UX리서치 #2: 데이터로 현상을 파악하기

2021. 10. 21. 07:50카테고리 없음
Seungyoon Lee

UX리서치에 대한 수요가 증가하고 있습니다. 비즈니스 기획, 프로덕트 디자인과 개발팀의 협업에 단단한 근거를 더하는 것은 물론, 새로운 비즈니스의 기회를 사용자 관점에서 찾는 것이 중요하기 때문일 것입니다. pxd에서는 그간 다양한 스펙트럼의 리서치 과제를 진행해 왔고, 올해부터는 리서치 분야의 전문성 강화를 위한 다양한 노력을 하고 있습니다. 그간 진행했던 수 건의 리서치 프로젝트를 바탕으로 리서치의 범위, 방법, 해석 등에 대한 생각을 소개해 보려고 합니다. 

[지난 글]
UX리서치 #1: UX리서치의 유형을 알아보자  https://story.pxd.co.kr/1580  

 


들어가며 

지난 글에서 UX리서치의 유형에 대해 알아봤습니다. 리서치의 목표와 유형을 결정했다면 보다 구체적인 방법으로 계획을 세워야 합니다. 리서치 방법은 어떤 것들이 있고, 어떤 기준으로 사용하는지에 대해서는 고전적이고 다양한 아티클이 있으므로 참고하시기 바랍니다. 

위 두 글에서도 언급하고 있지만 정량적인 방법은 대체로 현상을 드러내기 위해 사용됩니다. 반면 정성적인 방법은 왜 그런 현상이 나타났는지를 파악하기 위해 사용되죠. 정량적인 방법을 사용할 때 주로 중점을 두는 부분은 “이 결과가 정확하고 의미 있는 결과인지"입니다. 한편, 정성적인 방법을 사용할 때는 “사용자가 왜 이렇게 행동하는지” 충분한 이유가 수집되었는지를 끊임없이 확인하게 됩니다. 어떤 방법으로 리서치를 진행할지 결정하는 것은 프로젝트의 목표와 리서치에서 얻고자 하는 것 모두를 충족하는 리서치 방법인지 확인하는 것이 중요합니다. 

이번 글에서는 여러 정량조사 방법 중 데이터 분석에 대해서 간단하게 소개해 보려고 합니다. 로그 데이터를 이용하여 인사이트를 도출하는 방법에 대해서는 pxd 블로그와 학회에서 여러번 소개했습니다. Data Driven User Modeling에서 프로젝트에서 데이터 분석을 어떻게 진행했는지, UXMasterclass 2020와 같은 글로벌 컨퍼런스에서 발표를 하기도 했는데요, 그동안 진행했던 몇 건의 프로젝트에서 데이터를 통해 어떤 기준을 도출했는지를 공유하고자 합니다. 

💡단, 이 글은 데이터 분석에 대한 글은 아닙니다. 데이터를 잘 모르는 UX 리서처가 데이터 분석에 어떻게 접근할 수 있을지에 대한 고민 차원에서 작성되었다는 점 참고해 주세요.  

 


데이터를 통해 정확히 뭘 알고 싶은 거예요? 

프로젝트를 진행하면서 기존 서비스에 잘 쌓여있는 데이터를 자세히 들여다보면 좋겠다 싶을 때가 있습니다. 데이터라는 것이 기존의 고객들이 남긴 흔적이기 때문에 당연히 뭔가 얻을 수 있을 텐데 정확히 뭘 얻을 수 있을지 늘 명확하지 않았어요. 제가 데이터를 어떻게 활용해야 할지 잘 몰랐기 때문이지요. 

데이터 분석가와 리서처 간에 아래와 같은 대화가 오가게 됩니다.  

리서처: 기존 사용자 데이터를 파악해 봐야 할 것 같아요.
데이터 분석가: 어떤 데이터가 있나요? 
리서처: 뭐가 필요한데요? 

 

라면서 이런 알 수 없는 그림을 보여 준다던지...

