데이터 기반 UX (DDUX)

DDUX(Data Driven UX)는 데이터 사이언스의 다양한 접근법을 UX 디자인의 의사결정 도구로 활용하는 전 과정을 가리킨다. 코넬 대학교의 신영수 연구자가 제시한 개념으로, UX 디자인이 목적이고 데이터 기반 접근은 그 수단 중 하나라는 관점을 취한다. 단순히 데이터를 수집·분석하는 것을 넘어, '어떻게 실현시킬 것인가'라는 규범적(Prescriptive) 단계—즉 액션 플랜 도출—까지 포함하는 것이 실무 적용의 핵심이다.

DDUX에서 데이터는 원시 형태에서 정보→지식→인사이트→지혜로 이어지는 DIKW 구조에 따라 전환된다. 이 과정에서 가장 중요한 단계는 데이터를 어떻게 잘 모으고 구조화하여 프로파일링하느냐다. 앞선 구조화 과정이 성공적일수록 이후 분석과 인사이트 도출이 수월해진다.

DDUX에 접근하기 위해 갖춰야 할 세 가지 마인드셋(Mindset)이 있다. 첫째, 사용자는 의사결정자(Decision Maker)다—사용자 경험은 매 순간의 선택에 따라 달라지므로, 개인차를 정량화하는 것이 사람을 이해하는 핵심이다. 둘째, 제품은 개입(Intervention)이다—BJ Fogg의 설득 기술(Persuasive Technology) 개념처럼, 사용자의 동기·능력 수준에 따른 맞춤 넛지를 제공하는 것이 목적이다. 셋째, 인터랙션은 경험인 동시에 증거(Data)다—클릭·스크롤 같은 모든 상호작용은 사용자의 취향·태도·행동에 관한 데이터를 남기며, 이를 1회성이 아닌 연속적 관점으로 축적해야 강력한 의사결정 근거가 된다.

스킬셋(Skillset) 측면에서 DDUX는 두 가지 실무 가치를 제공한다. 하나는 디자인 씽킹 과정의 설득력 강화다. 직관적 주장을 데이터로 뒷받침하면 이해관계자 설득이 훨씬 수월해진다. 특히 첫 번째 다이아몬드 단계—Discover(니즈 발굴), Define(핵심 이슈 확정), Develop(제품 형태 의사결정), Deliver(액션 플랜 도출)—에서 데이터가 각 단계의 근거를 강화한다. 다른 하나는 초개인화(Hyper-Personalization)다. 상황 맥락과 개인차를 반영한 UX를 설계하려면, 사용자를 의사결정자로 보는 DDUX의 관점이 필수적이다.

UX 디자이너는 설계 의도를 가장 명확히 파악하고 있다는 점에서 데이터 사이언스의 액션 플랜을 구성하는 도메인 전문가 역할에 적합하다. 정성적 방법론을 병행하는 UX의 특성상, 순수 정량 분석과 달리 Data Informed와 Data Aware 사이에 위치하며, 두 세계를 연결하는 브리지 역할을 한다.

실무 프로젝트에서 데이터를 도입할 때 가장 먼저 부딪히는 난관은 데이터의 대표성 문제다. 로그 데이터가 있더라도 수집 기간이 짧거나 추적 코드 설치가 선행되지 않으면 의미 있는 샘플을 뽑기 어렵다. 더 근본적인 문제는 데이터가 전체 사용자를 대변하지 않을 수 있다는 점이다. 예를 들어 80% 이상의 사용자가 특정 앱에 거의 방문하지 않는 상황이라면, 로그를 남긴 나머지 20%의 행동 패턴이 전체 사용자의 니즈를 대표한다고 볼 수 없다. "수집된 데이터가 누구를 대변하는가"를 먼저 검증하지 않으면 잘못된 인사이트로 이어진다.

