데이터를 활용해 사용자 경험을 개선하고 전환율 높이기
이미진(란란),『데이터 삽질 끝에 UX가 보였다』
CHAPTER 1 데이터 기반 UX가 어려운 것은 당신 탓이 아니다
데이터가 어렵게 느껴지는 이유는 복잡한 숫자나 통계 때문이 아니라 데이터 전문가처럼 해야 한다는 오해와 압박에서 비롯된다. UX 디자이너에게 중요한 것은 고급 분석 기술이 아니라 사용자 이해 능력이다. 데이터는 정답을 제공하는 것이 아니라 사실을 보여주는 재료이자 가설 수립과 해석을 위한 근거이며, 기본 지표와 관찰만으로도 충분히 활용할 수 있다. 또한 UX와 데이터에는 사람의 맥락과 해석이 개입되기 때문에 절대적인 정답이 존재하지 않으며, 결국 핵심은 ‘내 생각’이 아닌 사용자 행동과 근거 중심으로 판단하는 태도이다.
CHAPTER 2 우리 회사에 데이터가 없는 이유
부서마다 다른 도구·기준·기록 방식으로 인해 데이터가 분산되고 표준화되지 않으며, 분석 인력과 관리 여건 부족으로 데이터가 쌓여도 제대로 해석·활용되지 못하는 것이 현실이다.
https://ko.wikipedia.org/wiki/MariaDB예를 들어, 우리 회사가 개발자만 접근할 수 있는 SVN을 사용한다거나 MariaDB를 사용하는데, 이 데이터베이스의 스키마가 어떻게 구성되어있는지 권한 조차 갖고 있지 않다면, 비 개발자는 데이터를 이해할 수 없을 것이다. 데이터 활용의 핵심 장애물로 모호한 요구사항과 협업 문제도 있다. 디자이너는 필요한 데이터를 구체적으로 정의하고 데이터 위치를 탐색하며 조직 구조와 리더의 가치관을 이해해야 한다. 결국 데이터 기반 디자인은 기술보다 조직, 커뮤니케이션, 문화의 문제에 가깝고, 분석 능력뿐 아니라 요구사항 정의 능력, 데이터 탐색 능력, 협업 역량, 지속적인 데이터 정리 습관이 중요하다.
CHAPTER 3 UX/UI 디자이너, 프로덕트 디자이너가 알아야 할 진실
책에서 언급된 냥냥북스 사례에서 드러난 네 가지 함정은 사용자 피드백과 데이터 해석 과정에서 흔히 발생하는 오해를 보여준다. 첫째, 사용자의 요구사항은 쉽게 모순될 수 있다는 점이다. 사용자마다 경험 수준과 기대가 다르기 때문에 “기능이 너무 많다”와 “기능이 부족하다”처럼 상반된 의견이 동시에 나타날 수 있으며, 이를 모두 반영하려 하면 제품 방향성이 흔들릴 위험이 있다. 둘째, 사용자 피드백은 소수 의견일 수 있다는 함정이다. 적극적으로 의견을 표현하는 사용자가 전체 사용자를 대표하지 않을 수 있으며, 목소리가 크다는 이유만으로 중요도를 과대평가하면 다수 사용자 경험을 왜곡할 수 있다. 셋째, 사용자는 자신의 불편을 정확히 설명하지 못한다는 점이다. 사용자는 증상을 말할 뿐 근본 원인을 짚지 못하는 경우가 많아, 표면적인 요청(버튼 크기, 색상 등)을 그대로 해결하면 실제 문제를 놓칠 수 있다. 넷째, 사용자는 창의적인 해결책을 제시하지 못한다는 함정이다. 사용자는 기존 경험 범위 안에서만 개선안을 제안하는 경향이 있어, 제품 팀은 피드백을 해답이 아니라 문제 신호로 해석하고 본질적인 사용자 맥락과 행동을 분석해야 한다. 결국 이 네 가지 함정은 사용자 중심 설계에서 중요한 것은 의견 수용 자체가 아니라, 피드백 이면의 실제 문제를 해석하는 능력임을 강조한다.
