Know-how, Tip & Technic

데이터 분석을 기반으로 하는 UX 알아보기 (1/4)

실제 사용자 환경을 구축하기까지 데이터를 논리적으로 분석하고 사용자를 이해하는 것이 더없이 중요하다. 사용자 환경이 서비스 현장에 적용되기 전 기존 데이터를 통해 미래의 데이터를 예측할 수 있다. 서비스 UX를 개선하고 올바른 구축 방향을 설정하기 위해 어떤 요소들이 필요한지 알아보고 유용한 데이터 분석 도구를 소개한다.

데이터에 기반한 UX 트렌드

직관에만 의존한 UX 디자인의 시대는 이제 지나갔다. 과거의 경험으로부터 그 디자인이 왜 효과적이었는지, 어떤 디자인을 피해야 할지 파악해 사용자들의 경험을 설계한다. 이 축적된 과거의 경험은 바로 데이터를 의미한다. UX 디자인을 위한 데이터 활용은 어느 날 갑자기 나타난 것은 아니다. 1970년대에 이미 IBM과 Xerox사의 PARC는 인간 요소(Human Factor)를 고려한 리서치를 통해 제품을 디자인했다.

그리고 2007년, iPhone의 출시와 성공으로 인해 기업들은 체계적인 UX 리서치에 대해 고려하게 된다. 최초의 UX 전문가인 도널드 노먼(Donald Norman)은 제이콥 닐슨(Jacob Nielsen)과 함께 설립한 Nielsen Norman Group에서 2001년부터 독자적으로 사용자 리서치를 시작해 특히 웹 분야의 사용성에 대해 다양한 연구를 진행해 왔다. 이들은 설문지나 FGI뿐만 아니라 사용자의 마우스 이용 행태나 시선 인식(Eye Tracking) 등 정량적 데이터(Quantitative Data)를 함께 활용한다.

최근 빅데이터 시장의 융성과 구글 애널리틱스와 같은 솔루션으로 인해 이전보다 더 손쉽게 데이터를 획득할 수 있게 되면서 이에 기반한 UX 디자인의 중요성이 더욱 크게 부각됐다. UXPA(User Experience Professionals’ Association, 국제사용자경험전문가협회)에서 발행하는 UX 전문 매거진의 2017년 첫 호에서 데이터와 관련된 여러 UX 이슈를 다룬 것 역시 UX 전문가들이 데이터 활용에 얼마나 관심 있는지를 반증해 주는 사례라 볼 수 있다.

기존 UX 데이터들은 전문기관이나 몇몇 글로벌 기업의 연구소에서 수집되고 이용돼 왔다. 그러나 이제는 기업들이 직접 사용자경험을 테스트하기 위한 팀을 꾸리고 자신들의 사업분야에 적합한 리서치들을 진행하고 있다. 예를 들어, 글로벌 온라인 여행사이트인 익스피디아(Expedia)는 체계적인 테스트와 데이터 분석 덕분에 치열한 여행 업계에서 꾸준히 선두를 유지하고 있다. 이들은 특히 UX 리서치 방법 중 하나인 A/B Testing을 적극적으로 활용하는 것으로 유명하다. 익스피디아의 CPO(Chief Product Officer)인 존 킴(John Kim)은 매해 50~100 번의 A/B Testing이 실시되며 2015년에는 한 해 동안 총 1,750 번의 A/B Testing이 수행됐다고 밝혔다.

익스피디아가 실시한 A/B Testing 중 가장 성공적이었던 것으로 알려진 사례는 예약 페이지에 대한 A/B Testing이다. 오른쪽의 익스피디아의 A/B Testing 화면을 보자. 익스피디아 A/B Testing 화면의 A와 B는 Testing에 사용된 화면으로 A가 기존의 화면이다. A와 B의 유일한 차이는 회사명을 입력하는 항목의 유무이다. Testing 결과에 기반해 익스피디아는 디자인 B를 채택했고 한 해 동안 1,002백 만 달러(한화 약 1조 1,245억 원)의 수익을 창출해냈다.

