쿨링 샴푸 기획기 ③ | 리뷰 데이터 전처리 및 EDA

왜 리뷰를 분석할까?

이전 글에서는 상품 데이터를 분석하여 브랜드 구성과 가격 전략, 상품명에서 강조하는 마케팅 메시지를 확인했습니다. 하지만 상품 정보만으로는 소비자가 실제로 어떤 경험을 했는지까지는 파악하기 어려웠습니다.

예를 들어 상품 자체는 쿨링감이나 두피 케어를 핵심 기능으로 소개하고 있었지만, 소비자 역시 동일한 요소를 장점으로 느끼는지, 혹은 향이나 사용감처럼 다른 요소를 더 중요하게 평가하는지는 상품 데이터만으로는 확인할 수 없었습니다.

그래서 이번 글에서는 올리브영 쿨링 샴푸 리뷰 753개를 분석하여 브랜드, 가격대, 평점, 도움돼요 수, 리뷰 길이, 옵션 혜택을 중심으로 소비자 반응의 전반적인 특징을 먼저 살펴보고자 했습니다.

상품은 브랜드가 전달하고 싶은 메시지를 보여주지만, 리뷰는 소비자가 실제로 경험한 내용을 보여줍니다. 이번 글에서는 리뷰 데이터를 통해 소비자 반응의 구조를 먼저 확인했습니다.

분석 데이터

이번 분석에서는 1편에서 수집한 올리브영 쿨링 샴푸 리뷰 데이터셋을 활용했습니다.
분석 대상은 리뷰 많은 순으로 정렬된 43개 상품이며, 상품별 최대 20개의 리뷰를 수집했습니다.
리뷰가 20개 미만인 상품은 실제 등록된 리뷰만 수집하여, 최종적으로 753개의 소비자 리뷰를 분석에 활용했습니다.

리뷰 데이터에는 리뷰 본문과 평점뿐 아니라 브랜드, 상품명, 가격, 옵션명과 같은 상품 정보가 함께 저장되어 있습니다. 또한 리뷰가 받은 도움돼요 수와 사진 포함 여부를 수집하여 소비자의 평가뿐 아니라 리뷰의 반응과 작성 특성도 함께 살펴볼 수 있도록 구성했습니다.

이번 글에서는 리뷰 평점, 브랜드, 가격대, 도움돼요 수, 리뷰 길이, 옵션 혜택을 중심으로 소비자 반응의 특징을 데이터로 확인해보겠습니다.

리뷰 데이터 구조 확인

전처리를 진행하기 전에 먼저 리뷰 데이터의 전체 구조를 확인했습니다. 데이터 크기와 컬럼 구성, 데이터 타입을 점검하고, 결측치와 중복 여부를 함께 확인하여 분석에 활용할 수 있는 상태인지 검토했습니다.

총 753개의 리뷰와 11개의 컬럼으로 구성되어 있었으며, 대부분의 컬럼은 결측치 없이 정상적으로 수집되었습니다. 리뷰 내용과 평점, 도움돼요 수를 비롯한 주요 정보가 분석 가능한 형태로 저장되어 있는 것을 확인했습니다.

df.describe(include='all')을 통해 리뷰 평점과 도움돼요 수의 분포, 문자열 컬럼의 고유값과 최빈값을 함께 확인했습니다. 이를 바탕으로 이후 리뷰 반응과 소비자 특성을 중심으로 EDA를 진행했습니다.

리뷰 데이터 전처리

리뷰 데이터를 EDA에 활용하기 위해 분석에 필요한 컬럼만 선별하고, 텍스트와 숫자형 데이터를 분석 가능한 형태로 정리했습니다.
또한 가격대, 옵션혜택, 도움돼요구간, 리뷰 길이 등 이후 소비자 반응을 비교하기 위한 분석 변수를 생성했습니다.

01 분석 컬럼 정리

수집 과정에서 사용한 순번 정보는 제외하고, 리뷰 내용과 소비자 반응을 해석하는 데 필요한 컬럼만 선별했습니다. 상품의 구성과 혜택을 확인할 수 있는 옵션명은 이후 분석을 위해 유지했습니다.