이를 보완하는 전략은 두 가지다. 첫째, 데이터에 드러나지 않는 사용자를 발굴하기 위해 인터뷰를 병렬로 진행한다. 사내 구성원 대상의 빠른 인터뷰로도 데이터에서 포착되지 않은 핵심 기능의 우회 사용 패턴을 발견할 수 있다. 둘째, 구매 이력·유입 경로 등 구체적 행동 데이터를 활용해 사용자 선별과 기회 요소 발굴을 뒷받침한다. T 커머스 서비스 사례처럼, 대면 인터뷰 이전에 데이터로 사용자를 잘 선별하면 리서치의 밀도가 높아진다.

UXer의 정보 권력과 디지털 전환

pxd의 전성진은 "UXer의 권력은 사용자로부터 나온다"는 명제로 DDUX가 필요해진 근원을 설명한다. 앨빈 토플러가 '권력이동'에서 말한 "정보를 가진 자가 권력을 가지게 될 것"이라는 통찰처럼, UXer는 사용자를 관찰·조사하며 '누가 어떤 정황에서 무엇을 어떻게 했는가'라는, 세상에서 자신이 처음 손에 쥐는 정보를 해석하는 역할을 맡을 때 조직 내 영향력을 갖는다. 반대로 UX 조직이 파워를 갖지 못한다면, 사용자·고객의 정보를 제대로 확보하거나 다루지 못하고 있는 것은 아닌지 돌아봐야 한다는 것이 이 프레이밍의 요지다.

디지털 전환 시대에는 UXer가 다뤄야 할 사용자 정보의 성격도 함께 변화한다. 스마트폰을 중심으로 쇼핑·금융·운송·업무 도구까지 일상 전반이 디지털 플랫폼에 편입되면서, 사람들은 서비스를 이용할 때마다 디지털 흔적(digital trace)을 남긴다. 시공간을 가리지 않고 발생하는 디지털 서비스 이용 행태는 직접 인터뷰·관찰만으로 온전히 파악하기 어렵기 때문에, 정성 조사 역량에 더해 디지털 사용자 데이터를 수집·분석해 정량적 근거를 확보하는 능력이 UXer에게 함께 요구된다. 이 흐름이 pxd가 'Data driven UX Process'를 실험하고 실제 프로젝트에 적용해 온 배경이며, 데이터에 무관심하거나 이를 다루지 못하는 UXer는 의사결정 과정에서 사용자를 대변하는 역할이 점차 축소될 수밖에 없다는 것이 이 관점의 핵심 경고다.

데이터 해석 시 주의해야 할 편향과 효과

UX 디자이너가 데이터를 다룰 때 흔히 빠지는 함정들이 있다. 신규성 효과(Novelty Effect)는 새 툴이나 기능 출시 직후 관심 증가로 인해 성능이 일시적으로 향상되는 현상으로, 초기의 '믿기 어려울 만큼 좋은' 결과는 경계해야 한다.

평균으로의 회귀(Regression toward the Mean)는 극단적 결과가 시간이 지나면 평균에 가까워지는 통계적 현상이다. 대조군을 설정하고 소표본 결과를 신중히 다루는 것이 해결책이다. 호손 효과(Hawthorne Effect)는 관찰 대상자가 자신이 관찰됨을 인식할 때 행동을 변화시키는 현상으로, double-blind study나 자동 로깅으로 완화할 수 있다.

확증편향(Confirmation Bias)은 이미 믿는 결론을 지지하는 데이터만 취사선택하는 경향이다. 팀 전체가 가진 편견을 사전에 공유하고 인식하는 것이 첫 번째 대응이다. 계측화 효과(Instrumentation Effect)는 측정 도구·관측자·채점 방식의 변화가 결과를 바꾸는 현상으로, 실험 전 다양한 브라우저·기기에서 사전 테스트를 충분히 진행해야 한다.

Twyman의 법칙은 "통계가 흥미롭거나 일반적이지 않아 보인다면, 아마도 잘못된 결과일 수 있다"는 원칙이다. 데이터 이상값이 보이면 편향·비정상 데이터·잘못된 실험 설계를 먼저 의심해야 한다.

