Data Driven - (2) 데이터 드리븐과 더블 다이아몬드 프로세스

 

 

 

1. Data Driven Design

 

1.1 데이터 드리븐 UX의 핵심

디자인 관련 의사 결정을 진행할 때 조금 더 객관적이고 근거에 기반해서 의사결정을 내릴 수 있게 도와주는, 결국 디자인 아웃풋이 최종적으로 나오기까지에 대한 절차적 정당성과 함께 결과적인 부분에 대한 타당도와 신뢰도를 높일 수 있는 툴이 되는 포지셔닝

 

 

1.2 데이터의 디자인적 개념

데이터의 디자인적 개념

• Data-Driven 정말 정량적인 데이터만을 의사결정을 하는 데 있어서 신뢰도 높은 결정을 하는 어프로치
• 그게 조금더 확장된 부분이 Data-Informed (좀 더 유연적임)
• 디자인에서는 좀 더 폭넓게 Data-Aware에 관련된 디자인을 좀 더 지향하는 것이 좋음
• 이렇게 세분화된 개념보다 큰 개념에서는 Data-Center라는 개념을 요즘 많이 쓰고 있는 추세

내가 속한 도메인과 내가 속한 기업 문화에 맞춰서 이러한 데이터의 3단계중에 어느 자세를 취할지 결정하면 용이함

 

 

 

1.3 DDUX의 가장 큰 장점

디자인 의사결정 과정에서 세분화된 고객 이해를 통한 적확하고도 신뢰도와 타당도가 높은 의사결정의 기틀을 마련하는 것

 

 

1.4 DDUX = 본질은 데이터가 아닌 ‘디자인’

DDUX는 그럴싸하고 설득력 있는 데이터 분석 과정에 그치는 것이 아닌 실질적 디자인 의사결정을 하는 프로세스 안에 있어야 함

• ”디자인 프로세스는 기존의 디자인 프로세스를 따른다”
• “DDUX는 해당 디자인 프로세스 수행과정에서 의사결정을 서포팅하는 보조 수단으로 활용된다"

따라서, 각 단계의 의사결정 타이밍 직전에는 데이터에 기반한 분석 결과물들이 준비되어야 할 필요가 있다.

 

 

---

 

2. Revamped Double Diamond

 

2.1 Experience Strategy

 

2.2 Experience Design

 

 

3. 문제 중심 접근

3. 문제 중심 접근

 

디자인 씽킹 프로세스에서는 크게 두 개의 단계를 강조한다.

• 첫 번째 다이아몬드는 문제를 정의하고 이해하는 단계
• 두 번째 단계는 해당 문제에 대한 설루션을 구현하는 단계

→ 그러나 현실에서는 한정된 시간과 자원으로 첫 번째 단계에 많은 자원투입이 이루어지지 못한다
데이터 드리븐 UX에서는 좀더 문제(Problem) 기반, 고객의 니즈 기반으로 했을 때는 앞에 다이아몬드에 대한 인풋과 리소스가 많아져야 한다.

 

 

---

 

 

2. Double Diamond Process

 

 

2.1 Discover

(1) Data Relevant Tips

• 분석목표 : “어떠한 일이 벌어지고 있는가?”에 대한 이해
• 분석 유형: Divergent Process
• 명확한 목적과 가설을 갖고 데이터를 ‘의도’에 맞춰 수집하기 보다는, 전반적인 트렌드 이해를 목적으로 진행
  • 산업군 / 제품군 / 자타사 구분에 한정되다 보면, 타기업, 이종업계 혹은 전혀 다른 트렌드에서 발견할 수 있는 ‘창의적’ 니즈를 발굴하고 분석하기가 어려울 수 있음
  • 가설을 검증하는 형태의 인과관계를 분석하기보다는 기술적 (Descriptive) 한 분석을 지향
• 5W 1H를 기준으로, 관심 사용자 그룹이 ‘현재’ 경험하는 다양한 맥락 상황에서 언급된 니즈 혹은 숨은 니즈를 발견하는 분석을 진행
  • 1차적으로, 최소한의 관심 주제 범주 안에서, 키워드 / 버즈를 중심으로 화제성이 높은 5 W1 H 기준 변수들에 집중
  • 2차적으로, 키워드들 간의 관계성을 리뷰하여, Bottom-up Process로 각 키워드들에 대한 상위 라벨링 작업 진행
  • 3차적으로, 세부 키워드들의 추세 변화를 ‘시계열’적으로 비교 분석하여, 변수들의 중요도 및 시급성을 판별
  • 4차적으로, 해당 니즈 혹은 트렌드의 ‘이유’를 찾기 위해, 니즈에 묶여 있는 관련 정량 / 정성 데이터 리뷰
• 개인적으로는 제공자의 마케팅 의도가 섞인 단순 버즈보다는 ‘키워드’ 데이터가 니즈를 파악하는데 더 유용하다고 판단

 

