[Data-Driven UX] 3장 - 기본적인 UX 데이터 분석 관련 용어 이해하기

데이터를 통해 알 수 있는 UX 정보 이해하기
숫자와 관련된 지표 분석에서 고려할 다섯 가지 사항
UX 디자이너를 위한 데이터 분석 도구

데이터를 통해 알 수 있는 UX 정보 이해하기

UX 정보를 이해하기 위해서는 한 가지 정보만 확인 할 것이 아니라 최대한 여러 정보를 확인해 각 정보 간의 연관성과 그 의미를 찾는 것이 중요하다.

 

[웹 사이트 사용자의 방문 규모 현황]

- PV(Page View, 페이지 뷰 수): 페이지 뷰 수는 특정 웹 사이트의 특정 페이지가 사용자에게 노출된 횟수라고 볼 수 있다.

- UV(Unique Visitor, 순 방문자 수): 중복된 PV를 제거한 것으로, 특정 기간 내 실제로 방문한 사용자가 얼마나 되는지를 파악할 수 있다.

 

[PV와 UV의 증감 및 추세 확인하기]

PV와 UV 데이터는 a. 특정 기간의 추세를 살펴보거나 b. 증감이 눈에 띄게 큰 날을 찾는 것이 가장 빠르게 인사이트를 발견하는 길이 된다. a. 추세 데이터는 분석 대상 페이지의 미래 PV 및 UV를 예측하는 지표가 될 수 있다.

b. 증감 데이터는 특정 일자 마케팅 이슈 결과로 해석할 수 있다. 마케팅을 진행하지 않았는데 급격히 증가했다면 다른 외부 요인을 찾아봐야 한다.

 

[특정 기간 내 일자별 UV당 평군 PV]

- UV당 평군 PV는 한 명의 사용자가 몇 번이나 페이지에 방문하는지를 나타내는 데, 보통 한 사용자가 여러 번 페이지를 방문하기 때문에 PV가 UV보다 높다.
- PV가 높으면 사용자가 반복적으로 페이지를 방문하고 있다고 추측할 수 있음. 재방문 이유가 긍정적 or 부정적 결과를 낳은 것인지 원인을 명확히 파악해야한다.

 

[특정 기간 내 UV 대비 평균 PV]

특정 기간 내 UV 대비 PV가 높은지를 비교하는 것도 좋은 인사이트 발굴 방법이다.

a. PV가 높은 경우: 재방문 사용자 비율이 높다고 해석할 수 있음 → 충성고객을 만들기 위해 전용 캠페인 제공하거나 회원 전용 서비스 제공 등 방안을 고민해 볼 수 있음. 또한 지속해서 콘텐츠를 업데이트하여 재방문 사용자의 만족감을 끌어올려야 한다.

b. PV가 낮은 경우: 재방문 사용자 보다 신규 사용자가 높다고 해석할 수 있음 → 로그인 또는 회원가입 기능 최소화하고, 회원이 아니더라도 사용할 수 있는 콘텐츠를 다양화하는 방안 고민

 

[세션(Session)] *이후 자세히 확인 예정

세션은 사용자가 웹 사이트에 방문하여 이탈하기까지(세션이 끊기기까지)의 일련의 행동을 나타낸다. 여기서 행동이란 사이트를 방문해 이탈하기까지 웹 사이트 내에서 페이지를 열람하거나 페이지 이동이 일어나지 않는 특정 이벤트가 발생한 것을 말한다.

 

[PV당 세선 수]

PV당 세션 수를 구하면 사용자가 한 번 사이트를 방문할 때 몇 페이지나 열람하는지에 대한 평균값을 알 수 있다.

 

[UV당 세션 수]

UV당 세션 수를 파악하면 웹 사이트를 방문한 사용자의 사이트 이용 빈도를 알 수 있다.

 

---

[웹 사이트 사용자의 환경적 특성]

웹 사이트를 방문하는 사용자가 어느 나라 사람이며, 어떤 디바이스를 통해 어떤 환경에서 접속했는 지를 이해하는 것은 사용자를 아는 첫걸음이다.

- 국가

- 디바이스

- OS와 브라우저

이 책을 출판한 뷰저블의 경우 서비스 주요 타깃이 UX 디자이너인 만큼 맥 OS를 이용하는 사용자가 월등히 많을 것으로 예상했지만, 실제 데이터에서는 Windows 사용자의 비율이 높았다. 이처럼 단순히 실무자의 추측만으로는 전혀 다른 결과가 나올 수 있음을 기억할 것..

 

---

[웹 사이트 사용자의 전환율과 이탈률, 종료율]

전환율(Conversion Rate)

웹 사이트를 방문한 사용자 중 소정의 행위를 한 방문자의 비율을 의미한다. 특정 UI 요소의 클릭을 통한 페이지 이동부터 회원 가입, 상품 구매, 파일 다운로드, 동영상 재상 등의 행위를 예로 들 수 있다.

