당신은 주제를 찾고 있습니까 “정 성적 데이터 – [데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터“? 다음 카테고리의 웹사이트 https://you.tfvp.org 에서 귀하의 모든 질문에 답변해 드립니다: you.tfvp.org/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 데이터에듀 이(가) 작성한 기사에는 조회수 2,643회 및 좋아요 11개 개의 좋아요가 있습니다.
정성적 데이터는 관찰이나 인터뷰와 같은 방법론을 통해 수집된다. 인터페이스를 이용하는 사용자들의 동기, 정서와 같은 영역을 파악하는데 용이하다. 수집된 데이터는 구조화 및 조직화해 분석되는데 연구자의 경험과 숙련도에 의해 많은 영향을 받는다.
Table of Contents
정 성적 데이터 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 [데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터 – 정 성적 데이터 주제에 대한 세부정보를 참조하세요
ADsP 1과목 정량데이터와 정성데이터 관련 문제를 풀어봅시다.
본 영상은 데이터에듀에 게시된 ADsP 강의 중
기초 또는 핵심 내용만 편집한 영상입니다🔖
전체강의는 데이터에듀에서 수강가능합니다.
구독👍 좋아요👍
————————————————-
💻 데이터에듀 공식홈페이지 : https://bit.ly/2O1HJ55
💻 ADsP 합격패키지 : https://bit.ly/397wWym
💻 ADsP 교재 : https://bit.ly/3bakqAj
————————————————-
#윤종식 #데이터에듀 #ADsP #5년연속1위 #ADP #갓종식 #DATAEDU #빅데이터시대 #R기초 #데이터분석준전문가
#데이터분석기사 #빅데이터분석기사 #2020ADsP #빅데이터활용 #빅데이터활용테크닉 #빅데이터테크닉 #빅테이너기술 #R기초#R기초패키지#r프로그래밍기초#빅데이터 #데이터분석 #빅데이터자격증
#파이썬 #딥러닝 #R프로그래밍 #빅데이터분석 #빅데이터강의 #빅데이터교육 #R특징 #데이터이해
정 성적 데이터 주제에 대한 자세한 내용은 여기를 참조하세요.
데이터의 이해 _정성적 데이터와 정량적 데이터
정성적 데이터는 ‘비정형 데이터’로 비구조화된 데이터, 미리 정의된 데이터 모델이 없거나 정의된 방식으로 정리되지 않은 정보를 말합니다.
Source: go-dongdong.tistory.com
Date Published: 1/11/2021
View: 7090
정성적, 정량적 데이터 – GeeD UP’s
정성적 데이터(Qualitative Data) – 사용자 경험 및 구매 행태를 보여주는 기술적인 데이터를 의미하며, 사람들이 어떻게 생각하고 느끼는지에 좀 더 …
Source: geedup.tistory.com
Date Published: 10/9/2021
View: 1279
정량적 데이터와 정성적 데이터 – 네이버 블로그
이런 유형 데이터는 정량적 데이터이다. 숫자는 통계 기법을 사용하여 분석되어질수 있다. 하지만 많은 유용한 정보는 숫자로 축약되어질수 없다.
