어떤 LCC 불만을
먼저 고쳐야 할까?

“나쁜 리뷰가 너무 많다”는 고칠 수 없는 문제다

저비용항공사는 나쁜 리뷰를 많이 받는다. 하지만 그 사업 모델 자체가 비용을 바닥까지 낮추는 데 달려 있어서, “서비스를 전부 개선하자”는 말은 사실상 “저비용항공사를 그만두자”는 말과 같다. 그러니 진짜 질문은 양이 아니라 우선순위다.

이 글이 답하려는 질문은 하나다 — 어떤 불만이 가장 아프고, 그중 무엇을 싸게 고칠 수 있는가? 분석 단위는 개별 부정 리뷰이고, 대상은 Wizz·Ryanair·AirAsia·Scoot 네 곳, 측정하는 것은 두 가지다: 불만이 어떤 유형에 속하는지, 그리고 그 불만의 감정이 얼마나 거친지. 미리 못 박아 두자 — 이건 리뷰 텍스트를 묶어 패턴을 드러내는 기술적·탐색적 분석이지, 무엇이 무엇을 일으켰다는 인과 주장이 아니다.

셀레니움으로 긁은 리뷰 두 사이트, 그중 하나만 채택

리뷰는 일반 소비자 플랫폼 Trustpilot과 항공 전문 플랫폼 Skytrax 두 곳에서 셀레니움으로 수집해 항공사별로 라벨링했다. 두 출처를 합치자 군집 품질이 오히려 떨어졌다 — 두 사이트의 리뷰 문체가 너무 달라서, 임베딩 공간에서 ‘사이트’가 ‘불만 유형’보다 먼저 갈렸기 때문이다. 그래서 최종 분석은 더 깨끗하고 일관된 Trustpilot 단일 출처로만 돌렸다.

여기서부터가 데이터 준비의 핵심이다. 6,460건 전부가 불만은 아니다 — 별점 높은 후기, 중립적 코멘트도 섞여 있다. 모든 리뷰를 VADER 감정 점수로 매긴 뒤 점수 −0.3 미만만 ‘진짜 불만’으로 남겼고, 그렇게 4,368건이 분석 대상이 됐다. 한 가지 약한 고리는 미리 밝혀 둔다: 단일 출처라 더 깨끗한 대신 플랫폼 간 일반화는 약하고, VADER는 영어 기준이라 비영어 리뷰는 사실상 범위 밖이다 — 이 선택들이 나중에 결론을 흔들 수 있는 지점이다.

단어 빈도로는 안 갈렸다 — 의미로 묶어야 했다

불만을 유형으로 묶는 데는 정답 라벨이 없다(비지도 군집화). 그래서 베이스라인부터 깔고 비교했다. 접근 A는 고전적인 TF-IDF 단어 빈도 벡터에 K-평균을 돌리는 것. 결과는 명확한 실패였다 — 엘보 그래프가 거의 평평해서 K=1에서 K=6까지 군집 내 분산(WSS)이 2.9%밖에 안 줄었다. 고차원 희소 벡터들이 서로 다 비슷하게 멀어 보여, K-평균이 그룹을 가르지 못한 것이다.

접근 B는 문장 임베딩 모델 all-MiniLM-L6-v2로 각 리뷰를 의미를 담은 384차원 밀집 벡터로 바꾼 뒤 K-평균을 돌린다. 이번엔 군집이 깨끗하게 갈렸고, 군집 개수 K를 실루엣 점수로 고르자 K=4에서 정점을 찍었다. 그래서 접근 B를 채택했다. 각 군집의 정체는 c-TF-IDF 키워드와 워드클라우드로 해석했다 — 어떤 단어가 그 군집을 ‘그 군집답게’ 만드는지를 본 것이다.

전형적인 불만은 네 가지 — 그리고 항공사마다 다르다

불만 4,368건은 네 가지 유형으로 갈렸다. 군집 0은 게이트 수하물 요금과 직원 응대로 거의 Ryanair(96%)가 채웠고 평균 감정이 −0.790으로 가장 거칠다. 군집 1은 환불·취소 분쟁(AirAsia 53%)으로 가장 큰 덩어리(1,355건), 군집 2는 체크인 수하물 요금(Wizz 49%), 군집 3은 지연과 전반적 비행 경험(AirAsia 35%)이다.

중요한 건 항공사마다 나쁜 방식이 다르다는 점이다. 왼쪽 히트맵(그림 2)의 구성비를 보면 Ryanair는 군집 0, Wizz는 군집 2, AirAsia는 군집 1·3에 몰린다 — 같은 종류로 욕먹는 게 아니다. 오른쪽 히트맵(그림 3)은 그 불만이 얼마나 거친지를 보여주는데, 수하물 요금 군집(0·2)이 환불·지연 군집(1·3)보다 항공사 전반에서 일관되게 더 짙다. 즉 더 아프다.

