설득하거나 선택하거나
디자이너가 데이터를 보는 두 가지 목적
1.
내부 고객(의사결정자) 설득
2.
어떤 디자인을 선택할지 결정하기 위해
직관에 의존할 수도 있지만 많은 경우 디자인을 변경하는 것이 비즈니스에 어떤 효과를 가져오는지 구체적으로 묻기 때문입니다.
그렇게 개편하면 ROI가 얼마나 될까요?
디자인이 겉으로 보이는 것이 아니라 어떻게 시스템이 작동하는 것인지를 다루는 작업이라면 단순히 아름답기만 해서는 안 되고, 써볼수록 우수함을 증명해내야 합니다. 이런 디자인으로 거듭나기 위해서는 사용자가 불편해하는 부분을 ‘진단’하고 새로운 디자인으로 ‘처방’을 해야 하죠. 데이터는 ‘진단’을 위해 필수적입니다.
갑작스러운 추위로 길이 얼어 넘어졌습니다. 하필이면 전에 다쳤던 오른쪽 발목을 접질렸죠. 병원에 갔을 때 엑스레이를 찍어보지 않아도 될 것 같은데, 의사는 묻지도 따지지도 않고 일단 엑스레이부터 찍고 다시 진료를 보자고 말합니다. 그 이유는 무엇일까요? 표면에 보이지 않는 것을 보기 위함입니다. 디자이너가 데이터를 알아내는 것은 서비스를 피사체로 엑스레이를 찍는 것과 유사합니다. 모든 디자이너가 고객을 더 이해하고 싶어하죠. 데이터는 측정하는 도구이고, 엑스레이 결과를 보고 나면 개선을 할 수 있습니다.
디자이너가 리서치를 하는 두 가지 케이스
1.
불편함을 줄이기 위해서 – 어떤 상황에서 사용자가 이탈하는지 이해하기 위해서
2.
새로운 기능을 만들기 위해서 – 의도한 대로 사용자가 조작하는지 이해하기 위해서
어떤 데이터를 확인해야 할까요? 데이터를 보는 이유에 답이 있습니다. 데이터를 보는 이유가 내부 의사결정을 위한 것이라면 의사결정을 하는 데 필요한 데이터를 분석해야 하기 때문입니다. 비즈니스는 매출은 늘리고 비용은 줄이려고 하기 때문에 매출과 비용을 분석하는 데 유용한 데이터는 공통적으로 활용할 수 있습니다. 물론 업종, 서비스 파워 유저에 따라 데이터에 대한 정의, 분석 주기, 우선순위에는 차이가 있습니다.
목적의식이 분명한 데이터
데이터는 숫자로서 중립적이지만 데이터를 선정하는 순간 목적성을 갖습니다. 데이터를 어떤 기간에 한정해서 살펴볼 것인지, A라는 데이터를 어떤 데이터와 연결해서 살펴볼 것인지를 결정하려면 의도가 있어야 합니다. 지난 6개월 동안 1건이라도 상품을 구매한 고객을 대상으로 리서치를 한다고 가정할 때 각 상황에 따라 다른 데이터를 조합해서 분석할 수 있습니다.
거래가 발생하는 서비스에서 확인해야 할 7가지 필수 데이터
고객 세그먼트 - 신규 고객 중 멤버십 가입 고객은 얼마나 늘었어요?
접속 시간 - 언제 서비스에 접속했어요?
접속 횟수 - 얼마나 자주 접속했어요?
체류 시간 - 접속해서 서비스를 얼마나 오래 사용했어요?
클릭률 - 얼마나 많은 사람이 저희 의도대로 반응했어요?
전환율 - 얼마나 많은 사람들이 가입, 장바구니 담기, 결제까지 했나요?
특정 이벤트 로그 - 어제 추가한 팝업으로 멤버십 가입은 얼마나 늘었어요?
업종 특성을 고려해 분석해야 하는 데이터
제조업과 서비스업, 콘텐츠 비즈니스와 이커머스 비즈니스에서 더 중요하게 생각하는 데이터는 다를 수밖에 없습니다. 수집하는 데이터 중 분석하는 데이터에는 의도가 있고, 비용 효율성을 따지면 모든 데이터를 볼 수 없기 때문에 더 중요한 데이터를 살펴보기 때문입니다. 예를 들면, 업종 특성에 따라 메인 화면에서 결제까지 이어지는 경로가 달라질 수 있습니다.
