똑똑한 알림 설계하기
(출처 : [Designing smart notifications – Intercom – Medium]의 기사를 번역 및 가공한 컨텐츠 입니다.)
전화가 윙윙거렸다.
나는 배터리가 없어서 죽어가는 전화와 함께 아이슬란드 어딘가에 있었다.
내 차와 다른 사람들로부터 10마일 이상 떨어져 있었기에 Google 지도를 확인하기 위해 전화를 들었다.
"Spotify는 Afternoon Acoustic 재생 목록에 2트랙을 추가했습니다."
Periscope의 알림 : "@kayvon은 당신이 ...",
두 개의 새 이메일이 도착했습니다,
새로운 트위터 팔로워는 @channel ping on Slack입니다.
총 9개의 알림이 왔다. 완벽한 타이밍이었다.
-
2%의 배터리를 가지고 황무지에 갇혀있는 동안 9개의 알람을 받았지만, 저에겐 지도를 로딩하는 것 외에 이 어느 알람도 필요하지 않았습니다.
지난 20년 동안의 모든 기술의 발전에도 불구하고, 푸시나 알림시스템은 1999년도에 여전히 머물러 있습니다.
— @mikeindustries
수많은 기사, 회사, 제품 및 회의가 이 주제를 위해 다뤄졌고, 알림시스템이 제대로 작동되고 있지 않다는 증거는 충분합니다.
우리는 이 문제를 어떻게 고칠 수 있을까요? 알림의 미래는 어떻게 될까요?
온라인에서 막대한 양의 데이터를 분석하는 알고리즘은 Google 검색에서 Facebook의 뉴스 피드에 이르기까지 우리에게 어떤 콘텐츠를 보여줄지 결정합니다.
자체 학습 알고리즘은 <Google Now> 및 <Facebook의 최근 업데이트된 알림 탭>과 같은 노티피케이션 부분에서도 혁신을 주도하고 있습니다.
알림의 스마트 알고리즘은 아직 초기 단계이지만 지능적이고 예측 가능한 알람들에 한해서 지금도 사용되고 있습니다.
소셜 네트워킹의 확산은 장애물 없는 개인 데이터 공유라는 개념을 만들었습니다.
트위터, 페이스북으로 즉시 로그인 할 수 있는데, 지루한 회원가입양식을 왜 작성해야 할까요?
운영하고 있는 프로덕트가 유저 데이터 수집에 관심이 없더라도 우리는 유저들이 서비스를 사용하는 방식을 통해 많은 데이터를 수집할 수 있습니다.
누군가가 어떤 시간에 로그인하는지, 그들은 거기에서 얼마나 많은 시간을 보내는지, 유저의 체류시간과 높은 참여도 사이에 상관관계가 있는지 등등을 관찰해 보면 추론 가능한 데이터가 많다는 것을 알 수 있습니다.
(iA Writer vs Facebook을 생각해보십시오.)
우리는 유저들의 다른 관심사, 그들이 사용하는 다른 제품, 그 제품들을 어떻게 사용하는지, 그 용도에 공통된 패턴이 있는지를 알 수 있고, 이미 프라이버시에 대한 해결책을 가지고 있습니다.
Google의 최근 발표된 스마트 자동 회신 기능에서 인간은 사용자의 모든 비공개 서신을 읽을 수 없지만, 기계 학습 알고리즘은 접근권한이 있습니다.
모든 데이터를 수집하고 분석할 수 있다면 진정한 스마트 알림은 어떻게 생겼을까요?
그들은 유용하고, 유저들에게 커스텀되어있으며 적합한 시간에 알림 받아야 할 사항들을 처리해줍니다.
즉각적인 것이 항상 최선은 아닙니다. 최근에 출시 된 Basecamp 3의 가장 흥미로운 기능 중 하나는 Work Can Wait입니다.
이 기능을 통해 사용자는 노티를 수신할 시간을 선택할 수 있습니다.
