분석의 도구들 — 데이터가 아직 말을 하지 않을 때

데이터가 쌓였는데 무엇을 의미하는지 모르겠을 때 꺼내는 도구들입니다. 관찰은 즐겁고 인사이트 넘치는 과정이지만, 관찰한 데이터 자체는 파편적이고, 지엽적이며, 주관적이기 쉽습니다. 개인의 문제와 집단의 문제가 뒤섞여 있고, 특수한 상황이 보편적 패턴처럼 보이기도 합니다. 분석의 도구들은 이 파편들 사이에서 구조를 발견하고, 의미를 읽어내기 위한 것입니다.

여기서 소개하는 도구들은 특정 프로젝트 단계에 묶여 있지 않습니다. 데이터가 있고, 그 데이터가 아직 말을 하지 않을 때 언제든 꺼내 쓸 수 있습니다.

카드 정렬법 (Card Sorting)

“이 데이터는 이미 알고 있는 어떤 범주에 속하는가?”

기존에 정의된 분류 기준이 있을 때, 새로운 관찰 결과를 그 기준에 맞춰 배치하는 방법입니다. 예를 들어 어떤 서비스의 ‘회원’, ‘결제’, ‘매장’ 등의 범주가 이미 존재한다면, 관찰에서 발견된 내용들을 해당 범주에 분류하고 그 안에서 경험적 인사이트를 정의해 나갑니다. 스크린이나 기능 목록이 있는 상태에서 새로운 관찰들을 스크린별, 기능별로 모아보는 것도 같은 접근입니다.

통계학적으로 보면 라벨이 이미 존재하는 상태에서 데이터를 분류하는 Top-down 방식이며, 기계학습의 용어를 빌리면 지도 학습(Supervised Learning)에 대응됩니다.

주의할 점: 기존 분류 체계가 관찰 결과를 왜곡할 수 있습니다. 기준에 맞지 않는 데이터가 억지로 끼워 넣어지거나, 기존 범주에 속하지 않는 새로운 발견이 무시되기 쉽습니다. 분류되지 않는 데이터가 많다면, 범주 자체를 의심해야 합니다.

친화도법 (Affinity Diagram)

“이 데이터들 사이에 아직 발견되지 않은 구조가 있는가?”

분류 기준이 아직 정해져 있지 않은 관찰 내용들을 모아, 유사도에 따라 배치하고, 그 군집을 정의하면서 인사이트를 수립해가는 Bottom-up 방식입니다. 기계학습으로 비유하면 비지도 학습(Unsupervised Learning), 즉 군집 분석(Cluster Analysis)에 해당합니다.

프로젝트 진행자의 선입견이나 관념에서 벗어나 데이터 자체에 집중할 수 있다는 점에서, 문제나 수요를 새롭게 정의하고 싶을 때 유용합니다.

주의할 점: 군집의 경계는 분석자의 판단에 의존합니다. 같은 데이터라도 누가 배치하느냐에 따라 완전히 다른 구조가 나올 수 있으므로, 가능하다면 여러 사람이 독립적으로 군집화한 뒤 비교하는 것이 좋습니다.

KJ 매핑 (KJ Mapping)

“데이터 간의 거리와 관계를 시각적으로 드러낼 수 있는가?”

일본의 인류학자 카와기타 지로(Kawakita Jiro)의 이름을 딴 이 방법은, 친화도법의 세분화된 일종으로 각 데이터 간 친화도에 따라 거리를 조정하는 방식으로 지도화(Mapping)하는 방법입니다.

Affinity Diagram과 KJ Mapping은 혼용되며 거의 동의어처럼 여겨지는 경우가 많은데, 엄밀히는 다릅니다. 도식화(Diagramming)는 지도화(Mapping)보다 더 넓은 범주의 용어입니다. KJ Mapping은 친화도를 기준으로 도식화하되 좌표와 거리를 사용하는 지도화 방법이므로, 친화도법의 한 가지 구체적 실행 방식으로 보는 것이 바람직합니다.

여기서 ‘지도(Map)‘라는 단어에 주목할 필요가 있습니다. 어떤 기법이 Map이라는 이름을 사용한다면, X/Y축의 2차원 좌표가 의미를 가지며 데이터 간의 거리나 상대적 위치가 분석의 핵심이 된다는 뜻입니다.

주의할 점: 각 관찰 내용을 데이터화하고 그 사이의 거리를 계산하여 배치하는 과정이 핵심인데, 이 데이터화와 계산의 적합성에 따라 군집의 성격이나 결과가 완전히 달라질 수 있습니다. 전처리가 부실하면 지도 자체가 왜곡됩니다.

데이터 전처리: 카드 작성법

“파편화된 관찰을 분석 가능한 단위로 어떻게 정제하는가?”

