[아티클] 사용자 데이터를 효과적으로 분석하는 법

주제: 사용자 데이터를 효과적으로 분석하는 법

사용자 데이터를 효과적으로 분석하는 법 | 요즘IT

---

요약

1. 기술 통계

: 빈도나 평균과 같은 데이터의 특성을 파악하는 데 활용됨

• 범주형 데이터
  • 선호하는 디자인 타입이나 과제 성공 여부 등과 같은 데이터를 분석해 빈도나 백분율과 같은 통계값을 구할 수 있음
• 수치형 데이터
  • 만족도나 수행 시간 등을 분석해 평균이나 표준 편차와 같은 통계 값을 구할 수 있음
• 중심 경향 지표
  • 참가자의 전형적인 행동을 파악할 수 있는 지표
  • ex. 평균, 중앙값, 최빈값

1) 시각화 방법

• 범주형 데이터
  • 주로 백분율로 분석해 사용자의 행동이 어느 영역에 많이 분포되는지 확인 가능
  • 파이 차트: 직관적인 비율 확인
  • 누적 막대그래프: 다수의 비율 확인 용이

좌: 선호 컨셉 선택 결과 파이 차트 ❘ 우: 5개 task 수행시 성공률 누적 막대 그래프

• 수치형 데이터
  • 주로 평균으로 분석해 사용자의 행동이 어디에서 더 많이 발생하는지 확인 가능
  • 막대그래프: 분리된 카테고리에 대한 연속적인 값 표현 ex. 만족도, 시간, 에러 수
  • 선 그래프: 연속적인 특성을 가질 때 ex. 연령대, 태스크나 여정 단계
  • 이러한 평균에 대한 결과는 신뢰 구간을 통해 더욱 정교하게 해석할 수 있음

좌: 컨셉별 선호도 평가 결과 막대 그래프 ❘ 우: 태스크 단계별 만족도 점수의 비교와 변화 선 그래프

• 사용자 데이터
  
  • 사용자 조사 데이터를 좀 더 구체적인 목적으로 활용하기 위한 분석, 시각화 방법
  • 방사형 그래프: 특정 대상에 대해 여러 평가 항목들로 비교해 전체적인 경향을 유추하고 싶을 때 활용
  • 산점도: 한 쌍의 연속적인 데이터를 수평과 수직 축 상의 좌표 값으로 나타내는 방법으로 서로 다른 두 척도 비교 및 변수 간의 관계 확인 가능

브랜드 A와 B의 UX 경쟁력 분석 결과 방사형 그래프

서비스별 이용 빈도와 의향 간의 관계 산점도

2. 추론 통계

: 표본을 통해 모집단을 추론하거나 가설을 검정하기 위한 방법

• 집단 간의 차이를 밝히는 분석 방법
  
  • ex. t-검정, 분산분석
• 변수들 간의 연관성을 파악하는 분석 방법 
  • ex. 상관분석, 회귀분석
• 기본 개념
  
  • 모집단: 전체 사용자 집단
  • 표본: 사용자 조사의 참가자
•  추론 통계는 이러한 표본으로부터 모집단의 속성을 추정하는 과정
  • 이 때, 표본으로부터 수집된 데이터가 모집단을 대표할 수 있는지 검증 필요
  • 표본으로 수집된 데이터가 정규성이 확보되는지 확인 (정규 분포인지)
  • 30명 이상의 표본이 있다면 정규성을 가정하고 추론 통계 진행
    • 흔히 유의 수준 5%로 알려져 있는 p-value가 0.05 이하인지를 확인하여 통계적 유의성 파악
    • 통계적으로 유의미하다 = 분석된 결과가 다시 재현해도 반복적으로 나타난다

정규 분포

1) 대표적인 추론 통계 방법

• t 검정과 분산분석
  • t 검정: 비교하는 대상이 2개일 때 (A집단과 B집단)
    • 아래 이미지의 경우 p-value값이 0.004로 통상적으로 사용하는 유의 수준인 0.05보다 낮기 때문에 통계적으로 유의미하게 개선안의 정확도가 높아졌다고 해석 가능
  • 분산분석(ANOVA): 비교하는 대상이 2개를 초과했을 때
    • 이러한 경우 p-value가 0.05 이하로 3개 집단 간의 유의성이 검증되었더라도 어느 그룹에서 차이가 있었는지 파악하기 위한 사후 검증 과정(Post-Hoc test) 필요

