답변
먼저 용어부터 짚으면, 온라인 게시글 1건이 '버즈' 1건으로 집계됩니다(멘션·포스트로도 불립니다). 버즈량과 감성 비율(긍정/부정/중립)을 조합하면 캠페인 전후 브랜드 인식 변화를 분류할 수 있는데, 여기서 '순도'를 확보하려면 원시 버즈량을 그대로 쓰지 말고 정제 과정을 거쳐야 합니다. 첫 번째 정제 원칙은 노이즈 필터링입니다. 크롤링된 소셜 데이터는 국가, 언어, 게시 날짜, 사이트 카테고리 같은 조건을 명확히 설정해야 정확도가 높아집니다. 캠페인과 무관한 스팸, 봇 계정의 반복 게시, 검색어와 우연히 겹친 무관한 글을 걸러내지 않으면 버즈량 자체가 부풀려져 캠페인 전후 비교가 왜곡됩니다. 인플루언서 캠페인이라면 특히 인플루언서 본인 계정의 홍보성 반복 게시나 팔로워 봇의 기계적 댓글을 별도로 식별해 제외하는 규칙이 필요합니다. 두 번째는 감성분석 정확도입니다. 긍정/부정을 자동 분류하는 모델 비교 실험에서 BERT 계열은 F1 스코어 95.2%, LSTM 계열은 90.1%로 나타났습니다. 브랜드 버즈처럼 정확도가 캠페인 판단에 직결되는 경우 BERT 계열 엔진을 쓰는 툴을 우선 고려하고, 데이터량이 매우 많아 처리 속도가 중요하다면 LSTM 계열도 대안이 될 수 있습니다. 툴을 선택할 때 어떤 엔진 기반인지 확인하는 것도 순도 관리의 일부입니다. 세 번째로, 버즈량 하나만 보고 캠페인을 판단하면 안 됩니다. 반응량(좋아요·댓글·공유)과 노출량(도달)까지 함께 봐야 진짜 소셜 리스닝입니다. 단순히 언급 수가 늘었다고 캠페인이 긍정적이었다고 볼 수 없습니다 — 부정적 이슈로 논란이 커져도 버즈량은 폭증하기 때문에, 반드시 감성 비율과 반응 지표를 교차해서 캠페인 전후를 비교해야 순도 있는 결론이 나옵니다.