리서치·설문·AI 리서치 연동 제안

소비자 응답(말한 것) 옆에 숨겨진 검색(찾은 것)을 붙입니다설문과 인터뷰는 사람들이 묻는 말에 답한 것을 모읍니다. 리스닝마인드 DaaS API는 같은 주제를 사람들이 스스로 검색한 말과 그 규모를 돌려줘, 조사 기획 전 탐색과 결과 해석에 행동 데이터를 더할 수 있게 합니다.

묻기 전에, 무엇을 물을지

설문과 인터뷰는 묻는 말에 대한 답을 모읍니다. 문항이 다루지 않은 니즈는 결과에 드러나기 어렵고, 응답자가 평소 쓰지 않는 표현으로 만든 문항은 해석이 엇갈릴 수 있습니다.

검색 데이터는 사람들이 누가 묻지 않아도 스스로 입력한 말입니다. 조사 앞뒤에 이 데이터를 붙이면 문항 후보를 넓히고, 결과를 해석할 때 행동 쪽 참고 지표를 더할 수 있습니다.

• 문항 후보 — intent_finder가 주제와 함께 검색되는 말을 돌려줍니다.
• 니즈 묶음 — cluster_finder가 그 말들이 어떤 묶음으로 모이는지 돌려줘, 보기 항목을 묶는 기준으로 쓸 수 있습니다.
• 결과 해석 — keyword_info가 검색량·월별 추이·검색자 성별·연령 비율을 돌려줍니다.
• 문항 흐름 — path_finder가 검색어 앞뒤 순서를 돌려줘, 문항 배치 순서를 점검하는 참고로 쓸 수 있습니다.

연동 지점 — 서비스 작업 흐름 예시

서비스 단계	붙는 데이터	API	호출 1건 크레딧
조사 기획 · 문항 후보 탐색	기준 검색어와 함께 검색되는 연관 검색어 목록	intent_finder	30 + 반환 2/개
니즈 · 상황 묶음 정리	함께 검색되는 검색어 묶음과 묶음 사이 관계	cluster_finder	150 + 반환 50/개
결과 해석 · 리포트 보강	검색어별 월 검색량·월별 추이·검색자 성·연령(한국)	keyword_info	10 / 키워드
검색 순서로 문항 흐름 점검	기준 검색어 앞뒤로 이어서 검색되는 검색어 순서	path_finder	50 + 경로 키워드 40/개

단계별 연동 상세

① 조사 기획 · 문항 후보 탐색 — POST /intent_finder/keyword_list

시드 검색어(최대 100개)를 넣으면 함께 검색되는 연관 검색어를 검색량 순으로 돌려줍니다. 주요 파라미터는 limit(기본 100, 최대 10,000), sort(volume_avg 기본, volume_total·volume_trend·cpc·competition_index 선택), volume_threshold(기본 100 — 이 검색량 미만은 제외)입니다.

• volume_threshold를 낮추면 검색량이 작은 틈새 표현까지 후보로 받을 수 있습니다.
• 시드를 여러 개 넣으면 시드별 결과가 아니라 하나로 합쳐진 목록이 돌아옵니다. 시드별로 나눠 보여주려면 시드마다 따로 호출합니다.
• 시드 자신이나 관련이 약한 검색어가 섞일 수 있어, 호출 후 서비스 쪽에서 한 번 거르는 것을 권장합니다.

② 니즈 · 상황 묶음 정리 — POST /cluster_finder

기준 검색어 하나를 넣으면 함께 검색되는 검색어 묶음(communities)과 검색어 사이 연결(rels)을 돌려줍니다. hop은 관계를 몇 단계까지 넓힐지 정하며 기본값은 2입니다(1은 직접 연관, 3은 탐색용으로 결과와 비용이 크게 늘어납니다). limit 기본값은 500입니다.