이러한 성공은 회사명이라는 항목을 제거함으로써 사용자들의 혼란이 줄어들었기 때문에 가능했다. 사용자들은 현재 화면의 맥락에서 회사명이라는 레이블을 보고 그 의미에 대해 혼동하게 된다. 카드회사의 이름을 적고 난 후 바로 다음의 입력필드에 자신의 주소가 아니라 카드회사의 주소라는 잘못된 정보를 입력하게 되고 결제에 실패한다. 무엇이 잘못됐는지 알지 못하는 사용자들은 잘못된 행동을 반복하다 예약을 포기하게 됐다는 것이다.

A/B Testing 결과, 데이터에 기반한 디자인 변화가 엄청난 수익을 가져다 줬지만 실제로 익스피디아에서 수행되는 A/B Testing 결과 중 3분의 2는 기존의 디자인이 더 효과적이거나 두 디자인 사이에 차이가 없는 것으로 나타났다. 게다가 두 화면의 차이로 인한 효과가 확인된다 할지라도 그 크기는 미미한 경우가 많았다. 다시 말해 데이터에 반영되는 사용성의 차이를 발견하는 것은 매우 끈기를 필요로 하는 과정이라는 것이다. 그런데도 데이터에 기반하여 UX에 대한 이해가 이루어져야 하는 이유는 무엇일까?

UX를 데이터로 분석해야 하는 이유

서비스의 기획과 운영의 방향성을 위한 사용자의 경험, 즉 UX를 데이터 직관이 아닌 실제 데이터 기반으로 이해하고 분석함으로써 마케팅이나 비즈니스 의사결정 각 단계에서 기대할 수 있는 효과를 두 가지로 정리해 볼 수 있다. 첫째, 고객에 대한 객관적인 이해가 가능하고 둘째, 서비스의 현황파악이 용이해 문제점을 발견하기 쉽다. 구체적인 방법론과 예시를 통해 어떻게 두 가지 효과가 UX 개선에 도움을 줄 수 있는지를 알아보자.

① 서비스의 사용자 ‘퍼소나의 설정, 검증, 관찰’

퍼소나(Persona)란, 한 서비스의 사용자들을 대표할 수 있는 가상의 인물을 의미한다. 1988년 앨런 쿠퍼(Alan Cooper)의 『정신병원에서 뛰쳐나온 디자인』이라는 저서에서 사용자 중심의 실무 방법론으로 해당 개념이 소개됐으며, 이후 소프트웨어 개발 및 인터랙션 디자인 과정에서 사용자에 보다 집중하고 구체적으로 그 집단의 특징과 요구사항을 이해하기 위한 수단으로 많이 사용하곤 했다. 서비스의 퍼소나는 국가, 성별, 연령, 직업과 같은 개인적인 정보를 가질 수 있으며 또는 요구사항, 서비스의 사용 목적과 행동 패턴 등과 같이 서비스 사용과 관련된 특징이 있다.

최근 신규 서비스나 운영되고 있는 서비스의 개선 작업에서, 구체적인 사용자의 이해를 위해 퍼소나를 설정하는 프로세스를 종종 볼 수 있다. 서비스에서 이미 알고 있는 정보(서비스의 주 목표와 관련된 요구사항, 관련된 기존 타깃 사용자 등과 같은 정보)를 토대로, 사용자의 정보들을 짐작하고 부가적인 정보들을 추측이나 직관에 의해 채워 나가 퍼소나를 완성하게 된다.

이때 사용자 데이터를 기반으로 퍼소나를 생성하거나, 생성된 퍼소나의 검증 작업을 진행한다면 기존에 짐작이나 추측, 직관에 인한 취약점들을 해결할 수 있다. 서비스 사용자 집단을 대표할 수 있는 구체적이고 상세한 특징과 그에 대한 객관적인 근거 자료로 인해 서비스의 사용자를 직접 대면하지 못한 담당자에게도 퍼소나에 대한 이해와 동의를 쉽게 얻을 수 있을 것이다. 또한 데이터로 얻은 기존 퍼소나를 현재 진행되고 있는 서비스의 성과와 같은 결과에 대한 요인으로 이해할 수 있어, 서비스가 지향하고자 하는 고객으로 발전하기 위해 퍼소나를 보완하고 그에 따른 서비스의 개선 방향을 찾아낼 수 있다.

