brunch

You can make anything
by writing

C.S.Lewis

by 우디 Jul 01. 2020

어피니티 다이어그램 기법이란?

데이터 더미에서 규칙 읽어내기

'어피니티 다이어그램(Affinity Diagram)'은 방대한 데이터들 사이에서 의미 있는 규칙을 발견하기 위한 그룹핑 기법이다. 일본의 문화 인류학자인 카와키타 지로에 의해 고안되었다. 그의 이니셜을 따 'KJ 방법'이라고도 한다. 리서치를 통해 수집된 정성적 데이터(Qualitative Data)를 분류하고 정리하는데 주로 사용된다. 기본적으로 어피니티 다이어그램은 확산과 수렴 과정을 가진다.



어피니티 다이어그램 프로세스

이 기법은 관련 없어 보이는 데이터들 사이에서 '규칙'을 읽어내는 것이 가장 중요하고 어렵다. 어피니티 다이어그램 프로세스는 다음과 같다.

1. 해결해야 할 문제를 명확히 정의한다.
2. 관련 데이터를 포스트잇에 적어 나열한다.
3. 관련성 높은 포스트잇끼리 그룹핑한다.
4. 중복되거나 가치 없는 포스트잇은 제거한다.
5. 그룹핑된 포스트잇에 제목을 부여한다.
6. 상관성을 분석하며 필요하다면 다시 그룹핑한다.
7. 개별에서 보지 못한 통찰을 얻기 위해 노력한다.


어피니티 다이어그램 프로세스


어피니티 다이어그램 기법은 개인보다 팀 중심 도구에 가깝다. 프로세스 초기에는 너무 신중한 태도보다 직감과 속도를 앞세우는 편이 좋다. 포스트잇이 오갈 때 협업자 간 의견 교류는 가급적 지양한다. 이는 파편화된 데이터가 그룹핑되는 과정에서 최대한 객관성을 보존하기 위함이다. 심도 깊은 토론은 잠시 미루도록 하자.



어피니티 다이어그램과 어울리는 데이터 형식

애널리틱스에서 확인 가능한 사용자 체류시간이나 이탈률, 클릭 횟수 같은 데이터는 애초에 측정하고 싶은 부분이 명확하다. 이는 숫자로 표현되는 정량적 데이터의 속성 때문이다.

    반면, 필드 리서치나 포커스 미팅 등에서 입수된 정성적 데이터들은 정확한 방식으로 고정되거나 측정되기 힘든 측면이 있다. 이는 문자로 기술되는 데이터의 한계 때문이다. 물론 이러한 속성이 상대적으로 정량적 데이터보다 중요하지 않다는 것을 의미하지는 않는다. 예를 들어 대선 투표는 정량적으로 하겠지만, 각 후보에 대한 대중적 여론 조사는 정성적으로 밖에 할 수 없다. 어피니티 다이어그램은 문자의 무질서함에 측정 기준을 부여할 수 있는 괜찮은 대안이 되어준다.


@www.iacquire.com


케이스 스터디

신선 식재료 배송 서비스 개선을 위한 케이스 스터디를 어피니티 다이어그램 기법을 활용해 진행해보았다. 데이터는 실제 존재하는 서비스  스토어와 플레이스토어 리뷰를 바탕으로 수집되었다. 해당 업체는 배송과정에서 다양한 문제를 안고 있었다. 문제점을  나열해보니 아래 <그림 1> 같았다. 참고로 실무에서는 훨씬  방대한 데이터를 다루는 것이 일반적이다.


<그림 1> 신선 식재료 배송업체가 가진 II 문제점들


이후 <그림 2>처럼 관련성 높은 데이터끼리 그룹핑해주었다. 자연스레 얼음팩/과대포장/새벽 배송 시 출입 문제/ 포장 디자인 등의 제목이 생겼다. 제목은 키워드화 되어 확장된 검색의 발판을 마련해준다. 추가로 타 브랜드에 대한 자료가 수집되었다.


<그림 2> 관련성 높은 데이터끼리 그룹핑


그룹핑된 데이터와 추가 검색으로 모은 데이터를 묶어 현실적 방안들을 브레인스토밍 해보았다. 한 예로 '얼음팩 재활용에 대한 정보 없음'과 '젖는 브로슈어' 두 가지를 엮어 '얼음팩 표면에 정보를 인쇄한다'라는 아이디어를 도출할 수 있었다. 만약 배송 중 젖는 브로슈어만이 문제였다면 종이 재질 검토나 적재 프로세스 개선 같은 생각이 먼저 났을 듯하다.


<그림 3> 브레인스토밍


어피니티 다이어그램을 진행하다 보면 개별에서 보지 못한 반짝이는 연결고리를 감지하게 될지 모른다. 경험상 반짝임은 항상 찰나에 가까웠다. 순간을 놓치지 말고 새로운 해석에 성공하기를 바란다.



[참고자료]



'어피니티 다이어그램이란? 끝


브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari