디자인 싱킹은 V.A.L.U.E. 를 만드는 활동입니다
디자인 싱킹은 고객의 관점에서 V.A.L.U.E.를 만드는 활동입니다.
"고객이 생성하는 데이터를 모아서 이를 기반으로 분석하고 문제를 해결하는 알고리즘을 만들면 데이터 기반으로 디자인 싱킹이 가능하지 않을까요?"
"4차 산업 혁명 시대에 고객의 빅데이터를 이용하면 A.I. 를 디자인 싱킹에 이용할 수 있을 수도 있지 않나요?"
"고객 데이터는 이미 많이 가지고 있는데, 왜 정성 데이터가 또 필요하죠?"
위의 질문들은 빅데이터의 활용과 인공지능(A.I.)이 기술과 산업의 화두가 되면서 많이 듣는 것들입니다. 과연 고객 관련 데이터가 많이 쌓이고 인공지능이 발전하면 디자인 싱킹은 어떻게 될까요? 저는 이 질문에 대한 답을 고민해 보기 위해서 다음과 같이 두 가지 관점에서 접근해 보았습니다.
< 디자인 싱킹은 기업에서 어떤 역할을 하는가?>
이는 기업의 업무 범위에서 디자인 싱킹이 차지하는 부분에 대한 질문으로 생각해 볼 수 있는데요. 한 기업에서 디자인 싱킹이 신제품이나 서비스 아이디어를 내기 위한 방법으로 활용되고 있다면 이것은 디자인 싱킹을 매우 좁은 의미로 인식하고 있다는 의미입니다. 이전의 글들에서 강조하였듯이 디자인 싱킹은 공감하기(Empathise)와 만들기(Create)의 단계로 구성되어 있고 아이디어를 내는 일은 만들기 과정의 한 부분일 뿐입니다. 디자인 싱킹은 고객과 공감하는 일에서 시작되며, 이를 통해 기업은 고객 관점(Customer Perspecitve)이라는 필터를 얻게 됩니다. 고객 관점이 생긴 기업은 그들의 활동을 고객의 눈으로 바라보고 튜닝할 수 있게 되는데요. 기존의 업무들에서 고객관점이 추가되었을 때 기업의 경쟁력 향상이 기대되는 모든 영역이 기업에서의 디자인 싱킹 커버리지이고 역할이 될 수 있습니다. 이를 V.A.L.U.E.로 정의할 수 있는데요. (그림#1)
1. Verify Concepts & Ideas : 고객 관점으로 문제를 재정의하고 이를 기반으로 문제 해결을 위한 아이디어를 만들고 컨셉을 발전시킵니다.
2. Assume Future Life Scenarios : 고객의 현재 라이프 스타일과 니즈를 기반으로 고객과 비즈니스의 미래를 예측해 볼 수 있습니다.
3. Look up Business Opportunities : 고객에 대한 깊은 이해를 통해 기존에 없었던 시장 기회의 단서를 찾아 새로운 시장으로 창출도 가능합니다.
4. Utilize Technology : 첨단 기술을 고객이 실제 가치를 느낄 수 있도록 조정하고 치환하는 역할을 수행합니다.
5. Establish Business Strategy: 치열한 경쟁 환경에서 승리를 결정하는 것은 결국 고객의 선택입니다. 고객의 관점으로 경쟁력 있는 사업 전략의 수립을 가능케 합니다.
결국, 디자인 싱킹은 고객의 관점으로 기업의 가치(VALUE)를 만드는 일로도 정의해 볼 수 있겠네요. 그리고 디자인 싱킹을 통해 만들어지는 가치의 공통점은 첫째, 정해진 규칙이 없다. 둘째 범위의 제한이 없다. 셋째, 정답이 없다. 는 것입니다.
