특성 분석
AI가 인용한 URL의 HTML 페이지를 직접 분석하여, 7개 카테고리로 점수화하고 순위 예측 및 개선점을 제시합니다.
특성 분석이란?
특성 분석은 AI 엔진(Google AIO, ChatGPT, Perplexity, Gemini, Grok)이 인용한 URL의 HTML 품질을 자동으로 분석하는 기능입니다.
- 인용된 URL의 HTML을 직접 가져와 분석
- 7개 카테고리로 점수화 (Schema, Heading, 콘텐츠, 메타태그, 링크, 미디어, 구조화)
- AI 최적화 점수(A+~F 등급)를 부여
- 실제 순위 데이터와 연계하여 가중치 자동 조정
- Ridge 회귀 모델로 순위 예측
화면 구성
필터 바
필터 바에서 분석 범위와 도구를 제어합니다.
| 항목 | 설명 |
|---|---|
| 엔진 필터 | 특정 AI 엔진의 인용 링크만 분석 (전체/개별 선택) |
| 상위 % 필터 | 인용 빈도 기준 상위 N%만 분석 (10%, 20%, 30%, 50%, 전체) |
| 가중치 캘리브레이션 | 실제 순위 데이터로 가중치 자동 조정 (최소 20개 URL 필요) |
| 모델 학습 | Ridge 회귀 모델로 순위 예측 (최소 20개 URL 필요) |
분석 요약 카드
전체 분석 URL의 요약 통계를 보여줍니다:
- 평균 글자 수
- 평균 이미지 수 및 alt 비율
- Schema.org 사용률
- OG Image 사용률
AI 최적화 점수 분포
분석된 URL을 등급별로 분류합니다:
| 등급 | 점수 범위 | 의미 |
|---|---|---|
| A+ | 90~100 | 매우 우수 — AI 인용에 최적화된 콘텐츠 |
| A | 75~89 | 우수 — 대부분의 최적화 요소 충족 |
| B | 60~74 | 양호 — AI 인용 가능성 높음 |
| C | 40~59 | 보통 — 개선 여지 있음 |
| D | 20~39 | 미흡 — 여러 항목 개선 필요 |
| F | 0~19 | 부족 — 전면적 개선 필요 |
B 이상이면 AI 엔진에서 인용될 가능성이 높습니다.
순위 예측 (모델 학습 후)
모델 학습을 실행하면 두 가지 차트가 추가됩니다:
예측 정확도 산점도
- X축: 실제 순위, Y축: 예측 순위
- 점이 대각선에 가까울수록 예측이 정확
- R²와 Spearman 상관계수로 모델 품질 확인
피처 중요도 차트
- 각 피처의 회귀 계수를 막대로 표시
- 녹색(음수): 해당 피처가 높을수록 순위가 좋아짐
- 빨간색(양수): 해당 피처가 높을수록 순위가 나빠짐
- 빨간색이 큰 피처를 개선하면 순위 향상 효과 기대
URL 상세 테이블
각 URL의 상세 분석 결과를 표로 보여줍니다.
| 컬럼 | 설명 |
|---|---|
| AI 최적화 | 종합 점수 및 등급 |
| 순위 예측 | 모델 예측 순위 (모델 학습 후) |
| 순위 | 실제 평균 인용 순위 |
| 인용 | 인용 횟수 |
| 글자 수 | 본문 텍스트 길이 |
| 이미지 | 이미지 수 (alt 비율) |
| H1/H2/H3 | 헤딩 태그 수 |
| Schema | Schema.org 사용 여부 |
| OG Img | Open Graph 이미지 여부 |
| Canon. | Canonical 태그 여부 |
| 내부/외부 링크 | 링크 수 |
| 리스트/테이블 | 구조화 요소 수 |
정렬 모드:
- 순위순: 실제 인용 순위 기준
- 점수순: AI 최적화 점수 기준
- 예측순: 모델 예측 순위 기준 (모델 학습 후)
행 클릭 → 카테고리별 점수 막대와 개선 권고사항이 펼쳐집니다.
7개 카테고리 점수 상세
| 카테고리 | 기본 가중치 | 주요 항목 |
|---|---|---|
| Schema & 구조화 데이터 | 25% | Schema.org 타입 종류, JSON-LD 사용 여부 |
| Heading 구조 | 18% | H1 존재/복수 여부, H2-H3 깊이, 계층 구조 |
| 콘텐츠 깊이 | 18% | 본문 글자 수, 문단 수, 정보 밀도 |
| 메타태그 | 13% | title, description, OG tags, canonical |
| 내부/외부 링크 | 10% | 내부 링크 수, 외부 링크 수, 링크 비율 |
| 미디어 & 접근성 | 8% | 이미지 수, alt 속성 비율, 동영상 |
| 구조화 콘텐츠 | 8% | 리스트, 테이블, 정의 목록, 코드 블록 |
가중치 캘리브레이션
원리
실제 순위와 각 카테고리 점수의 Spearman 상관계수를 계산하여, 순위와 상관이 높은 카테고리에 더 높은 가중치를 부여합니다.
