별점

별점은 고객이 남긴 점수의 평균으로 구성됩니다. 5점, 4점, 5점, 3점의 리뷰가 있으면 평균은 4.25점이며, 표시할 때는 보통 0.5점 단위로 반올림합니다. 하나의 숫자 안에 수많은 의견이 압축되어 있으므로, 그 기반이 되는 리뷰 수가 평균값만큼이나 중요합니다. 200건의 리뷰에서 나온 4.6점은 2건에서 나온 5.0점보다 훨씬 무게가 있습니다. 리뷰 수 없이 별점만 표시하는 것은 구매자가 평가의 신뢰도를 판단하는 데 필요한 맥락을 가리는 것과 같습니다.

평균만큼이나 분포가 중요합니다. 두 상품이 모두 4.3점을 기록하더라도 전혀 다른 이야기를 담고 있을 수 있습니다. 한 상품은 4점과 5점에 집중된 고른 분포를 보이는 반면, 다른 상품은 5점과 1점이 극단으로 갈린 패턴을 나타낼 수 있습니다. 후자는 사이즈, 색상 정확도, 배송과 같은 상품 적합성이나 기대치 문제를 드러내는 경우가 많은데, 이는 단순 평균으로는 보이지 않습니다. 그래서 헤드라인 수치와 함께 별점 구간별 분포를 공개하는 것이 중요합니다.

예를 들어, 린넨 의류를 판매하는 Shopify 스토어가 86건의 리뷰에서 4.4점을 받고 있다고 가정합니다. 1점과 2점 리뷰를 살펴보면 반복되는 패턴이 드러납니다. 상품이 실제보다 크게 나온다는 내용입니다. 스토어 운영자는 사이즈 가이드를 수정하고, 상품 설명에 착용감 관련 안내를 추가하며, 신규 구매자에게 리뷰에 착용감을 언급해 달라고 요청합니다. 이후 몇 주 동안 별점은 4.7점을 향해 서서히 올라갑니다. 더 적은 구매자가 기대에 어긋난 경험을 하기 때문입니다. 별점 자체는 목표가 아니었습니다. 수정 가능한 문제를 드러내는 도구였습니다.

완벽한 5.0점이 오히려 덜 신뢰롭게 읽힐 수 있습니다. 한국 구매자들은 리뷰를 꼼꼼히 살피며, 흠잡을 데 없는 점수가 리뷰 수 부족, 걸러진 피드백, 또는 인센티브를 통해 받은 평점인 경우가 많다는 것을 알고 있습니다. 비판적인 리뷰가 일부 포함된 4.5점에서 4.8점대가 흠 없는 5.0점보다 전환율이 높은 경우가 많습니다. 분포의 정직함 자체가 신호의 일부입니다.

검색 엔진과 AI 답변 엔진에서 별점이 의미를 갖기 위해서는, 시각적으로 채워진 별 이미지가 아닌 구조화된 데이터로 표현되어야 합니다. 평균값과 리뷰 수를 AggregateRating 스키마로 마크업하면 Google과 Naver 검색 결과에 리치 스니펫으로 별점을 표시할 수 있습니다. ChatGPT, Perplexity, Google AI Overviews와 같은 AI 검색 도구는 어떤 상품의 평가가 가장 높은지 답할 때 이 점수를 참조하고 인용할 수 있게 됩니다. AI 모델은 주황색 별 다섯 개 이미지를 안정적으로 파싱하지 못하지만, ratingValue와 reviewCount로 선언된 값은 읽을 수 있습니다. 기존 별점을 이 방식으로 렌더링하고 인용 가능한 형태로 만드는 것이 BeyondReviews가 해결하는 과제입니다.