 

이탈률(Bounce Rate) = 반송률

오직 한 페이지만 본 뒤 해당 사이트를 벗어난 방문(세션) 행동의 비율을 의미힌다. 다시 말해 사용자가 세션에서 페이지와 상호작용하지 않고 떠난 단일 페이지 세션의 비율이다. 비율이 낮을 수록 좋음.

 

종료율(Exit Rate)

방문한 페이지를 대상으로 1개 이상의 페이지를 보고 화면을 종료한 방문(세션) 행동의 비율을 의미한다.

ex. 해당 페이지에서 종료율이 15%라면 100명 중 15명이 해당에서 나가고 나머지 85명은 다른 페이지로 이동했다고 볼 수 있음.

이탈률과 달리 수치가 높더라도 무조건 나쁜 것은 아님.

ex. 특정 이벤트 응모 페이지라면 종료율 수치가 높을 수록 목적이 달성되었다고 볼 수 있음.

 

전환한 사용자

최종 페이지(End Page)일 경우에는 사용자의 전환율을 크게 고려하지 않아도 상관없다.

ex. 사전 서비스의 검색 결과, 뉴스 기사 페이지, 이메일 본문 페이지, 게시판 상세 보기 페이지

하자만, 사용자의 행동을 요구하는 페이지일 경우 전환되는 사용자 비율을 높여야 함. 전환 되었을 경우 어떤 콘텐츠에 어떻게 전환되었는지 살펴보는 것이 중요.

 

이탈한 사용자

페이지를 이탈한 사용자 많다는 것은 질 좋은 콘텐츠가 없거나 사용자의 목적과 다른 페이지였다고 해석할 수 있다. 혹은 디바이스에 최적화된 페이지의 로드 속도가 너무 느린 것이 원인일 수도 있다.

전환율, 체류 시간, 지표와 함께 이탈한 사용자를 파악하면 개선 대상 페이지인지 아닌지 판단할 수 있다.

ex. 이탈률이 80%인 페이지일지라도 나머지 20%의 사용 전환율이 0%라면 해당 페이지의 이탈률을 개선할 필요가 없다. 반면 이탈률이 50%인 페이지인데 나머지 50%의 전환율이 5%라면 해당 페이지의 이탈률을 개선되어야한다.

 

종료한 사용자

사용자가 마지막으로 어떤 콘텐츠를 확인했는지를 통해 원인을 예상할 수 있다.
이벤트 페이지의 경우 마지막으로 확인한 콘텐츠가 충분한 정보를 제공해서 더 탐색을 진행하지 않은 것으로 해석할 수 있다.
반면, 탐색을 계속해야하는 페이지임에도 종료가 이뤄진다면 개선이 필요하다.

 

---

[웹 사이트 사용자의 유입 경로]

유입 경로란, 사용자가 해당 페이지에 방문(유입)하기 직전의 경로를 의미한다. 유입 경로 데이터는 도메인을 기준으로 내부와 외부로 나뉜다.

- 내부 유입: 같은 도메인으로 접속한 경우
- 외부 유입: 다른 도메인으로 접속한 경우로 다시 직접유입, 추천 유입, 검색 유입, 소셜 유입 등으로 나뉜다.

 

직접유입(Direct)

사용자가 특정 링크 또는 광고의 영향을 받지 않고 직접 URL을 입력하거나 즐거차기 처럼 저장된 링크를 통해 유입한 경우. 사실상 시스템 적으로 추가 유입 경로가 존재하지 않을 경우 모두 직접 유입으로 분류. 따라서 채널별로 제대로 된 성과 분석을 위해서는 아래와 같은 채널 등을 통해 직접으로 분류된 유입과 '전통적 의미의 직접 유입을 구분해 추적해야한다.

ex. 자사 앱을 통해 유입된 트래픽, 문자 메시지 링크, QR 코드

 

추천 유입(Refferral)

다른 사이트 혹은 특정 링크를 타고 들어오는 경우. 서비스가 '누구에게', '어떻게' 홍보되었는 지 역추적할 수 있다.

 

검색유입(Search)

검색엔진을 통해 유입된 경우를 가리킨다. 

 

소셜 유입(Social)

페이스북이나 인스타그램처럼 SNS를 통해 유입된 경우.

---

숫자와 관련된 지표 분석에서 고려할 다섯가지 사항

첫째, 사용자가 활동한 행동의 정도와 양상

단순히 사용자의 행동을 넘어 그 행동의 정도와 양상을 살펴보아야 한다.

* 게이즈 플롯(Gaze Plot): 아이 트래킹 툴의 시각화 방법 중 하나로 사용자 시선의 움직임을 어디서부터 어디까지 보았는 지(선), 어떤 순차로 보았는지(숫자), 얼마나 보았는지(원의 크기)로 나타낸다.

 

둘째, 상세 행동에 따라 달라지는 해석

ex. '많은 사용자가 페이지 하단까지 스크롤을 이동했다'는 정보는 하단까지 콘텐츠를 소비했다는 긍정적인 행동으로 해석할 수 있다.