사용자 데이터를 기반으로 퍼소나를 설정한다면, 퍼소나에 대한 지속적인 모니터링과 관리가 가능하다. 기존 UX 프로젝트의 경우, 초기 설정된 퍼소나는 변화하는 사회와 사용자, 그리고 서비스 대응에 따라 지속적인 갱신과 관리가 바로 이뤄지기 어렵다는 한계가 있다. 하지만 사용자의 데이터를 퍼소나에 활용한다면, 실시간으로 사용자 집단의 변화를 감지한 후 변화하는 흐름에 따라 퍼소나의 각 특성들을 반영해, 서비스의 사용자를 대표할 수 있는 퍼소나를 직관적인 정보로 쉽고 빠르게 이해할 수 있다.

② 사용자의 의견 ‘사용자가 실제로 원하는 것’

사용자의 의견을 직접 수집하기 위해 가장 널리 쓰이는 방법은 아마 사용자 테스트와 사용자 인터뷰일 것이다. 사용자 테스트는 특정 제품 및 서비스에 대해 평가하고자 하는 항목을 구체화하고, 이와 관련된 과업이 포함된 사용 시나리오를 사용자 테스트 참가자에게 직접적으로 또는 자연스럽게 제공한다. 테스트의 평가를 위해 모집된 참가자는 사용자로서 사용 시나리오를 진행하고, 진행에 따른 과업과 각 항목들을 참가자가 직접 평가하거나, 관찰자와 같은 다른 인물에 의해 평가 받는다.

사용자 인터뷰는, 실제 서비스의 사용자를 대표할 수 있는 사용자를 모집하거나 특정 조건에 부합하는 사용자를 특별히 모집해 인터뷰 진행자의 질문으로 얻고자 하는 인사이트와 관련된 사용자의 요구사항, 원하는 방향성 등을 답변으로 얻어내는 방법이다. 사용자 테스트와 사용자 인터뷰는 여러 방법론에 의해 다양한 진행 방식, 평가 방식을 갖게 한다. 아무리 자연스러운 환경과 진행을 갖춘다 할지라도 테스트 또는 인터뷰 질문을 받게 되는 ‘참가자’와 테스트 또는 인터뷰를 진행하는 ‘진행자’의 존재, 그리고 참가자의 행동과 의견들이 평가의 한 부분이라 인지하게 한다. 평가를 인지한다는 사실은, 참가자에게 의식적이나 무의식적으로 사용 행동이나 평가 결과에 대해 관여할 것이다. 과업을 달성하고자 하는 내면적인 욕구나, 평가에 대해 극단적인 혹은 부정적인 표현을 피하고 싶어 하는 개별적 특성에 따라 실제 사용 행동 패턴이나 표현하고자 하는 응답 결과를 올바르게 전달하지 못할 수 있다.

또한 사용자는 본인이 직면한 불편한 현상의 문제점과 원하는 해결방안을 100% 정확하게 표현하지 못할 수 있다. 넷플릭스의 예를 들자면, 보다 나은 UX와 성과를 위해 메인 페이지 UI 개선에 대한 사용자 인터뷰를 진행했다. 인터뷰를 받는 참가자들에게 메인 페이지에서 가입과 로그인 전에 원하는 정보가 무엇인지 질문했다. 이때 사용자들은 내가 시청할 수 있는 프로그램 목록을 확인하고 싶다고 답변했고, 이를 반영해 메인 페이지에 시청 가능한 많은 프로그램 목록을 제공했지만 오히려 가입과 로그인에 대한 전환율이 저조해지는 결과가 발생했다. 결국 실제 프로그램의 정보가 담긴 목록이 아닌, 시청할 수 있는 프로그램의 다양성과 규모를 간략히 훑어볼 수 있는 배경 이미지를 사용자가 확인할 수 있도록 다시 개선했고, 더 나은 사용성과 전환율 성과를 얻어낼 수 있었다.

여기에서 참가자는 ‘프로그램 목록을 확인하고 싶다’ 라는 의견을 전달했지만 이 프로그램 목록을 확인하고자 하는 근본적인 목적과 그 정도, 그리고 사용자가 원한 행동(프로그램을 대략적으로 파악하고자 한 행동)을 서비스 제공자가 의도한 목적에 어떤 영향을 끼칠 지와 같이 다방면으로 고려한 해결방법으로 표현하거나 제안하지 못했다.

