UX 데이터 분석부터 퍼소나 생성까지, 어피니티버블 사용기

퍼플렉시티, 리스틀리, 클로드 3가지 도구로 사용자 데이터를 수집하고 분석하는 방법을 소개한 글을 쓴 적이 있다. 특히, 리스틀리는 구글 플레이스토어의 앱 리뷰 데이터를 원하는 범위까지 수집·분석할 수 있어 특정 서비스의 사용자 피드백을 분석할 때 매우 유용했다. 하지만 리뷰를 수동으로 드래그해야 하고, 전체 리뷰 보기를 제공하지 않는 iOS 앱스토어의 리뷰는 수집할 수 없다는 등 한계도 여전히 존재했다.

이에 이번 글에서는 이러한 한계를 보완하는 동시에, 보다 간편한 방식으로 데이터 분석까지 수행할 수 있는 새로운 AI 도구를 소개하고자 한다.

어피니티버블 사용하기

이번에 살펴볼 AI 도구는 어피니티버블(Affinity Bubble)이다. 이름에서 알 수 있듯, 방대한 양의 정성 데이터를 분류하고 그룹핑하는 어피니티 다이어그램(Affinity Diagram) 방식을 대신 수행해주는 AI이다. 흩어져 있는 텍스트를 의미 단위로 묶어 정리할 수 있기 때문에 사용자 리뷰나 VOC 분석 시 활용하기에 좋다.

1. 앱 리뷰 분석하기

이번에도 특정 앱의 리뷰를 가져와 분석하는 작업을 해보기로 했다.

가장 먼저, 구글에서 어피니티버블을 검색한 다음 사이트에 접속해 로그인을 진행한다. 이후 메인 화면에 있는 ‘내 데이터로 분석해보기’ 버튼을 클릭했다.

나오는 화면의 좌측 메뉴에서 [앱 리뷰 수집] 항목을 선택했다. 오른쪽 화면에 앱 이름을 입력하고 ‘구글 검색하기’ 버튼을 누르니, 해당 앱의 Apple 앱스토어와 Android 플레이스토어로 연결되었다. 그 페이지에서 링크를 복사한 다음 ‘스토어 URL 입력’ 칸에 붙여넣기 해주면 된다. ‘리뷰 가져오기’ 버튼을 누르면 자동으로 사용자 리뷰 데이터가 수집된다.

수집 시에는 [리뷰 타임라인] 섹션에서 원하는 기간을 선택해줄 수도 있다. 기본적으로 리뷰가 등록된 전체 기간이 표시된다. 다만, 과거에 언급된 페인포인트는 이미 해결되었을 가능성도 있으니 최신 리뷰(예: 25년도부터 26년까지)만 확인하고 싶다면, 하단의 스크롤을 조정하면 된다. 이렇게 수집할 공간과 기간을 설정하고, 아래로 스크롤을 더 내리면 별점 분포와 선택된 리뷰를 미리 확인할 수 있다.

여기까지 확인한 다음 ‘어피니티버블로 분석하기’ 버튼을 누르면 바로 결과가 나온다.

이미지는 각각 분석 결과로 제공되는 어피니티 다이어그램과 인사이트 요약 보고서이다.

이러한 결과물로 사용자 리뷰에서 어떤 의견이 발견되는지, 또 어떤 의견이 반복적으로 등장하는지를 한눈에 확인할 수 있다. 예를 들어 어피니티 다이어그램을 보면 허위 매물 및 관리 부실, 필터 기능 부족, 앱 오류와 같은 이슈가 그룹핑되어 있으며, 각 그룹 내에서 세부적인 사용자 의견이 어떻게 나타나는지도 직관적으로 파악할 수 있다.

2. 그 외 정성 데이터 분석하기

그렇다면 앱 리뷰가 아닌 다른 종류의 정성 데이터도 분석할 수 있을까?

