자유 형식 피드백을 Claude에 붙여 넣고, 그 텍스트가 무엇에 관한 것인지와 어떤 결정을 내리려는지 알려준 다음, 전체 점수가 아니라 각 항목에 감정을 붙인 반복 테마를 요청하세요. 한 달에 대략 수천 개 미만의 문서라면 전용 감정 분류기를 설정하는 것보다 이 방법이 낫습니다. 라벨이 아니라 이유를 얻을 수 있기 때문입니다. 다만 모델이 잘못 읽은 텍스트에도 확신에 찬 라벨을 붙일 수 있으므로, 분포를 사실로 제시하기 전에 일부 표본을 직접 판단한 결과와 대조해 확인하세요.
이 페이지
도구 가격 확인일: 2026년 8월.
감정 점수만으로는 왜 쓸모가 없을까요?
“긍정적 72%”라는 말만으로는 실행에 옮길 수 있는 정보가 없습니다. 나머지 28%가 무엇에 화가 났는지, 문제가 하나인지 아홉 개인지, 긍정적인 댓글이 방금 출시한 기능에 대한 것인지 아니면 곧 없앨 기능에 대한 것인지도 알려주지 않습니다.
대신 필요한 것은 테마 목록입니다. 사람들이 계속 언급하는 대여섯 가지 항목을 추리고, 각 항목에 자체적인 감정과 대략적인 빈도를 붙이는 것입니다. “사람들은 빠른 속도를 좋아하지만, 그중 30명은 온보딩의 같은 지점에서 막혔습니다”라는 문장은 누군가가 실제로 조치를 취할 수 있습니다. 백분율은 그렇지 않습니다.
이 점이 중요한 이유는 실제 피드백이 한쪽으로만 치우친 경우가 드물기 때문입니다. “제품은 정말 좋은데 가격은 싫어요”를 평균 내면 중립이 되는데, 이는 그 고객을 설명하는 방식으로는 가장 쓸모없는 표현입니다. 문서별이 아니라 각 테마에 감정을 연결하면 유용한 신호를 유지할 수 있습니다.
그렇다면 전용 감정 분석 도구를 사용해야 할까요?
한 달에 문서가 수천 개 미만이라면 대체로 그렇지 않습니다. 대부분의 조언이 10년 전 내용이기 때문에, 그 이유를 이해해 둘 필요가 있습니다.
주류 관리형 옵션인 Amazon Comprehend는 감정 분석에 단위당 $0.0001를 부과합니다. 여기서 단위는 100자이며 모든 요청에는 최소 3단위가 청구됩니다. 300자 리뷰 하나의 비용은 $0.0003입니다. 2,000개라면 약 60센트입니다. AWS는 신규 고객과 기존 고객 모두에게 첫 12개월 동안 매월 50,000단위(5M자)를 무료로 제공합니다. 순수한 컴퓨팅 비용만 보면 분류기는 사실상 무료입니다.
비용은 다른 모든 부분에서 발생합니다. AWS 계정과 자격 증명, CSV를 API로 전송하고 결과를 다시 가져오는 스크립트, 그리고 API가 반환한 라벨을 어떻게 처리할지에 대한 결정이 필요합니다. 게다가 얻는 것은 라벨뿐입니다. 신뢰도 점수가 붙은 감정 값이 전부입니다. 별도로 구축하지 않는 한, 비밀번호 재설정 과정이 작동하지 않아 부정적인 의견이 한곳에 몰려 있다는 사실은 알려주지 않습니다. 주제를 파악하도록 읽지 않기 때문입니다.
같은 2,000개의 리뷰를 범용 모델에 읽히면 주제, 주제별 감정, 대표 인용문, 후속 질문을 했을 때의 답변까지 얻을 수 있습니다. 구축해야 할 파이프라인도 없습니다. 한 달에 수천 개를 넘어서고, 일정에 따라 실행하며, 대시보드에 데이터를 제공하는 단계가 되면 계산이 달라집니다. 이때는 제대로 된 분류기나 배치 API가 제값을 합니다. 그 이하라면 60센트를 아끼려고 인프라를 구축하는 셈입니다.
이 주제에서 찾게 될 오래된 목록형 글에 관한 경고가 하나 있습니다. 대부분의 “최고의 감정 분석 도구” 모음에 등장하는 MonkeyLearn은 더 이상 독립 제품으로 존재하지 않습니다. Medallia가 2022년에 이를 인수했으며 현재 monkeylearn.com은 medallia.com으로 301 리디렉션됩니다. 해당 도구를 기반으로 계획을 세우기 전에 추천받은 도구가 아직 운영 중인지 확인하세요.
실제로 분석은 어떻게 실행하나요?
유용한 분석과 일반적인 분석을 가르는 차이는 네 가지입니다.