물론 참가자의 표현 숙련 정도에 따라 이러한 문제가 해결될 수 있다. 그렇지만 모집할 수 있는 사용자 집단, 시간, 기간, 장소 등 여러 제약 요소에 의해 특정 사용자가 전달한 내용이 전체 사용자의 의견을 완벽하게 표현했고 대표할 수 있다고 보기에 어려울 수 있다.

사용자의 데이터를 관찰함은 이런 제한된 환경에서 사용자 정보를 추측해 가늠하며 이끌어내는 어려움을 보완할 수 있다. 일부 사용자를 대상으로 데이터를 수집하는 것이 아니라, 전체 사용자를 실제 행동을 기반으로 분석하는 것이다. 때문에 결과가 사용자를 대표할 수 있는지에 따라 신뢰성과 외부에 관여 받지 않는 실재성을 갖는다.

또한 사용자의 행동은 개인의 디자인적 취향과 선호하는 스타일 같은 감정적인 평가 만으로 이뤄진 것이 아니라, 실제 동기·기대·요구사항이 깔려있는 서비스를 바탕으로 나온 결과이기 때문에, 인식과 감정과 같은 주관적인 평가와 기능에 집중한 평가에 대한 이점들을 모두 내포할 수 있다. 사용자를 이해함으로써, 제공자가 의도한 것을 표현 및 단순 전달하는 것에 그치는 것이 아니라, 사용자가 원하는 것을 파악하고 그 방향에 맞춰 설계하는 서비스로 발전할 수 있다.

③ 서비스 현황 ‘숨어있는 현상 찾아내기’

데이터를 통해서 서비스를 평가한다고 하면 일반적으로 방문 조회 수(PV, Page View), 방문 사용자 수 (UV, Unique Visitor), 사용자의 재 방문비율, 특정 요소의 클릭비율과 같이 하나의 지표 추이를 관찰하는 정도에 그칠 수 있다. 하지만 사용자의 데이터를 수집한다면 이 뿐 아니라 행동과 연관 지어 해석할 수 있는 다양한 지표들을 정량적인 수치로 얻을 수 있다. 방문 규모에 대한 해석에서 더 나아가, 방문의 계기부터 중요 콘텐츠 또는 페이지로 전환되기까지의 과정에서 얻는 다양한 수치들을 종합적으로 해석한다면, 기존에 발견할 수 없었던 성과로 연결될 수 있는 잠재성을 찾아낼 수 있을 것이다.

그 예로, 회원가입 페이지의 회원가입 전환율을 측정하는 사례를 볼 수 있다. 만약 일반적인 데스크 성공률로 전환 정도를 측정한다면 단순히 전체 방문 사용자 대비 가입 완료 사용자 비율 값으로 그 정도를 측정할 수 있다. 해당 값 만으로는 특별한 성과나 문제점 파악이 어려울 수 있다. 하지만 회원가입 페이지에서 제품 소개 페이지와 같은 특정 페이지를 거쳐 다시 되돌아온 사용자의 가입 전환율을 고려해보거나, 로그인 페이지로 전환한 사용자는 기존 회원가입이 돼 있는 까닭에 회원가입의 방문과 무관한 사용자로 간주해 측정할 수 있다.

전환율을 측정해 페이지에서 발생하는 다양한 예외적인 상황을 고려하고 해석을 왜곡되지 않게 특정 정보만을 분류해 얻고자 하는 성과의 실질적인 의미를 찾아낼 수 있다. 또한 해당 페이지에서 회원가입을 시도한 사용자 즉, 회원가입 초기 콘텐츠에 대한 접근을 시도한 사용자의 규모와 최종 가입을 완료한 사용자의 규모를 비교하거나, 그 과정의 마우스 이동이나 클릭 순서와 같은 흐름 데이터를 함께 관찰한다면 가입 프로세스의 UX 현황과 문제점도 함께 발견할 수 있다.

데이터 분석에 활용할 수 있는 도구

데이터를 통해서 앞서 설명한 사용자와 서비스 현황에 대한 이해는, 단발성으로 끝나는 것이 아니라 지속적으로 진행되고 모니터링에도 활용된다. 계속 변화하는 사용자와 서비스의 흐름에 따라 퍼소나, 사용자의 요구사항, 서비스에서 발생한 사용자의 행동과 경험에 따른 현황들도 변화할 것이고, 데이터로 이를 지속적인 실시간으로 파악할 수 있다.
실제 서비스에서 이와 같이 사용자의 데이터를 수집하고 관리하기 위해 참고하고 도움 받을 수 있는 도구로 다음 두 가지를 소개한다.

