사용성 평가나 설문 조사 그리고 인터뷰와 같은 사용자 조사는 고객 관점에서의 사업 기회 발굴과 디자인 개선에 대한 인사이트를 제공해 줍니다. 그렇지만 단순히 사용자 조사로 수집된 데이터만으로 의미 있는 정보를 제공해 주지는 않는데요. 그 속에 감추어진 의미 있는 정보를 파악하기 위해서는 수집된 데이터 특성에 맞는 적합한 분석을 진행하고, 이를 시각화하는 과정이 필요합니다. 이렇듯 사용자 조사를 통해 다양한 형태의 데이터를 수집하게 되는데, 이러한 데이터는 만족도 점수, 과제 수행 시간, 에러 수와 같은 정량 데이터(Quantitative Data)와 사용자의 리얼 보이스, 행동 관찰 기록, 사진과 같은 정성 데이터(Qualitative Data)로 구분될 수 있습니다. 정량 데이터가 얼마나 많은 행동이 일어나고 있는지를 알려주는 반면, 정성 데이터는 행동이 일어난 이유를 알려줍니다. 이번 글에서는 객관적인 의사결정을 도와주는 정량적 데이터를 어떻게 분석하고, 시각화할 수 있는지에 대해 살펴보도록 하겠습니다. 정량 데이터의 분석 <출처: freepik> 정량적 경험 데이터 분석하기정량 데이터 분석을 위해 통계 분석(Statistical analysis)이 활용되는데요. 통계 분석은 기술 통계(Descriptive statistics)와 추론 통계(Inferential statistics)로 구분됩니다. 기술 통계는 수집된 데이터의 특성을 파악하기 위해 활용되는 것에 반해, 추론 통계는 샘플을 통해 모집단을 추론하거나 가설을 검정하기 위해 활용된다는 차이를 가집니다. 그렇지만 이 두 가지 통계 분석 방법은 별개로 진행되는 것이 아닙니다. 기본적으로 데이터의 특성을 파악하기 위해서는 기술 통계를 진행합니다. 좀 더 고도화된 분석이 필요할 경우에는 추가로 추론 통계까지 진행하게 됩니다. 1. 기술 통계기술 통계는 빈도나 평균과 같은 수집된 데이터의 특성을 파악하는 데에 활용되는데요. 사용자 조사를 통해 수집된 정량 데이터는 기술 통계의 과정을 거치게 됩니다. 이 과정에서 데이터의 유형에 따라 다른 통계 값이 구해지게 되는데요. 범주형 데이터(Categorical data)는 선호하는 디자인 타입이나 과제 성공 여부 등과 같은 데이터를 분석해서 빈도나 백분율과 같은 통계 값을 구할 수 있습니다. 수치형 데이터(Numerical Data)는 만족도나 수행 시간 등을 분석하여 평균이나 표준 편차와 같은 통계 값을 구할 수 있습니다. 가장 대표적인 통계 값으로 참가자의 전형적인 행동을 파악할 수 있는 중심 경향(Central tendency) 지표를 들 수 있는데요. 평균(mean)과 중앙값(median) 그리고 최빈값(mode)이 이에 해당됩니다. 평균은 데이터 전체의 중심에 위치하는 값으로 가장 널리 활용됩니다. 그러나 데이터 중 너무 큰 값이나 너무 작은 값인 극단값(Extreme value)이 포함될 경우 평균에 영향을 크게 줄 수 있으므로 해석에 조심해야 합니다. 이렇게 극단값이 많이 포함될 경우 중앙값을 활용하는 것도 고려해 볼 수 있는데요. 중앙값은 데이터를 크기 순서대로 나열했을 때 가장 가운데 위치한 수치를 말합니다. 최빈값은 가장 빈번하게 발생하는 값을 나타내는데요. 