Apify로 인스타 브랜딩을 데이터 분석해 릴스 템플릿 만든 기록

릴스와 쇼츠를 여러 개 만들다 보니, 어느 순간 제 피드가 제각각이라는 생각이 들었습니다. 어떤 영상은 자막이 노랗고, 어떤 영상은 파랗고, 표제 위치도 그때그때 달랐습니다. 하나하나 보면 나쁘지 않은데, 쭉 늘어놓고 보면 "같은 사람이 만든 게 맞나" 싶을 만큼 통일감이 없었습니다.

그래서 고정 템플릿을 만들기로 했습니다. 문제는 "어떤 톤과 비주얼이 좋은가"를 정하는 기준이었습니다. 솔직히 처음에는 감으로 정했습니다. 그런데 감이라는 건 그날의 기분에 따라 흔들리더군요. 오늘 예뻐 보이던 색이 내일은 촌스러워 보였고, 그때마다 템플릿이 조금씩 바뀌었습니다. 결국 통일감을 만들려고 시작한 일이 다시 제각각으로 돌아가고 있었습니다.

그러다 방향을 바꿨습니다. 감으로 정하지 말고, 이미 잘 되고 있는 레퍼런스 계정을 데이터로 뜯어보자는 생각이었습니다. 이 글은 그렇게 감으로 하던 브랜딩을 데이터와 AI로 근거 있게 바꿔본 과정의 기록입니다.

감으로 하는 브랜딩은 왜 흔들릴까

혼자 콘텐츠를 운영하면 모든 판단을 제 취향에 기대게 됩니다. 취향은 소중하지만, 근거로 삼기에는 너무 자주 바뀝니다. 특히 브랜딩처럼 일관성이 핵심인 영역에서는, 판단 기준이 흔들리는 순간 통일감도 같이 무너집니다.

그래서 기준을 제 바깥에 두기로 했습니다. 이미 브랜딩이 잘 잡힌 계정은 나름의 규칙을 오래 지켜왔을 겁니다. 그 규칙을 눈대중이 아니라 데이터로 확인할 수 있다면, 적어도 출발점은 감보다 단단해집니다. 중요한 것은 남을 베끼는 게 아니라, 왜 그 계정이 통일감 있어 보이는지 그 구조를 이해하는 것이었습니다.

데이터로 레퍼런스를 뜯어본 다섯 단계

제가 밟은 과정을 다섯 단계로 정리해봤습니다. 특정 도구에 얽매인 이야기라기보다, 누구나 비슷하게 따라 할 수 있는 흐름이라고 생각합니다.

1. 레퍼런스 한 계정을 정하기

먼저 브랜딩이 잘 잡혔다고 느낀 벤치마크 계정을 딱 하나 골랐습니다. 여러 개를 늘어놓으면 오히려 규칙이 흐려지더군요. 한 계정을 깊게 보는 편이 "이 사람은 이런 규칙을 지키는구나"를 또렷하게 잡아냈습니다.

2. Apify로 게시물을 데이터로 긁어오기

눈으로 스크롤하며 보는 대신, Apify의 인스타그램 스크레이퍼로 게시물 수십 개(예를 들어 40개 안팎)를 한 번에 데이터로 받아왔습니다. Apify는 이런 수집 작업을 대신 돌려주는 서비스라고 생각하면 됩니다. 여기서 얻은 데이터는 캡션, 좋아요·댓글·조회수 같은 성과 지표, 커버 이미지 주소, 해시태그였습니다.

실제 흐름은 세 단계로 단순했습니다. 무슨 명령을 왜 쓰는지만 짚어두면 이렇습니다.

1. 입력 스키마 확인  → 이 스크레이퍼가 무슨 값을 요구하는지 본다
2. 스크레이퍼 실행   → 대상 계정을 넣고 돌린다
3. 결과 내려받기     → 게시물 데이터를 페이지 단위로 받는다

비용도 부담이 없었습니다. 게시물 한 개당 몇 원 수준이라, 수십 개를 다 긁어도 커피 한 잔 값이 채 안 됐습니다. 이 정도면 "한번 돌려볼까" 하는 마음의 부담이 거의 없다는 점이 좋았습니다.

3. 성과와 비주얼, 두 레이어로 읽기

받아온 데이터는 두 개의 층으로 나눠서 봤습니다.

레이어	무엇을 보나	찾는 것
성과 레이어	좋아요·조회수로 정렬	어떤 포맷·주제가 위로 올라오나
비주얼 레이어	커버 이미지를 모아 보기	반복되는 색·타이포 규칙

성과 레이어에서는 정렬만 바꿔도 보이는 게 있었습니다. 예를 들어 순수 정보성 팁보다 개인적인 서사를 담은 글이 더 높은 천장을 뚫는 경향이 보였고, 제휴나 광고성 콘텐츠는 대체로 아래쪽에 깔렸습니다. 릴스 길이도 대략 40~55초 구간이 안정적이었고, 첫 줄은 질문이나 도발형 훅이 많았습니다. 이건 어디까지나 한 계정에서 관찰한 예시 감각이지, 절대적인 공식은 아닙니다.

비주얼 레이어가 저에게는 더 흥미로웠습니다. 커버 이미지를 로컬에 내려받아 montage 같은 도구로 한 판에 모아 붙였습니다. 이렇게 콘택트 시트처럼 늘어놓고 보니, 낱장으로는 안 보이던 규칙이 드러났습니다.