데이트가 있는 저녁 시간에는 이제 막 근무를 시작한 다른 시간대에 일하는 동료의 알림을 받고 싶지 않을 것입니다.
잘못된 시간에 알림을 보내면 쓸모없는 알림을 보내는 것보다 안 좋습니다.
부적절한 알림 소리는 유저에게 무시당할 뿐만 아니라, 소리를 통해 유저의 집중력이 떨어지고 조급함을 유발합니다.
향후 알림은 자동으로 이를 수행합니다.
예측 엔진은 상황에 맞는 데이터를 알림에 가장 적합한 타이밍으로 추정하여 아무 때나 알림을 보내지 않고 저녁 데이트를 온전히 즐길 수 있게 합니다.
위치 데이터는 유저의 컨텍스트를 이해하는 데 중요합니다.
누군가가 몬테네그로에서 앞바다에서 배를 타는 중이라면, 더블린에서 온 IKEA가 보낸 판매에 대한 알림을 받기엔 좋은 장소가 아닙니다.
많은 응용 프로그램이 장소 데이터를 이미 현명한 방법으로 사용하고 있습니다.
예를 들어 Foursquare는 공지 사항을 통해 유저가 새로운 장소에 있을 때 유용한 팁을 보냅니다. 그리고 many to-do 앱은 작업을 수행하는 데 가장 적합한 위치에 있을 때 작업에 대해 알려줍니다.
모든 푸시 기반 시스템과 마찬가지로 미디어로서의 푸시는 매우 약합니다.
서비스가 많은 수의 유저들에게 과도하게 사용 중이면 유저는 푸쉬에 매몰 당하고 서비스를 종료하게 됩니다.
알림이 유용하더라도 너무 많은 것은 좋지 않습니다.
그래서 그룹화는 더 중요합니다.
Facebook에서 유사한 알림을 묶는 방법도 이와 같은 중요성에서 출발했습니다.
얼마나 많은 사람이 내 사진을 좋아했는지 몇 가지 이름과 번호가 표시되며 사용자가 원할 경우 세부 정보로 들어가는 것이 가능합니다.
이와 반대로, Quora는 모든 알림을 유저에게 떠넘길 뿐만 아니라 동일한 알람들에도 모든 알림을 실제로 확인해야 합니다.
이 개념을 다음 단계로 가져가면 점진적으로 더 똑똑하게 알림들을 그룹화할 수 있습니다.
일반적으로 사진 당 10 개 미만의 좋아요을 얻는다면, 각각에 대해 개별적인 알림을 원할 것입니다.
만약, 사진당 좋아요의 평균이 수천이면, 100명이 좋아하면 알려주는 것이 개별알림보다 더 좋습니다.
상황에 따라서 절친한 친구, 가족 또는 정말로 영향력 있는 사람들의 행동에 대해서만 구체적으로 알려줄 수도 있습니다.
Mark Zuckerberg가 유저의 게시물에 댓글을 달았다면 아마 유저들은 지금 당장 알림을 받고 싶어 할 것입니다.
모든 유저가 특별하지만 모든 사람을 위해 모든 것을 만들 수는 없으므로 절충안을 만들어야 합니다.
기본값을 사용하는 대신 지능적으로 반응하는 알림은 제품의 커스터마이징을 제공하는 데 도움이 될 수 있습니다.
일반적으로 콘텐츠와 인터렉션하는 방식에 따라 더 나은 UI 텍스트와 선택 가능한 옵션이 제공될 수 있습니다.
이 방법을 위해서, 다양한 알림에 대한 유저의 반응을 관찰해야 합니다.
유저가 좋아하는 사람들의 새로운 사진 알림에 보통 어떻게 반응하는지, 그 알림을 흘끗 보고 마는지 아니면 실제로 모든 개별 알람에 반응하며 인터렉션 하는지 등의 기본 동작에 따라 알림의 표시법을 다르게 할 수 있습니다.
인터콤에서는 고객과 끊임없이 커뮤니케이션하고 있습니다. 우리가 제품 조사를 할 때, 우리는 모든 사용자에게 동일한 질문을 하지 않습니다.
