← 모든 프로젝트
데이터 분석 · 서비스 기획 · 2025.11

37,923건의 리뷰에서 이탈이 생기는 과정을 찾았다

앱 리뷰 감정 분석 → 고객 여정 기반 서비스 개선안 설계

리뷰 데이터로 어떤 기능을 먼저 고쳐야 하는지 순위를 매겼다

부정 리뷰 구조화 → 영역별 심각도 비교 → 개선 우선순위 제안

별점 숫자 뒤에서 반복되는 불만의 말을 구조로 묶었다

리뷰 텍스트 키워드 추출 → 공지 중심 CS를 문제 상황별 FAQ로 재배치

PythonKoELECTRASHAPSQL사용자 여정데이터 분석
37,923건 분석 규모

문제

Gcar 앱에는 부정 리뷰가 반복되고 있었지만, 어떤 문제가 핵심 이탈을 유발하는지 구조적으로 정리된 데이터가 없었다.

역할

데이터 분석·여정 매핑 담당 (공개 리뷰 데이터 기반 4인 팀 프로젝트)

결과

Google Play · App Store 리뷰 37,923건을 수집·분류해 부정 경험의 핵심 축을 고객센터·앱오류·반납예약·과금으로 구조화했습니다.

문제

Gcar 앱에는 부정 리뷰가 반복되고 있었지만, 고객센터·앱오류·반납예약·과금 중 어떤 영역부터 개선해야 하는지 우선순위가 정리돼 있지 않았다.

역할

데이터 분석·여정 매핑 담당 (공개 리뷰 데이터 기반 4인 팀 프로젝트)

결과

고객센터 87.23% · 앱오류 79.24% · 반납·예약 92.86%(최고치) · 과금·페널티 90.66%. 반납·예약 영역을 1순위 개선 대상으로 제안했습니다.

문제

Gcar 앱 리뷰에는 부정적인 표현이 반복되고 있었지만, 그 말들이 어떤 상황에서 나오는지 구조적으로 정리된 적이 없었다.

역할

데이터 분석·여정 매핑 담당 (공개 리뷰 데이터 기반 4인 팀 프로젝트)

결과

앱 오류 → 반납 실패 → 과금 → CS 문의 → 1점 리뷰로 이어지는 실패 여정 맵을 만들고, 정보 구조 재설계를 포함한 4개 개선 방향을 제안했습니다.

Evidence

리뷰에서 검증한 이탈 신호

공개 리뷰 기반 지표라 내부 전환 지표는 제외하고, 비교 가능한 분석 근거만 노출했습니다.

37,923건 수집·분류 리뷰
0.976 감정 분류 정확도
31.4% Gcar 1점 리뷰 비율
Gcar 1점 리뷰 31.4%
Socar 1점 리뷰 23.9%

산출물

01 · Results

분석 성과

Google Play · App Store 리뷰 37,923건을 수집·분류해 부정 경험의 핵심 축을 고객센터·앱오류·반납예약·과금으로 구조화했습니다.

영역별 부정 비율

고객센터 87.23% · 앱오류 79.24% · 반납·예약 92.86%(최고치) · 과금·페널티 90.66%. 반납·예약 영역이 가장 심각해 1순위 개선 대상으로 제안했습니다.

기획 성과

앱 오류 → 반납 실패 → 과금 → CS 문의 → 1점 리뷰로 이어지는 실패 여정 맵을 만들고, 4개 개선 방향을 제안했습니다.

검증 한계

공개 리뷰 기반 분석이므로 실제 서비스 내부 지표나 A/B 테스트로 검증된 결과는 아닙니다. 3.49 → 3.65, 31.4% → 27.5%는 실행 전 목표치입니다.

개선 우선순위

고객센터 87.23% · 앱오류 79.24% · 반납·예약 92.86%(최고치) · 과금·페널티 90.66%. 반납·예약 영역을 1순위 개선 대상으로 제안했습니다.

