brunch

라이킷 15 댓글 1

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 져니박 Mar 23. 2022

서비스 성공 이끄는 Mixed UX리서치: ②우버

출처 : 구글 검색 (data gif)

오늘도 수많은 기획자들이 사용자 서비스 경험을 분석하기 위해 많은 도구와 지표를 살펴보고 있습니다. 기업들 역시 적극적으로 데이터를 수집하고, 분석하고, 시각화하면서 서비스 성공으로 가기 위한 의사결정을 내리고 있습니다. 데이터 기반으로 의사결정하는 기업이, 그렇지 않은 기업보다 평균 5% 더 높은 생산성, 그리고 6% 더 높은 수익을 얻었다는 컨설팅 회사의 조사 결과도 있습니다.

글로벌 기업들은 ‘사용자 서비스 경험 분석, 즉 UX 리서치(UX Research, UXR) 영역에서는 데이터 분석 도구를 사용하는 데 신중해야 한다’고 입을 모읍니다. 데이터 기반의 의사결정을 위해서 당연히 양적 리서치(Quantitative Research)를 통해 모바일, 웹, 소셜 데이터 등을 수집해 'What' 현재 어떤 일이 일어나고 있고, 어떤 파이프라인에서 무엇이 원인인지 드릴다운 분석을 해야 합니다. 그런데 ‘Why', 왜 이렇게 지표가 떨어졌는지', 그래서 ‘How, 어떻게 사용자의 경험을 개선해나갈지'에 대한 답은 숫자가 아닌, 생생한 사용자의 행동과 언어에 있기 때문에 질적 리서치(Qualitative Research)를 항상 병행해야 합니다. 이를 혼합 사용자 리서치(Mixed methods Research, Mixed UX Research)라고 표현합니다.

이번 글에서는 우버가 데이터를 활용한 양적 리서치와 인터뷰를 통한 질적 리서치를 통해 어떻게 기존 리워드 프로그램을 개선하고 더 성장했는지 살펴보겠습니다.

우버 “데이터를 통해
언제 어디서나 고객의 이동을 돕다”

올해 2월 우버가 발표한 21년 4분기 실적은 시장 전망치를 8% 웃돌았습니다. 물론 우버이츠(음식 배달 서비스)의 빠른 매출 증가세 덕을 보았지만, 오미크론 변이 확산에도 차량 호출 서비스마저 2월 첫 주 예약 건수가 전달 대비 25% 향상했다는 사실은 놀랍습니다. 자료에 따르면, 우버의 전 세계 월간 활성 이용자 수(MAU)가 1억 1,800만 명을 기록하기도 했습니다.

“모든 사람이 사용하는 물처럼 믿을 수 있는 교통수단을 만들겠다.
Make transportation as reliable as running water for everyone”

누구에게나 믿고 이용할 수 있는 이동 수단을 제공하기 위해 우버는 체계적으로 빅데이터 기반의 머신러닝 알고리즘을 최적화해왔습니다. 외부에도 널리 알려진 ‘Geosurge’라는 다이내믹 프라이싱 전략(Dynamic Pricing, 이커머스나 디지털 광고 시장에서 주로 사용되는 전략으로 소비자의 지불 용의에 따라 탄력적으로 서비스 가격을 책정)을 실행합니다.

우버의 머신러닝 모델은 ‘Geo’, 즉 교통 상황과 기상 상태를 포함한 지도 데이터와 고객 수요 데이터 등 여러 변수를 반영하여 차량 호출 가격을 결정합니다. 출근 시간대에 인구 유동량이 많은 곳은 그만큼 우버 승차 수요가 공급에 비해 많으니 호출 가격이 전체적으로 인상됩니다.

고객 수요 데이터는 각 고객 계정(User account, ID)에 쌓인 데이터뿐 아니라, 자주 관찰되는 고객 행동 데이터도 포함합니다. 예를 들면 고객이 앱을 절전 상태(power-saving mode)로 바꾸면, 지불 용의(willingness to pay)가 높은 고객으로 분류되어 가격이 인상됩니다. 왜냐하면 우버 플랫폼에는 통계적으로 휴대폰 전원이 얼마 안 남은 고객은 웃돈을 주고서라도, 휴대폰이 꺼지기 전에 빨리 택시를 잡고자 한다는 데이터가 있기 때문입니다.