주관적인 척도처럼 데이터가 제한된 값을 가지고 있을 때(예: 5점 척도 등)에는 최빈값을 활용하는 것도 고려해 볼 수 있습니다. 사용자의 전형적인 행동을 파악하기 위해서는 다양한 통계 값들이 사용될 수 있습니다. 사용자 조사를 통해 수집된 데이터의 분포 특성과 분석 목적에 따라 적절한 값을 활용하는 것이 필요합니다. 물론 현업에서는 수집된 데이터에 극단값들이 많이 포함되어 있지 않다면 평균을 가장 많이 활용하는데요. 만약 이러한 극단값이 측정 상의 문제나 참가자의 실수로 수집된 이상값(Outliner)이라면 이를 제거하고 분석하는 방법도 고려해야 합니다. 그럼 다음으로 정량 데이터를 분석한 결과를 시각화하는 가장 대표적인 방법들에 대해 살펴보도록 하겠습니다. 이러한 기술 통계의 분석과 시각화는 Excel을 통해 수행할 수 있습니다. 1) 범주형 데이터(파이 차트와 누적 막대그래프)범주형 데이터는 주로 백분율로 분석해 사용자의 행동이 어느 영역에 많이 분포되는지 확인하게 됩니다. 이러한 분석 결과는 원그래프(Pie chart)나 누적 막대그래프(Stacked bar chart)로 시각화해 경향성을 한눈에 파악할 수 있습니다. 원그래프는 전체 참가자의 특정한 행동이 전체 행동에서 차지하는 비율을 직관적으로 보여줍니다. 그렇지만 세그먼트가 많아지면 복잡해지기 때문에 개수를 최소화하거나 상대적으로 덜 중요한 세그먼트들에 대해서는 기타 등으로 처리하는 것이 필요합니다. 예를 들면 아래 그림과 같이 선호 컨셉의 선택 결과를 한눈에 보여 줄 수 있는데요. 그 결과 컨셉 A가 컨셉 B와 C 보다 높은 선호도를 보인다는 것을 알 수 있으며, 이는 시장 출시 시 컨셉 A가 고객의 수용성이 가장 높을 수 있다는 것을 의미합니다. 누적 막대그래프는 원그래프와 같이 각각의 막대 형태 내에서 전체 행동 중 특정한 행동이 차지하는 비율을 보여주는데요. 다수의 막대를 한 번에 표시할 수 있기 때문에 연속된 일련의 데이터 집합을 가지고 있을 경우에 효과적으로 활용할 수 있습니다. 아래 그림은 참가자가 5개의 태스크를 수행했을 때의 성공률을 표현한 결과인데요. 상대적으로 태스크 3과 4의 태스크 성공률이 태스크 1보다 낮은 것을 알 수 있습니다. 이는 태스크 1을 수행하기 위한 UI 디자인의 개선이 시급하다는 것을 의미합니다. 좌: 원그래프, 우: 누적 막대그래프 <출처: 본인> 2) 수치형 데이터(막대그래프와 선 그래프)수치형 데이터는 주로 평균으로 분석해 사용자의 행동이 어디서 더 많이 발생하는지 확인할 수 있습니다. 이러한 분석 결과는 막대그래프(Bar chart)나 선 그래프(Line chart)로 시각화하여 경향성을 한눈에 파악할 수 있습니다. 막대그래프는 디자인 컨셉이나 태스크와 같이 분리된 카테고리에 대한 연속적인 값(만족도, 시간, 에러 수 등)을 표현하고자 할 때 효과적으로 사용할 수 있는데요. 막대의 길이를 통해 카테고리 간의 크기를 비교할 수 있습니다. 아래 그림은 7점 척도로 컨셉들의 선호도를 평가한 결과입니다. 컨셉 A가 가장 높은 선호도를 보인 것을 직관적으로 알 수 있습니다. 선호도나 만족도뿐만 아니라 여러 제품이나 서비스, 또는 컨셉 간의 수행 시간이나 에러 빈도와 같은 사용성 경쟁력을 비교하는 데에 막대그래프가 가장 널리 활용되고 있습니다. 