5만 개 쿼리 확산(fan-out) 분석이 드러내는 브랜드의 역할

핵심

Moz가 프롬프트 생성 실험실과 1,000개 소주제, 50,000개 쿼리 확산 데이터셋을 구축했다. 이 데이터는 브랜드 언급 편향, 관련성 측정, 검색의 장꼬리 특성에 대한 새로운 통찰을 제공한다.

브랜드는 강력하지만, 의도(intent)가 중요하다

• 초기 시도의 문제: 초기 쿼리 확산 프롬프트 생성 과정에서 브랜드나 경쟁사 언급이 있으면 거의 100% 확률로 대형 언어 모델(LLM)이 확산된 쿼리에 브랜드 용어를 포함시키는 심각한 편향이 발생했다.

• 개선된 접근: 50,000개 데이터셋 생성 시 각 소주제마다 주 브랜드 1개와 경쟁사 2개를 컨텍스트 힌트로 사용했다. 명령이 아닌 "밀어붙이기(nudge)" 수준의 제안으로 접근해서 LLM의 반응 방식에 큰 차이를 만들 수 있었다.

• 결과: 최종 분석에서 생성된 프롬프트의 12.8%만 주 브랜드 또는 경쟁사 중 하나를 언급했다. 브랜드 언급이 가장 많았던 상위 5개 확산 유형을 보면, 단 2가지 확산 유형([Entity] 및 [Comparison])이 브랜드 언급의 97%를 차지했다.

  • [Entity] 확산에서 브랜드 언급이 많은 것은 자연스러우나(브랜드는 엔티티이기 때문), [Comparison] 확산에서도 강한 브랜드 성분이 나타났다.

• 해석: 브랜드 언급은 무작위가 아니며, 추적하도록 선택한 프롬프트 유형에 따라 크게 편향된다.

확산된 쿼리는 토픽과 정렬되었지만 지나치게 관련성 높지는 않다

• 목표의 균형: 확산된 쿼리는 토픽과 강하게 정렬되어야 하지만, 모든 확산이 토픽의 단순한 변형이어서는 안 된다(Google도 원하지 않음). 유용하고 다양하면서도 관련성 있는 확산이 필요하다.

• 관련성 측정 방식: "정렬도(Alignment)"라 부르는 지표를 사용했으며, 이는 확산된 쿼리와 그 소주제 간의 코사인 유사도(cosine similarity)다. 각 소주제를 "What is [subtopic]?" 형태의 질문으로 변환해 비교했다.

• 점수 범위와 분포: 0.22~1.00 범위에서 평균 0.67의 정렬도 점수를 얻었으며, 50,000개 프롬프트에 걸쳐 점수가 잘 분산되어 있었다.

• 점수 해석 예시:

  • 0.22 = Cloud Storage Services / "How to share a private link to a file" (토픽과 떨어짐, 용어 언급 없음)
  • 0.67 = LED Light Therapy / "How to use an LED mask for best results" (적절한 정렬)
  • 0.90 = Data Privacy Compliance / "How to ensure data privacy regulatory" (명확히 온토픽, 대부분 키워드 포함)
  • 1.00 = Software Asset Management / "What is software asset management?" (완벽 일치)

• 최적 점수: 주관적이지만, 토픽과의 관련성을 유지하면서도 모든 확산이 동일하지 않도록 토픽 정렬과 다양성 간의 균형을 맞춰야 한다. 이 경우 평균 0.67은 좋은 균형을 나타낸다고 판단된다.

확산된 쿼리는 중기 장꼬리(medium long-tail)에 집중된다

• 쿼리 길이: 토픽에서 질문으로 옮겨갈 때(유기 검색이든 LLM이든), 자연스럽게 SEO에서 말하는 장꼬리로 더 깊이 들어간다. 확산 프롬프트 생성 로직은 최대 12단어를 목표로 했으며, 데이터셋은 프롬프트당 평균 8.2단어였다(범위 3~13단어).

• 대표적인 8단어 길이의 프롬프트:

  • "How to conduct an effective tenant exit interview"
  • "Where to find affordable beginner golf club sets"
  • "Why do customers leave brands they once liked?"

• 최적 길이 고찰: 구체성과 광범위함 사이의 균형이 필요하다. 마케터가 모든 변형을 추적할 수 없으므로, 프롬프트는 충분히 길어서 구체적이면서도 여러 변형을 포함할 수 있을 정도로 광범위해야 한다. Gemini 자체가 최대 12단어 제약 아래서 8.2단어 평균을 선택한 것은 토픽과 소주제에서 흥미로운 확산을 생성하는 데 필요한 프롬프트 길이를 시사한다.

데이터셋 구성

• 범위와 규모:

  • 20개 산업 수직(via Google Trends 등)
  • 1,000개 소주제(Gemini Flash 활용) = 수직당 50개
  • 50,000개 생성된 확산 프롬프트 = 소주제당 50개
  • Gemini API로부터 5,333개의 근거 쿼리(grounding queries)

• 생성 방식: 각 소주제에서 10가지 확산 유형별로 5개씩 생성해 총 50,000개(1,000 × 5 × 10)를 만들었다. 또한 Gemini를 이용해 각 소주제마다 주 브랜드 1개와 경쟁사 2개를 제안받았다.

• 사용 모델: Gemini API를 통해 Gemini 3.1 Flash Lite로 모든 데이터를 생성했으며, 근거 쿼리는 더 강력한 Gemini 3.5 Flash를 사용했다.

공개 데이터

Moz는 쿼리 확산이 키워드 연구 및 생성형 AI 시대의 프롬프트 연구에 미치는 영향에 대한 논의를 촉진하기 위해 모든 원본 데이터(토픽, 확산, 메트릭)를 독자들과 공유하고 있다.