이렇게 수집된 데이터에 따라 가격을 인상하면 시장 논리에 따라 공급량이 증가합니다. 즉, 우버 차량 호출 수요가 높은 곳으로 새로 우버 드라이버가 이동하니 매칭 성공률이 높아집니다. 이를 통해 언제 어디서나 고객은 우버 택시를 잡을 수 있게 됩니다. 수요와 공급이 만나는 여러 시간대와 상황에서, 여러 가격이 형성되었고, 더 많은 우버 드라이버 그리고 우버 플랫폼은 균일 요금을 책정할 때보다 많은 수입을 얻게 되었습니다.

출처 : forbes.com/sites/nicolemartin1/2019/03/30/uber-charges-more-if-they-think-youre-willing-to-pay

한편, 위와 같은 다이내믹 프라이싱으로 상대적으로 높은 요금을 내는 고객은 그만큼 순효용이 줄어든다는 여론이 생겼습니다. 그래서 우버는 미리 우버 차량 공급을 조정해서, 피크시간대 초과 수요 정도에 따른 서지 프라이싱(Surge Pricing)의 가격 인상 폭을 줄이는 방안도 개선하고 있습니다. 우버 자체 데이터를 통해 예측 모델을 고도화하여, 잠재적인 호출 수요가 높은 지역 근방에 우버 드라이버가 미리 가도록 경로 추천을 하는 방식입니다.

드라이버의 생각을 먼저 듣고,

A/B 테스트하기

앞서 우버의 미션은 언제 어디서나 남녀노소 상관없이, 우버 앱에서 버튼 한 번만 누르면 되는, 믿을 수 있는 이동 수단을 제공하는 것이라 소개했습니다. 이는 빠르게 우버 택시를 잡는 것뿐 아니라 신속하고 안전하게 목적지에 도착하는 것도 해당됩니다.

이러한 방향에 맞춰 우버는 플랫폼에서 서비스를 얼마나 빈번하게, 또 성실하게 제공했는지 따라 드라이버를 위한 인센티브를 주려고 계획했습니다. 하지만 전 세계에 우버 드라이버 활동으로 쌓인 데이터만으로는 해당 기능을 설계하기에는 한계가 있는 걸로 판단했습니다. 인센티브를 주는 이유는 앞으로도 꾸준하고 성실하게 서비스를 제공하는 동기가 되어야 하는데, 드라이버의 연령대, 거주하는 지역, 문화권 등이 달라 인센티브를 주는 기준을 정하기 어려웠기 때문입니다.

그래서 우버 프로(Uber Pro)의 UX 리서치 팀은 우선 미국 내 우버 드라이버를 대표할 소수 드라이버에 초점을 맞추고, 여기서 얻은 인사이트를 바탕으로 다른 지역 시장으로 스케일업(scale-up) 하기로 결정했습니다. 우버 UX 리서처 Saswati와 우버 프로 리드 리서처 Sally에 따르면, 이때 선택 편향(bias)이 발생하지 않도록 질적 리서치(Qualitative UX Research)를 위한 표본을 잘 선정해야 했습니다. 기존 운전자마다 달랐던 ‘운전 빈도’를 정규화하고, 서비스 지역이나 경험에 따른 업무 강도에 대해서도 명확한 자료 조사가 필요했습니다.

결국 리서치 팀은 미국 내 7개 시장에 먼저 Uber Pro 베타서비스, 즉 우버 드라이버를 위한 등급별 리워드 서비스를 시작한 후 시장별로 4~5명의 드라이버와 FGI(포커스 그룹 인터뷰)를, 7명과 Diary Study(일기 연구)를 진행했습니다. 특히 고객 경험을 더욱 잘 이해하기 위해 적극 의사 표현을 하는 드라이버 몇 명에게는 촬영팀을 보내 미니 다큐멘터리 길이의 영상을 녹화하기도 했습니다.

일기 연구의 경우, 해당 드라이버들에게 매주의 시작과 끝에 아래와 같은 질문을 총 5주에 거쳐 진행했습니다.

(매 주 시작) 이번 주 얼마나 자주 운전할 예정이신가요?

(매 주 끝) 실제로 얼마나 운전하셨나요? 저번에 계획했던 것과 일치했나요?

(매 주 끝) 베타 서비스의 OOO 기능을 사용해보셨나요?

만약 사용했다면, 계획했던 운전 횟수를 달성하는 데 얼마나 도움받았나요?

