디자이너가 숫자 관련 지표를 분석할 때

숫자 관련 데이터를 수집하여 지표로 분석할 때, 고려해야 할 사항들이 있습니다.

'Data Driven UX'라는 책에서는 크게 5가지 사항을 정의하고 있습니다.

 

1. 사용자가 활동한 행동의 정도와 양상을 보기

단순 행동으로 본다면, 무의미한 데이터로 볼 수 있습니다.

페이지와 특정 콘텐츠 위치에 몇 초간 머물렀는지, 마우스를 몇 번이나 움직였는지, 움직인 거리는 얼마나 되는지 파악한다면 사용자가 얼마나 활발히 행동했는지 지표를 해석할 수 있습니다. 또한, 아이 트래킹 시각화 방법 중 하나인 '게이즈 플롯(Gaze Plot)'을 통해 사용자 시선의 움직임을 선으로 연결하고, 얼마나 많은 사용자가 어떤 순서로 보았는지를 확인할 수 있습니다. 이는 단순히 '이렇게 행동했다'를 넘어 '어느 정도로 행동했는가'까지 살펴볼 수 있습니다. 

 

2. 상세 행동에 따라 달라지는 해석에 유의하기

많은 사용자가 페이지 하단까지 스크롤을 이동했다! 라고 한다면, 어떤 행동으로 평가하실 것 같나요?

'사용자가 콘텐츠를 적극적으로 탐색했다, 제공한 콘텐츠가 사용자에게 모두 노출되었다'와 같이 긍정적인 해석으로 볼 수도 있지만, 복합적인 행동과 함께 살펴본다면 부정적 해석도 나올 수 있습니다.

스크롤 도달 위치 내 사용자의 탐색 행동, 높이별 체류시간, 마우스 이동 궤적과 전환 정도를 종합적으로 판단한다면, '중간 콘텐츠를 건너뛰고 하단 콘텐츠만 확인한다, 하단 콘텐츠까지 도달했음에도 실제 체류하거나 살펴보지 않고 다시 상단으로 역스크롤한다, 상단의 콘텐츠 정보가 만족스럽지 않아 사용자가 추가 탐색을 일으킬 수밖에 없었다'와 같이 부정적인 행동으로 해석될 수 있죠.

 

3. 통계와 평균의 함정 이해하기 (대푯값은 산술 평균값 대신 중앙값으로!)

사용자 정보를 평균으로 본다면 전반적인 행태를 이해하는 데 편리하지만, 일부 사용자의 극단적 수치에 영향을 받는다는 점이 단점입니다.

대표적인 예로 체류 시간이 있는데요, 온전한 활동 시간으로 보기 어려울 정도로 체류 시간이 극단적인 사용자, 페이지 방문 후 자리 비운 사용자들처럼 말이죠.

이때는 체류 시간을 마우스 무브 또는 스크롤 데이터와 함께 확인하며 의미 없는 데이터를 정제하며, 평균이 아닌 중앙값(대표값)을 선정하는 것이 필요합니다. 

예로, 1~2초간 머문 사용자가 25%, 1분 19초~1시간 30분 머문 사용자가 25%였다고 설정해보겠습니다. 평균 체류 시간인 3분에 해당하는 사용자는 상위 10%이기 때문에 전체 중 일부라고 볼 수 있습니다. 이를 보완하기 위해 전체 사용자 분포 중 하위 25%, 상위 25%를 우선 제외합니다. 그리고 2초부터 1분 18초에 해당하는 중간범위(50%)의 사용자 가운데 14초를 중앙 대푯값으로 산정하고, 이 값을 산술 평균값에 대체합니다. 체류 시간 분포 가운데 14초에 가깝게 체류한 사용자는 평균값 3분보다 더 많이 존재하며, 전체 분포 그래프의 대푯값이 될 수 있습니다. 

 

4. 시간의 흐름에 따라 데이터 분석하기

데이터를 분석할 때, 시간의 흐름으로 추세를 살펴보면 현재 상태의 기준을 알 수 있고, 이에 따라 서비스의 상태가 좋은지 나쁜지 인사이트를 발견할 수 있습니다.

시간 흐름으로 데이터의 트렌드를 살펴보는 것은 데이터에 대한 규칙성과 특이점을 발견하는 데 지름길이 됩니다. 특이점이 발견된 날의 히트맵 데이터와 사용자 행동 데이터를 분석한다면 구체적인 개선점을 도출할 수 있는 것이죠.

 

5. 데이터를 세분화하여 해석하기

서비스를 개선하는 일은 전체 수치를 부분으로 나누어 작게 보는 것에서 시작되는데, 작게 쪼개는 일을 세그먼트라고 부릅니다.

5월 회원 가입 버튼 클릭 수 8,120 Click -> Direct 3,240 Click l 네이버 유입 1,040 Click l 광고유입 2,270 Click
5월 회원 가입자 10,000명 -> 신규 7,000명 l 재방문 3,000명

 

데이터를 쪼갠 뒤 세그먼트별 전환율을 계산할 수 있습니다. 예를 들어, 회원 가입 버튼을 클릭한 사용자 중 브런치 유입은 가장 적지만 전환율이 가장 높게 나타났다면, '브런치 유입 고객이 매출 개선에 가장 크게 기여하고 있다'는 가설을 세울 수 있는 것이죠.

만약 방문자가 계속 감소하고 있다면, PV만으로는 새로운 인사이트를 발견하기 어려울 것입니다. 하지만 이 데이터를 유입 채널별로 쪼개본다면, 미미했던 소셜 사용자가 늘어나고 있는 추세를 새롭게 발견할 수 있습니다. 이는 '사용자 수는 점점 줄어드는 추세지만 소셜 사용자가 늘고 있다'는 인사이트를 낼 수 있는 것이죠. 

다양한 세그먼트의 예시

- 데스크톱, 모바일, 태블릿 : 어느 쪽 사용자가 많았는지를 파악해 전환율을 높이거나 서비스 개선 시 우선순위를 정할 수 있음

- 신규 방문자와 재방문자 : 어느 쪽의 사용자가 더 많았는지를 파악해 행동 경향을 분석, 각기 다른 사용자의 행동으로 전환 목표를 다르게 설정하고 UI 디자인에 활용

- 유입 경로 : 경로에 따라 사용자 특성을 파악하고, 경로에서의 유입을 더 늘릴 수 있는지 고민

 

단순히 하나의 데이터로 결과를 해석한다면, 수많은 오류를 범할 수 있습니다. 다양한 행동 데이터를 함께 교차 분석하고, 데이터 통계와 평균 함정에 유의하며 항상 의심하는 분석가로서 임해야 합니다.