만약 카테고리가 연속적인 속성(예: 연령대, 태스크나 여정의 단계 등)을 가진다면 막대그래프보다 선 그래프를 활용하는 것이 더 효과적인데요. 특히 선 그래프에서는 여러 개의 범주일 때 그 값을 비교할 수도 있습니다. 이를 통해 단순히 각 카테고리 별 우열을 가리는 것뿐만 아니라, 각 카테고리의 변화를 함께 확인할 수 있습니다. 아래 그림은 경쟁사와의 태스크 단계별로 만족도 점수의 비교와 변화를 표현한 결과인데요. 전반적으로 브랜드 A와 B의 만족도가 브랜드 C보다 높은 것을 볼 수 있습니다. 브랜드 A와 B의 만족도를 비교해 보면 대부분은 브랜드 A가 높지만, 태스크 2에서 브랜드 B가 A를 근소하게 역전했다가 다시 브랜드 A가 우세를 가지고 오는 추세를 확인할 수 있습니다. 좌: 막대그래프, 우: 선 그래프 <출처: 본인> 이러한 평균에 대한 결과는 신뢰 구간(Confidence interval)을 통해서 더욱 정교한 해석을 할 수 있는데요. 신뢰 구간은 데이터가 어느 범위 안에 있는지를 확률적으로 알려주는 방법으로 데이터의 분포 특성을 알려줍니다. 아래 그림과 같이 신뢰 구간은 막대그래프 위에 구간으로 표시합니다. 주로 95%의 신뢰 구간을 많이 활용합니다. 만약 제품 A의 신뢰 구간이 2초라면, 제품 A에 대한 전체 데이터는 95%의 신뢰도를 반영하여 평균 17초에서 오차 범위가 2초인 15초에서 19초 사이에서 데이터가 분포한다는 것을 의미합니다. 신뢰 구간의 표시 <출처: 본인> 3) 방사형 그래프와 산점도앞서 살펴본 방법 이외에도 사용자 조사 데이터를 좀 더 구체적인 목적으로 활용하기 위한 분석과 시각화 방법도 있는데요. 대표적으로 방사형 그래프(Radar Chart)와 산점도(Scatterplot)를 들 수 있습니다. 방사형 그래프는 특정 대상에 대해 여러 평가 항목들로 비교해 전체적인 경향을 유추하고 싶을 때 활용합니다. . 동심원 위에 평가 항목별로 점을 찍어서 형성된 도형의 모양으로 특정 대상이 잘하는 것과 못하는 것을 한눈에 확인할 수 있습니다. 아래 그림은 브랜드 A와 B의 UX 경쟁력을 분석한 결과입니다. 브랜드 A가 B보다 사용성과 디자인 심미성이 높은 반면, 기능의 유용성과 전체적인 일관성이 낮다는 것을 직관적으로 알 수 있습니다. 이러한 결과는 경쟁력 관점에서 강점은 지속적으로 유지하면서 약점을 보완하는 UX 전략을 수립하는 데 도움이 될 수 있습니다. 방사형 그래프 <출처: 본인> 산점도는 한 쌍의 연속적인 데이터를 수평과 수직 축 상의 좌표 값으로 나타내는 방법인데요. 이를 통해 서로 다른 두 척도를 비교할 수 있을 뿐만 아니라, 두 변수 간의 관계를 확인할 수도 있습니다. 아래 그림은 산점도에 평균을 기준 선으로 하여 포지셔닝 맵 형태로 변형한 결과인데요. 이를 통해 특정 서비스의 이용 행동(이용 빈도)과 태도(이용 의향)를 한 번에 비교해서 볼 수 있습니다. 두 가지 변수 간의 관계를 통해 이용 의향이 높다면 이용도 더 많이 하는 것을 볼 수 있는데요. 그렇지만 1사분면에 위치한 서비스 E는 상대적으로 이용은 적게 하지만 이용 의향이 높은 반면, 4사분면에 위치한 서비스 D는 상대적으로 이용은 많지만 이용할 의향은 낮은 것을 볼 수 있습니다. 