- 텍스트가 무엇인지 말하세요. “이것은 가격 변경 후 2주 동안 접수된 지원 티켓 400건입니다”라고 설명하면 라벨 없이 텍스트 블록을 넣는 것과 결과가 완전히 달라집니다.
- 어떤 결정에 활용할 분석인지 말하세요. 로드맵 논의를 위한 분석과 이탈 사후 분석을 위한 분석은 다르게 보입니다. 어느 쪽인지 알려주세요.
- 주제뿐 아니라 빈도와 인용문도 요청하세요. 각 주제별 대략적인 건수와 원문 그대로의 인용문 두 개를 요구하세요. 인용문을 통해 결과를 검증할 수 있습니다 - 인용문이 주제를 뒷받침하지 않는다면 그 주제는 잘못된 것입니다.
- 무엇을 분류하지 못했는지 물어보세요. 남은 항목이 흥미로운 경우가 많습니다. 너무 모호하거나 짧거나 빈정거리는 표현이라 분류하기 어려운 댓글들입니다.
피드백이 직접 설계한 설문조사에서 나온 것이라면 이 분석의 품질은 설문조사를 실행하기 전에 결정됩니다 - 이는 HR 제너럴리스트 가이드에서 다룬 것과 같은 내용이며, 시장 조사 가이드의 더 폭넓은 내용과 함께 참고할 만합니다.
Mira가 피드백을 주제별로 분류하면 Elena가 우선순위가 정해진 목록을 영향, 노력 및 권고안과 함께 비즈니스 케이스로 전환합니다.
Elena 보기 →Mira Skill은 어떻게 설치하나요?
Mira는 ZIP 파일로 제공되며 SKILL.md 루트에 있는 파일입니다.
- Claude 데스크톱 앱을 열고 사이드바에서 Customize를 클릭한 다음 Skills를 클릭하세요.
- +를 클릭하고 ZIP 파일을 업로드하세요. Claude가
SKILL.md를 읽고 어떤 작업을 수행하는지 요약합니다. - 켜짐으로 전환하세요. 꺼져 있으면 Claude가 이를 무시합니다.
- 피드백을 붙여넣고 어떤 결정을 내리고 있는지 설명하세요.
Skills는 Free, Pro, Max, Team 및 Enterprise를 포함한 모든 Claude 요금제에서 사용할 수 있지만 코드 실행을 켜야 합니다. Skills 메뉴가 회색으로 표시되거나 보이지 않으면 Settings > Capabilities에서 Code execution and file creation을 활성화하세요. Team 및 Enterprise에서는 Organization settings의 소유자 수준 설정이므로 요청해야 할 수 있습니다.
코드 실행을 활성화할 수 없거나 ChatGPT 또는 Gemini에서 작업하는 경우 다음을 여세요. SKILL.md 파일을 열고, 내용을 복사한 다음 custom instructions에 붙여 넣으세요. Skill이 자동으로 실행되지는 않지만, 해당 대화의 모든 답변에 영향을 줍니다.
어디에서 문제가 생기나요?
이 부분은 실패 방식이 조용히 나타나기 때문에 두 번 읽어야 합니다.
- 자신 있게 틀릴 것입니다. 모델은 “이 사람이 무슨 뜻인지 잘 모르겠습니다”라고 답하지 않습니다. 댓글을 정확히 읽었든 아니든 같은 어조로 깔끔한 라벨을 내놓습니다. 출력만으로는 확실한 분류와 잘못 읽은 분류를 구분할 수 없습니다.
- 빈정거림과 완곡한 표현에는 취약합니다. “좋아요, 또 업데이트군요”와 “뭐, 괜찮은 것 같아요”는 사람이 즉시 알아차리는 반면 모델이 단순화해 버리는 바로 그런 댓글입니다.
- 빈도 수치는 실제 개수가 아니라 추정치입니다. 모델이 어떤 테마가 댓글 30개에 나타났다고 말해도, 실제로 하나씩 센 것은 아닙니다. 그 숫자를 슬라이드에 넣을 예정이라면 직접 세거나, 모델이 행 번호를 출력하도록 하세요.
- 표본은 아마 고객 전체를 대표하지 않을 것입니다. 리뷰를 남기고 서술형 질문에 답하는 사람들은 정의상 평범하지 않습니다. 분석은 응답한 사람들의 특성을 보여 줄 뿐이며, 이를 해결해 주는 도구는 없습니다.
- 테마의 경계는 판단의 문제입니다. 같은 피드백을 두 번 분석해도 한 번은 테마가 6개, 다음에는 4개가 나올 수 있습니다. “느리다”와 “응답하지 않는다”를 하나의 테마로 볼 수도 있고 두 개로 볼 수도 있기 때문입니다. 어느 쪽도 틀린 답은 아니지만, 두 결과는 차트를 바꿉니다.
