좋은 서비스를 완성하는 UX 디자인 #11
딥러닝 기술을 활용한 사용자 데이터 분석법
앱 서비스나 웹 페이지 등 프로덕트를 출시하기까지, 우리는 프로토타입과 테스트 버전을 검토하고 평가하면서 완성도를 높이기 위해 노력해요. 하지만 준비 과정에서의 인사이트는 어디까지나 추론의 결과인 반면, 정식 출시 이후 얻는 인사이트는 유저의 실사용 데이터를 바탕으로 하기 때문에 오히려 더욱 구체적이면서도 유용한 경우가 많아요.
회고에서 출발하는 액션 플랜
우리는 출시 이후에 유저의 실사용 데이터를 보며 프로덕트의 이모저모를 더욱 객관적인 시선으로 볼 수 있게 되죠. 여전히 의도대로 작동하지 않는 기능을 발견하게 될 수도 있고, 어떤 디자인은 기획 단계부터 전혀 감을 잡지 못했다는 걸 깨닫기도 해요. 이처럼 타깃 유저가 만족할 수 있는 프로덕트를 완성해 낼 결정적인 인사이트는 오히려 출시 후에 발견하는 경우가 많은데요. 그래서 출시된 프로덕트를 리뷰하고 리포트로 정리하는 건 향후 프로덕트 개선 또는 새로운 프로젝트 기획의 밑바탕이 되는 중요한 작업이라고 할 수 있어요.
다양한 영역의 실무가 복합적으로 이뤄지는 UX 분야의 특성상 프로덕트를 리뷰할 때는 리서치 단계부터 디자인 과정까지 축적되는 방대한 사용자 데이터를 정리하고 분석하는 방식이 무엇보다 중요해요. 일반적으로 사용자 데이터는 수치 데이터를 뜻하는 ‘정량적 데이터’와 특성-감정-태도 등의 내용을 담은 ‘정성적 데이터’ 두 가지로 구분되는데요. 이번 편에서는 정성적인 사용자 데이터를 보다 효율적으로 분석할 수 있는 두 가지 방법에 대해 알아보도록 할게요.
빅데이터의 주제를 분석하는 토픽 모델링
토픽 모델링은 딥러닝 기술을 통해 방대한 텍스트 데이터의 주요 주제나 키워드를 선별해 내는 데이터 분석 기법이에요. 예를 들어, 블로그나 트위터 등 소셜 미디어에 올라오는 수많은 글을 대상으로 출시한 프로덕트에 대한 토픽 모델링을 진행하면 프로덕트 관련 어떤 키워드나 주제가 얼마만큼 자주 언급되었는지 유저 관심사와 반응에 대한 통계적인 데이터를 얻을 수 있죠.
데이터의 기분을 파악하는 감정 분석
감정 분석(Sentiment Analysis)의 방법론은 토픽 모델링과 거의 동일하지만, 텍스트 데이터가 어떤 느낌과 감정을 담고 있는지에 초점을 맞춘다는 점에서 차이가 있어요. 대표적인 활용 사례로는 쇼핑몰이나 OTT 플랫폼의 유저 리뷰 분석 케이스가 있는데요. 서비스 유저가 상품이나 콘텐츠에 대해서 남긴 리뷰에 등장하는 단어들의 뉘앙스를 딥러닝 알고리즘을 통해 분석하고, 각각의 리뷰가 긍정적인지, 부정적인지, 혹은 중립적인지의 여부를 자동적으로 판단하여 통계화하는 기법이에요.
딥러닝 기술을 활용하기 위한 준비 과정
다만 AI 알고리즘을 활용해야 하는 기술적인 특성상 토픽 모델링이나 감정 분석 기법을 활용하기 위해서는 몇 가지 준비 과정이 필요해요. 먼저 데이터에서 어떤 내용을 확인하고 싶은 지 분석 주제를 정해야 하고요. 그런 다음 AI가 제대로 인식할 수 있는 포맷으로 텍스트 데이터를 편집해야 해요. 이후 알고리즘을 통해서 결과값을 얻고 나면 결과 데이터가 무엇을 의미하는지 해석하고 정리해 봐야 하죠. 딥러닝 개념이 생소하고 복잡하게 느껴질 수도 있지만, 데이터 사이언티스트나 데이터 엔지니어 등 전문가의 도움을 받으면 어렵지 않게 활용해 볼 수 있을 거예요.
본 내용은 지난 1~2월, 연세대학교 HCI LAB과 함께한 디캠프 성장 프로그램 ‘d·camp ux salon season4’의 일부 내용을 재구성하여 만들었습니다. 소중한 지식과 경험을 나눠주신 유영재 교수님께 감사드립니다!