A/A 테스트는 두 그룹에 동일한 경험을 제공해 집단 분리 자체로 발생하는 오차 범위를 측정하는 방법이다. A/B 테스트의 신뢰도를 사전에 검증하는 도구로 활용된다. 지표 관리에서는 핵심 지표(Key Metrics)를 클릭 수 같은 국부적 지표보다 우선시해야 하며, 팀 전체가 동일한 핵심 지표를 공유할 때 올바른 방향으로 협력이 이루어진다. 사용자 세분화(User Segmentation)는 인구통계(성별·나이) 외에 행동 기반(구매 패턴·참여도·사용자 상태)으로 그룹을 나누는 것이 더 실질적인 인사이트를 제공한다.

조직 문화 사례: 마켓컬리 데이터 농장팀

DDUX적 관점이 실제 조직에서 어떻게 문화로 정착하는지를 보여주는 사례로 마켓컬리의 데이터 팀('데이터 농장')이 있다. 이 팀은 세 단계를 거쳐 성장했다. 1단계는 엑셀과 R 도입으로, 수기 입력 오류와 팀별 데이터 분산 문제를 통계 도구로 해소했다. 2단계는 AWS 기반 예측 시스템 구축으로, 분 단위부터 주 단위까지 매출·물류를 예측하고 Slack 봇('데멍이')으로 현황을 공유했다. 3단계는 AI 기반 자체 봇과 실시간 대시보드로, 동료들이 직접 데이터를 추출·활용할 수 있는 자율적 접근 체계를 만들었다.

이 사례가 DDUX 논의에 주는 시사점은 두 가지다. 첫째, 데이터 인프라 자체보다 조직과 비즈니스에 대한 이해가 선행되어야 대시보드 같은 해결책이 실제로 통한다는 점—동료가 어떻게 일하는지 알아야 어떤 데이터를 어떤 형태로 전달할지 결정할 수 있다. 둘째, 데이터를 소수 전문가가 독점하지 않고 비전문 동료도 접근 가능한 형태로 개방할 때 "같은 목표를 공유하는 조직 문화"가 형성된다는 점이다. 이는 DDUX의 세 번째 마인드셋—인터랙션은 곧 증거(Data)이며 지속적으로 축적되어야 한다는 관점—이 실무에서 구체적으로 구현된 형태로 볼 수 있다.

HCI KOREA 2019 발표 사례 — True Balance·공유 매체·퍼널 분석

류정우가 HCI KOREA 2019에서 발표한 "Data-Driven UX" 세션은 앞서 다룬 세 가지 관점—사용자 모델링·근거 있는 디자인·성과측정—을 실제 프로젝트 사례로 뒷받침한다.

데이터 기반 사용자 모델링: True Balance의 '단골 에이전트': 인도의 핀테크 스타트업 Balance Hero가 2014년부터 운영해 온 통신비 충전 서비스 True Balance는 정성 조사를 통해 주변 지인의 잔액 충전을 대행해주는 '단골 에이전트' 사용자군을 발견했다. 이를 데이터로 검증한 결과 실제 단골 에이전트 비중은 3.4%에 불과했지만, 단골 에이전트가 될 가능성이 있는 사용자는 14.8%로 훨씬 컸다. 정성 조사가 발견한 흥미로운 사용자 유형을 데이터가 정량적으로 뒷받침하고 잠재 타겟 규모까지 제시한 사례로, 정성·정량 조사가 상호 보완적이라는 DDUX의 관점을 보여준다.

근거 있는 디자인: 공유 매체 리스트 순서 개선: 앱 내 콘텐츠 공유 시 안드로이드 기본 순서를 그대로 노출하던 공유 매체 리스트를, 실제 사용자들이 어떤 매체로 서비스를 공유하는지 통계 낸 결과 WhatsApp·MMS·Facebook 세 가지가 전체 공유의 91%를 차지한다는 사실을 확인했다. 이 데이터를 근거로 세 매체를 상단에 고정 노출하고 나머지는 '더 보기'로 묶어, 직관 대신 데이터로 의사결정을 내린 사례다.