1.
이커머스 서비스
메인 화면 > 검색 > 제품 상세 페이지 > 장바구니 > 결제
2.
콘텐츠 구독 서비스
메인 화면 > 무료 체험 > 콘텐츠 감상 > 유료 멤버십 업그레이드 > 결제
3.
B2B 기업 솔루션 서비스
메인 화면 > 무료 체험 > 솔루션 문의 > 결제
콘텐츠 구독 서비스를 살펴보겠습니다. 콘텐츠를 추천해야 하는 경우는 어떤 데이터를 측정하고 디자인에 활용할 수 있을까요? 콘텐츠는 개인 취향이 의사결정에 뚜렷하게 반영되는 패턴을 보입니다. 동시에 도서의 경우 베스트셀러라는 인기 콘텐츠 랭킹도 함께 보여줄 필요가 있죠. 즉, 전체 사용자들이 많이 보는 콘텐츠와 개인 소비패턴에 따른 맞춤형 추천을 조합해서 추천해야만 합니다.
도서 추천을 어디에서 하는 게 적절할까요? 데이터를 정렬하면 어디에서 추천하는 것이 가장 효과가 있을지 가설을 세우고 디자인에 변화를 줄 수 있습니다 
RIDI
RIDI위 표에서 구매 비중을 보면 상세페이지와 비교할 때 구매 비중이 상대적으로 낮은 장르홈에서 개인 맞춤형 추천을 하는 것이 효과적이라는 판단을 할 수 있습니다. 도서 상세페이지에서 사용자는 현재 보고 있는 콘텐츠를 구매하거나 소비할 확률이 높기 때문에 다른 상품 추천에 대한 반응이 떨어질 것으로 예상할 수 있기 때문이죠. 이커머스 업종이라면 각 카테고리 별 진입 페이지에서 구매 이력이나 장바구니에 담은 상품을 기준으로 구매할 것으로 예상되는 상품을 할인율이 높은 것부터 추천해준다면 반응이 높아질 수 있습니다. 이처럼 데이터를 수집하고 분석하면 ‘어디에서’, ‘어떻게’ 보여줄 것인가를 구체적으로 비교해 볼 수 있습니다.
도서 추천을 어디에서 하는게 적절할까요? ‘000님을 위한 AI 추천’ 섹션을 노출했을 때 구매전환율을 통해 추천 효과가 있다는 판단을 할 수 있습니다 RIDI
RIDI새로운 서비스를 적용한 이후에 그 결과를 비교해보는 것이 데이터를 활용한 디자인의 핵심입니다. 처음에는 ‘어디에서 어떻게’를 담은 가설을 수립하기 위해서 데이터를 봤다면, 최종 적용 전에 최초 의도대로 효과가 있는지를 확인하기 위해서 데이터를 보는 것이죠. 뼈가 부러져서 병원에 갔다고 생각해보세요. 엑스레이를 찍고 부상 부위와 정도를 확인한 후 처치를 합니다. 이후 처방에 따라 물리치료를 받고, 약을 먹으면서 회복의 시간을 갖죠. 마지막엔 다시 엑스레이를 찍고 손상된 부위가 사고 전과 비교해 100% 회복했는지 확인합니다. 마찬가지로 데이터를 통해 지금 의도대로 치료가 잘 되고 있는지 확인하는 과정이 필요합니다.
데이터가 모든 것을 말해주지 않을 때
데이터가 모든 것을 보여주지 못하지만, 데이터 외에 보여줄 것도 없습니다. 고객에 대한 데이터로 충분한 답을 얻지 못했다고 “고객이 틀렸어”라고 말할 수 있을까요? 데이터가 답을 내지 못했다면 적어도 단서는 얻을 수 있을 겁니다. 원점으로 돌아가서 분석 범위, 고객 정의를 다시 살펴볼 필요가 있습니다. 하나의 수치로만 결과를 해석한 것은 아닌지, 추세를 보지 않고 나무만 본 것은 아닌지 다시 검증해야 합니다. 데이터를 분석할 때 오류 없이 설득하거나, 선택할 확률이 크게 높아질 수 있습니다.