우리는 가장 좋은 답변을 할 수 있는 사람들에게 표적 메시지를 보냅니다.
예를 들어 export 기능을 향상시키려는 계획을 세운 경우, (경험에 대한 추억이 아직 생생한 상태인 )지난 2일 동안 데이터를 내보낸 사람을 선택하여 기능에 대해 피드백을 받습니다.
적절한 사용자에게 전송된 메시지는 응답 속도가 빨라지고 유용한 피드백을 제공하며 다른 사용자가 불필요한 메시지를 받는 것을 방지합니다.
여러 요소가 결합된 데이터를 통해 만들어진 스마트 알림은 올바른 사용자에게 집중하는 동시에 다른 모든 사용자가 느끼는 서비스의 소음을 줄일 수 있습니다.
스마트 알림은 우리를 도와주는 조수 또는 다른 사람의 메모처럼 느껴져야 합니다.
우리는 화면 상단에 작은 종 모양 아이콘으로 나타나는 시스템 알림과 스마트 알림을 비교해보고 이런 질문을 던져봐야 합니다.
병합해야 할까? 그 둘을 한데 묶어야 할까? 프로덕트가 노티를 알려줄 때 알림시스템에 인격을 부여해야 할까?
인간은 pareidolia(일상의 물체들에서 인간 모양을 발견하는 것) 라 불리는 심리적인 현상을 가지고 있습니다.
구름에서 인간의 얼굴 모양을 보고, 만화에 나오는 동물들이 사람처럼 행동하게 만들고, 공상 과학 소설에서는 인간 모양의 로봇을 등장시키는 것이 이 심리적인 현상을 뒷받침하는 근거입니다.
우리는 Siri, Cortana 또는 M (Google Now에서 인간성을 박탈하는 것은 구글의 거대한 실수였습니다)에도 이 심리적인 현상을 집어넣었습니다.
봇의 알림은 자신만의 개성을 가진 누군가가 인간의 언어로 작성했을 때 훨씬 더 인간적이고 친밀하게 느껴집니다.
실제로 알림은 이미 더 대화식이 되고 있습니다.
이것은 1년 전에 받은 알림과 현재의 알림입니다.
스마트 알림의 메시지처리는 이제 막 시작되었지만, 매우 효과적일 것입니다.
인공지능의 예측하는 능력이 훌륭하고, 수집된 데이터가 아무리 훌륭하더라도 피드백 루프는 항상 필요할 것입니다.
Zima Blue는 영국 공상 과학 작가 Alastair Reynolds의 단편 소설로 인공지능의 예측특성에 관한 토론이 포함되어 있습니다.
예를 들어 보겠습니다.
화창한 오후에 친구와 함께 술을 마시며, 즐거운 마음에 충동적으로 보통 선택하던 화이트와인과 거리가 먼 레드와인을 선택했습니다.
알고리즘은 이 순간의 행복한 조합에 어떤 의미도 부여하지 않고, 그때 선택한 한번의 이탈로 인해 다음번에 레드 와인을 추천합니다.
그러나 당신의 기억은 그 행동을 예외로 포착하고 당신이 항상 시키던 화이트와인을 선택할 것입니다.
행동의 전체 패턴은 한 사례에 의해 변경될 것입니다.
알림은 방해가 되는 현재의 방식으로는 더 오래 유지될 수 없을 것입니다.
하지만 우리가 기존 알림시스템의 틀을 깨고 똑똑한 알림을 만들고자 한다면 똑똑한 알림 생성에 필요한 모든 데이터가 이미 존재합니다.
또한, 해당 데이터를 통해 알림이 가치를 제공하고 진정으로 도움이 될 수 있는 길을 제안해주는 제품도 많이 있습니다.
만약 내가 다음번에 황무지에서 길을 잃은 채로 죽어가는 채 전화를 꺼낸다면, 나에게 방향을 알려주기 위한 알람 때문이라면 좋겠습니다.