성과측정: 퍼널 분석으로 본 소개하기 기능 개선 효과: 서비스 확산을 위한 '소개하기' 기능의 네비게이션 방식과 리워드 표현을 개선한 뒤, 가입 완료 시점부터 소개 시도까지의 잔존율을 퍼널 분석(Funnel Analysis)으로 측정했다. 개선 전 6.3%에 그쳤던 소개 완료율이 개선 후 32.1%로 상승해, 디자인 개선 효과를 수치로 입증했다.

pxd talks 71 — 글로벌 기업의 데이터 활용 사례와 고려사항

트레저데이터의 고영혁이 강연한 pxd talks 71(2017년, 2016년 인턴 김수연 정리)은 데이터를 볼 때 흔히 놓치는 함정을 짚는 데서 출발한다. 설문의 척도(스케일)와 순서를 구분하지 않는 것, 응답 기준이 개인마다 다르다는 점을 간과하는 것, 시간·공간 축을 함께 고려하지 않는 것, 로우 데이터를 그래프로 정제하는 과정에서 정보를 놓치는 것이 대표적이다.

이어 소개된 MUJI·WISH·Oisix·Dentsu 네 글로벌 기업의 사례는 데이터 활용이 실제 비즈니스 성과로 이어진 궤적을 보여준다. MUJI는 웹·앱·매장에 흩어진 회원 데이터를 MUJI PASSPORT 앱으로 통합해, 매장 방문 시점의 재고·매출 히스토리를 근거로 개인화 쿠폰을 자동 발급하는 체계를 만들어 매출 46% 증가와 쿠폰 활용률 100% 증가를 이끌어냈다. WISH는 Treasure Data 아키텍처로 페이스북·앱·웹 클릭스트림을 통합하고, 지역 최적화의 함정에 빠지기 쉬운 A/B 테스트를 반복 자동화한 프레임(perimeter)으로 보완해 일 34억 이벤트를 처리하며 개인화된 쇼핑 경험을 제공했다. Oisix는 유입 경로·행동 로그·클레임 데이터를 바탕으로 머신러닝 이탈 예측 모델을 만들어 케어콜·포인트 지급 같은 대응으로 해지율을 절반으로 낮췄다. Dentsu는 1st·2nd·3rd party 데이터를 결합하는 애드테크 방식을 취했고, 정해진 주기로 도는 배치 분석과 특정 이슈를 꼬리 질문으로 파고드는 애드혹 분석을 구분해 활용하며 애드혹 분석 비중이 늘어나는 추세를 짚었다.

강연 후반부는 데이터 활용 시 고려해야 할 관점들을 정리한다. 인사이트·트렌드 같은 단어가 수치화된 가치로 바로 이어지지 못하는 경우가 많다는 문제의식에서, "데이터에서 가치를 찾기"보다 "가치에서 필요한 데이터를 설계하기"가 더 실용적이라는 관점을 제시한다. 데이터 분석과 직관 중 무엇을 따를지는 뛰어난 직관을 가진 사람의 인사이트를 모델링할 수 있는지가 기준이 되며, 이종 데이터를 결합할 때는 Join·Slice & Dice·Drill down & up 개념을 함께 고려해야 하나의 축에 치우친 결론을 피할 수 있다고 강조한다. 데이터 기반 커뮤니케이션 문화를 조직에 정착시키려면 거창한 담론보다 작은 성공을 빨리 만들어내는 것이 중요하다는 실무적 조언으로 마무리된다.

