퍼소나(Persona) 분석의 문제점
제대로 알지 못하고 사용하기에 문제가 되는 퍼소나 분석법
이번에 다뤄볼 이야기는 퍼소나(Persona) 분석법의 문제점에 대한 내용이다. 사실 까놓고 이야기하자면 국내에는 퍼소나 분석을 제대로 다룰 수 있는 사람은 거의 없다고 보면 된다. 그만큼 '사용법이 잘못 알려진' 방식이고, 사용하기위해 수많은 통계나 데이터 자료가 필요한 분석법이다. 그럼에도 불구하고 많은 학교와 교육 커리큘럼에서 퍼소나 분석이 '혁신적인 도구'인것처럼 떠드는 경우가 많다. 오늘은 이 퍼소나가 왜 문제가되고, 어떤 방식으로 써야 제대로 쓰는것인지 알아보도록 하자.
퍼소나분석. 얼굴 하나 붙여놓고, 나이, 성별, 관심사같은걸 적으면 끝일까?1.
국내에서 퍼소나 분석을 가장 제대로 쓰는 곳 중 하나가 PXD다. 이곳은 해외에 존재하는 여러 분석법들을 자체적으로 실험, 검증하고 내부에서 교육하는 것으로 유명하다. 물론 지금은 IT 생태계가 많이 달라지면서, 아카데믹한 분석법이 실무에서 쓰기 어려운 상황이 됐다. 그럼에도 여전히 PXD 내부에서는 다양한 교육법을 연구하고, 분석방식을 실무에 적용하는 - 찐 연구자들이 많은 곳으로 유명하다.
PXD에서 설명하는 퍼소나의 제대로된 사용조건은 이렇다.
1) 데스크 리서치 + 가설수립
2) 가설 기반 증명과정 : 실제 인원들을 통해 행동변수 체크
3) 변형된 가설을 기반으로 온라인 서베이 진행
4) 충분한 모수가 모였을 때 '유형별 인구통계 및 특성 분석
가설수립에 증명과정 온라인 서베이까지...쉽게 말해서 '가설을 세운 시점'에서부터 그걸 증명하는 과정까지가 무조건 들어가야한다는 거다. 얼굴 하나 딱 붙여놓고 '이런 사람이 이 서비스를 쓸거야'라고 주장하는게 아니라. 실제로 그 유사한 서비스를 쓰는 대부분의 사람이 가지는 특성이 '동일한 유사성'을 띠는지를 증명하는 '실험과정'끝에 나온 결과여야한다. 이게 무슨 이야기인지 모르겠다고? 간단하게 말하면 국내에서도 계속해서 진행하는 '여론조사 리서치' 수준 이상으로 실제 사람들의 반응을 체크해서, '일정 모수 이상의 사람'을 확인해야 만들어낼 수 있다는 거다.
영국의 브렉시트 찬성 / 반대 여론조사의 예시2.
결국 제대로된 퍼소나는 서비스 이용하는 사람들을 다 일일히 인터뷰를 따던가, 그중에 '유사한 집단'을 찾아내서 그 사람들을 위주로 인터뷰를 하던가 - 하는 식의 '여론조사 기법'을 써야한다는 이야기다. 예를 들어 브렉시트 찬성 / 반대자의 특성을 이야기했을 때 주로 OOO 한 특성이 있었다. 라는 결론을 내려면, 개별 인원들의 특징이나 공통점을 파악해야겠지? 그걸 통계적으로 압축해놓은게 퍼소나다 이말이다. 결과적으로 우리가 일반적인 서비스를 만들때 쓰는 퍼소나는 제대로된 집단구성원 분석이나, 통계를 바탕으로 하지 않기 때문에 쓸모가 없다는 거다. 그렇다면 일반적인 기업에서 퍼소나를 쓸 일이 있냐 - 라고 보면, 이렇게 얘기해주고싶다.
그걸 모아서 분석하는게
바로 데이터 과학이다.