- 사용자가 콘텐츠를 적극적으로 탐색했다.
- 제공한 콘텐츠가 사용자에게 모두 노출되었다.

하지만 여러 복합적인 행동과 함께 살펴보면, '콘텐츠 노출은 되었으나 사용자 마음에 들지 않았다'와 같은 부정적으로 해석될 수 있다.

- 중간 콘텐츠를 건너뛰고 하단 콘텐츠만 확인한다.
- 하단 콘텐츠까지 도달했디만 실제 체류하거나 살펴보지 않고 다시 상단으로 역 스크롤했다.
- 상단의 콘텐츠의 정보가 만족스럽지 않아(낮은 탐색과 낮은 전환율) 사용자가 추가 탐색을 일으킬 수밖에 없었다.

 

셋째, 통계와 평균의 함정 이해하기

평균값은 전반적인 행태를 이해할 수 있다는 점에서 편리하지만, 간혹 일부 사용자의 극단적인 수치에 의해 영항을 받을 수 있다는 단점이 있다. 대표적인 예로 체류 시간을 꼽을 수 있다.

- 체류 시간이 극단적으로 긴 사용자(온전한 활동 시간이라고 보기 어려운 1시간 이상의 체류시간)
- 페이지에 방문했다가 잠시 자리를 비운 사용자
- 체류 시간이 극단적으로 짧은 사용자(실제 활동이 이루어질 수 없는 0~1초 정도의 체류 시간)
- 페이지에 접속하자마자 의도와 상관없이 접속이 종료된 경우 혹은 원치 않는 접속임을 깨닫고 바로 나가버린 경우

이때는 체류 시간을 마우스 무브 혹은 스크롤 데이터와 같은 다른 정보와 함께 확인한 다음, 의미 없는 데이터를 정제하거나 실제 분포 확인을 통해 산술 평균이 아닌 중앙값처럼 다른 대푯값으로 선정해야 한다.

 

넷째, 시간의 흐름에 따라 데이터 분석하기

- 시간의 흐름에 따라 데이터의 추세를 살펴보면 현재 상태의 기준을 알 수 있고, 이에 따라 '서비스가 현재 나쁜 상태다. 좋은 상태다.'등의 인사이트를 발견할 수 있다. 

- 며칠을 주기로 한번씩 그래프의 빈 곳이 눈에 띈다 → B2B 사이트를 방문하는 고객은 직원이고 주말에는 출그을 하지 않기 때문에 자연스럽게 데이터도 주말에는 적거나 비게 되는 것. 이는 정기적으로 발생하는 일이므로 하나의 추세, 즉 트렌드라고 정의할 수 있다.
- 특정 날짜에 PV와 UV 모두 평소의 배 이상으로 높아졌다.  → 마케팅 프로모션이 실시된 날

- 모든 데이터에 우연이란 없다.

- 데이터는 수치보다 트렌드를 파악하는 것이 훨씬 더 중요하다. 수치만으로는 기준이 없어 데이터의 의미를 읽어낼 수 없다.

 

다섯째, 데이터를 세분화하여 해석하기 ⭐️

전체 합계나 평균 수치만으로는 개선을 위해 구체적으로 무엇을 해야 할지 가설을 세울 수 없다. 서비스를 개선하는 일은 전체 수치를 부분으로 나누어 작게 보는 것에서 시작된다. 아래와 같이 작게 쪼개는 일을 세그머느(Segment)라고 부른다. 세그먼트는 말 그대로 '부분'을 의미한다.

- 5월 회원가입 버튼 클릭 수 8,120 Click → Direct 3,240 + 네이버 유입 1,040 + 광고 유입 2,270 + 브런치 유입 1,570
- 5월 회원 가입자 10,000명 → 신규 7,000명 + 재방문 3,000명

*회원 가입 버튼 클릭수와 회원가입자 수

 

데이터를 쪼갠 뒤 세그먼트별 전환율을 계산할 수 있다.

ex. 회원 가입 버튼을 클릭한 사용자 중 브런치 유입은 가장 적지만 전환율은 가장 높게 나타났다면, '브런치 유입 고객이 매출 개선에 가장 크게 기여하고 있다'는 가설

 

다양한 세그먼트 예시

- 데스크톱과 모바일, 테블릿: 어느 쪽 사용자가 많았는지를 파악해 전환율을 높이거나 서비스 개선 시 우선순위를 정할 수 있다.
- 신규 방문자와 재방문자: 어느 쪽의 사용자가 더 많았는지를 파악해 행동 경향을 분석한다. 각기 다른 사용자의 행동을 통해 전환 목표를 다르게 설정하고, UI 디자인에 활용한다.
- 유입경로: 경로에 따라 사용자의 행동을 파악하고 경로에서의 유입을 더 늘릴 수 있을지 고민한다.

 

위 내용은 'Data-Driven UX' 책의 내용을 요약 및 가공한 정보입니다.

출처: Data-Driven UX