Gemini Advanced로 다국어 고객 리뷰 분석 자동화: 동남아 이커머스 5만건 리뷰 분석 실전 사례

동남아 이커머스 셀러의 다국어 리뷰 분석 자동화 실전 사례

동남아시아 시장에서 이커머스를 운영하면 태국어, 베트남어, 인도네시아어, 말레이어, 필리핀어, 영어 등 최소 6개 언어의 고객 리뷰를 동시에 관리해야 합니다. 수작업으로는 불가능에 가까운 이 작업을 Gemini Advanced API와 Python 자동화 파이프라인으로 해결한 실제 사례를 소개합니다.

프로젝트 배경

K뷰티 브랜드를 Shopee, Lazada에서 판매하는 셀러 A사는 월평균 8,000건 이상의 리뷰가 누적되고 있었습니다. 6개월간 쌓인 약 5만 건의 리뷰를 분석해 제품 개선 우선순위를 도출하는 것이 목표였습니다.

필수 패키지 설치

pip install google-generativeai pandas openpyxl gspread oauth2client tqdm

Gemini API 키 설정

import google.generativeai as genai
import os

os.environ["GOOGLE_API_KEY"] = "YOUR_API_KEY"
genai.configure(api_key=os.environ["GOOGLE_API_KEY"])

model = genai.GenerativeModel("gemini-1.5-pro")

Google AI Studio(aistudio.google.com)에서 API 키를 발급받을 수 있습니다. Gemini Advanced 구독자는 1.5 Pro 모델의 높은 RPM(분당 요청 수) 한도를 사용할 수 있습니다.

Step 2: 리뷰 데이터 수집 및 전처리

import pandas as pd

출력 예시: 전처리 후 총 리뷰 수: 47,832건

Step 3: Gemini로 배치 감성 분석 및 토픽 추출

from tqdm import tqdm
import json
import time

def analyze_reviews_batch(reviews_batch):
    reviews_text = "\n---\n".join(
        [f"[{r['country']}] {r['review_text']}" for _, r in reviews_batch.iterrows()]
    )

    prompt = f"""다음은 동남아시아 여러 국가에서 수집된 고객 리뷰입니다.
각 리뷰에 대해 다음을 JSON 배열로 반환해주세요:
- sentiment: positive / negative / neutral
- language: 감지된 언어 (th, vi, id, ms, tl, en)
- topics: 언급된 주요 토픽 (배송, 품질, 가격, 포장, 향, 사용감 등)
- improvement: 제품 개선 관련 언급이 있으면 한국어로 요약

리뷰 목록:
{reviews_text}

JSON 배열만 반환하세요."""

    response = model.generate_content(
        prompt,
        generation_config=genai.GenerationConfig(
            response_mime_type="application/json",
            temperature=0.1
        )
    )
    return json.loads(response.text)

# 20건씩 배치 처리
batch_size = 20
results = []

for i in tqdm(range(0, len(all_reviews), batch_size)):
    batch = all_reviews.iloc[i:i+batch_size]
    try:
        batch_result = analyze_reviews_batch(batch)
        results.extend(batch_result)
    except Exception as e:
        print(f"배치 {i} 오류: {e}")
        time.sleep(30)  # Rate limit 대응
        continue
    time.sleep(1)  # API 호출 간격 조절

Step 4: 분석 결과 집계 및 인사이트 도출

results_df = pd.DataFrame(results)

# 국가별 감성 분포
sentiment_by_country = results_df.groupby(
    ["language", "sentiment"]
).size().unstack(fill_value=0)
print(sentiment_by_country)

# 부정 리뷰에서 가장 많이 언급된 토픽
negative = results_df[results_df["sentiment"] == "negative"]
topic_counts = negative["topics"].explode().value_counts().head(10)
print("\n부정 리뷰 상위 토픽:")
print(topic_counts)

# 개선 제안 추출
improvements = results_df[
    results_df["improvement"].notna()
]["improvement"].tolist()
print(f"\n제품 개선 제안: {len(improvements)}건 추출")

Step 5: 개선 우선순위 보고서 자동 생성

summary_prompt = f"""다음은 동남아 6개국 고객 리뷰 {len(all_reviews)}건을 분석한 결과입니다.

감성 분포:
{sentiment_by_country.to_string()}

부정 리뷰 상위 토픽:
{topic_counts.to_string()}

고객 개선 제안 샘플 (상위 50건):
{chr(10).join(improvements[:50])}

위 데이터를 바탕으로 다음을 작성해주세요:
1. 국가별 핵심 불만 요약 (표 형태)
2. 제품 개선 우선순위 Top 5 (영향도, 긴급도 포함)
3. 각 개선 항목에 대한 구체적 실행 방안
4. 다음 분기 모니터링 KPI 제안

한국어로 작성하세요."""

report = model.generate_content(summary_prompt)

with open("review_analysis_report.md", "w", encoding="utf-8") as f:
    f.write(report.text)

print("보고서가 생성되었습니다: review_analysis_report.md")

실제 도출된 개선 성과

Q1: Gemini Advanced 구독 없이 무료 API로도 이 분석이 가능한가요?

네, Google AI Studio의 무료 티어로도 가능합니다. 다만 무료 플랜은 분당 요청 수(RPM)가 15회로 제한되어 5만 건 처리에 약 28시간이 소요됩니다. Gemini Advanced 구독자는 RPM이 대폭 상향되어 약 4시간 내에 완료할 수 있습니다. 비용 효율을 고려하면 대규모 분석에는 유료 플랜이 권장됩니다.

Q2: Shopee나 Lazada에서 리뷰 데이터를 어떻게 추출하나요?

두 가지 방법이 있습니다. 첫째, 셀러 센터의 리뷰 관리 페이지에서 CSV로 내보내기하는 방법입니다(가장 간단). 둘째, Shopee Open Platform API나 Lazada Open Platform API를 사용하여 프로그래밍 방식으로 수집하는 방법입니다. 대량 수집 시에는 API 방식이 효율적이며, 각 플랫폼의 개발자 문서에서 리뷰 관련 엔드포인트를 확인할 수 있습니다.

Q3: 분석 결과의 정확도는 어느 정도인가요?

실제 테스트에서 Gemini 1.5 Pro의 다국어 감성 분석 정확도는 약 8993% 수준이었습니다. 특히 태국어와 베트남어에서 높은 정확도를 보였습니다. 정확도를 높이려면 프롬프트에 해당 산업(예: 뷰티, 전자제품)의 도메인 특화 키워드를 포함하고, 소량의 리뷰로 먼저 테스트한 후 프롬프트를 튜닝하는 것을 권장합니다. Few-shot 예시를 35개 포함하면 특히 토픽 분류 정확도가 크게 개선됩니다.