이런 경우 서비스 D는 현재의 이용률을 유지하기 위해서는 더 매력적인 경험을 보완해 이용 의향을 높여 향후에도 사용자의 리텐션을 유지할 필요가 있는 반면, 서비스 E는 사용자의 서비스 접근성을 향상하고, 서비스의 매력성을 적극 마케팅해 미사용자의 유입을 높이기 위한 전략을 필요함을 의미합니다. 산점도(포지셔닝 맵으로 변형) <출처: 본인> 2. 추론 통계추론 통계는 표본을 통해 모집단을 추론하거나 가설을 검정하기 위한 방법인데요. 대표적으로 t 검정(t-test)이나 분산분석(ANOVA)과 같은 집단 간의 차이를 밝히는 분석 방법과, 변수들 간의 연관성을 파악하는 상관분석(Correlation analysis)이나 회귀분석(Regression analysis)을 들 수 있습니다. 이러한 추론 통계를 하기 위해서는 몇 가지 이해하고 넘어가야 하는 개념들이 있습니다. 바로 모집단과 표본, 정규 분포 그리고 통계적 유의성입니다. 먼저 모집단과 표본에 대해 살펴보도록 하겠습니다. 모집단(Population)은 전체 사용자 집단으로 볼 수 있고, 표본(Sample)은 사용자 조사의 참가자로 볼 수 있는데요. 전체 사용자를 대상으로 조사하는 것은 시간과 비용 측면에서 불가능하기 때문에 그들을 대표할 수 있는 일부 사용자를 표본으로 모집하게 됩니다. 추론 통계는 이러한 표본으로부터 모집단의 속성을 추정하는 과정이라고 볼 수 있습니다. 이때 사용자 조사에 모집된 참가자로부터 수집된 데이터가 전체 사용자를 대표할 수 있는지를 검증하는 과정이 필요합니다. 이러한 검증 과정에서 정규 분포와 통계적 유의성에 대한 개념이 나오게 됩니다. 추론 통계를 위해서는 먼저 표본으로 수집된 데이터가 정규성이 확보되는지에 대한 확인이 필요합니다. 전체 사용자와 같이 많은 수의 사용자의 특성을 분포로 나타내면 아래 그림처럼 평균을 중심으로 한 좌우대칭의 종 모양의 분포가 나타납니다. 이를 정규 분포(Normal distribution)라고 부릅니다. 이런 경우 일반적인 통계분석 방법인 모수 통계(parametric statistics)를 진행하게 되는데요. 이러한 정규분포를 이루려면 얼마나 많은 참가자가 필요한가에 대한 의문이 생길 수 있을 것입니다. 통상적으로는 최소한 30명 이상의 참가자가 모집이 되었다면 정규성을 가정하고 추론 통계를 진행하게 됩니다. 물론 더 엄밀하게는 데이터가 수집된 이후에 정규성 검정을 통해 데이터가 정말 정규 분포를 이루는지 확인하는 과정을 거치기도 합니다. 정규 분포 <출처: freepik> 이렇게 데이터의 정규성이 가정되었을 때 추론 통계를 진행하여 분석 결과가 통계적으로 유의미한지에 대한 검증이 이루어집니다. 흔히 유의 수준 5%로 알려져 있는 p-value가 0.05 이하인지를 확인하여 통계적 유의성을 파악합니다. 여기서 통계적으로 유의미하다는 것의 의미는 분석된 결과가 우연에 의해 발생된 것이 아니라 다시 재현해도 반복적으로 나타난다는 것인데요. 이는 표본에서 관찰된 결과가 모집단에서 다시 샘플링해 측정하여도 다른 결과가 나타날 가능성이 20번 중에 1번보다 적다는 것을 말합니다. 이제 대표적인 추론 통계 방법에 대해 살펴보도록 하겠습니다. 