(2) Discover 예시

 

 

 

---

 

 

2.2 Define

(1) Design Methods & Toolkit

 

(2) Data Relevant Tips

• 분석목표 : “왜 그런 일들이 벌어지고 있는가?”에 대한 이해
• 분석 유형: Convergent Process
• Discover 단계가 고객을 이해하기 위한 리서치의 과정이었다면, Define단계는 분석 내용을 기반으로 의사결정을 진행하는 단계
• 고객 니즈와 관련된 데이터들을 개인 수준에서 Clustering을 진행하며 Insight를 도출했다면, 해당 단계에서는 팀활동으로 진행
  • 분석을 잘하는 사람 / 인사이트를 잘 뽑는 사람 / 업계 지식이 많은 Domain Expert 등 다양한 의견이 존재
  • 하나의 현상을 대변하는 데이터에서도 다양한 시각으로 데이터를 해석할 수 있음 (집단 지성 필요)
• 의사결정의 과정 중 궁금한 부분 / 혹은 의문이 생기는 현상들이 있다면, 다시 Discover 단계로 돌아가서 추가 수집 분석 수행
• 충분한 데이터 수집 분석 의미 해석이 시도되었고, 유의미한 인사이트들이 도출되었다면,
• 해당 시점부터는 보다 ‘의도성’을 갖고 내외부의 환경분석과 함께 적합한 우선순위에 근거한 니즈를 확정하는 단계 수행
• 디자인 의사결정 단계에서는 기존에 많이 활용되어 온 HMW Question, Action Priority map, SWOT, BCG Matrix 등을 함께 활용
  • 디자인 조직 내부라면 IDEO와 Google Sprint에서 제공하는 툴을 활용
  • 디자인 조직 외부와 함께 진행하게 된다면, 해당 조직에서 의사결정 시 필요한 요인들 함께 고려

 

 

(3) 다양한 니즈들 / 선호-비선호 속성들에 대한 방향성 수립

 

 

---

 

3. Develop

 

(1) Design Methods & Toolkit

 

 

(2) Data Relevant Tips

• 분석목표 : “어떠한 일이 벌어질 것 인가?”에 대한 이해
• 분석 유형: Divergent Process
• Experience Strategy 단계에서 도출한 니즈 혹은 솔루션의 대략적인 방향성을 바탕으로 실제 솔루션을 기획하는 단계이기 때문에, 1차적으로는 솔루션을 구성하게 될 경험품질 속성에 대한 변수화를 통한 가설 수립이 필요
  • 보다 구체적인 Target User에 대한 Persona 가 구체화되었다면, 이들이 선호할 가능성이 높은 제품의 사용 맥락에서 선호도에 영향을 줄 수 있는 경험품질 변수들을 구체화하고 효과성 검증을 위한 가설 수립을 진행
  • <<사용자 경험품질 향상 가이드북 – 한국디자인진흥원 (2016)>> 을 참고하여 도메인에 맞는 변수 개발 하고 가설을 구성
• 제품의 경험품질 변수화 발굴을 위해서, ‘Experience Strategy’ 단계에서 활용했던 데이터 소스들을 활용할 수 있음
• (i.e. 유사 솔루션 - 유사 제품과 함께 언급되거나 반응을 형성하는 ‘선호속성-비선호속성’에 대한 데이터 수집)
• 결국 ‘가설 수립’을 위한 보다 새롭고 유의미한 경험품질들 즉, 변수들을 발굴하는 형태로 DDUX 가 활용될 필요가 있음

 

 

---

 

4. Deliver

 

(1) Design Methods & Toolkit

• 분석 목표 : “그래서 우리는 무엇을 해야 하는가?”에 대한 이해
• 분석 유형 : Convergent Process
• Development 단계에서는 구체적인 솔루션의 디자인 명세 혹은 콘셉트의 후보들이 결정되었기 때문에, 이를 구체화하고 구현하는 과정에서 ‘최선’의 후보를 추려내는 작업이 필요
• 이때 DDUX적인 관점에서 의사결정에 도움이 될 수 있는 가설 검증을 위한 연구 디자인 및 데이터 수집, 분석을 통한 검증이 필요
  • 솔루션간 비교를 위한 형태의 연구 디자인
  • 솔루션 내 특정 Feature 간의 비교를 위한 형태의 연구 디자인
• Deliver 단계의 경우, 이미 데이터 관점에서 의사결정을 할 수 있도록 많은 Usability Test 관련 방법론과 툴들이 존재하기 때문에 도메인
• 에 맞고 가설을 보다 더 효과적으로 검증할 수 있는 솔루션을 활용할 수 있음
• 해당 단계에서는 또한 개발팀 및 데이터 사이언스 관련 부서와 협력하여 보다 통계적인 관점에서 가설검증의 시도와 함께, 예측모형
• 의 개발 혹은 Interface 상의 최적화 관련 의사결정을 함께 진행할 수 있음

 

---