- 무엇을 해야 할지는 알려 주지 못합니다. 사람들이 무엇이라고 말했는지는 알려 줍니다. 온보딩을 개선할지, 이미 약속한 기능을 출시할지는 여러분이 결정할 일입니다.
그러니 무언가를 발표하기 전에 반드시 표본을 점검하세요. 댓글 몇 개를 표본으로 뽑으세요 - 문서가 수백 개라면 50개면 충분합니다 - 모델의 답변을 보기 전에 직접 라벨을 붙인 다음 비교하세요. 완벽함을 찾는 것이 아니라, 의견이 어디에 집중되는지를 찾는 것입니다. 한 테마에 의견이 몰린다면 그 테마는 신뢰하기 어렵다고 보고 그렇게 밝혀야 합니다. 표본에서 여러분과 모델의 의견이 몇 개를 넘게 다르면, 그 분포를 결과로 보고하지 마세요. 특정 유형의 피드백에 대해 이 작업을 한 번 해 두면 이후 그 결과를 얼마나 신뢰할 수 있는지 알게 됩니다.
읽지 않은 항목 대부분이 지원 티켓이라면, 고객이 실제로 무엇 때문에 속상한지 파악한 뒤 답변을 작성해 주는 Sam과 Mira의 테마 분석을 함께 사용하세요.
Sam - 고객 지원 AI Skill ($19) 보기 →매번 prompt를 작성하는 대신 Skill을 사용하는 이유는 무엇인가요?
두 가지 이유가 있는데, 어느 것도 Skill이 더 똑똑해서는 아닙니다.
첫 번째는 일관성입니다. 두 분기의 감정을 비교하는 일은 두 분기를 동일한 방식으로 읽고, 같은 테마 정의와 무엇을 불만으로 볼지에 대한 같은 지침을 적용했을 때만 의미가 있습니다. 저장된 Skill은 방법을 고정해 주므로, 비교 결과가 4월에 우연히 prompt를 어떻게 작성했는지에 따른 산물이 아니라 실제 비교가 됩니다.
두 번째는 앞서 나열한 네 가지, 즉 맥락, 의사결정, 빈도, 인용문 및 분류할 수 없는 잔여 항목을 급할 때 쉽게 잊는다는 점입니다. 바로 그런 때 400개의 티켓을 붙여 넣고 최선의 결과를 기대하게 됩니다.
분기별 펄스 설문을 진행하시나요? 이 도구는 분기별 자유 형식 답변을 서로 비교할 수 있도록 설문을 설계합니다 - Mira가 변화를 추측하는 대신 추적하는 데 필요한 원자료입니다.
Employee Survey Prompt 보기 →이 작업에 활용할 만한 텍스트는 무엇인가요?
누구도 읽을 시간이 없을 만큼 많은 텍스트가 있는 모든 경우에 활용할 수 있습니다. 자유 형식 설문 답변, 제품 리뷰, 고객 지원 티켓, 퇴사 인터뷰, 앱 스토어 댓글, 영업 통화 메모, 소셜 미디어 언급 등이 해당합니다. 이들 사이에서 방법은 달라지지 않습니다. 달라지는 것은 처음에 제공하는 맥락과 분석이 답해야 할 의사결정입니다.
주의해야 할 유일한 범주는 표본이 아주 적은 경우입니다. 의견 12개에는 주제가 있는 것이 아니라 12개의 각기 다른 의견이 있는 것이므로 직접 읽어야 합니다.
요약:
일반적인 자유 형식 텍스트 분석(리뷰, 티켓, 설문 답변, 인터뷰 녹취록)에는 Mira($19)를 사용하세요. 데이터가 대부분 고객 지원 티켓이라면 Sam($19)과 함께 사용하세요. 피드백을 만들어 내는 설문을 설계하는 중이라면 Employee Survey Prompt($9)부터 시작하세요. 그런 다음 Elena($19)와 함께 핵심 주제를 사례로 발전시키세요. 모두 Claude, ChatGPT 및 모든 AI 채팅에서 작동하며 30일 환불 보장이 적용됩니다 - 단, 결과는 여전히 직접 표본 검수해야 합니다.
관련 Skill 가이드
- Claude를 이메일 마케팅에 사용하는 방법: Nadia Skill 가이드
- Claude를 소셜 미디어 관리자로 사용하는 방법: Maya Skill 가이드
- Claude를 성장 마케팅 전략가로 사용하는 방법: Sofia Skill 가이드
- Claude를 마케팅 분석에 사용하는 방법: Rafa Skill 가이드
KissMySkills는 Claude, ChatGPT 및 모든 AI 채팅을 위한 2,000+개의 AI Skill, 300+개의 prompt pack, 55개의 에이전트와 무료 도구를 제공하는 마켓플레이스입니다.