• 밝은 베이스색 + 검정 + 포인트색 한 방울 공식이 실사 커버든 일러스트 커버든 공통으로 반복됐습니다. 그래서 그리드 전체가 한 톤으로 묶여 보였습니다.
• 브랜드 색을 글자에만 쓰지 않고, 모자·티셔츠·화면 속 UI 같은 소품으로 프레임 안에 늘 물리적으로 노출시켰습니다.
• 타이포도 고정이었습니다. 흰 글자에 두꺼운 검은 외곽선, 그리고 컬러 키워드 하나. 이 조합이 거의 모든 커버에 반복됐습니다.

4. 규칙을 내 색으로 치환하고 코드로 굽기

여기서부터가 핵심이라는 생각이 들었습니다. 관찰한 규칙을 그대로 베끼면 그건 표절입니다. 제가 한 건 규칙의 구조만 가져오고, 값은 제 브랜드로 바꾸는 것이었습니다.

먼저 제 브랜드 자산(로고나 기존 이미지)에서 정확한 색 값(hex)을 뽑았습니다. 눈으로 "이쯤이겠지" 하는 대신, 도구로 주색과 포인트색을 정확히 추출했습니다. 그런 다음 레퍼런스에서 배운 "포인트색 한 방울" 자리에 제 브랜드 색을 끼워 넣었습니다. 구조는 레퍼런스에서, 색은 저에게서 온 셈입니다.

마지막으로 이 규칙을 매번 손으로 맞추지 않도록 ffmpeg로 템플릿화했습니다. 상단 표제 밴드, 웜톤 보정, 자막 키워드 강조를 한 번에 입히는 스크립트를 만들어 두었습니다. ffmpeg는 영상에 이런 편집을 코드로 일괄 적용해주는 도구입니다.

5. 표제와 키워드만 넣으면 되는 자동화

템플릿이 자리를 잡으니, 새 영상을 만들 때 제가 정하는 건 표제 두 줄과 강조할 키워드 정도로 줄었습니다. 나머지 색·밴드·타이포는 템플릿이 알아서 입혀줬습니다. 플래그 하나로 켜고 끌 수 있게 해두어서, 템플릿을 벗기고 싶을 때도 간단했습니다. 감으로 매번 고민하던 자리를 규칙이 대신 채워준 셈입니다.

결정적 도구와 LLM 판단의 분업

이 과정을 돌아보니, 일이 두 종류로 깔끔하게 나뉘더군요. 하나는 결정적인 도구가 정확히 해내야 하는 일이고, 다른 하나는 판단이 필요한 일이었습니다.

일	담당	왜
게시물 수집	수집 도구(Apify)	정확함과 반복이 중요
색 추출·이미지 모으기	이미지 도구	정확한 값이 필요
영상 렌더링	렌더 도구(ffmpeg)	같은 결과를 매번
패턴 읽어내기	LLM(대화 세션)	맥락과 해석이 필요

흥미로웠던 건, 스크래핑 결과를 분석하려고 굳이 별도의 분석 API를 붙일 필요가 없었다는 점입니다. 표와 이미지를 대화 세션의 LLM에게 그대로 보여주니, "이 커버들에서 반복되는 색 규칙은 이거다" 같은 독해를 바로 해줬습니다. 수집·추출·렌더는 도구가, 독해는 LLM이 맡는 분업이 자연스러웠습니다.

덧붙이면, 이런 스크레이퍼는 필요할 때만 잠깐 붙였다 뗐습니다. 상시 연결해둘 이유가 없어서, 필요한 순간에만 프로필을 물려 쓰는 방식으로 연결과 토큰을 아꼈습니다.

배운 것, 그리고 지켜야 할 선

가장 크게 남은 건 태도의 변화였습니다. 예전에는 "이게 예쁜가?"를 감으로 물었다면, 이제는 "잘 되는 곳은 어떤 규칙을 지키나?"를 데이터로 먼저 묻게 됐습니다. 다만 데이터가 답을 정해주지는 않았습니다. 데이터는 후보를 좁혀줄 뿐이고, 우리답게 다시 해석하는 일은 결국 사람의 몫이라는 생각이 들었습니다. 그 마지막 판단까지 자동화하려 하면, 다시 남을 베끼는 자리로 돌아가게 됩니다.

그래서 스스로 정한 선이 하나 있습니다. 공개된 데이터는 어디까지나 레퍼런스 학습으로만 쓴다는 것입니다. 캡션이나 이미지를 그대로 복제하는 건 하지 않았습니다. 제가 배우려 한 건 "왜 이 구성이 통일감을 주는가"라는 원리였지, 남의 결과물 자체가 아니었습니다. 물론 대상 플랫폼의 약관과 저작권을 확인하는 일은 각자의 몫입니다.

감으로 흔들리던 브랜딩을, 데이터로 근거를 잡고 AI로 해석을 거들어 다시 세워봤습니다. 완벽한 방법이라고는 못 하겠습니다. 다만 적어도 이제는 제 피드가 왜 이렇게 생겼는지를 설명할 수 있게 됐습니다. 다음에는 이 흐름을 다른 채널에도 옮겨보고, 계절이 바뀔 때 레퍼런스를 다시 한 번 데이터로 점검해볼 생각입니다.