사용 조건
- 순위 데이터가 있는 URL이 20개 이상 필요
- 필터(엔진, 상위 %)를 적용한 상태에서 캘리브레이션 가능
결과 해석
- 필터 바에 캘리브레이션된 가중치가 카테고리별로 표시됩니다
- 기본 가중치 대비 증감이 색상으로 표시 (녹색: 증가, 빨간색: 감소)
- "기본값" 버튼으로 언제든 초기 가중치로 복원 가능
순위 예측 모델
원리
Ridge 회귀 (L2 정규화 선형 회귀)로 10개 피처를 사용하여 인용 순위를 예측합니다.
10개 피처 목록
| # | 피처 | 설명 |
|---|---|---|
| 1 | textLength | 본문 글자 수 |
| 2 | imageCount | 이미지 수 |
| 3 | imageAltRatio | 이미지 alt 속성 비율 |
| 4 | headingCount | 전체 헤딩 수 |
| 5 | internalLinks | 내부 링크 수 |
| 6 | externalLinks | 외부 링크 수 |
| 7 | listCount | 리스트 수 |
| 8 | tableCount | 테이블 수 |
| 9 | hasSchema | Schema.org 사용 여부 (0/1) |
| 10 | hasOgImage | OG Image 여부 (0/1) |
R² 해석 가이드
| R² 값 | 해석 |
|---|---|
| < 0.3 | 낮음 — HTML 특성 외 요인(도메인 권위 등)이 순위에 더 큰 영향 |
| 0.3 ~ 0.6 | 보통 — HTML 특성이 순위에 일부 영향 |
| > 0.6 | 높음 — HTML 특성이 순위에 큰 영향 |
Spearman 상관 해석
| ρ 값 | 해석 |
|---|---|
| < 0.3 | 약한 상관 |
| 0.3 ~ 0.6 | 보통 상관 |
| > 0.6 | 강한 상관 |
피처 중요도 읽는 법
- 계수의 부호: 음수는 순위 상승(좋음), 양수는 순위 하락(나쁨)
- 계수의 크기: 절대값이 클수록 순위에 미치는 영향이 큼
- 빨간색(양수)이 큰 피처를 개선하면 순위가 올라갈 수 있습니다
개선 권고사항
각 URL의 행을 펼치면 자동 생성된 개선 권고사항을 확인할 수 있습니다.
자동 생성 규칙 예시
| 조건 | 권고사항 |
|---|---|
| Schema.org 없음 | JSON-LD 형식의 Schema.org 구조화 데이터를 추가하세요 |
| H1 태그 없음 | 페이지에 H1 태그를 추가하세요 |
| 본문 1,000자 미만 | 콘텐츠를 확장하여 충분한 정보를 제공하세요 |
| OG Image 없음 | Open Graph 이미지를 설정하세요 |
| 이미지 alt 비율 낮음 | 모든 이미지에 alt 속성을 추가하세요 |
| 리스트/테이블 없음 | 정보를 구조화된 형태로 정리하세요 |
우선순위 계산 방식
- 가중치가 높은 카테고리의 권고사항이 먼저 표시
- 캘리브레이션된 가중치가 있으면 해당 가중치 기준으로 정렬
활용 워크플로우
- 특성 분석 페이지 진입 — 사이드바에서 "특성 분석" 클릭
- 분석 요약으로 전체 현황 파악 — 평균 점수, 등급 분포 확인
- 캘리브레이션으로 가중치 최적화 — 실제 순위 반영 (20개 이상 URL 필요)
- 모델 학습으로 순위 예측 — R², Spearman으로 정확도 확인
- URL별 개선 사항 확인 및 실행 — 행 클릭 → 개선 권고사항 확인
FAQ
Q: 데이터가 부족하다고 나옵니다
최소 10개 URL의 HTML 분석이 필요합니다. 질의어를 추가하거나 수집 기간을 늘려보세요. 캘리브레이션과 모델 학습은 순위 데이터가 있는 URL 20개 이상이 필요합니다.
Q: R²가 낮으면 어떻게 해야 하나요?
R²가 낮다는 것은 HTML 특성만으로 순위를 설명하기 어렵다는 의미입니다. 도메인 권위, 브랜드 인지도 등 다른 요인이 순위에 큰 영향을 주는 경우일 수 있습니다. 이 경우에도 개선 권고사항은 HTML 품질 향상에 도움이 됩니다.
Q: 캘리브레이션과 모델 학습의 차이는?
- 캘리브레이션: 7개 카테고리의 가중치를 조정하여 AI 최적화 점수를 더 정확하게 만듦
- 모델 학습: 10개 피처로 순위 자체를 예측하는 회귀 모델을 생성
둘은 독립적이므로 각각 따로 실행할 수 있습니다.