감정으로 보면 넷이 아니라 두 그룹이다

유형은 넷이지만, 감정 강도는 그렇게 잘게 나뉘지 않았다. 네 군집의 평균 감정을 쌍별 t-검정으로 비교하자, 군집들은 통계적으로 구분되는 두 그룹으로 모였다: 그룹을 가로지르는 차이는 모두 p < .001로 유의했고, 그룹 안의 차이(0 vs 2, 1 vs 3)는 어느 것도 유의하지 않았다(p = 0.217, 0.175). 다시 말해, 0과 2는 통계적으로 같은 정도로 거칠고, 1과 3도 서로 같다.

두 그룹의 정체가 결론을 결정한다. 그룹 A(≈ −0.78 ~ −0.79)는 군집 0 + 2 — 게이트와 체크인 데스크에서 대면으로 마주치는 예상 못 한 수하물 요금이다. 그룹 B(≈ −0.74 ~ −0.75)는 군집 1 + 3 — 비대면 환불 분쟁과 운항 지연이다. 그러니까 가장 거친 분노는 추상적으로 잃은 돈이 아니라, 얼굴을 맞대고 갑자기 청구당하는 순간에서 나온다. 같은 돈을 잃어도 챗봇과의 환불 싸움이나 지연보다, 데스크 앞에서 예상 못 한 요금을 통보받는 쪽이 더 세게 긁힌다.

이 결과를 어디까지 믿어야 하나

결과는 매력적이지만 과대 해석은 금물이다. 첫째, 군집은 또렷하게 떨어져 있지 않다(실루엣 0.049). 유형 경계는 연속적이고, 한 리뷰가 두 유형을 동시에 담을 수 있다 — 그래서 ‘군집’은 분명한 칸막이가 아니라 무게중심으로 읽어야 한다. 둘째, 감정 점수는 규칙 기반 VADER에서 나왔다. 항공 텍스트로 학습된 게 아니라 반어·맥락에 속을 수 있어, 개별 점수에는 오차가 있다. 다만 본 결론은 개별 점수가 아니라 수천 건 평균의 그룹 간 차이에 기대므로 이 약점에 비교적 강건하다.

강도 높고 비용 낮은 대상을 먼저 고쳐라

이제 우선순위를 ‘감정 강도 ÷ 해결 비용’으로 세우면 답은 곧장 그룹 A를 가리킨다. 핵심은 요금 자체가 아니라 예상 못 함이고, 투명성은 싸다. 가장 거친 ~40%의 불만(1,754건)이 동시에 가장 싸게 풀린다는 뜻이다 — 강도와 비용이 보통은 같이 가는데, 여기선 반대로 정렬돼 있다.

구체적 조치는 싸다: 예약 시점의 총액 표시, 공항 가기 전 명확한 기내 수하물 규격·요금, 게이트와 데스크의 일관된 안내. 어느 것도 LCC 모델이 의존하는 부가 수익을 깎지 않는다 — 요금을 없애는 게 아니라 ‘예상 못 함’을 ‘낼 줄 알았다’로 바꾸는 것이기 때문이다. 반대로 그룹 B(환불·지연)는 감정이 더 약한데 고치는 비용은 훨씬 크니, 먼저 돈을 쓸 곳이 아니다.

그래서 무엇을 의미하나

데이터는 원래 문제를 다시 짠다. 우리는 “LCC가 나쁜 리뷰를 너무 많이 받는다”를 하나의 거대한 분노 덩어리로 보고 두루뭉술하게 낮추려 출발했다. 군집화는 그렇지 않음을 보여준다: 불만 4,368건은 네 유형으로 갈리고, 감정으로 보면 단 두 감정 계층으로 모인다.

그리고 더 거친 계층은 돈을 가장 많이 잃는 곳도, 운영이 가장 망가지는 곳도 아니다 — 고객이 예상 못 하게, 대면으로 게이트와 체크인 데스크에서 청구당하는 곳이다. 이 한 가지 사실이 대응의 순서를 바꾼다. 가장 거친 ~40%(1,754건)가 요금이 아니라 ‘예상 못 함’에서 오므로, 강도가 가장 높은 문제가 동시에 가장 싸게 풀린다. 그래서 권고는 “전부 개선”이 아니라 항공사별 표적 투명성 개선 — Ryanair는 게이트에서, Wizz는 체크인에서 — 이며, 최소 비용에 리뷰 점수와 입소문을 지킨다. 정직하게 답하지 못한 부분도 있다: ‘비용이 싸다’는 측정이 아닌 추정이고, 실제 효과 검증은 투명성 개선 전후의 리뷰 변화를 보는 후속 분석의 몫이다.

이 결론을 뒤집을 수 있는 것들

솔직한 단서 넷 — 각각 깨지면 결론이 어떻게 바뀌는지를 함께 적는다. 단일 최대 약점은 ‘해결 비용’이 측정값이 아니라 가정이라는 점이다.