<고객 데이터는 디자인 싱킹에서 어떻게 활용되는가?>
고객과 기업의 가치 창출을 위한 고객 연구에서 가장 중요한 것은 연구 방법의 유연성입니다. 혹자는 디자인 리서치를 관찰이나 인터뷰 등의 정성적 방법에 국한하고 있는 경우가 있는데요. 이는 옳지 않다고 생각합니다. 그 이유는 고객을 보다 깊게 이해하기 위해서 입체적으로 살펴보는 것이 중요하기 때문이죠. 이는 다양한 전문가가 한 명의 대상자의 인터뷰 내용과 관찰 내용을 다양한 관점에서 분석하는 디자인 싱킹의 업무 방식과도 비교할 수 있습니다. 고객 데이터의 활용을 바라보는 관점은 기업이 디자인 싱킹을 어떤 관점으로 인식하는가 와도 연결되어 있습니다. <표#1>에서 보시는 바와 같이 고객 데이터는 정량 데이터와 정성 데이터로 나누어지고, 각각의 특성이 존재합니다.
1. 기업에서 고객 가치 창출을 위해 고객의 정량 데이터(빅데이터 포함)를 활용한다면 (Data Driven)이는 주로 기존 제품이나 서비스의 개선 및 향상(Improvement)의 용도로 디자인 싱킹이 적용되는 것입니다. 정량 데이터의 활용은 1. 대표성, 객관성 등 통계적 유의도 확보를 위한 대량의 데이터가 필요 2. 다수 고객 혹은 개인의 행동 패턴에 집중 3. 규칙성을 발견하거나 만들어 냄 4. 고객의 인식된 unmet needs를 찾음 5. 현재 제품과 서비스의 개선을 통한 고객 만족을 추구 6. 이미 형성되어 있고 게임의 룰이 정해진 시장에서 제품이나 서비스의 수명 주기 관리 차원으로 적용의 특성으로 정의됩니다.
2. 반면, 정성 데이터를 활용하는 것(Fact Driven)은 기존에 없었던 새로운 가치를 찾는 일에 디자인 싱킹을 적용하는 것이고 이것은 혁신(Innovation)과 밀접한 관계가 있습니다. 이러한 관점에서 디자인 싱킹에서 정성 조사를 주로 진행하는 것은 속도의 이슈가 아니라 디자인 싱킹의 목적에 차이에 기인한다고 볼 수 있는 것이죠. 디자인 싱킹이 집중하는 고객의 정성 데이터 관점에서는 1. 고객의 의미 있는 사실(Fact) 수집 2. 특이점이나 이상점 발견에 집중 3. 비 규칙성을 발견하고 만들어냄 4. 고객 이해를 통해 Latent needs를 발전시킴 5. 고객 감동을 추구 6. 신규 시장 탐색과 형성 등에 의미를 두고 혁신을 만들어 갑니다.
정량 데이터를 활용하는 것은 첫째, 어느 정도의 룰이 있다. 둘째, 고객의 과거에 집중한다. 셋째, 경쟁자도 쉽게 따라 할 수 있다. 넷째, 당연히 해야 하는 고객 만족 활동이다.로 정리되고, 정성 데이터를 활용하는 것은 첫째, 규칙에 집중하지 않는다. 둘째, 고객의 미래에 집중한다. 셋째, 경쟁자가 쉽게 따라 하기 어렵다. 넷째, 기업의 생존을 위한 고객 감동 활동이다.로 정의됩니다. 이를 기업이 디자인 싱킹을 통해 만들어내는 가치 활동의 특성과 비교해보면 고객 정성 데이터의 성격과의 유사함이 많은 것으로 보입니다.
이상에서 살펴본 내용을 바탕으로 질문들에 대한 답을 해보면,
"고객이 생성하는 데이터를 모아서 이를 기반으로 분석하고 문제를 해결하는 알고리즘을 만들면 데이터 기반으로 디자인 싱킹이 가능하지 않을까요?"