Python · Column Selection

use_cols = ["브랜드","상품명","가격","리뷰내용","리뷰평점",
            "도움돼요수","사진여부","옵션명"]

reviews = reviews[use_cols].copy()

02 리뷰 및 옵션명 정리

리뷰 본문의 줄바꿈과 공백을 정리하고, 동일한 리뷰가 반복된 경우에는 첫 번째 리뷰만 남겼습니다.
또한 옵션명에서는 용량과 숫자 표현을 제거하고, 1+1, 기획, 증정과 같은 혜택 표현은 옵션혜택 컬럼으로 분리했습니다.

Python · Text Cleaning

reviews["리뷰내용"] = reviews["리뷰내용"].str.replace(r"\s+", " ", regex=True).str.strip()
reviews = reviews.drop_duplicates(subset="리뷰내용")

03 분석 변수 생성

가격과 리뷰 평점, 도움돼요 수를 숫자형으로 변환하고, 가격대와 도움돼요구간을 생성했습니다.
또한 리뷰 작성량을 비교하기 위해 리뷰 글자 수와 단어 수를 계산하여 분석 변수로 추가했습니다.

Python · Feature Engineering

reviews["가격대"] = pd.cut(reviews["가격"], bins=bins, labels=labels, right=False)
reviews["리뷰글자수"] = reviews["리뷰내용"].str.len()
reviews["리뷰단어수"] = reviews["리뷰내용"].str.split().str.len()

이번 전처리를 통해 분석에 필요한 리뷰 컬럼만 선별하고, 텍스트와 숫자형 데이터를 분석 가능한 형태로 정리했습니다.
또한 가격대, 옵션혜택, 도움돼요구간, 리뷰글자수, 리뷰단어수를 생성하여 다양한 기준에서 소비자 반응을 비교할 수 있는 리뷰 분석용 데이터셋을 완성했습니다.

탐색적 데이터 분석 (EDA)

전처리를 완료한 리뷰 데이터를 바탕으로 소비자 반응의 기본적인 흐름을 확인했습니다.
이번 단계에서는 리뷰 본문을 직접 해석하기보다 평점, 리뷰 길이, 도움돼요 구간, 브랜드, 가격대, 옵션혜택과 같은 정량 지표를 중심으로 살펴봅니다.

이를 통해 소비자 반응이 어떤 조건에서 달라지는지 확인하고, 다음 리뷰 텍스트 분석에서 집중해서 살펴볼 항목을 선정합니다.

01 리뷰 평점 분포

리뷰가 어느 점수대에 집중되어 있는지 확인하여 전체적인 소비자 만족도 흐름을 살펴봅니다.

02 브랜드별 리뷰 반응

브랜드별 리뷰 수와 평균 평점, 도움돼요 반응을 비교하여 브랜드별 평가 차이를 확인합니다.

03 가격대별 리뷰 반응

가격대별 리뷰 수와 평균 평점, 리뷰 작성량을 비교하여 가격과 소비자 반응의 관계를 살펴봅니다.

04 도움돼요구간별 리뷰 반응

상대적으로 관심을 많이 받은 리뷰가 평점과 리뷰 길이, 사진 포함 여부에서 어떤 특징을 보이는지 확인합니다.

05 리뷰 길이별 리뷰 반응

리뷰 작성량에 따라 평점과 도움돼요 반응, 사진 리뷰 비율이 어떻게 달라지는지 비교합니다.

06 옵션혜택별 리뷰 반응

기획, 증정, 단품, 1+1 등 상품 구성에 따라 소비자의 평점과 도움돼요 반응에 차이가 있는지 살펴봅니다.

리뷰 평점 분포

전처리된 review_data를 기준으로 전체 리뷰의 평점 분포를 확인했습니다.
리뷰 평점은 소비자 만족도의 전반적인 수준을 보여주지만, 만족하거나 불편했던 이유는 이후 텍스트 분석에서 함께 살펴볼 예정입니다.

전체 리뷰는 높은 평점에 집중되어 있었으며, 평균 평점 또한 높은 수준으로 나타났습니다.
따라서 평점만으로는 소비자가 무엇에 만족하거나 불편함을 느꼈는지 구체적으로 파악하기 어려웠습니다.
이후 분석에서는 브랜드, 가격대, 옵션 혜택 등 다른 요인들과 함께 소비자 반응의 차이를 살펴보겠습니다.