분석 성과

Google Play · App Store 리뷰 37,923건을 수집·분류해 부정 경험의 핵심 축을 구조화했습니다.

검증 근거

KoELECTRA-Base-v3 감정 분류(정확도 0.976 · F1 0.984), Mann-Whitney U 검정으로 영역별 차이의 유의성을 확인했습니다.

검증 한계

공개 리뷰 기반 분석이므로 실제 서비스 내부 지표나 A/B 테스트로 검증된 결과는 아닙니다. 3.49 → 3.65, 31.4% → 27.5%는 실행 전 목표치입니다.

여정 맵

앱 오류 → 반납 실패 → 과금 → CS 문의 → 1점 리뷰로 이어지는 실패 여정 맵을 만들고, 정보 구조 재설계를 포함한 4개 개선 방향을 제안했습니다.

키워드 분석

SHAP로 부정 감정을 유발하는 핵심 키워드를 추출해 고객센터 정보 구조 재설계의 근거로 썼습니다.

분석 규모

Google Play · App Store 리뷰 37,923건을 수집·분류했습니다.

검증 한계

공개 리뷰 기반 분석이므로 실제 서비스 내부 지표나 A/B 테스트로 검증된 결과는 아닙니다.

02 · Problem

Gcar 앱에는 부정 리뷰가 반복되고 있었지만, 어떤 문제가 핵심 이탈을 유발하는지 구조적으로 정리된 데이터가 없었다. 개별 이슈 대응에 그치지 않고 고객 여정 관점에서 원인을 다시 정의해야 했다. 패스트캠퍼스에서 데이터로 기획 방향을 수정했던 방식을, 분석 도구를 갖춰 3.8만 건 규모로 확장한 프로젝트다.

Gcar 앱에는 부정 리뷰가 반복되고 있었지만, 고객센터·앱오류·반납예약·과금 중 어떤 영역부터 개선해야 하는지 우선순위가 정리돼 있지 않았다. 감에 의존한 개선 제안은 의견 차이를 좁히기 어려웠다.

Gcar 앱 리뷰에는 부정적인 표현이 반복되고 있었지만, 그 말들이 어떤 상황에서 나오는지 구조적으로 정리된 적이 없었다. 사용자는 문제가 생긴 뒤에도 해결 방법을 빠르게 찾지 못하고 있었다.

03 · Approach

  1. 01

    데이터 수집

    Google Play · App Store에서 Gcar·경쟁사 앱 리뷰 37,923건 크롤링 및 전처리 (수집 기간: 2021–2025)

  2. 02

    감정 분류

    사전학습 KoELECTRA-Base-v3 모델 적용, 감정 분류(정확도 0.976 · F1 0.984) 후 SHAP로 부정 감정 유발 핵심 키워드 도출

  3. 03

    이슈 구조화

    부정 리뷰를 고객센터·앱오류·반납예약·과금 4개 영역으로 묶고, A지표(전체 리뷰 대비 부정 비율)·B지표(부정 리뷰 내 구성비)로 리뷰량 편향을 보정

  4. 04

    여정 시각화

    앱오류 → 반납실패 → 과금 이슈 → CS 문의 → 1점 리뷰로 이어지는 실패 여정 맵 작성

  5. 05

    개선안 도출

    여정 기반 4개 우선 개선 방향 제안 (고객센터 정보 구조 재설계 / 반납 장소 혼잡도 사전 안내 / 과금 사전 경고 / 자동 문의 연결)

실패 여정

단일 기능 오류가 아니라 여정 전반에서 누적되는 연쇄 구조였다.

앱 오류
예약·반납 실패
시간 초과·과금
고객센터 지연
1점 리뷰

04 · Key Insight

01

가격 경쟁력만으로 불만은 줄지 않았다

가격 만족도가 높음에도 1★ 리뷰 비율은 Socar(23.9%)보다 Gcar(31.4%)가 높았고, Mann-Whitney U 검정에서도 차이가 유의했다(p<0.05). 저렴한 이용료는 경쟁 우위였지만(카셰어링 차량 선택 기준 1위, 82.7%), 평점을 낮춘 변수는 가격보다 반납·패널티·CS 여정이었다.