https://blog.google/products/marketingplatform/analytics/new_google_analytics/구글 애널리틱스 데이터를 통해 살펴 볼 수 있는 온라인 교육 플랫폼의 AARRR(해적 지표)가 다음과 같다고 가정해보자. 사용자 획득은 Paid Social 중심으로 안정적으로 이루어지고 있으며 Organic Search와 Direct 유입도 일부 발생해 구조적 성장 가능성을 보이지만 광고 의존도가 높은 편이다 (Acquisition, 획득). 초기 활성화 단계에서는 평균 참여 시간이 비교적 짧고 참여율이 중간 수준에 머물러 사용자들이 빠른 소비 또는 스캔형 행동을 보이는 패턴이 나타나며, 이는 UI 문제보다는 랜딩 경험이나 기대 대비 제공 가치와 같은 초기 경험 설계 이슈 가능성을 시사한다(Activation, 활성화). 유지 단계에서는 신규 사용자 대비 재방문 비율이 낮게 나타나 반복 사용 동기나 습관 형성 구조가 아직 충분히 강화되지 않았을 가능성이 있다(Retention, 유지). 수익 단계에서는 전환 이벤트가 존재하지만 트래픽 규모 대비 실제 매출 기여 채널 및 콘텐츠 식별이 중요한 과제이다(Revenue, 수익). 또한 Direct 트래픽의 존재는 브랜드 인지도 또는 자발적 재유입 신호로 해석될 수 있으나 추천 및 확산 행동으로 연결되는지는 추가 분석이 필요하다(Referral, 추천). 전반적으로 현재 서비스는 유입 성장은 이루어지고 있으나 사용자 가치 증폭과 장기 성장 구조 강화가 핵심 과제로 나타나는 상태로 해석할 수 있다.
카카오톡 채널, 채널톡, 이메일 등을 통해 들어오는 VoC에 귀를 기울이는 것도 좋지만, 사용자 피드백과 데이터 해석 과정에서 흔히 발생하는 오해를 줄이기 위해서는 사용자를 제대로 정의하고, 우리 서비스가 어떻게 돈을 벌고 있는지 (비즈니스 모델) 확인이 필요하다.
CHAPTER 4 비즈니스 모델 확인
01 사용자를 제대로 정의하기
02 우리 서비스는 어떻게 돈을 벌고 있나?
CHAPTER 5 목적과 목표 확인
01 데이터는 프로젝트 배경, 목적, 목표, 할 일에서 나온다
02 프로젝트 배경만 알 수 있을 때: ‘임시 목적’을 설정해서 데이터 방향 잡기
03 프로젝트 배경, 목적, 목표를 모두 알 수 없을 때: 회사의 존재 이유로 데이터 감 잡기
CHAPTER 6 데이터의 정제 상태 확인
01 데이터의 정제 상태를 디자이너가 알아야 하는 이유
02 정량 데이터를 정제해보자
03 정성 데이터를 정제해보자
CHAPTER 7 데이터는 의외의 곳에 숨어 있다
01 다른 직군이 가지고 있는 데이터를 요청하는 방법
02 관리자 페이지에 숨어 있는 데이터를 확인하는 방법
03 자주 묻는 질문에 숨어 있는 데이터의 정체
04 남이 설정해놓은 GA4에 숨겨져 있는 사용자 데이터
CHAPTER 8 내부 사용자 데이터 해석에 정확성을 높여줄 시장 조사
01 디자이너의 시장 조사는 달라야 한다
02 UX 관점의 시장 조사가 내부 데이터 해석의 정확성을 높여주는 이유
03 디자이너의 시장 조사가 어려운 이유
04 UX 관점의 시장 조사 방법
CHAPTER 9 설문조사와 사용자 인터뷰
01 설문조사와 사용자 인터뷰의 쓸모와 차이
02 빠르게, 많이 모으는 타깃 사용자 정량·정성 데이터: 설문조사
03 사용자도 모르는 사용자 속마음 데이터: 사용자 인터뷰
04 인사이트 도출하기