스마트폰 터치 키보드의 디자인 개선 효과 t 검정

• 상관 분석과 회귀 분석
  • 상관 분석
    • 2개 이상의 변수들의 선형적인 관계를 살펴보기 위한 분석 방법
    • 상관 분석을 통해 변수들 간의 관계가 유의미한 관련이 있는지에 대한 검증 결과인 p-value값과 상관계수 r값 도출
      • 상관계수 r: 변수들 간의 관계가 긍정 또는 부정적인지, 얼마만큼 연관되는지 나타냄
        • 에러 수와 수행 시간의 r값이 0.3이라면, 에러 수와 수행 시간 간에 정적 상관성(양의 상관관계)이 있다고 봄
  • 회귀 분석
    • 하나의 종속 변수에 대해 다수의 독립 변수들이 어떻게 영향을 미치는지에 대한 인과 관계 분석
    • ex. 가격, 마케팅 비용 등의 여러 요인들 중 매출에 가장 큰 영향을 주는 요인이 무엇인지 분석하는 데 활용 가능
    • 회귀 분석을 통해 도출할 수 있는 것
      • 회귀 모형의 적합도: p-value
      • 모델 설명력: R2
      • 각 독립 변수가 종속 변수에 미치는 영향력을 나타내는 회귀계수: Beta
    • 아래 이미지의 경우 회귀 모형의 적합성(p-value=0.000)과 높은 설명력(R2=60.4%)으로 의미 있는 결과로 볼 수 있음
    • 3가지 요인 모두 AI 스피커 수용에 긍정적으로 영향(Beta)을 미치며 영향력은 유용성 > 사용성 > 의인화 순

AI 스피커의 수용에 영향을 미치는 요인 회귀분석

 

3. 현업에서 활용하는 법

사용자 조사로 수집된 정량 데이터를 적절하게 분석하고 시각화해 의미 있는 정보를 제공한다면, 의사결정을 효과적으로 지원할 수 있음

• 분석하기 vs 해석하기
  • 현업에서는 정량 데이터를 직접 분석하고 시각화한 보고서를 작성해 이해관계자들에게 전달하거나 전달받은 보고서를 해석해 더 나은 서비스를 만드는 데 필요한 고객 인사이트 발굴
  • 기술 통계: Excel의 간단한 함수를 통해 빈도나 평균을 구하고 적합한 그래프를 만들어 보고서 작성 가능
  • 추론 통계: 심리학적 실험 설계 방법이나 통계 분석과 같은 전문적인 지식과 함께 통계 전용 분석 툴에 대한 활용 기술 습득 필요
• 그래프 생성 시 주의점
  • 수직 축의 눈금 크기를 다르게 하거나 밑부분을 생략하지 않아야 함

정확한 그래프 vs 왜곡된 그래프

4. 통계적 유의성과 디자인 의사결정

• 디자인에 대한 사용자의 취향 차이가 크거나 디자인 간 경쟁력 차이가 압도적이지 않을 경우 통계적으로 유의미하지 않은 결과 발생
• 이러한 경우 사용자 유형에 따라 데이터를 분석해 서비스가 타겟으로 하는 사용자 유형이 좀 더 선호하는 컨셉이 무엇인지 파악 가능
• 긍정 답변의 비율이 더 높은 컨셉이 무엇인지 분석하는 것도 또 다른 대안
• 데이터가 바로 답을 말해주지 않는다면 데이터가 수집된 환경에서 포함되어 있지 않았던 맥락적 상황 검토 필요
  • 서비스의 방향성
  • 변화하는 트렌드
  • 사업적인 해석
• 좋은 의사결정에는 데이터가 제공하는 객관성과 함께 이를 해석하는 사람의 직관이 함께 요구됨

---

공통 인사이트

• 어떤 데이터냐에 따라 효과적인 시각화를 사용하므로써 현업에서 업무시 의견의 신뢰성을 높일 수 있다. 데이터 해석에 주관적인 의견은 불필요하다고 생각했으나 해석하는 사람의 인사이트를 통해 풍부한 의견을 제공할 수 있다는 것을 배웠다. 다양한 자료를 통해 해석하는 능력을 포함하여 개인적인 역량을 기를 수 있다.
• ‘결국은 좋은 의사결정에는 데이터가 제공하는 객관성과 함께, 이를 해석하는 사람의 직관이 함께 요구됩니다.' 라는 문장 인상적. 직관이라는 것은 한순간에 배울 수 있는 것이 아니기 때문에 다양한 데이터를 들여다보고 분석적 사고를 하면서 직관을 기르기 위해 노력하는 것도 중요하겠다.