출처 : dscout.com/people-nerds/uber-case-study

시간이 갈수록 우버 드라이버들이 인터뷰 방식, 그리고 베타서비스에 익숙해지면서 실제 겪는 일화를 생생하게 들려줄 수 있었습니다. 모든 드라이버가 한 달이 넘는 시간 동안 꾸준하게 다채로운 응답을 주지는 못했습니다. 그렇지만 여러 시장에서 집계된 소수의 인사이트는 실제로 우버 프로의 최고 등급 리워드 항목을 설계하는데 반영되었습니다. 예를 들어 플래티넘이나 다이아몬드 등급의 드라이버는, 공항 앞 택시 대기 행렬의 뒤에 있어도 우버 탑승객을 먼저 받는 혜택을 1회 이상 누릴 수 있습니다. 이는 실제로 베타서비스 내 해당 리워드를 사용하면서 만족했다는 응답 결과에 기인했습니다.

데이터 기반의 의사결정을 적극 활용하는 기업답게 이후 우버는 데이터과학자와 디자이너 팀을 꾸려 1주간 7개 지역에서 질적 UX 리서치를 한 내용을 바탕으로 UX 리서치 스프린트(Sprint)를 실행했습니다. 그리고 해당 팀은 실제 경험을 확인할 수 있는 생생한 피드백을 바탕으로 어떻게 리워드에 대한 문구(UX 라이팅)를 표시하고, 어떤 순서로 리워드를 배치해야 할지 등을 토대로 A/B 테스트를 진행했습니다.

소수 사례지만 현장의 데이터를 생생하게 확인할 수 있었던 이 데이터는 다른 국가 시장으로 규모가 확대되었고, 꾸준하게 서비스 UX를 개선하면서 ‘제품-시장 적합(PMF, Product-Market Fit)’을 맞춰갔습니다. 그 결과 현재 드라이버를 위한 우버 프로의 리워드 시스템은 여러 국가와 시장에서 사용되고 있습니다. 어떤 리워드를 받을 수 있는지는 국가와 시장마다 조금씩 다르지만, 공통적인 공항 우선 대기열 이용권(Airport Priority Rematch)이나 자동차 수리 서비스 외에도 보험료 할인, 본인 또는 가족 구성원의 온라인 교육비 지원 등 다양합니다.

사용자 인터뷰는 중요합니다

우버처럼 전 세계에서 서비스하는 기업이 아니라 국내에서만 비즈니스를 하는 기업이라 하더라도, 서비스를 론칭한 이후에 꾸준히 고객 인터뷰를 해나가는 데는 많은 노력이 필요합니다. 특히 요즘 코로나19 장기화 때문에 만남이 쉽지 않은 상황에서는 충분한 수의 고객을 몇 차례에 걸쳐 만나면서 각각의 고객 여정(Customer Journey) 그리고 서비스를 사용하며 느낀 감정을 세세히 이해하기 어렵습니다.

그럼에도 여전히 심도 있는 사용자 인터뷰는 중요합니다. 플랫폼을 쓰는 고객의 행동은 디지털 도구와 로그 데이터만으로 알 수 없기 때문입니다. 우버의 사례에서 볼 때 데이터뿐만 아니라 사용자 경험을 보다 세밀하게 파악하는 것이 중요하다는 걸 알 수 있습니다. 우버는 데이터만으로 확인하기 어려웠던 사항에 대해 의구심을 품고, 심도 있는 사용자 인터뷰를 통해 해결했습니다. 그리고 이를 스케일업하면서 지역 특성을 고려한 리워드 선정뿐 아니라 등급 선정의 기준, 리워드와 관련한 UX 라이팅도 변경했습니다.

출처 : uxmag.com/articles/ten-things-ive-learned-as-a-ux-researcher-at-uber

오늘 글을 통해 우리는 우버의 차량 호출 서비스가 작년 동기 대비 성장했던 동력을, 소비자인 탑승객과 공급자인 우버 드라이버 양쪽을 고려한 전략에서 찾을 수 있었습니다. 플랫폼, 특히 이렇게 서비스의 공유가 이루어지는 곳은 일차적으로 ‘매칭’ 횟수나 ‘거래액’ 달성을 통한 수수료 수입을 극대화하는데 그쳐서는 안 됩니다. ‘사는 사람’과 ‘파는 사람’이 이번 매칭에 성공하고, 그 경험에 만족하고 신뢰가 쌓여서 서비스를 재사용하는 데까지 나아가야 합니다. 이는 더 많은 ‘사는 사람’과 ‘파는 사람’이 플랫폼에 참여하며 좋은 거래가 더 많이 발생하게 합니다.