사용자 ID별 로그를 시각화 한 것입니다. 가로 축은 날짜, 세로축은 날짜별 방문 세션을 의미합니다. 회색 열은 방문하지 않은 날짜를 의미하며, 핑크색 칸은 방문한 세션과 방문 횟수에 대한 정보를 제공하고 있습니다. 
사용자 ID별 로그 모음집. 사용자 별로 방문 주기도 다르고 방문한 페이지도 각기 다름을 알 수 있습니다.

 

또는, 

리서처: 고객의 데이터를 받았는데 여기서 뭐가 중요한가요? 
데이터 분석가: 뭘 알고 싶은데요? 
리서처: 모르겠어요. 다 알려주세요. 
데이터 분석가: 그걸 어떻게 다 알려줘요. 얼마나 많은데. 정확히 뭘 알고 싶어요. 
리서처: 뭐든….

이런 대화를 방지하기 위해서는 데이터를 모르는 리서처라도 데이터를 통해서 어떤걸 알 수 있는지에 대한 대략의 아우트라인이 있으면 좋겠다고 생각했습니다. 

 

유형, 비율, 패턴 

데이터가 잘 쌓여 있다면 사용자 특성과 행동패턴을 확인할 수 있을 겁니다. 다만 모든 데이터를 모든 관점에서 확인해 볼 수는 없기 때문에, 프로젝트의 특성에 따라 어떤 관점에 비중을 두어 데이터를 해석할 것인지 결정하는 것이 필요합니다. 

또, 분석 방법으로는 사용자 ID를 기준으로 개별 로그를 분석하는 방식도 있고, 통계 정보를 통해 분석하는 방식도 있는데 이 역시 프로젝트의 목표와 가설에 따라 분석 방법이 달라집니다. Data Driven User Modeling에서는 개별 로그 데이터 분석의 중요성을 설명했는데 이 글에서는 딱히 구분은 하지 않도록 하겠습니다.

데이터로 파악할 수 있는 내용 예

 

유형: 어떤 사람

우리 서비스를 어떤 사람들이 사용하는지에 대해 파악합니다. ‘어떤'이 파악되면 ‘그들은 대체 왜?’라는 질문을 다시 시작하게 됩니다. 

사용자군 

  • 알 수 있는 것들. 데모그래픽 정보(연령, 성별, 직업, 접속지역 등) 등을 통해 어떤 고객이 우리 서비스를 이용하는지 파악할 수 있습니다. 
  • 예를 들어. 여행 앱의 경우, 수도권 예약은 20대이자 성비가 고른 반면, 지방 예약은 40대 고객이자 남성 사용자 비율이 높다던지... 하는 내용을 파악할 수 있습니다.    
  • 이런 점을 생각해 볼 수 있습니다. 성별 및 연령에 따라 서비스를 이용하는 패턴이 다를까? 또는, 서비스가 온/오프라인을 모두 다루고 있다면, 온/오프라인 주요 사용자군이 서로 다를까? 사용자 군에 따라온/오프라인 이용의 패턴이 다를까? 와 같은 후속 질문을 던질 수 있습니다. 
  • 참고. 사용자 군에 대한 정보를 파악하는 것은 중요하지만, 이 정보만으로는 사용 경험을 파악하는데 도움이 되지 않습니다. 사용자 구성에 따라 다른 행동패턴을 나타내는 요인이 있는지를 다각도로 확인하는 것이 중요합니다.  

 

액티브 유저  

  • 알 수 있는 것들.  자주 방문하거나, 트랜젝션을 많이 일으키는 사용자들에 대한 정보를 확인합니다. MAU, DAU 등이 대표적인 예입니다. 
  • 예를 들면. 여행 앱을 월 2회 등 정기적으로 사용하거나, 증권 앱을 주 4회 방문하거나, 커머스 앱을 주 2회 이상 정기적으로 방문하면서, 구매를 한달에 한번 이상 하는 방문자들에 대한 이용 패턴을 확인해 볼 수 있습니다. 또한 방문은 매일 하지만 거래(숙소 예약이나, 주식 거래나, 상품 구매 등)는 일어나지 않는 경우도 있을 수 있습니다. “액티브"의 정의를 예리하게 하는 것이 필요하겠지요. 
  • 이런 점을 생각해 볼 수 있습니다. 이 사람들을 액티브 유저로 만드는 요인이 무엇인지? 우리 서비스에서 이 요인을 강화시켜 더 많은 액티브 유저를 확보할 수 있을 것인지? 액티브 유저가 더 편리하게 쓸 수 있는 경험은 무엇인지 고민할 수 있는 포인트가 생깁니다. 