일반적으로 서비스를 이용하는 사람들의 데이터는 모아봐야 별다른 쓸모가 없다. 특징적인 지점을 찾기가 쉽지도않고, 개별 고객들간의 공통점을 파악해봐야, 서비스 매출 성장에는 별 도움이 안된다고 생각하니까. 하지만 빅데이터 개념이 등장하면서부터 이야기가 달라졌다. 기존에 쌓여있던 커다란 데이터 덩어리에서 유의미한 패턴을 찾아내고, 다시 그걸 고객들에 대한 맞춤형 광고, 리테일링 등으로 연결시켰다. 그런 개념을 제대로 구현한 것이 바로 CRM 고객관계관리에 대한 내용이다. 예를 들어서 '사람 기분 안나쁘게' 광고하려면 어떻게해야할까 고민하니, 그들에게 친화적인 방식을 찾아내려한거다. 이런 관점 자체가 '그 사람들을 하나의 동일한 특성'으로 바라보는 '퍼소나' 개념이 들어가있다고 보면 된다.
통계 데이터를 기반으로 한 특징찾기그러니까 사실상 퍼소나 (persona) 개념을 사용하려면, 왠만한 통계 수준으로 데이터가 쌓여있어야하고, 그들의 특성에 대해서 파악해둘 필요가 있다. 이 부분을 조금 과장해서, 단순화해 사용하면 - 그게 바로 '주요 타겟 고객층'에 대한 부분이 된다. 이런 경우 '나이나 성별' 같은 것들보다, 좀더 구체적인 특성을 작성해야한다. 서비스별로 '어떤 특징'을 갖고있고, 어떤 경제수준의 인원들에게 어필하고자 하는지. 주요 판매제품의 가격이나 카테고리, 마케팅 문구조차 특정 집단을 중심으로 작성되어야한다. 심지어 동일 국가라 해도 거주지역별로 고유한 특성이 달라지기도한다. 이러한 이유 때문에 '잠재적인 변수'들이 무엇이 있는지 체크해줘야한다.
퍼소나는 사실상 통계학이나 사회과학에 가까운 내용이다.
https://opinion.krsocsci.org/192
MBTI도 일종의 약식화된 통계학 / 퍼소나 분석으로 바라볼 수 있다
https://www.skcareersjournal.com/2041
3.
통계는 언제나 다양한 함정을 갖고있다. 그렇기에 어떻게 바라보는지에 따라 왜곡된 결과값을 보여주기도한다. 예를 들어 우리가 생각하기에 어떤 특성을 갖고있다고 결론을 내린 통계가, 사실은 잘못된 조사결과일수도 있다는 것이다. 다음 내용은 한국 갤럽조사 연구소에서 발표한 '여론조사를 발표 할 때 체크해야할 지점들'에 대한 내용 중 일부를 정리한 내용이다.
1) 누가 여론조사를 했는가?
2) 누가 여론조사의 비용을 지불했으며, 조사의 목적은 무엇인가?
3) 조사응답자의 수는 몇 명인가?
4) 조사대상자들을 어떻게 선정했는가?
5) 조사대상자의 모집단을 어떻게 규정하고 있는가? 조사대상자를 어느 지역 혹은 어떤 집단에서 구했는가?
6) 여론조사 결과는 모든 응답자의 대답에 근거하여 산출한 것인가?
7) 응답률은 얼마인가?
8) 언제 여론조사를 했는가?
9) 어떤 조사 방법을 사용했는가?
반대로 말하면 이정도 검증조차 하지 않았다면, 퍼소나 분석은 당장 때려치워라. 그만한 수준의 데이터와 자체검증, 가설수립과 실제 확인과정을 거쳐야 '신뢰할 수 있는 수준'의 공통지점을 알아낼 수 있다. 그리고 그런 공통지점이 다시 '어떤 자극에 어떻게 반응하는가' 같은 내용은, 행동심리학 레벨의 군중실험이 필요하다. 이런 수준의 작업을 '서비스마다' 하려고 하니 돈도 시간도 많이 드는 것이다. 그러니 요즘은 이런 작업을 '데이터 과학자'와 '마케팅 전문가'들이 대신해주고있다. 그러니 퍼소나를 그릴 시간이 있다면, 분석할 대상과 비슷한 서비스나 기업의 데이터과학 논문이나, 연간 발표자료를 찾아보는게 훨씬 낫다.
오픈서베이에서 발표한 코로나19 이후 최근 2년간 소비 트렌드 (2022년 자료)
https://byline.network/2022/03/28-218/
-
이 글을 보는 UI 디자인이나 기획자 지망생이 있다면, 제발 포트폴리오에 되지도않는 퍼소나 분석 붙여넣지말자. 차라리 마케터들이 만든 시장규모 분석을 붙여넣어라. 그게 훨씬 더 본인 미래에 도움이 될테니까.