추론 통계 분석에는 주로 SPSS나 SAS, Minitab과 같은 전문적인 통계 분석 Tool을 활용해 수행할 수 있습니다. 1) t 검정과 분산분석현업에서 가장 많이 검증하고자 하는 가설은 무엇일까요? 경쟁사의 서비스나 자사의 디자인 개선안이 현재의 자사 서비스와 UX 경쟁력이 얼마나 차이가 나는지 검증하는 것일 텐데요. 예를 들면 ‘자사의 디자인 원안 보다 자사의 개선안이 더 효율적인 디자인되어 사용자들은 더 빨리 과업을 수행할 수 있을 것이다’와 같은 경우일 것입니다. 이럴 때 t 검증(t-test)이나 분산분석(ANOVA, Analysis of variance)을 수행해 통계적으로 유의미하게 차이가 있는지를 검증하게 됩니다. 아래의 그림은 스마트폰 터치 키보드의 디자인 개선 효과를 t 검증을 통해 알아본 연구 결과(한승숙 외, 2014)인데요. 그 결과를 살펴보면 디자인 원안의 평균 오타 수 12.3개 대비 개선 안이 9.47개로 오타가 감소한 것을 볼 수 있습니다. 이러한 결과가 통계적으로 유의미한 것인지를 살펴보기 위해 p-value를 확인해야 합니다. 결과 테이블의 p-value이 0.004로 통상적으로 사용하는 유의 수준인 0.05보다 낮기 때문에, 통계적으로 유의미하게 개선안의 정확도가 높아졌다고 해석할 수 있습니다. 이러한 유의성에 대한 검증 결과는 아래 그래프에서와 같이 ‘*’표시를 하게 되며, 유의미한 정도에 따라 ‘**’로도 표시하게 됩니다. T-test 결과 테이블 및 그래프 예시 <출처: 한승숙 외, 2014> 만약 비교하는 대상이 2개를 초과한다면 t 검증이 아닌, 분산분석(ANOVA)을 통해 분석이 필요한데요. 컨셉 A, B, C의 수행 시간의 차이가 통계적으로 어떤 의미가 있는지 분석하는 것을 예로 들 수 있습니다. 이러한 경우 분산분석을 통해 p-value가 0.05 이하로 3개 집단 간의 유의성이 검증되었더라도 어느 그룹에서 차이가 있었는지 파악하기 위해서 사후 검증(Post-Hoc test)의 과정이 필요합니다. 사후 검증의 결과의 예로 컨셉 A와 B의 수행 시간에서는 통계적으로 유의미한 차이가 없었지만, 컨셉 A와 C의 수행 시간에서는 통계적으로 유의미한 차이가 난다와 같은 분석 결과를 도출할 수 있습니다. 2) 상관 분석과 회귀 분석추론 통계는 단순히 변수들 간의 통계적 차이가 있는지를 살펴보는 것뿐만 아니라, 변수들 간의 관계 파악하는 데에도 활용할 수 있는데요. 대표적으로 상관 분석(Correlation analysis)과 회귀 분석(Regression analysis)을 들 수 있습니다. 상관 분석은 2개 이상의 변수들의 선형적인 관계를 살펴보기 위한 분석 방법입니다. 이 분석을 통해 변수들 간의 관계가 유의미한 관련이 있는지에 대한 검증 결과인 p-value 값과 상관계수인 r 값을 도출하게 되는데요. 상관계수인 r은 변수들 간의 관계가 긍정 또는 부정적인지, 얼마만큼 연관되는지를 나타냅니다. 예를 들면 에러 수와 수행 시간의 r 값이 0.3이라면, 에러 수가 많은 것과 수행 시간이 늘어나는 것이 정적 상관성이 있다고 봅니다. 이러한 결과는 에러와 수행 시간에 대한 사용자 조사 결과를 해석할 때 이러한 상관성을 고려해 사용자의 행동을 이해하는 것이 필요하다는 것을 의미합니다. 