• 묶음 하나를 문항 하나의 보기 세트로 옮기면, 응답자가 실제로 쓰는 표현으로 보기를 구성할 수 있습니다.
• 묶음 구조 없이 키워드 목록만 필요하면 /cluster_finder/keyword_list(30 + 반환 2/개)로 먼저 받고, 깊게 볼 시드에만 본 API를 쓰면 비용을 줄일 수 있습니다.
• orientation(무방향·순방향·역방향)을 바꿔 호출하면 각각 따로 과금됩니다.

③ 결과 해석 · 리포트 보강 — POST /keyword_info

검색어를 한 번에 최대 1,000개까지 넣어 지표를 받습니다. data_type과 관계없이 키워드당 10크레딧이므로, all로 한 번에 받아 필요한 필드만 쓰는 편이 효율적입니다.

• demography는 성별·연령대가 평균 대비 유의미한지(1/0, 표준편차 1시그마 기준)와 비율(%)을 함께 돌려줍니다. 연령 구간은 12세 이하·13~19세·20~24세·25~29세·30대·40대·50세 이상입니다.
• volume_avg(최근 3개월 평균)·volume_total(최근 12개월 합)·volume_trend(3개월 전 대비 증감률). gl이 kr일 때는 구글과 네이버 합산값이며, 채널별 수치는 gg_·nv_ 접두 필드로 받습니다.
• monthly_volume — 최대 48개월 월별 검색량(data_type이 ads_info 또는 all일 때 반환).

④ 검색 순서로 문항 흐름 점검 — POST /path_finder

기준 검색어 하나를 넣으면, 그 검색어를 거쳐 간 실제 검색 순서를 경로 배열로 돌려줍니다. limit은 경로 수(기본 300, 최대 1,000)이고, time_point를 curr와 12m으로 각각 조회하면 1년 사이 탐색 경로가 어떻게 바뀌었는지 비교할 수 있습니다.

• 검색 경로가 “용어 확인 → 카테고리 → 브랜드”처럼 좁혀 간다면, 문항도 넓은 질문에서 구체적 질문으로 배치하는 안을 검토할 수 있습니다.
• 경로 길이는 2개부터 5개 이상까지 섞여 있고, 기준 검색어는 경로의 처음·중간·끝 어디에도 올 수 있습니다.
• 출력 크레딧은 경로 수가 아니라 경로에 등장한 서로 다른 검색어 수 기준(40/개)입니다. 목록만 필요하면 /path_finder/keyword_list(30 + 반환 2/개)를 먼저 씁니다.

예시 흐름 — 시드 검색어 “lg 냉장고”

아래는 통합 가이드(API v0.0.60)에 실린 호출 예시를 리서치 작업 흐름 순서로 엮은 것입니다. 수치는 호출 시점에 따라 달라집니다.

검색어 묶음 (cluster_finder, hop 1 · limit 10) — 가장 큰 묶음에 삼성 냉장고, lg 냉장고 사이즈, lg 냉장고 1등급, lg 냉장고 4 도어, lg 소형 냉장고 가격·추천, 컨버터블 냉장고 단점이 함께 묶였습니다.

추정 이 묶음을 “냉장고 구매 시 고려 요소” 문항의 보기 후보로 옮기면 경쟁 브랜드 비교, 사이즈, 에너지 등급, 소형 가격, 컨버터블 단점이 됩니다.

POST /keyword_info
{
  "keywords": ["lg 냉장고"],
  "gl": "kr",
  "data_type": "all"
}

• 실제데이터 검색자 비율은 여성 58.48%, 남성 41.51%이고, 연령대는 40대 34.54% · 50대 29.05% · 30대 27.11% · 25~29세 6.86%였습니다.
• 추정 패널 조사의 응답자 구성과 이 비율을 나란히 놓으면, 표본이 검색 관심층과 얼마나 겹치는지 참고할 수 있습니다.