02

앱 오류부터 CS 지연까지, 불만은 단계마다 쌓였다

앱 오류 → 반납 실패 → 패널티 → CS 지연으로 이어지며 불만이 커졌다. 기능 하나를 고치는 것보다 단계마다 생기는 불확실성을 줄이는 일이 먼저였다.

03

개선이 통계적으로 입증된 영역은 고객센터뿐이다

분기별 시계열 추세 검정(OLS+Newey–West) 결과 고객센터 부정 비율만 유의하게 감소했고(연 −1.90%p, p<0.05), 앱·반납예약·페널티는 감소 추세가 확인되지 않았다(p>0.28). 단일 기능 패치가 아니라 여정 전체의 통합 개선이 필요한 근거다.

01

네 영역 중 반납·예약이 가장 심각했다

고객센터·앱오류·반납예약·과금 4개 영역의 부정 비율을 각각 계산했다. 고객센터 87.23%, 앱오류 79.24%, 반납·예약 92.86%(최고치), 과금·페널티 90.66%로, 반납·예약이 전체 중 가장 높아 개선 우선순위 1순위로 제안했다.

02

가격 경쟁력만으로 불만은 줄지 않았다

가격 만족도가 높음에도 1★ 리뷰 비율은 Socar(23.9%)보다 Gcar(31.4%)가 높았다(p<0.05). 저렴한 이용료는 경쟁 우위였지만(카셰어링 차량 선택 기준 1위, 82.7%), 상품으로서의 평점을 낮춘 변수는 가격이 아니라 반납·패널티·CS 여정이었다.

03

개선이 통계적으로 입증된 영역은 고객센터뿐이다

분기별 시계열 추세 검정 결과 고객센터 부정 비율만 유의하게 감소했고(연 −1.90%p, p<0.05), 나머지 영역은 감소 추세가 확인되지 않았다(p>0.28). 어떤 개선이 실제로 작동했는지와 아닌지를 구분하는 근거가 됐다.

01

SHAP로 부정 감정을 유발하는 핵심 키워드를 뽑았다

KoELECTRA-Base-v3로 감정을 분류한 뒤(정확도 0.976·F1 0.984) SHAP로 부정 리뷰에서 반복되는 핵심 키워드를 추출했다. 막연한 "불만이 많다"가 아니라 어떤 단어가 부정 판단에 기여하는지를 데이터로 짚었다.

02

공지 중심 CS를 문제 상황별 FAQ로 재배치했다

사용자는 문제 발생 후 해결 방법을 빠르게 찾지 못했다. 공지사항 중심 구조를 문제 상황별 FAQ 구조로 재배치하는 방향을 잡아, 사용자가 겪는 말 그대로의 문제에서 출발하는 정보 구조를 제안했다.

03

앱 오류부터 CS 지연까지, 불만은 하나의 이야기로 이어졌다

앱 오류 → 반납 실패 → 패널티 → CS 지연으로 이어지며 불만이 커졌다. 개별 리뷰를 흩어진 불만이 아니라 하나의 연쇄된 이야기로 재구성했을 때 어디부터 다뤄야 하는지가 분명해졌다.

05 · Contribution

Role
데이터 분석·여정 매핑 담당 (공개 리뷰 데이터 기반 4인 팀 프로젝트)
Scope
크롤링·전처리·감정분석·이슈 구조화·여정 맵 작성·개선안 설계 전 과정
Output
고객 여정 기반 이탈 구조 분석 보고서, 통계 검정(Mann-Whitney·시계열 추세) 기반 개선 우선순위, 4개 개선 방향 제안 + 혼잡도 예측 대시보드 시안

다음 프로젝트

Pullsize