회귀 분석은 하나의 종속 변수에 대해 다수의 독립변수들이 어떻게 영향을 미치는지에 대한 인과 관계를 분석할 때 많이 활용되는 방법인데요. 예를 들면 가격, 마케팅 비용 등의 여러 요인들 중에 매출액에 가장 큰 영향을 주는 요인이 무엇인지 분석하는 데 활용될 수도 있습니다. 이때 회귀 분석을 통해 회귀 모형의 적합도(p-value), 모델 설명력(R2), 각 독립변수(예: 가격, 마케팅 비용 등)가 종속변수(예: 매출액)에 미치는 영향력을 나타내는 회귀계수(Beta)를 도출할 수 있습니다. 아래의 그림은 AI 스피커의 수용에 영향을 미치는 요인을 회귀분석을 도출해 분석한 결과(오의택 & 권규현, 2020)입니다. 해당 결과는 그 회귀 모형의 적합성(p-value=0.000)과 높은 설명력(R2=60.4%)으로 의미 있는 결과로 볼 수 있는데요. AI 스피커 수용에 긍정적으로 영향을 미치는 요인은 3개 요인 모두 유의미하게 나타났습니다. 영향력은 Beta 값으로 크기 순서대로 지각된 유용성(beta=0.489, p-value=0.000), 지각된 사용 용이성(beta=0.270, p-value=0.000), 그리고 지각된 의인화(beta=0.153, p-value=0.000)인 것으로 나타났습니다. 이는 AI 스피커를 디자인할 때에는 유용한 기능을 제공하는 것을 최우선으로 하되, 편리한 사용 방법과 사람처럼 자연스러운 인터랙션을 제공하는 것이 필요하는 것을 의미합니다. 회귀분석 결과 예시 <출처: 오의택 & 권규현, 2020> 현업에서 활용하는 법사용자 조사로 수집된 정량 데이터를 적절하게 분석하고 시각화해 의미 있는 정보를 제공한다면, 이 의사결정자의 객관적인 의사결정을 효과적으로 지원할 수 있습니다. 이를 위해 현업에서는 간단한 기술 통계 분석에서부터, 좀 더 전문화된 추론 통계 분석까지 활용할 수 있습니다. 분석하기 vs 해석하기현업에서는 정량 데이터를 직접 분석하고 시각화해 보고서를 작성해 이해관계자들에게 전달하거나, 전달받은 보고서를 해석해 더 나은 서비스를 만드는 데 필요한 고객 인사이트를 발굴하게 되는데요. 앞서 알아본 정량 데이터의 분석 방법을 이용해 직접 분석하고 시각화를 진행하거나 또는, 단순 분석 결과를 해석하는데 활용할 수 있습니다. 앞서 살펴본 기술 통계는 Excel의 간단한 함수를 통해 빈도나 평균을 구하여 적합한 그래프 그려서 파워포인트나 워드 보고서에 쉽게 붙여 넣어 활용할 수 있습니다. 그렇지만 추론 통계를 직접 활용하기 위해서는 심리학적 실험 설계 방법이나 통계 분석과 같은 전문적인 지식과 함께, SPSS나 SAS와 같은 통계 전용 분석 툴에 대한 활용 기술의 습득이 필요합니다. 다행히도 직접 추론 통계를 수행하지 않고 분석 결과만을 해석하는 것이라면, 이번 글에서 알아본 개념과 해석 예시들을 바탕으로 대부분의 사용자 조사 분석 결과를 해석하고 인사이트를 도출할 수 있습니다. SPSS Statistics <출처: IBM.com> 그래프 그릴 때 주의점정량 데이터의 분석 결과는 주로 그래프로 그려서 정보를 직관적으로 전달해 주는데요. 