실제 어피니티버블 메인 화면에서는 앱 리뷰뿐 아니라 주관식 설문, VOC 데이터, 사용자 인터뷰 등 다양한 활용 사례를 함께 제시하고 있다. 다만 한 가지 주의할 점은 CSV 파일 형식으로만 데이터 첨부가 가능하다는 것이다. 따라서 앱 리뷰 외의 다른 데이터를 분석하고자 한다면, 먼저 외부 도구를 통해 데이터를 추출한 뒤 CSV 형태로 변환해야 한다.

이때 활용할 수 있는 도구가 이전 글에서 소개했던 리스틀리(Listly)다. 리스틀리를 활용해 원하는 데이터를 수집한 후 CSV 파일로 저장하면, 이를 어피니티버블에 업로드해 앱 리뷰와 동일한 방식으로 분석할 수 있다.

1단계. 리스틀리 설치

구글 크롬에서 ‘리스틀리’를 검색한 뒤 설치하면, 크롬 상단에 리스틀리 아이콘이 표시된다. (리스틀리는 구글 확장 프로그램이므로 크롬에서 사용할 수 있다.)

2단계. 데이터 수집

데이터 수집을 원하는 페이지에 접속한 다음, 리스틀리 아이콘을 클릭하고 ‘PARTS: 부분 선택하기’ 버튼을 누른다. 이때 데이터 선택 전에 미리 리스틀리에 로그인을 해두면, 바로 파일을 다운로드할 수 있다.

준비가 끝나면 수집하고자 하는 데이터를 드래그해 선택한다. 모든 선택이 끝나면 우측에 있는 ‘RUN LISTLY’ 버튼을 누르면 된다.

3단계. 데이터 확보

수집이 끝나면 엑셀과 구글 시트 중 하나를 선택해 데이터 파일을 다운로드할 수 있다. (예시에서는 구글 시트를 선택했다.) 다운로드한 파일을 열고 파일 → 다운로드 → 쉼표로 구분된 값(.csv)을 차례로 선택해 CSV 파일로 변환한다.

이렇게 CSV 데이터 파일이 만들어지면, 이를 어피니티버블로 가지고 온다. 다시 메인 화면에 있는 ‘내 데이터로 분석해보기’를 클릭하면 바로 데이터를 첨부할 수 있는 창으로 이동한다. 여기에 CSV 파일을 넣어주면 된다.

3. 실제 사용자 데이터 기반 퍼소나 생성하기

지금까지 앱 스토어 링크로 사용자 리뷰를 수집하고 분석하는 방법과, 그 외 정성 데이터를 추출해 분석하는 방법을 각각 살펴봤다. 어피니티버블에서는 이렇게 수집한 데이터를 기반으로 퍼소나를 생성해볼 수도 있다.

방법은 간단하다. 바로 이전 단계에서 CSV 파일을 첨부했던 페이지가 있다. 해당 페이지에서 스크롤을 더 내려보면 세 번째 단계에서 인사이트 리포트 형식을 변경할 수 있는데, 여기서 ‘요약 정리’ 대신 ‘퍼소나’를 선택하면 된다.

이 방식으로 생성된 인사이트 보고서를 살펴보면, 앱스토어에 등록된 사용자 리뷰를 바탕으로 퍼소나 유형이 나뉘어 있는 것을 확인할 수 있다.

예를 들어 다방 앱 사용자 리뷰에서는 허위 매물에 대한 페인 포인트가 반복적으로 나왔는데, 이러한 내용이 반영되어 ‘신뢰 중시형 주거 탐색자’ 퍼소나 유형이 첫 번째로 도출됐다. 이 퍼소나는 신속하고 정확하게 원하는 조건의 매물을 찾는 것을 주요 목적으로 삼기 때문에, 앱에서 허위 매물을 발견했을 때 큰 불편을 느낀다.

이 외에도 상세 필터와 지도를 활용해 효율적으로 매물을 비교하려는 ‘기능 지향적 파워 유저’, 그리고 복잡한 절차 없이 빠르게 결과를 얻고자 하는 ‘효율성 추구형 사회초년생’ 퍼소나 유형이 함께 생성됐다.

