한끗차이
Methodology · 한끗 점수

상품을 어떻게 평가하는가

한끗차이가 사용하는 5가지 평가 기준과 점수 산정 방식, 입력 데이터, 그리고 현재 한계까지 모두 공개합니다.

§요약

한끗 점수는 한 페이지 안의 상품들을 5가지 기준 × 가중치로 비교한 100점 만점 상대 점수입니다. 다른 사이트와 비교하는 절대 점수가 아니라, "이 페이지에서 같이 본 상품들 중에서 어느 쪽이 한 끗 앞서는가"를 정량화한 것입니다.

01평가 기준 5가지

01
25%

가격 경쟁력 (Price Competitiveness)

동일 페이지 안 비교 상품들과의 가격 순위, 그리고 정가 대비 할인율을 합산. 최저가 상품이 가장 높은 점수, 같은 가격대에서는 할인 폭이 큰 쪽이 우대됨.

사용 데이터:판매 가격정가 (originalPrice)
rank_score(0~100) + min(discount × 50, 15)
02
20%

실용성 (Utility)

상품명에 담긴 정보량 (스펙 키워드 밀도) 과 정가 표기 여부 (정상 유통 신호) 를 본다. 할인이 들어간 상품은 시장에 활발히 노출되는 상품이라는 약한 신호.

사용 데이터:상품명 길이정가 노출productId 분산
60 + name_info(≤15) + id_hash(0~20) + (정가있음 ? 5 : 0)
03
20%

신뢰도 (Reliability)

판매처가 부여한 배지 종류에 따른 신뢰 가중치. “베스트”·“프리미엄”·“에디터” 같은 큐레이션 배지는 +, “특가”·“할인”·“최저가” 같은 할인 배지는 단기 노출 신호로 보수적 평가.

사용 데이터:판매처 배지정가 표기
65 + badge_quality(±10) + id_hash(0~18)
04
15%

가성비 (Value)

할인율과 페이지 내 평균가 대비 위치를 같이 본다. 할인 폭이 크고 페이지 평균보다 저렴할수록 가산.

사용 데이터:할인율페이지 내 가격 분포
60 + min(discount × 80, 25) + position_below_avg × 20
05
20%

차별점 (Differentiation)

판매처 배지의 고유성 (긴 카테고리 특화 배지일수록 +) 과 페이지 안 다른 상품과 가격이 얼마나 떨어져 있는지. 유일하게 비싸거나 유일하게 싼 상품은 *기능/포지셔닝 차이* 가 있다고 본다.

사용 데이터:배지 길이페이지 내 가격 이탈
55 + badge_diff(±15) + |price - mean| / spread × 15
가중치 합계 검증: 100 / 100

⚠️ 현재 한계 (정직하게 공개)

  • 사용자 리뷰 NLP 분석은 아직 적용되지 않습니다. 현재는 판매처에서 *수집된* rating·reviewCount 가 비어 있는 상품이 다수라, 리뷰 데이터 없는 항목 (실용성·신뢰도) 은 상품명·배지·할인 같은 구조화 데이터 만으로 채점합니다.
  • 절대 점수가 아닙니다. 같은 페이지 안 다른 상품과의 상대 비교이므로, 서로 다른 페이지의 점수를 1:1로 비교하지 마세요. (예: 마우스 페이지 89점과 노트북 페이지 89점은 다른 기준)
  • 정성 평가가 아닙니다. "예쁘다", "취향에 맞다" 같은 주관적 만족은 점수에 반영되지 않습니다. 점수가 낮다고 *나쁜 상품* 이 아닐 수 있고, 점수가 높다고 *모두에게 맞는* 상품이 아닐 수 있습니다.
  • 개선 로드맵: Coupang Open API / Naver Shopping API 의 실 리뷰 데이터 연동을 통해 "실 사용자 만족도" 와 "장기 사용 신호" 를 점수에 반영할 예정 (2026 Q3 목표).

02데이터 수집 절차

  1. 상품 후보 수집 — 카테고리별 쿠팡·네이버·11번가의 인기·신상·최저가 카테고리에서 상위 상품 자동 수집.
  2. 가격 캡처 — 페이지 작성 시점 기준 판매 가격과 정가를 함께 저장. 페이지에 캡처 일자 명시.
  3. 배지·키워드 추출 — 판매처 배지 (예: "베스트", "딜팡 · 10%") 와 카테고리 특화 키워드 파싱.
  4. 편집자 큐레이션 — 카테고리 책임 에디터가 후보 상품 중 페이지에 포함할 것을 선정 (가격대·용도 기준).
  5. 점수 계산 — 위 입력으로 5가지 기준 점수 산정 → 가중 합산 → 한끗 점수.
  6. 권장 시나리오 작성 — 점수만 나열하지 않고, "어떤 사용자에게 적합한지" 시나리오로 정리.

03하지 않는 것

  • 광고비 받고 순위 조정 — 제휴 수수료는 받지만 *순서·점수는 광고로 사지 않습니다*.
  • AI 가짜 사용 후기 — 직접 사용하지 않은 제품의 1인칭 체험기를 쓰지 않습니다.
  • 정확하지 않은 스펙 인용 — 제조사 공식 자료에서 확인되지 않은 수치는 "확인 필요" 표기.
  • 단정 표현 — "최고", "완벽", "유일" 등 검증 불가 표현 지양.
  • 단일 상품에 다중 제휴 동시 노출 — 사용자 혼란 야기 → 카테고리당 1~2개 주요 채널만.

04카테고리별 가중치

카테고리 특성상 무엇이 더 중요한지가 다릅니다. 책임 에디터가 카테고리 가중치를 조정합니다.

카테고리책임 에디터가중치 강조
electronics김도현신뢰도·차별점 +5%, 실용성 -5%
apps김도현차별점 +10%, 신뢰도 -5%
household박서영실용성 +5%, 가성비 +5%
food이지훈가성비 +10%, 신뢰도 -5%
beauty정유라실용성·가성비 +5%, 차별점 -5%
fashion한승호차별점 +5%, 실용성 -5%
smartstore한승호트렌드 가중치 추가

05정정·이의 제기

점수 산정에 명백한 오류가 있다고 판단되면 카테고리 책임 에디터에게 직접 메일로 제보 부탁드립니다. 영업일 3일 안에 검토 후 점수·본문 정정 여부를 공개로 답변드립니다.