프로덕트 디자이너는 데이터를 분석이 아닌, '해석' 할 줄 알아야 합니다.

데이터의 종류는 정성적 데이터와 정량적 데이터로 나뉩니다.

 

정성적 데이터는 언어 혹은 문자 등으로 이루어진 부가적인 설명이 필요한 데이터를 말하며, 사용자 경험에 대한 비수치적인 데이터를 의미합니다. 사용자가 서비스를 사용하며 어떻게 느끼고 있는지 사용자와의 직접적인 소통을 통해 얻은 정보입니다. 예를 들어 언론, 인터뷰, 설문조사, 포커스그룹, 관찰 등이 있습니다.

 

정성적 데이터의 대표적인 예시 : 고객 설문조사(Google Forms : https://workspace.google.com/intl/ko/products/forms/)

 

정량적 데이터는 수치, 도형, 기호 등 측정이 가능한 데이터로, 프로그램이나 툴을 사용하여 사용자의 패턴과 행동을 파악하고 수치화할 수 있는 정보를 의미합니다. 사용자 행동, 선호도, 문제점을 명확한 근거를 통해 파악할 수 있습니다. 예를 들어 데이터베이스, 스트레드 시트, 페이지 방문 및 이탈률, 전환율, 마우스 클릭 수 등이 있습니다.

 

정량적 데이터의 대표적인 예시 : 데이터 분석 툴(구글 애널리틱스 : https://marketingplatform.google.com/intl/ko/about/analytics/features/)

 

 

두 가지 데이터는 각각의 장단점이 있는데요.

 

정성적 데이터는 정량적 데이터에 비해 전문적인 기술이 많이 필요하지 않아 더 쉽게 데이터를 추출할 수 있지만 MAU가 적을 경우 편향된 정보를 얻게 될 수 있고 결과값에 대한 명확한 수치화된 근거를 들기가 어려워 설득하기 까다롭습니다. 정성적인 지표는 통계적 유의성을 확보하기에는 많은 모수가 필요하기 때문입니다.

 

반면, 정량적 데이터는 근거가 명확하고 결과값이 뚜렷하여 편견이 줄어들고 설득력이 높습니다. 하지만 데이터를 추출하기까지 많은 전문적 지식 혹은 전문가를 필요로 합니다. 현재는 데이터 추출을 돕는 다양한 프로그램과 툴이 출시되었지만 실무에서 사용하기 위해서는 해당 툴에 대한 공부와 경제적인 투자가 필수적입니다. 그래서 데이터에 관심이 있는 기업이 아니고 서비스의 비즈니스 활성화도 많이 되지 않은 상태에서는 실무에서도 정량적인 데이터를 보기란 쉬운 일이 아닙니다.

 

정리하자면, 정성적 데이터는 가설을 만들어 낼 토대를 제공하고 정량적 데이터는 해당 가설을 증명하고 뒷받침할 수 있는 반증의 정보를 제공합니다. 두 가지의 장점을 결합한다면 만족스러운 제품과 서비스를 구축하고 운영하는 데에 더 많은 도움을 받을 수 있습니다.

 

데이터 분석가와 프로덕트 디자이너 채용이 적지 않게 보이는 지금, 프로덕트 디자이너와 데이터는 어떤 연관성이 있을까요?

 

---

: 데이터 분석의 중요성
 
엘리스에서 소개하는 자료에 따르면 2005년까지만 해도 0.16 ZB 규모로 생산되던 데이터 양이 2020년에는 64.2 ZB 규모일 정도로 증가했다고 합니다. 데이터는 이제 단순한 정보로 써가 아닌 소비자의 행동과 패턴을 파악하고 이해하는 도구로 꾸준히 사용되고 있다고 볼 수 있습니다. 데이터를 분석하고 그를 통해 인사이트를 얻는 작업은 모든 비즈니스에서 중요도가 높아지고 있고 이로 인해 데이터의 중요성은 앞으로 더욱 커질 전망입니다.

 

https://dribbble.com/shots/14935471-Home-valuation

 

 

그 이유로, 양질의 데이터는 고객의 활동을 기반으로 하기에 서비스의 추후 방향성 혹은 기능 개발의 방향성에 대해 효율적으로 의사결정할 수 있도록 돕습니다. 많은 데이터가 쌓일수록 우리는 소비자 행동 패턴을 예측할 수 있게 되기 때문입니다.