 

오래된 사용자 

  • 알 수 있는 것들. (액티브 유저는 아니지만) 꾸준히 오래 사용하는 사람들의 가치를 파악합니다. 
  • 예를 들면. 여행 앱을 사용한지 5년이 넘었는데 꾸준히 연간 1-2회씩 이용하는 사용자가 있을 수 있고, 증권 앱을 월 2-3회 정도로 자주 이용하지는 않지만 1년에 한두 번씩 거래가 발생하거나 가끔 접속하는 사용자가 있을 수 있습니다. 
  • 이런 점을 생각해 볼 수 있습니다. 이런 사용자는 같은 카테고리의 주 사용 서비스, 즉 우리 증권 앱을 가입했고 가끔 거래를 하지만, 주거래 용으로 사용하는 증권 앱이 있을 확률이 높습니다. 예를 들면, 우리 증권 앱은 장기 투자 목적으로 조회 중심으로 이용하고 단기 투자 목적의 거래는 다른 증권 앱에서 하는 경우가 있을 수 있습니다. 이때, 주 사용 서비스와 비교하여 우리 서비스의 장단점을 찾아볼 수 있습니다. 한편, 그래도 꾸준히 방문하고 이용하는 이유에 대해 파악해 볼 필요도 있겠지요. 또는, 이 사용자들이 주 서비스 - 부 서비스를 서로 바꿔 사용한 적이 있었을지에 대해서도 궁금하기도 합니다. 

 

새로운 고객

  • 알 수 있는 것들. 최근에 어떤 고객이 관심을 가지고 있는지, 신규 유입 고객의 특성은 기존 고객 대비 어떻게 다른지 등을 파악할 수 있습니다. 
  • 예를 들어. 증권 앱에서 특정 세대의 신규 고객군이 늘어나고 있다는 것이 파악되었고, 이들의 이용 패턴은 기존 고객군과 특정 지점에서 이용 패턴의 차이를 보이고 있다는 점을 알 수 있습니다.  
  • 이런 점을 생각해 볼 수 있습니다. 신규 고객군이 유입되는 이유와 이용 패턴이 왜 다른지, 어떻게 다른지에 대해서 구체적으로 파악해 볼 필요가 있습니다. 새롭게 나타난 이용 패턴에 대해서 디자인의 변경이나 사용성에 대한 고려가 필요한지 고민해 볼 수 있겠죠. 
  • 참고. 커머스 앱 같은 경우 특정 프로모션 이후 신규 사용자 급증하는 경우가 있습니다. 신규 고객 유입을 위한 의도적인 프로모션으로 인한 유입은 제품 전체의 사용경험을 분석하는데 바이어스가 될 수 있으므로 주의해야 합니다. 

 

비율: 얼마나 많이, 얼마나 자주

우리 서비스의 어떤 부분이 자주 사용되고 오래 머물게 되는지 파악할 수 있습니다. 자주, 많이, 오래와 같은 정량적인 정보가 사용자의 관심을 보장한다고 볼 수는 없죠. 단, 오래 머무는 이유가 관심인지 불편해서인지 알아보기 위한 훌륭한 단서가 됩니다. 