핵심 내용

  • UXer의 파워는 사용자 정보로부터 나온다(전성진) — 앨빈 토플러의 '정보=권력' 명제를 UX 리서치에 적용한 프레이밍
  • 디지털 전환 시대, 사용자가 남기는 디지털 흔적 분석이 직접 인터뷰·관찰을 보완하는 필수 역량으로 부상
  • DDUX = UX 디자인(목적) + 데이터 기반 접근(수단), 연구적 예측을 넘어 규범적(액션 플랜) 단계까지 포함
  • 마인드셋 1: 사용자는 의사결정자 — 개인차의 정량화가 핵심
  • 마인드셋 2: 제품은 개입(Intervention) — 동기·능력 수준에 맞는 넛지 설계
  • 마인드셋 3: 인터랙션은 증거(Data) — 1회성이 아닌 연속·지속적 관점으로 수집
  • 데이터 구조화와 프로파일링이 전체 프로세스 중 가장 중요한 선행 단계
  • UX 디자이너는 도메인 전문가로서 액션 플랜 도출에 적합한 역할
  • 디자인 씽킹 4단계(Discover·Define·Develop·Deliver)에서 데이터가 각 단계의 설득력을 높임
  • 초개인화 실현을 위한 핵심 도구로서 DDUX가 필요
  • 데이터 도입 전 선행 점검: 추적 코드 설치 여부, 수집 기간의 충분성, 데이터가 전체 사용자를 대변하는지 여부
  • 데이터에 드러나지 않는 사용자를 인터뷰로 보완하는 혼합 접근이 실무에서 효과적
  • 신규성 효과·평균 회귀·호손 효과·확증편향·계측화 효과 — 데이터 해석 시 반드시 인지해야 할 5대 편향
  • A/A 테스트로 실험 신뢰도를 사전 검증, 핵심 지표와 국부적 지표를 구분해야 함
  • 사용자 세분화는 인구통계보다 행동 기반 분류가 더 실질적인 인사이트를 제공
  • 마켓컬리 데이터 농장팀 사례: 엑셀/R → AWS 예측 시스템 → AI 봇·대시보드로 진화, 조직 이해가 인프라보다 선행되어야 함
  • HCI KOREA 2019 발표(류정우): True Balance '단골 에이전트' 사용자 모델링(3.4% 실재·14.8% 잠재), 공유 매체 순서 개선(WhatsApp·MMS·Facebook 91%), 소개하기 기능 퍼널 분석 개선(6.3%→32.1%)
  • pxd talks 71(트레저데이터 고영혁): MUJI·WISH·Oisix·Dentsu의 데이터 활용 사례 — 개인화 쿠폰 자동 발급, A/B 테스트 자동화, 머신러닝 이탈 예측, 배치/애드혹 분석 구분
  • "데이터에서 가치 찾기"보다 "가치에서 필요한 데이터 설계하기"가 더 실용적인 접근, 이종 데이터 결합 시 Join·Slice & Dice·Drill down & up 개념 고려 필요

관련 개념

  • 데이터 기반 퍼소나 — 정량 데이터를 활용한 사용자 유형 분류의 구체적 방법론
  • UX 리서치 통계 분석 — 데이터 분석과 UX 리서치의 결합
  • 디자인 씽킹 — DDUX가 강화하는 더블 다이아몬드 프로세스
  • UX 디자이너의 핵심 역량 — 데이터 리터러시를 포함한 UX 역량 확장
  • 자율주행 UX — 같은 컨퍼런스에서 소개된 라스트마일 배달 로봇 사례
  • 그로스 해킹과 데이터 드리븐 조직문화 — 데이터 기반 의사결정을 조직 프로세스·문화로 정착시키는 접근
  • 행동경제학과 UX — 초개인화 마케팅 메시지에 적용된 행동경제학 기법과 대규모 A/B 테스트 검증 사례
  • 블록체인 UX와 웹3 — DeFi 스왑 서비스에서 이용 방식 파악 → 가설 수립 → 기능 개선 → 히트맵·퍼널 검증으로 이어지는 DDUX 사이클 실제 사례
  • 대한민국 HCI-UI-UX 역사 — 이 사례가 발표된 HCI KOREA 2019 학술대회의 전체 역사와 pxd 발표 이력

출처

최종 업데이트: 2026-07-27 | 출처 7개