기업은 타겟층의 니즈를 훨씬 깊게 이해할 수 있고 이를 통한 제품 혹은 서비스의 발달은 해당 타겟층을 락인(Lock-in) 시키며, 충성고객을 유치하고 만족도를 높입니다.

이는 최적화된 마케팅 전략을 짜는 것으로도 이어집니다. 데이터를 통해 지속적으로 피드백을 주고 마케팅 성과를 수치로 측정할 수 있게 되면 기업은 서비스에 적합한 타겟 모델을 좁힐 수 있고 잠재 고객을 찾아낼 수 있습니다.

작업자들에게 가장 좋은 영향은 업무 효율성을 높일 수 있다는 것에 있습니다. 비즈니스 내에서 비효율적으로 진행되던 작업들을 효율적으로 운영하는 데에 좋은 자료가 되어 불필요한 리소스를 줄이고 작업에 소요되던 시간을 획기적으로 줄일 수 있습니다.

 

https://dribbble.com/shots/16506354-Video-assessment-tooling

 

 

이로 인해 조직은 발전합니다. 데이터는 올바른 방향으로 의사결정을 하고 목표를 설정하는 데에 많은 도움을 주며 궁극적으로 서비스의 효율성을 증대시키고 비용을 절감시킵니다. 이렇다 보니 IT 업계뿐 아니라 다양한 방면에서 데이터와 데이터 분석은 중요성이 점차 커지고 있는 것입니다.

 

 

 

 

: 디자이너도 데이터를 분석할 줄 알아야 할까요?
 
정답부터 이야기하자면, 프로덕트 디자이너가 데이터 '분석'을 할 필요까지는 없습니다. 하지만 데이터를 '해석'할 줄은 알아야 합니다.

 

프로덕트 디자이너와 UXUI디자이너를 분리하는 가장 큰 기준은 데이터를 해석하는 능력이라고 전 생각합니다. 프로덕트 디자이너는 데이터를 해석하는 데이터 문해력 역량이 필요합니다. 사용자가 제품과 서비스에 남긴 유무형의 모든 흔적들에서 더 나은 방향으로 나아가는 길을 찾아내는 것이 바로 프로덕트 디자이너의 역할이기 때문이죠.

 

그렇다면 사용자가 남긴 흔적들은 어떻게 알아낼 수 있을까요? 여기서 필요한 부분이 바로 데이터입니다.

하지만 중요한 건 프로덕트 디자이너의 본질은 데이터 분석이 아닌 분석된 데이터를 해석하는 것이라는 점입니다. 분석된 데이터를 토대로 인사이트를 내고 문제를 명확히 정의하고 해결 방안을 제시하는 것이 프로덕트 디자이너의 역할입니다. 이렇게 보면 앞서 말한 것처럼 정성적, 혹은 정량적 데이터 모두 제품과 서비스를 해석하는 데 중요한 포인트가 됩니다.

 

데이터를 너무 어렵게 생각하지 마세요. 사실 우리가 현업에서 데이터라고 하는 것들은 굉장히 사소하고 쉽게 넘어갈 수 있는 것들입니다. 주기적인 설문조사가 감성적인 데이터가 될 수도 있고, CS 채널을 통한 불만이나 문의도 문제를 파악하고 좋은 방향을 설계하는 데 힌트가 될 수 있습니다.

 

https://dribbble.com/shots/15109616-Blog-covers

 

 

그럼 분석된 데이터를 해석한다는 건 어떤 의미일까요?

 

데이터 분석을 통한 프로덕트 디자이너의 업무 과정 중 가장 중요한 첫 번째 단계는 목표 설정입니다. 데이터를 통해 풀고자 하는 고민이 무엇인지 목적에 맞게 데이터를 봐야 올바른 방향으로 데이터를 해석하고 업무에 활용할 수 있습니다. 목표를 설정하는 것이 어렵다면 지속적으로 고민하고 질문을 던져서 우리의 제품과 서비스에서 필요한 부분이 무엇인지 유추하는 작업이 꼭 필요합니다.

다음으로는 목표에 대한 가설을 설정합니다. 해당 목표 혹은 문제 개선이 필요한 이유는 무엇이고 해당 상황을 해결하기 위한 대략적인 방법을 제시하는 것입니다. 그리고 당연히 해당 가설을 시도해 봐야겠죠. 이후엔 가설을 실제로 시행해 본 결과를 보고 실제로 목표를 달성했는지 문제를 개선했는지 판단합니다.