 

비활동 고객 비율 

  • 알 수 있는 것들. 신규 진입 후, 회원 가입을 했지만 이용 기록이 없는 회원의 비율을 확인합니다. 
  • 예를 들어. 여행 앱을 설치 및 탐색한 후 재방문 기록이 없거나, 한번 예약 후 재방문 기록이 없는 경우가 있을 수 있습니다. 이와 같은 고객의 비율이 높다면, 높아진다면 좀 더 확인이 필요합니다. 
  • 이런 점을 생각해 볼 수 있습니다. 신규 가입 후 리텐션이 되지 않는 이유는 무엇일까?에 대해서 고민해야 합니다. 외부적인 요인이 있을 수 있고, 서비스의 특정 시점에 문제가 있을 수도 있기 때문입니다. 서비스 내 리텐션을 위한 장치가 충분한지, 있다면 작동을 하지 않는 이유, 예를 들면 사용성이 문제인지, 재방문을 방해하는 요소가 있는지 찾아봐야 합니다. 

 

주 접속 시간대 

  • 알 수 있는 것들. 고객이 자주 접속하고 많이 활동하는 시간대에 대한 정보를 파악합니다. 고객군 별로 주 접속 시간대가 다를 수도 있고, 시간대 별로 접속하는 기능이 달라질 수도 있습니다. 
  • 예를 들어. 예를 들어 11시에 배송 주문을 마감하는 커머스 앱은 10시-11시에 접속율이 가장 높은 반면, 접속 유지 시간은 평균 5분 정도라고 해 보겠습니다. 반면, 오전 11시-1시 사이는 접속률이 높지 않지만 접속 유지 시간이 13분 정도로 길다는 점을 발견할 수 있겠죠. 간단하게 어떤 제품을 살지에 대한 탐색은 11시-1시에 집중적으로 하고, 장바구니에 물건을 담아 놓고 후 구매만 10시-11시에 진행하는 경우가 많을 수도 있겠다는 가설을 세워 볼 수 있습니다.  
  • 이런 점을 생각해 볼 수 있습니다. 접속율이 높은 시간대와 접속 유지 시간의 관계에 따라 제품 탐색과 장바구니-결제를 이용하는 패턴이 확연히 다르다면, 장바구니-결제 과정에서 사용자가 신속하게 구매 결정을 할 수 있게끔 도와주는 경험을 어떻게 제공할지에 대한 고민이 필요할 것입니다.  
  • 참고. 뻔한 결과를 경계해야 할 필요가 있습니다. 예를 들어, 커피 주문 앱의 경우, 12시-2시 접속이 높으며 5시 이후 접속률이 떨어진다는 등 데이터를 보지 않아도 알 수 있는 결과를 경계해야 합니다. 

 

페이지뷰/접속 빈도가 높은 화면 

  • 알 수 있는 것들. 사용자들이 전반적으로 많이 접속하는 페이지는 무엇인지를 파악합니다. 
  • 예를 들면. 여행 앱에서 ‘검색결과’ - ‘지도’ - ‘제품 상세’ 순으로 페이지 뷰가 높음,  증권 앱에서 ‘관심종목’ - ‘잔고’ - ‘주식 현재가’ 순으로 페이지 뷰가 높음, 커피 주문 앱에서 개인 주문 옵션 페이지에 방문하는 비율이 높음 등등의 파인딩을 예상할 수 있습니다.. 
  • 이런 점을 생각해 볼 수 있습니다. 페이지뷰가 높은 기능에 사용자들이 쉽게 접근하고 있는지? 휴리스틱 분석 또는 정성 조사를 통해 파악해 볼 수 있습니다. 또한 페이지뷰가 높은 페이지의 전, 후로 연결된 페이지를 이동하는 경험은 어떤지에 대해서도 살펴볼 필요가 있습니다.  
  • 참고. 단순히 조회수가 높은 페이지를 밝혀 내는 것은 것은 UX 관점에서는 큰 인사이트가 없을 수 있습니다. 사용자군에 따라, 시간대에 따라 등등 특정 조건에 따라 조회수의 차이가 유의미 한지 파악하는 것이 필요합니다.  

 

패턴: 어떤 경로/흐름

단편적인 몇몇 데이터를 이어 붙여 특정 흐름을 파악해 볼 수 있습니다. 백화점에 방문하는 사용자를 예로 들면, 백화점에 매일 방문하지만 지하 1층과 문화센터를 반복해서 이용하는 사용자의 이용 패턴과, 한 달에 한번 방문하지만 명품 매장과 카페를 이용하는 사용자의 이용 패턴이 명확히 다른 것과 같습니다.  