그래프는 단순히 테이블 형태로 된 수치보다 데이터 간의 비교나 상관관계와 같이 데이터에 내재된 패턴을 파악하기 쉽게 만들어 줍니다. 이를 위해서 그래프를 그릴 때에는 보는 사람이 쉽게 이해할 수 있도록 데이터를 단순하게 하면서도 데이터가 지닌 사실을 충실하게 전달해야 합니다. 그렇지만 간혹 실수나 의도에 따라 데이터가 지닌 정보를 왜곡하여 그래프를 그리는 경우가 발생할 수 있을 텐데요. 대표적인 사례는 수직 축의 눈금 크기를 다르게 한다거나 밑부분을 생략하는 것입니다. 아래 그림과 같이 수직 축의 밑부분과 윗부분을 생략하면 원래의 데이터보다 휠씬 차이가 나는 것처럼 보이게 됩니다. 그러므로 그래프를 그릴 때에는 이러한 왜곡이 발생하지 않도록 중요한 차이나 변화의 흐름에 대해 정확하게 보여 주는 것이 필요합니다. 정확한 그래프 vs 왜곡된 그래프 <출처: 본인> 통계적 유의성과 디자인 의사결정통제된 조건에서 수행되는 수행 시간이나 에러와 같은 객관적인 데이터보다 선호도나 만족도와 같은 주관적 데이터를 추론 통계로 분석했을 때가 통계적 유의차가 나타나지 않는 빈도가 잦습니다. 이는 각 디자인에 대한 사용자의 취향 차이가 크거나, 평가받는 디자인 간의 경쟁력 차이가 압도적으로 나타나지 않을 경우에 흔히 발생하게 됩니다. 이런 경우 사용자 유형에 따라 데이터를 분석해 서비스 타깃으로 하는 사용자 유형이 좀 더 선호하는 컨셉이 무엇인지 파악해 볼 수 있습니다. 이외에 평균 값에서 차이가 보이지 않는다면, 긍정 답변(예: 7점 척도인 경우 5점 이상 답변)의 비율이 더 높은 컨셉이 무엇인지 분석해 보는 것도 또 다른 대안일 수 있습니다. 데이터가 51:49 정도의 미묘한 차이를 나타내는 것과 같이, 데이터만으로 디자인 의사결정이 쉽지 않은 상황은 흔히 발생합니다. 이렇듯 데이터가 바로 답을 말해 주지 않는다면 결국 해석하는 사람의 의사결정이 필요하게 되는데요. 이런 경우 데이터가 수집된 환경에서 포함되어 있지 않았던 맥락적 상황을 검토해야 합니다. 예를 들면 우리 서비스의 방향성이나 변화하는 트렌드, 사업적인 해석 등과 같은 요소가 의사 결정에 고려될 수 있습니다. 결국은 좋은 디자인 의사결정에는 데이터가 제공하는 객관성과 함께, 이를 해석하는 사람의 직관이 함께 요구됩니다. 이번 글에서는 정량적인 경험 데이터의 특성에 따라 통계를 활용해 수치적으로 분석하고, 효과적으로 시각화하여 직관적으로 정보를 전달할 수 있는지에 대해 살펴보았습니다. 이를 통해 현업에서 수집된 사용자 데이터를 분석하고 고객 관점에서 인사이트를 반영해, 더 나은 서비스를 만드는 데 도움이 되었으면 합니다.<참고 문헌>1. 한승숙, 최진해, 홍지영, 오의택, 김수민 & 전현주. (2014). 손 크기에 따른 운지 범위를 고려한 맞춤형 터치 키보드의 사용성 개선효과에 관한 연구. 대한인간공학회 학술대회논문집, 196-200.2. 오의택, & 권규현. (2020). Voice AI Agent 의 수용에 지각된 의인화가 미치는 영향-성별 및 연령 비교를 중심으로. 한국 HCI 학회 논문지, 15(3). 글 오의택편집 김나경 객원 에디터 ©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.
0명 뉴스레터 구독 중0명 뉴스레터 구독 중