조금 더 이해하기 쉽게 예를 들어보겠습니다. (아래 예시의 경우, 프로덕트 디자이너 김태길 님께서 제공해 주셨습니다.)

 

0. 조건
- 튀김집을 운영하는 가게의 리뷰 중 몇몇의 별점이 낮은 리뷰로 인해 가게의 평점이 4.8점에 머무르고 있다
- 낮은 별점을 매긴 리뷰 중 동일한 의견은? ➡️ "튀김은 맛있는데 식어서 와요ㅠㅠ"

1. 현상 파악
- 튀김이 식은 채로 고객에게 도착한다.

2. 관찰
- 튀김을 너무 낮은 온도에서 마무리하는가?
- 튀김 조리 후 배달 시작까지 오래 걸리는가?
- 배달이 지연되거나 중간에 다른 가게도 들리느라 가는 길에 식는가?

3. 문제 정의
- 요리가 문제는 아니라는 건 확인했고, 그럼 배달까지 오래 걸리는가?

4. 가설 수립
- 배달 업체를 바꾸면 배달 시간이 적게 걸리고, 튀김이 식는 경우가 적을 것이다

5. 시행 
- 배달 업체 바꾸기!

6. 검증
- 실제로 튀김이 식었다는 의견이 없어졌는가?

 

실무에서는 위와 비슷한 일련의 단계를 거쳐 데이터가 목적에 맞게 해석되고 사용됩니다. 어느 정도 이해가 되셨나요? 현상을 파악하고 관찰하고 문제를 정의하고 가설을 수립하고 시행하고 검증하는 순차적인 단계에 맞춰 데이터는 활용되어야 합니다. 데이터를 분석하는 것에서 그치는 것은 데이터를 활용한 업무 방식이 아니죠. 분석한 데이터를 활용하고 해석하여 실제 문제 해결 방법의 일환으로 사용했을 때 비로소 데이터는 그 빛을 발합니다.

 

 

 

 

: 데이터 분석툴 추천
 
사실 데이터 분석 툴로 가장 많이 활용되는 것은 개발 언어인 파이썬과 SQL입니다. 개발 언어 중에서는 비교적 쉽게 간단한 몇 개의 코드로 데이터를 추출할 수 있기 때문입니다. 하지만 해당 언어들은 기본적인 개발 지식을 분명히 필요로 하기 때문에 비개발자가 접근하기 쉽지 않습니다.

최근엔 연차가 많은 디자이너들도 데이터 분석을 공부하고 배우기 시작했습니다. 데이터를 많이 활용하다 보면 필연적으로 본인이 원하는 상황과 환경에 맞는 데이터를 본인 스스로 도출하고 싶어 지기 때문일까요?

 

그래서 디자이너들도 사용하기 편하고 접근하기 쉬운 데이터 분석 툴을 몇 가지 소개할까 합니다. (접근성이 좋은 순서대로 나열하였습니다.)

 

 

1. Google Analytics (구글 애널리틱스)

 

흔히 GA라고 불리며, 웹 사이트 내에서의 사용자 로그 데이터를 다루는 툴입니다. 고객 데이터를 심층적으로 분석하여 광고 효율을 높이고 제품의 매출을 향상하는데 도움을 줍니다. 구글에서 제공하는 무료 툴이라 대부분의 실무 기업에서 보편적으로 가장 많이 사용됩니다. 사이트 방문자의 유입 소스와 행동 데이터를 수집하고 저장하는 데 유용하게 쓰입니다. 특히, 이탈률과 평균 체류 시간, 구매 전환율 등을 확인하기에 용이합니다. 간단한 사용법으로 최근엔 전문가가 아니더라도 많은 직무에서 사용하고 있어 사용법도 많이 알려져 있는 편입니다.

 

https://analytics.google.com/

Redirecting...