① 구글 애널리틱스

구글 애널리틱스(Google Analytics)는 구글에서 제공하는 웹 로그 분석 도구다. 서비스에 유입되고, 서비스 내에서 발생하는 사용자의 데이터를 기반으로 보고서를 확인할 수 있다. 또한, 제공하고 있는 다양한 정보에 따라 이용자가 원하는 맞춤 세그먼트를 설정하고 해당 분류에 속하는 데이터로 비즈니스 분석에 활용할 수 있다. 사용자의 정량적이고 직관적인 지표 항목들을 확인할 수 있는 솔루션 중 가장 많이 사용되고 있는 도구이기도 하다.

② 뷰저블

뷰저블(Be Usable)은 웹 사이트에서 사용자의 행동 데이터를 분석해주는 도구다. Gaze Plot이나 히트맵과 같이 UX를 해석할 수 있는 시각적인 정보로 사용자의 행동 흐름을 쉽게 파악하고 이해할 수 있다. 특히 사용자의 마우스 이동, 클릭, 움직임 순차, 스크롤 이동 등 모든 행동 데이터를 비전문가들도 쉽게 이해할 수 있도록, 히트맵과 함께 차별화 된 차트나 부가 정보들을 함께 제공해 서비스를 담당하는 관리자가 사용자의 행동 데이터로 UX를 실시간으로 살펴보고 지속적으로 관리할 수 있도록 지원해준다.

마무리하며

데이터는 실제 일어난 행동을 근거로 객관적인 정보를 전달한다. 기존의 데이터, 과거의 데이터는 이미 지난 결과와 현상을 뜻하지만, 더 나아가 그 현상과 변화의 흐름 속에서 패턴과 경향을 찾아내 미래의 데이터를 예측하는 데 참고할 수 있다. 보편적으로 통용되는 일반적인 방법론, 검증된 이론들이 서비스의 기획과 개선에 바로 적용되기 이전에, 실제 사용자, 실제 서비스라는 구체적인 환경 속에서 발생한 데이터는 다른 방법론과 이론들을 바로 적용하는 것이 좋다. 미쳐 놓치기 쉬운 특수한 예외 상황과 고려해야 할 점들을 미리 발견할 수 있기 때문이다. 세분화 된 사용자와 구체적인 서비스에 따라 반영되고 있던 데이터의 패턴과 경향의 이해를 보편적인 개념에 더한다면, 기존 사용자의 요구사항과 경험에 반하지 않도록 리스크를 최소화하고 서비스 UX의 올바른 방향성을 찾아 나갈 수 있다.

데이터 분석을 기반으로 하는 UX 알아보기 - 디아이 매거진
익스피디아의 A/B Testing 화면 예시
구글 애널리틱스(Google Analytics) 화면 예시 - 디아이 매거진
구글 애널리틱스(Google Analytics) 화면 예시
구글 애널리틱스(Google Analytics) 화면 예시 - 디아이 매거진
뷰저블(Be Usable) 메인 페이지
데이터 분석을 기반으로 하는 UX 알아보기 - 디아이 매거진
뷰저블(Be Usable) 화면

 

Comments
  • digitla-insight-202102-offline-ads-M4A-media4thaligence
© DIGITAL iNSIGHT 디지털 인사이트. 무단전재 및 재배포 금지

뉴스콘텐츠는 저작권법 제7조 규정된 단서조항을 제외한 저작물로서 저작권법의 보호대상입니다. 본 기사를 개인블로그 및 홈페이지, 카페 등에 게재(링크)를 원하시는 분은 반드시 기사의 출처(로고)를 붙여주시기 바랍니다. 영리를 목적으로 하지 않더라도 출처 없이 본 기사를 재편집해 올린 해당 미디어에 대해서는 합법적인 절차(지적재산권법)에 따라 그 책임을 묻게 되며, 이에 따른 불이익은 책임지지 않습니다.

Related Posts