검색 순서 (path_finder, limit 3) — “refrigeration 뜻 → 냉장고 → lg 냉장고”, “냉장 냉동 차이 → 냉장고 → lg 냉장고”, “lg 냉장고 → lg 냉장고 소형 → lg전자 → lg전자 주가” 세 경로가 돌아왔습니다.

비용 계산 예시

조사 프로젝트 1건을 설계·해석하는 상황을 가정한 계산입니다. 반환 결과가 가정한 수량만큼 채워졌다고 보고 계산했으며, 실제 과금은 각 응답의 cost_detail을 따릅니다.

단계	가정	크레딧 계산	크레딧
문항 후보	시드 10개 × 각 200개 반환	10 × (30 + 200 × 2)	4,300
니즈 묶음	핵심 시드 5개 × 각 100개 반환	5 × (150 + 100 × 50)	25,750
결과 해석	검색어 500개	500 × 10	5,000
문항 흐름	핵심 시드 5개 × 서로 다른 검색어 100개	5 × (50 + 100 × 40)	20,250
합계			55,300

추정 55,300크레딧 × 1.3원 = 약 71,890원(데이터 사용료, VAT 별도). 프로젝트 단위로 쓰는 경우 묶음·순서 조회를 핵심 시드 몇 개로 좁히는 것이 비용을 정하는 가장 큰 요소입니다. 자세한 규칙은 비용 계산 예시와 크레딧 산정 기준을 참고하세요.

연동 방식

• REST API — Base URL https://listeningmind-data-api.ascentlab.io, 요청 헤더 LM-API-KEY로 인증합니다. 서비스 백엔드에서 정기 수집·적재할 때 씁니다.
• MCP Server — https://listeningmind-daas-mcp.ascentlab.io(OAuth). AI 인터뷰·AI 리서치 기능이 대화 중에 검색 맥락을 직접 조회하게 할 때 씁니다. 플랫폼별 설정은 연동하기를 참고하세요.
• user_query — AI 기능을 거친 호출이라면 사용자의 질문 원문을 함께 보낼 수 있습니다. 호출 이력에만 적재되고 과금과 반환 데이터에는 영향이 없습니다.
• 오류 과금 — 4xx·5xx 오류 응답은 입력·출력 모두 과금되지 않습니다.
• 사용량 관리 — GET /usage/summary로 기간별 호출수·에러율·사용 크레딧을 조회해 내부 대시보드에 적재할 수 있습니다(크레딧 미차감).

데이터를 보여줄 때 유의할 점

• 국가 단위 — 검색량·관계·이슈 인덱스는 모두 gl(kr·jp·us) 기준으로 산출됩니다. 한 국가 결과로 다른 국가를 추론하지 않습니다.
• 검색량 채널 — gl이 kr일 때만 구글과 네이버 합산값이고, 일본·미국은 구글 단독 수치입니다.
• 빈 결과 — 빈 배열은 “데이터 없음”이지 “수요 없음”이 아닙니다.
• 값의 출처 구분 — API가 돌려준 값과 그 값을 계산해 만든 값(비중·합계 등)을 구분해 표기하면 리포트를 검증하기 쉬워집니다.

함께 보면 좋은 문서

• 타겟 페르소나 매핑 — 검색 데이터로 페르소나를 그리는 표준 작업
• 구매 의사결정 경로 분석 — 검색 순서로 구매 여정을 읽는 방법
• 연관 쿼리 추출 API 활용 가이드 · 관계 네트워크 분석 API 활용 가이드
• 키워드 조회 API 활용 가이드 · 검색 경로 분석 API 활용 가이드

호출 1건 크레딧은 공개 요금표 기준입니다. ‘반환 N/개’는 응답에 돌아온 항목(검색어·경로 속 검색어·이슈) 1개마다 더해지는 크레딧입니다. 1크레딧은 공개 요금표 기준 1.3원입니다. 반환 수가 기준 검색어마다 달라 월 사용량은 테스트 Key 실측으로 확인합니다. 검색량 조회 크레딧은 전체 지표를 받는 기준입니다.