브랜드별 리뷰 반응

브랜드별로 리뷰 수와 평균 평점, 리뷰 작성량과 도움돼요 반응을 함께 비교했습니다.
먼저 리뷰가 많이 작성된 브랜드를 확인하고, 각 브랜드마다 소비자 만족도와 리뷰 반응에 어떤 차이가 있는지 살펴봤습니다.

– 리뷰 수는 달리프 65건, 클로란 55건, 온더바디 41건 순으로 많았습니다.
– 리뷰 수 상위 브랜드의 평균 평점은 대부분 4점대 후반으로 높은 수준을 보였습니다.
– 달리프는 리뷰 수는 가장 많았지만 평균 평점은 4.66점으로 상대적으로 낮았습니다.
– 온더바디는 평균 평점 4.93점과 높은 도움돼요 반응을 함께 보여 주목할 만한 브랜드로 나타났습니다.
– 따라서 브랜드별 소비자 반응은 리뷰 수만으로 판단하기보다 평점, 도움돼요 구간, 리뷰 내용까지 함께 살펴볼 필요가 있습니다.

가격대별 리뷰 반응

가격대에 따라 리뷰가 어느 구간에 많이 쌓였는지 확인하고, 평균 평점과 리뷰 작성량을 함께 비교했습니다.
이를 통해 쿨링 샴푸의 주요 소비 가격대와 가격에 따른 소비자 반응의 차이를 살펴봤습니다.

– 리뷰는 1만원대 295건(45.8%)에 가장 많이 집중되어 있었습니다.
– 평균 평점은 1만원 미만 4.85점, 1만원대 4.82점으로 저가·중가 구간에서 상대적으로 높았습니다.
– 2만원대와 3만원 이상의 평균 평점은 각각 4.66점으로 나타났습니다.
– 3만원 이상 상품은 리뷰 수는 적었지만, 평균 리뷰 글자 수가 302.2자로 가장 길었습니다.
– 따라서 쿨링 샴푸의 리뷰 반응은 1만원대 중심으로 형성되어 있으며, 고가 상품에서는 보다 구체적인 사용 경험이 작성되는 경향이 확인되었습니다.

도움돼요 구간별 리뷰 특성

원본 도움돼요수는 절대적인 클릭 수가 아니라 리뷰 간 상대적 관심도(낮음 · 보통 · 높음 · 매우 높음)를 보여주는 값으로 해석했습니다.

– 도움돼요 수는 절대적인 클릭 수가 아닌 상대적 관심도 지표로 해석했습니다.
– 분위수를 기준으로 낮음 · 보통 · 높음 · 매우 높음 네 구간을 생성했습니다.
– 매우 높음 구간에서는 1만원 미만 상품의 비중이 약 60%로 가장 높게 나타났습니다.
– 도움돼요 반응이 높을수록 평균 리뷰 길이도 증가하는 경향이 확인되었습니다.
– 리뷰 수가 많은 브랜드와 도움돼요 반응이 높은 브랜드가 반드시 일치하지는 않았습니다.
– 따라서 리뷰의 유용성은 상품 가격이나 리뷰 수보다 구체적인 사용 경험과 충분한 정보량에 더 크게 영향을 받을 가능성이 있습니다.

리뷰 길이별 리뷰 반응

리뷰 길이가 소비자 만족도와 유용성 반응을 얼마나 설명할 수 있는지 확인했습니다.
평점별 리뷰 길이와 도움돼요 구간별 반응을 함께 비교한 결과, 긴 리뷰가 반드시 낮은 평점이거나 높은 도움돼요 반응으로 이어지는 것은 아니었습니다.

– 낮은 평점 리뷰는 수는 적었지만 평균 리뷰 길이는 상대적으로 길게 나타났습니다.
– 1점 리뷰는 평균 189.0자, 2점 리뷰는 평균 180.9자, 5점 리뷰는 평균 155.5자였습니다.
– 도움돼요 구간 중 평균 리뷰 길이는 보통 구간이 220.0자로 가장 길었습니다.
– 매우 높음 구간의 평균 평점은 약 4.9점으로 가장 높았으며, 5점 리뷰의 매우 높은 도움돼요 비율은 27.5%였습니다.
– 따라서 리뷰 길이는 만족도나 유용성을 단독으로 설명하기 어렵고, 평점, 내용의 구체성, 사진 여부, 상품 특성과 함께 해석해야 합니다.