- 기존 제품과 서비스의 향상을 목적으로 하는 협의의 디자인 싱킹에서 가능할 것 같습니다. 하지만 미래를 예측해야 하는 혁신 목적의 광의의 디자인 싱킹의 적용을 위해서는 불규칙성과 제한 없음 그리고 지속적인 생성 및 변형이 일어나고 가중치가 달라지는 고객 데이터를 어떻게 처리할 것인가의 이슈가 풀어야 할 과제로 보입니다. 아울러, 기업 경쟁의 특성상 누구나 똑같은 답을 갖는 접근법이 어떤 의미가 있을지도 생각해봐야겠죠.
"4차 산업 혁명 시대에 고객의 빅데이터를 이용하면 A.I. 를 디자인 싱킹에 이용할 수 있을 수도 있지 않나요?"
- 결국 인공지능이 어떤 단계로 발전하느냐에 달려있지 않을까 생각합니다. 알파고가 바둑의 고수들을 차례대로 이길 수 있었던 것은 바둑이 가지는 승리의 규칙성과 제한성인데요. 아메바처럼 변형 증식하는 기업 환경에서 살아남기 위한 방법으로 적용된 디자인 싱킹에서 A.I. 가 쓰이기 위해서는 고객의 과거 데이터 축적인 빅데이터뿐만 아니라, 의미 있는 Fact를 스스로 찾고, 수집하고, 분석할 수 있는 수준이 되어야 한다고 생각합니다. 그 수준이 되면 디자인 싱킹 팀의 또 하나의 전문가로 포함시켜 작업할 수 있지 않을까 싶네요. A.I. 와 사람이 협업하는 것이죠. 마치 지금 전문가들이 협업하는 것처럼 말이죠.
"고객 데이터는 이미 많이 가지고 있는데, 왜 정성 데이터가 또 필요하죠?"
- 정량 데이터와 정성 데이터 모두 특성과 한계를 가지고 있으며, 어떤 데이터를 선택하느냐 보다는 기업의 목적에 맞게 고객을 보다 깊게 이해하기 위해서는 어떤 데이터가 필요하냐의 관점으로 접근하는 것이 좋을 것 같습니다. 그리고 두 종류의 데이터는 상호 보완적인 관계가 있다는 것을 잊으면 안 되겠죠. 한 종류의 데이터로는 고객을 충분히 이해했다고 하기 어려울 것입니다.
정리해보면, 디자인 싱킹에 빅데이터를 활용할 것인가? A.I. 를 이용할 것인가? 는 디자인 싱킹의 본질에 대한 내용보다는 방법에 대한 내용으로 이해할 수 있습니다. 디자인 싱킹의 지향점이 고객에 대한 보다 깊은 이해를 기반으로 기업과 고객 모두를 만족시키는 가치를 창출하는 활동이라는 점에서 어느 특정 방법이나 데이터를 고수하는 것은 옳지 않아 보입니다. 다만, 용도와 목적에 맞게 잘 조합하여 활용하는 것이 더 중요합니다. 빅데이터와 A.I. 의 발전에 따라 디자인 싱킹 활동은 좀 더 고도화되고 효율적이 될 것입니다. 디자인 싱킹의 고객 가치 철학이 변하는 것은 아닙니다.
<사진#1> 지하철을 이용 중인 한 노인분이 스마트폰 앱을 이용해 피아노 연습 게임을 하고 있습니다. 스마트폰 케이스의 커버를 살짝 잡고 가리듯이 하고 있는데요. 이 노인은 어떤 니즈가 있을까요? 무엇이 불편할까요? 이를 데이터화하여 분석하려면 어떻게 해야 할까요?
<사진#2>한 극장의 영화티켓 자판기의 모습입니다. 극장은 영화 관람객이 티켓 구입을 위해서 입력하는 데이터를 수집할 수 있을 텐데요. 이전의 티켓 구입 방법에 비해 나아진 점은 무엇일까요? 고객의 영화 티켓 구입 데이터가 찾아내지 못하는 고객의 니즈는 무엇일까요?
+ 훌륭한 요리사는 재료를 가리지 않습니다. 최상의 맛을 만드는 일에 집중하죠.
++ 완벽한 도구와 수단은 없습니다. 효율을 올리는데 도움이 되는 것이죠.