이전 글에서는 GPTs와 Synthetic Users 등 도구를 활용해 가상의 퍼소나를 생성하는 방법을 소개한 바 있다. 이러한 방식은 사용자를 보다 깊이 이해하는 데 도움을 줄 수 있었지만, 실제 사용자 데이터가 아닌 가상으로 생성된 합성 데이터라는 점에서 완전히 신뢰하기에는 다소 어려움이 있었다. 반면 이번 방법은 실제 사용자 데이터를 기반으로 퍼소나 유형을 도출했다는 점에서 신뢰도와 활용도가 더욱 높다고 볼 수 있다.

또한 단순히 퍼소나 유형을 구분하는 데서 그치지 않고, 해당 퍼소나를 기반으로 사용자 인터뷰 시뮬레이션을 진행하는 방식으로도 확장할 수 있다. 예를 들어 챗GPT나 클로드와 같은 LLM 도구에 퍼소나 설명을 붙여넣고 “이제부터 이 퍼소나가 되어서 사용자 인터뷰 질문에 답해줘.”와 같은 프롬프트를 입력하면 된다.

*더 자세한 방법은 사용자 인터뷰 시뮬레이션 글에서 확인할 수 있다.

마치며

이번 글에서는 어피니티버블을 활용해 정성적 데이터를 분석하는 방법을 살펴봤다.

업무에서는 예시로 설명했던 사용자 앱 리뷰 외에도 다양한 채널에서 수집되는 VOC나 인터뷰 결과 등 방대한 정성적 데이터를 직접 분석하려면 상당한 시간이 소요된다.

반면 어피니티버블은 이러한 과정을 효율적으로 단축시킨다. 데이터 내에서 반복적으로 등장하는 주요 패턴과 사용자 니즈, 페인 포인트 등을 자동으로 구조화해 보여주기 때문에 방대한 정성적 데이터에서도 핵심 인사이트를 빠르게 파악할 수 있다. 그 결과 데이터 분석과 의사결정에 필요한 시간을 줄일 수 있다는 점에서 실무적으로 유용한 AI 도구다.

또한 어피니티버블 서비스를 제공하는 pxdAX에 따르면, 사용자가 첨부한 데이터는 처리 완료 즉시 폐기되어 어떠한 형태로도 저장되지 않는다고 한다. 이러한 점을 고려하면 다른 AI 도구로 데이터를 분석하는 것보다 비교적 안전하게 활용할 수 있다는 점도 하나의 장점으로 볼 수 있다. 개인적으로는 이전에 리스틀리와 클로드를 함께 활용해 다소 복잡한 방식으로 분석을 진행했던 경험에 비추어 어피니티버블은 리서처와 디자이너의 실제 니즈를 고려해 설계된 도구라는 인상을 받았다.

이처럼 AI로 서비스나 프로그램을 훨씬 빠르게 만들 수 있는 환경이 갖춰지고 있는 요즘, 이러한 현실적인 니즈를 충족하는 도구의 중요성은 점점 더 커지고 있는 듯하다.

다시 말해, 사용자에게 의미 있는 서비스를 만들기 위해서는 여전히 사용자의 니즈와 페인 포인트를 정확하게 포착하는 과정이 필수적이라는 뜻이다. 얼마나 빠르게 서비스를 완성하느냐보다, 사용자의 문제를 얼마나 명확하게 해결하느냐가 더 중요하기 때문이다. 이는 AI 기술이 계속 발전하더라도 인간 사용자의 감정에 공감하고 니즈를 해석하는 역량이 여전히 중요하게 강조되는 이유이기도 하다.

그런 관점에서 어피니티버블은 이러한 니즈를 반영해 설계된 서비스의 좋은 사례다. 또한, 그 자체로 방대한 사용자 데이터를 더 빠르게 이해하고 이를 니즈나 페인 포인트와 같은 인사이트로 연결할 수 있도록 돕는 유용한 보조 도구라고 할 수 있다.

©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.