 

한번 접속할 때 보통 몇가지 화면을 보는가? 

  • 알 수 있는 것들. 사용자가 특정 페이지만 보고 서비스를 종료하는지, 3개 이상의 페이지를 보고 있는지를 파악할 수 있습니다. 각 페이지의 연결을 통해 고객의 핵심 여정을 파악할 수 있습니다. 또한, 화면 간 연관성도 파악해 볼 수 있습니다. A 화면에서 B 화면으로 이동하는 경로, A 화면에서 C 화면으로 이동하는 경로를 구분하여 각 화면끼리 어떤 연관성이 있는지 파악해 볼 수 있습니다.   
  • 예를 들면. 여행 앱에서 모텔과 같은 일시적 숙박을 이용하는 사용자는 가까운 주변 식당, 카페를 더 많이 검색하는 한편, 리조트나 호텔 등 여행 계획을 하는 사용자들은 좀 더 먼 거리의 식당과 카페 정보를 많이 확인하는 경향이 있다는 것을 파악해 볼 수 있습니다. 증권 앱에서는 특정 화면만 확인하고 나가는 정보 확인/거래 중심 이용 패턴과, 방문할 때 3개 이상의 페이지를 탐색하는 학습/탐색 중심 패턴이 있음을 알 수 있습니다. 
  • 이런 점을 생각해 볼 수 있습니다. 만약 모텔 이용자와 리조트 이용자의 예약 이후 탐색 정보가 확연히 다르다면, 예약 완료 페이지에서 사용자에게 어떤 경험을 제공하는 것이 도움이 될지에 대한 고민을 해 볼 수 있습니다. 

 

서비스 이용 패턴

  • 알 수 있는 것들. 사용자는 홈에서 어떤 메뉴를 이용하여 탐색을 시작하고 종료하는가? 또는, 여러 메뉴 트리에서 상관 관계를 가진 메뉴는 어떤 것인지, 어떤 구간을 반복하여 이용하는지 등을 알아볼 수 있습니다. 
  • 예를 들면. 증권 앱에서 잔고를 확인 후 ‘관심종목’과 ‘종목 상세’ 화면을 N회 반복하는 흐름을 발견해 볼 수 있습니다. 또는 보험금 납부 내역을 확인하고 나서 보험 계약 대출 정보를 확인하는 패턴이 반복적으로 일어나고 있음을 파악해 볼 수도 있겠죠. 
  • 이런 점을 생각해 볼 수 있습니다. 이런 특징적인 이용패턴이 포착된다면, 반복되는 패턴이 사용자에게 어떻게 느껴지고 있는지 파악해 볼 수 있습니다. 이 반복되는 과정의 목표가 정보를 빨리 확인하기 위함이라면 두 단계로(두 페이지로) 나뉘어 있는 현재 서비스를 더 단순화하거나, 홈에서 해당 정보에 더 빨리 접근할 수 있게 해 줄 필요도 있겠지요. 이와 같이 페이지 뷰에서 매우 높은 조회수를 보이지는 않지만, 특정 패턴을 도출하게 되면 사용자가 의미 있게 생각하는 가치를 드러내 볼 수 있습니다. 
  • 참고. 이런 패턴을 파악하기 위해서는 통계적인 정보를 확인하는 것 보다는 사용자 개별 ID의 이용 흐름 파악을 하는 것이 효과적입니다. 

 


마치며 

데이터에 대해서 잘 모르는 제가 알고 있는 내용을 쭉 정리해 봤습니다. 다시 한번, 몇몇 케이스를 통해 분석할 수 있는 진짜 진짜 일부를 공유했다는 점 다시 한번 강조합니다. :) 또, 여러분이 경험했던 재미있는 데이터 분석 관점/경험에 대해 공유해 주셔도 좋을 것 같네요!