카드 정렬이든 친화도법이든, 관찰 결과를 분석하기 좋은 데이터로 정제하는 전처리 과정이 먼저 필요합니다. 통계에서 이야기하는 데이터 전처리와 같은 맥락으로, 지나치게 지엽적인 데이터(outlier)나 모호한 관측 결과, 하나의 카드에 복합적인 내용이 뒤섞인 데이터를 걸러내고 정돈해야 합니다.

추천하는 방식은 관찰 대상인 사용자를 주어로 하는 서술형으로 카드를 작성하는 것입니다. 이렇게 하면 지도화할 때 내용을 파악하기 편하고, 혼란이 줄어듭니다.

예를 들어 터치식 키오스크 UI 앞에서 주문하려다 어떤 버튼을 눌러야 할지 고민하다 돌아서는 사용자를 관찰했다고 하겠습니다. 이때 카드를 “복잡한 터치식 키오스크 UI”로 적는 대신, “주문을 하고 싶은데 어딜 눌러야 할지 모르겠어.”로 작성하면 상황과 사용자의 감정이 분명하게 드러납니다. 해당 카드가 위치할 분류도 명확해지고, 사용자의 감정에 동기화하는 군집으로 발전시키기가 수월해집니다.

주의할 점: 서술형 카드를 쓸 때 관찰자의 해석이 아니라 사용자의 목소리를 담아야 합니다. “UI가 불편하다”는 관찰자의 판단이고, “어딜 눌러야 할지 모르겠어”는 사용자의 경험입니다.

POV 문장 (Point of View Statement)

“관찰을 하나의 관점으로 전환할 수 있는가?”

POV 문장은 흩어진 관찰과 분석 결과를 하나의 명확한 관점으로 압축하는 도구입니다. 형식은 다음과 같습니다.

“[사용자]는 [필요/욕구]가 필요하다, 왜냐하면 [인사이트]이기 때문이다.”

예를 들어: “혼자 키오스크를 처음 사용하는 고령 사용자는 첫 화면에서 명확한 안내가 필요하다, 왜냐하면 잘못된 버튼을 누르면 되돌릴 수 없다고 생각하기 때문이다.”

이 형식이 강제하는 것은 사용자(누구), 필요(무엇), 인사이트(왜)의 세 요소를 한 문장 안에 담는 것입니다. 분석에서 발견한 패턴을 디자인 가능한 관점으로 전환하는 다리 역할을 합니다.

주의할 점: POV 문장이 너무 넓으면(“사용자는 좋은 경험이 필요하다”) 방향을 잡을 수 없고, 너무 좁으면(“사용자는 파란색 버튼이 필요하다”) 이미 해결책을 전제하게 됩니다. 인사이트 부분이 핵심인데, ‘왜냐하면’ 이후가 관찰에서 발견한 진짜 이유여야 합니다.

HMW 질문 (How Might We)

“문제를 해결 가능한 기회로 전환할 수 있는가?”

HMW는 “어떻게 하면 우리가 ___할 수 있을까?” 형식의 질문으로, 발견된 문제를 디자인 기회로 재구성하는 도구입니다. POV 문장에서 출발하는 경우가 많습니다.

위의 키오스크 예시라면: “어떻게 하면 처음 사용하는 고령 사용자가 실수를 두려워하지 않고 주문할 수 있을까?”

HMW 질문의 힘은 제약이 아닌 가능성의 언어로 문제를 바라보게 한다는 데 있습니다. “키오스크가 어렵다”는 진단에서 멈추는 대신, “어떻게 하면”이라는 프레임이 구체적인 탐색 방향을 열어줍니다.

주의할 점: HMW 질문도 POV와 마찬가지로 적정한 범위가 중요합니다. “어떻게 하면 모든 사용자를 만족시킬 수 있을까?”는 너무 넓고, “어떻게 하면 글씨 크기를 키울 수 있을까?”는 이미 답을 품고 있습니다. 좋은 HMW 질문은 여러 방향의 해결책이 떠오를 만큼 열려 있되, 구체적인 사용자와 맥락에 닿아 있어야 합니다.

마무리

이 도구들은 모두 같은 방향을 가리킵니다. 파편화된 관찰을 구조화된 이해로 옮기는 것입니다. 카드 정렬은 기존 구조 안에서 데이터를 배치하고, 친화도법은 데이터로부터 새로운 구조를 발견하며, POV와 HMW는 그 구조를 디자인 가능한 언어로 전환합니다.

다만 잊지 말아야 할 것이 있습니다. 분석의 구조는 사용자의 목소리를 더 선명하게 들려주기 위한 것이지, 그 목소리를 대체하기 위한 것이 아닙니다. 영감과 직관에 휩쓸리다 보면 모든 절차가 자칫 견강부회(牽强附會)로 끝날 수 있습니다. 선입견과 예측을 배제하고 데이터 자체에 집중해야 비로소 관찰이 살아있는 구조로 전환됩니다.

다음 글에서는 표현의 도구들을 다룹니다. 분석을 통해 얻은 사용자에 대한 이해를 팀과 공유하기 위한 도구들 — 페르소나, 공감지도 등을 살펴봅니다.