있는 분석을 답변으로 준비하기로 했습니다 .
검색 Cluster에서 찾을 수 있는 정보
유사한 검색 목적의 Cluster와 검색 목적
특정 키워드를 입력해서 조회한 클러스터 파인더 결과에는 많은 클러스터가 포함되지만, 검색 목적 기준으로 보면 유사한 목적의 클러스터들이 존재합니다. 저렴한 가격의 전자 제품을 사기 위해서 온라인 사이트를 찾는 행동이나 오프라인 할인 기간을 찾는 행동은 넓게 보면 유사하다고 볼 수 있습니다. 사람이 눈으로 찾으려면 각 클러스터의 키워드들과 수집된 Serp를 확인해야 하므로 많은 시간과 노력이 소요될 수 있습니다. 유사 목적의 클러스터들을 확인하면 검색 사용자가 이 키워드를 조회하는 목적에 대해서 보다 명확하게 이해할 수 있습니다. 전체 클러스터에서 유사한 목적의 클러스터를 묶어주고 이 묶인 클러스터의 검색 목적을 확인함으로써 조회된 결과에서 주요한 사용자의 검색 목적이 무엇인지를 확인할 수 있다면 전체 클러스터 조회 결과를 이해하는 데 도움이 될 수 있다고 생각합니다.
Top 3 From → To 흐름 분석
많은 키워드를 클러스터 형태로 시각화하다 보면 특정 의도에 특정 의도로 변화되는 변곡점 같은 역할을 하는 키워드들이 있다는 것을 파악할 수 있습니다. 많은 경우에 Hub Keyword(상대적으로 유입과 유출이 많아서 조회된 클러스터의 형태를 결정하게 하는 키워드를 말합니다. ) 가 그런 역할을 하지만 어떤 경우에는 Hub Keyword가 아니어도 그런 역할을 하는 키워드가 있습니다. 이런 키워드들은 조회하고 있는 키워드 클러스터 기준으로 볼 때 검색 사용자의 인식이나 요구를 변화시키는 키워드라고 할 수 있습니다. 더욱 자세한 정보를 찾고 싶게 만드는 단어, 좀 더 다양한 정보로 확대해서 정보를 파악하고 싶게 만드는 단어들이 그런 역할을 한다고 생각합니다. 이것도 위 경우와 마찬가지로 사람이 찾을 수 있지만 상당한 노력과 시간이 필요합니다. Cluster Finder의 Agent는 특정 클러스터에서 다음 클러스터로 넘어가는 역할을 하는 키워드 그래서 검색 사용자의 의도가 흘러가는 것을 볼 수 있는 키워드를 찾아주고 이 키워드가 어떤 의도에서 어떤 의도로 흘러가도록 하는 데 영향을 미치는지에 대해서 설명하도록 했습니다.
개별 클러스터 분석
전체 클러스터 수준에서 분석도 필요하지만, 구분된 특정 클러스터에 대한 분석도 의미 있는 작업이라고 생각합니다. 이미 Agent의 형태는 아니지만 클러스터별로 페르소나 분석이나 GEO, CEP 같은 개념에 대해서 분석할 수 있는 기능이 있기 때문에 이 부분을 활용하면 필요에 따라 다양한 정보를 얻을 수 있습니다. 이번에 제공하는 분석 Agent에서는 해당 클러스터에서 찾을 수 있는 검색 목적을 기술하고 클러스터 안의 검색 목적의 변화를 설명하는 형태로 서비스를 구성했습니다.
예시
클러스터 파인더의 예시는 “로봇 청소기”로 진행하도록 하겠습니다. “로봇 청소기”를 선택한 이유는 국내 삼성이나 LG 이외에 해외 제조사의 약진이 있었고 이런 상황에서 검색 사용자는 어떤 검색 필요가 있을지를 알아보기 위함입니다.
(“로봇 청소기” 조회 화면 with Agent)
조회된 결과는 1,908개의 키워드를 가지고 있고 24개의 클러스터로 구성되어 있습니다. 검색량순으로 Top 3 키워드는 클로봇, 로봇 청소기, 로보락의 순인데 클로봇은 로봇 청소기와 관련이 있기보다는 로봇과 관련이 있는 키워드여서 최근에 주식에 대한 관심으로 검색량이 급격하게 상승한 것으로 보입니다.
Top 3 검색 목적 클러스터 제안
| 플래그십 브랜드 및 특정 모델 상세 탐색 (종합 검색량: 325,001 / 클러스터 수: 7개) | 시장 트렌드 및 성능 기반 추천 순위 확인 (종합 검색량: 211,392 / 클러스터 수: 4개) | 커뮤니티 기반 실사용 검증 및 가성비 비교 (종합 검색량: 1,263 / 클러스터 수: 2개) |
| 동일 검색 목적의 클러스터: 클러스터 I, 클러스터 F, 클러스터 T, 클러스터 U, 클러스터 C, 클러스터 D, 클러스터 Y | 동일 검색 목적의 클러스터: 클러스터 Q, 클러스터 S, 클러스터 B, 클러스터 M | 동일 검색 목적의 클러스터: 클러스터 G, 클러스터 J |
| 로보락, 삼성, LG, 드리미 등 시장을 주도하는 브랜드의 모델명과 상세 스펙을 확인하려는 목적입니다. 사용자는 브랜드가 제공하는 기술적 신뢰도(예: 로보락의 매핑 능력, 삼성의 AS 등)를 바탕으로 최종 구매 후보를 압축합니다. | 특정 브랜드에 국한되지 않고 2025년 현재 가장 우수한 성능을 내는 제품이 무엇인지 파악하려는 목적입니다. 흡입력, 물걸레 자동 세척 등 핵심 기능별 순위를 통해 자신의 주거 환경에 적합한 가이드를 얻고자 합니다. | 디시인사이드나 클리앙 등 전문 커뮤니티의 실사용 후기를 통해 광고가 아닌 ‘진짜 성능’을 확인하려는 목적입니다. 제조사가 강조하지 않는 단점이나 실사용 시 발생하는 오류, 가격 대비 만족도를 꼼꼼하게 대조합니다. |
발전하는 기술에 관해서 확인하고 기능적인 부분을 확인 이후에 사용자 리뷰를 통해서 검증해 가는 과정으로 보입니다. 기술 우위와 성능 우위에 대한 정보를 잘 전달하는 것도 중요하겠지만 기본적으로 기술을 지속적으로 발전시켜야 우위를 유지할 수 있겠구나 하는 생각이 들었습니다.