 

 

 

2. Mixpanel (믹스패널)

 

A/B 테스팅은 MAU가 높고 활성유저가 많은 상황에서 테스트하기 편한 방법이라 주로 사용되곤 하는데 스타일 변경, 성격이 다른 동적 데이터 노출 등 다양한 방식들이 모두 지원 가능한 툴은 많지 않습니다. (Google Optimize도 A/B 테스팅 기능을 지원하기는 하나, 스타일 변경 수준의 작업들만 가능) 하지만 믹스패널은 A/B 테스팅이 가능한 툴입니다. 그 외의 데이터 분석 혹은 추출 기능들은 다른 툴들과 비슷합니다. 현재, 어떤 대시보드를 설정하여 데이터를 봐야 할지 막막한 상황에 도움을 받을 수 있는 믹스패널의 생성 AI 서비스(Spark)가 현재 베타 버전으로 출시될 예정이니 베타테스터를 등록해 보시는 것도 추천드립니다.

 

https://mixpanel.com/home

Mixpanel: Event Analytics for Mobile, Web & More

 

 

 

3. Hotjar (핫자)

 

많은 기업들이 사용하고 있는 오래된 데이터 분석 툴입니다. 시각적으로 데이터를 표현해 주는 툴 중에 하나라 꾸준히 사랑받고 있는 듯합니다. 사용자의 행동, 시선 등의 사이트에 대한 관심사나 방문 동기에 대한 데이터를 시각화할 때 주로 사용합니다. 클릭, 커서 이동, 스크롤 등의 히트맵을 시각화된 자료로 확인할 수 있으며 디바이스별, 방문자별로 분리하여 확인도 가능합니다. 정량적 데이터뿐 아니라 정성적인 데이터 수집도 가능합니다. 사이트 내에서 설문을 받거나 고객 피드백을 받을 수도 있습니다. 해당 결과값은 시각화되거나 유형별로 정리되어 모니터링할 수 있고 대시보드 형태로 정리도 가능합니다.

 

https://www.hotjar.com/

Hotjar: Website Heatmaps & Behavior Analytics Tools

 

 

 

4. Amplitude (엠플리튜드)

 

유입경로나 이탈 등 데이터 정합성이 좋은 툴입니다. 앱 혹은 사이트 내의 유저 행동을 분석할 수 있으며, 유저 그룹 단위로 분석이 가능하고 퍼넬 단위, 플로우 단위로도 분석이 가능하여 사용도가 높은 툴입니다. 동일한 기간 동안 공통된 특성이나 경험을 갖는 사용자들을 모아 분석하는 행동 분석 방법인 '코호트 분석'에 최적화된 툴이며, 분석된 데이터를 시각화하여 노출하기 때문에 사용성도 좋습니다. 기본적인 설정을 잘 마련하였다면 유저의 모든 행동을 트래킹 하기 좋습니다. 물론, A/B 테스팅도 가능합니다.

 

단, 도입 비용이 굉장히 높은 편이라 쉽게 사용하기 어렵고 개인이 사용하거나 기업에서 보편적으로 사용되진 않습니다. 데이터를 굉장히 중요하게 생각하거나 실험을 많이 하는 조직이 아니라면 접하기 쉽지 않습니다. 개인이 체험판으로 사용해 볼 수는 있는데, 데이터 노출 시각화 화면이나 대시보드 등 데모 버전으로 전반적인 툴의 기능을 파악할 수 있는 정도로 제공합니다.

 

https://amplitude.com/

Amplitude | Product Analytics & Event Tracking Platform | Amplitude‹

 

 

 

+ Clarity (클라리티)

 

핫자나 앰플리튜드와 같은 사용자 행동 데이터를 시각화하는 툴을 사용하기 어려운 경우, GA와 함께 클라리티를 사용하면 좋습니다. 클라리티는 데이터 분석에 최적화된 툴은 아니지만 사용자가 사이트를 사용하는 전체적인 플로우에 대한 데이터를 추가적으로 볼 수 있는 툴입니다. 해당 툴 또한 GA와 마찬가지로 무료 툴이라 GA를 사용하면서 결합하여 많이 사용합니다.

 

https://clarity.microsoft.com/

Microsoft Clarity - Free Heatmaps & Session Recordings

 

---

끝까지 봐주셔서 감사합니다! :-)

 
 
 
 
참고사이트

https://elice.io/newsroom/data_analysis#%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D%EC%9D%B4%EB%9E%80

https://ditoday.com/%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D%EC%9D%84-%EA%B8%B0%EB%B0%98%EC%9C%BC%EB%A1%9C-%ED%95%98%EB%8A%94-ux-%EC%95%8C%EC%95%84%EB%B3%B4%EA%B8%B0/

https://www.grownbetter.com/article/261

https://tldv.io/ko/blog/qualitative-vs-quantitative-data-in-ux-research/