옵션혜택별 리뷰 반응

옵션혜택은 먼저 혜택이 있는 상품과 없는 상품으로 나누어 전체적인 소비자 반응을 비교했습니다.
이후 일반 상품을 제외하고 기획 · 단품 · 올영픽 · 1+1 등 혜택 유형별 리뷰 규모와 평점, 도움돼요 반응, 가격대 구성을 함께 살펴봤습니다.

– 혜택 상품은 전체 리뷰의 26.4%를 차지했지만, 평균 평점과 도움돼요 반응이 일반 상품보다 높지는 않았습니다.
– 기획은 리뷰 수 50건과 매우 높은 도움돼요 비율 36.0%를 함께 보여 가장 안정적인 혜택 유형으로 나타났습니다.
– 단품은 평균 평점과 낮은 평점 비율이 안정적이었지만, 도움돼요 반응은 기획보다 낮았습니다.
– 1+1, 기획은 평균 평점이 낮고 낮은 평점 비율이 15.8%로 높아 기대 관리가 필요한 구성으로 나타났습니다.
– 올영픽은 1만원 미만 상품에 집중되어 저가 상품의 발견성과 노출을 높이는 혜택에 가까웠습니다.
– 따라서 혜택 전략은 무조건 혜택을 늘리기보다 기획 구성의 완성도와 가격대별 역할을 명확히 설계하는 방향이 더 효과적인 것으로 해석됩니다.

리뷰 분석 인사이트

리뷰 EDA를 통해 쿨링 샴푸 소비자의 반응은 단순한 평점이나 리뷰 수 하나만으로 설명하기 어렵다는 점을 확인했습니다.
전반적인 평점은 높았지만, 브랜드와 가격대, 리뷰의 구체성, 옵션 구성에 따라 소비자가 보이는 관심과 만족의 형태에는 차이가 있었습니다.

아래는 리뷰 데이터에서 확인한 결과를 마케팅 관점에서 정리한 핵심 인사이트입니다.

– 중복 리뷰를 제거한 뒤 총 644건을 분석했으며, 리뷰가 5점에 강하게 집중되어 있어 평점만으로는 브랜드나 상품 간 반응 차이를 구분하기 어려웠습니다.
– 리뷰는 달리프, 클로란, 온더바디에 많이 쌓여 있었지만, 리뷰 수가 많다고 해서 반드시 만족도나 도움돼요 반응까지 높게 나타나는 것은 아니었습니다. 따라서 브랜드 성과는 리뷰 규모보다 평점과 공감 반응, 리뷰 내용의 질을 함께 봐야 합니다.
– 리뷰는 1만원대 상품에 가장 많이 집중되어 있어 대중적인 가격 구간에서 소비자 경험과 브랜드 경쟁이 가장 활발하게 형성되고 있었습니다. 반면 고가 상품은 리뷰 수는 적었지만 소비자가 더 긴 리뷰를 작성하는 경향이 나타나 구매 전 기대와 평가 기준이 더 구체적일 가능성을 보여줬습니다.
– 도움돼요 반응은 리뷰 길이나 평점과 단순히 비례하지 않았습니다. 긴 리뷰 자체보다 실제 사용 과정과 장단점을 구체적으로 설명한 정보성 있는 리뷰가 소비자의 구매 판단에 더 유용하게 작용했을 가능성이 있습니다.
– 옵션명과 옵션혜택을 분리해본 결과, 향이나 쿨링 타입과 같은 제품 경험 메시지와 기획·증정·단품 같은 판매 구성 메시지를 별도로 분석할 수 있었습니다.
– 혜택 상품이 일반 상품보다 항상 좋은 평가를 받은 것은 아니었지만, 기획 상품은 리뷰 규모와 도움돼요 반응이 모두 높아 소비자 관심을 확보하기에 비교적 안정적인 구성으로 나타났습니다. 반면 1+1 기획은 낮은 평점 비율이 높아 혜택의 크기보다 구성에 대한 기대 관리가 중요해 보였습니다.

알 수 없었던 점

리뷰 EDA를 통해 평점, 브랜드, 가격대, 도움돼요 반응 등의 정량적인 차이는 확인할 수 있었습니다. 하지만 숫자만으로는 소비자가 실제로 어떤 경험을 했는지까지는 알 수 없었습니다.