Top 3 From → To 흐름 분석
| 대표 허브 키워드 1(검색량: 174,166 / 연결성: 12개) | 대표 허브 키워드 2(검색량: 23,300 / 연결성: 12개) | 대표 허브 키워드 3(검색량: 350 / 연결성: 12개) |
| 로봇청소기 (174,166) | 로봇청소기 추천 (23,300) | 로봇청소기 3대장 (350) |
| 클러스터 Q → 클러스터 S: 일반적인 제품 인지 단계에서 구체적인 추천 리스트 탐색으로의 전환입니다. | 클러스터 S → 클러스터 G: 정형화된 추천 정보에서 커뮤니티의 날것 그대로의 후기로 관심이 이동합니다. | 클러스터 N → 클러스터 T: 시장 내 상위권 제품들을 비교한 후, 결국 안정적인 국내 브랜드인 삼성전자로 관심이 구체화됩니다. |
로봇 청소기나 로봇 청소기 추천은 검색량도 많고 그럴만한 키워드로 보이지만 로봇 청소기 3 대장은 검색량은 적은 데 반해 연결이 많아서 주요 키워드로 추천된 부분은 관심을 가질 만합니다. 기술, 성능으로 의사결정을 진행하는 경우가 많지만, 여전히 안정적인 서비스나 추천의 대상이 되는 제품을 선호한다고 볼 수 있을 것 같습니다.
개별 클러스터 분석
전반적으로 분석에서 후기에 관한 내용이 관심을 끌어서 로봇청소기 후기를 허브 키워드로 가지고 있는 G 클러스터를 분석했습니다.
| 커뮤니티 검증을 통한 구매 확신(종합 검색량: 1,352 / 클러스터 수: 1개) | 모델별 실사용 리스크 파악(종합 검색량: 1,173 / 클러스터 수: 1개) | 장단점 비교 및 환경 적합성 검토(종합 검색량: 616 / 클러스터 수: 1개) |
| 사용자는 로봇청소기 추천 디시와 같은 키워드를 통해 광고가 배제된 실제 추천 모델을 찾습니다. 주요 연령층은 30~40대이며, 남성의 관심도가 매우 높게 나타납니다. 이는 기술적 스펙 비교와 효율성을 중시하는 커뮤니티 특성이 반영된 결과입니다. | 쿠쿠 로봇청소기 후기의 검색량 변화율은 **293%**에 달할 정도로 급증하고 있으며, 이는 신규 모델에 대한 사용자들의 검증 의지를 보여줍니다. 단순히 성능이 좋은지를 넘어 로봇청소기 냄새 디시나 로봇청소기 불편 등 구체적인 부정적 경험을 검색하여 잠재적 문제를 회피하려 합니다. | 로봇청소기 장단점과 로봇청소기 효과를 검색하며 본인의 주거 환경(예: 로봇청소기 50평)에 제품이 적합한지 최종적으로 판단합니다. 이 과정에서 로봇청소기 수납장 클리앙과 같이 설치 환경에 대한 디테일한 정보까지 커뮤니티에서 얻고자 합니다. |
후기에서 파악하고 싶은 내용은 모델별 실사용 리스크와 본인의 주거 환경에 적합한 장단점을 파악하는 것으로 보입니다.
사용 시 고려해야 할 사항
- 현재까지의 LLM은 반드시 사람이 검토해야 합니다. 생성형은 모델의 특성상 결과를 통제하기 어렵습니다. 그리고 재현이 거의 불가능합니다. 어센트에서 제공하는 Agent는 수집한 Data로 Context를 제공하고 있지만 완벽하게 사실만을 제공하지는 않고 있습니다. 제공된 분석과 인사이트를 활용해서 더 좋은 결과를 만들려는 사용자의 노력은 필요합니다. Agent의 용도는 깊이 검토하고 분석할 대상을 찾아준다는 정도로 하는 것이 현재 기술 수준에서는 적합하다고 생각합니다.
- 제공하고 있는 Agent를 분석 전문가라고 정의했지만, 다양한 질문을 하면 거기에 맞게 응답은 가능합니다. 하지만 Context Data에 키워드, 검색량 등의 검색 정보(검색량, 검색광고 단가 등), 키워드 관계 정보 (그래프 정보), 검색 인텐트 등을 제공하고 있기 때문에 이에 근거한 답변을 제공할 가능성이 높다는 부분은 인지하고 있어야 합니다.
- 현재는 각각의 파인더에서 한 가지 전문가만 대응하도록 하고 있지만 향후 다양한 전문가 Agent를 제공할 계획입니다. 사용하시면서 의견을 주시면 적극적으로 검토하고 반영하도록 하겠습니다.