Source: blog.naver.com
Date Published: 4/22/2022
View: 7674
정성적 연구 대 정량적 연구의 이해 – SurveyMonkey
정성적 데이터는 이러한 점이 의미하는 바를 자세하고 심도 있게 나타냅니다. 설문조사에서 이러한 방법들을 사용해 최상의 결과를 확보하려면 둘이 가진 차이를 이해해야 …
Source: ko.surveymonkey.com
Date Published: 4/2/2021
View: 6178
[1과목] 빅데이터 이해 – 정량적 데이터 vs 정성적 데이터
블로그에 정리하면서 공부하고, 틈틈이 복습용으로 보려고 따로 정리! 그럼 이제 진짜 시작! 네이버 카페 “이기적스터디카페” 빅데이터 분석기사 …
Source: amaze9001.tistory.com
Date Published: 2/16/2022
View: 4783
[Data Analysis] 개요 / 정량적 데이터 분석 VS 정성적 데이터 분석
정성적 분석의 예는, 문서나 이메일 등과 같은 텍스트에 대한 것, 디지털 이미지나 디지털 사운드 등과 같은 청각 및 시각 데이터 등이다. 차후 트위터 …
Source: cinema4dr12.tistory.com
Date Published: 1/10/2022
View: 7280
정성적(Qualitative) 분석과 정량적(Quantitative) 분석 제대로 …
정성적 분석 (Qualitative Analysis). 특성(성질, 성분)을 분석하는 기법. 비정형데이터를 사용하기 때문에 주관적인 의견이 반영되며 탐색적 데이터 …
Source: matthew530419.tistory.com
Date Published: 9/12/2022
View: 1152
UX 연구를 위해 사용되는 주요 데이터
바로 정성적 데이터(Qualitative Data), 정량적 데이터(Quantitative Data)입니다. 그러면 구분 지어진 데이터의 개념을 살펴보고 우리가 주로 사용하는 …
Source: brunch.co.kr
Date Published: 7/18/2022
View: 1321
정성적 조사란 무엇입니까? – Adobe Experience Cloud
정성적 조사에는 고객 경험을 더 잘 이해하기 위해 비수치 데이터를 수집하고 분석하는 작업이 포함됩니다. 자세한 내용을 살펴보십시오.
Source: business.adobe.com
Date Published: 1/11/2021
View: 9632
주제와 관련된 이미지 정 성적 데이터
주제와 관련된 더 많은 사진을 참조하십시오 [데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
![[데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터](https://i.ytimg.com/vi/oszmfhkW8F4/maxresdefault.jpg)
주제에 대한 기사 평가 정 성적 데이터
- Author: 데이터에듀
- Views: 조회수 2,643회
- Likes: 좋아요 11개
- Date Published: 2020. 7. 19.
- Video Url link: https://www.youtube.com/watch?v=oszmfhkW8F4
UX 디자인 유형별 가이드 ① 정성적 데이터를 중심으로
데이터 기반의 UX 디자인
UX design with Data analysis
이번 Di Curation은 월간 Di 208~211호에 연재된 ‘데이터 기반의 UX 디자인’을 담았다. 데이터를 통해 미래를예측할 수 있다. 그리고 이는 디자인 영역에서도 예외가아니다. 사용자의 요구사항과 경험에 반하지 않는, 최적의 UX를 위한 방법을 알아본다.
01. 데이터 분석을 기반으로 하는 UX 알아보기
02. UX 디자인 유형별 가이드 ① 정성적 데이터를 중심으로
03. UX 디자인 유형별 가이드 ② 정량적 데이터를 중심으로
04. UX 디자인과 웹 접근성 이슈
02. UX 디자인 유형별 가이드
① 정성적 데이터를 중심으로
정성적 평가를 통해 나온 데이터는 결정적인 직관을 제공한다. 기나 국가, 지
역적 환경을 고려해 퍼소나를 설정하고 도구를 통해 사용자의 행동을 관찰한
다. 사용자의 행동을 에스노그라피 인터뷰, 리커드 척도를 통한 사용성 테스트
인터뷰, 카드소팅 인터뷰 포커스그룹 인터뷰 등 다양한 방식을 통해 정성적인
데이터 결과를 도출한다. 정성적인 데이터 분석을 통해 단순히 데이터 결과를
내는 데 그치는 것이 아니라 UX 디자인의 문제점이나 해결 방안을 직관적으
로 도출해낼 수 있다.
데이터 유형 알아보기
데이터를 UX 디자인에 적용하기에 앞서 어떤 데이터를 이용할 것인지 결정하는 과정이 필요하다. 이는 모든 데이터의 특성이 다르기 때문이다. 데이터를 그 성격에 따라 크게 정성적 데이터(Qualitative Data)와 정량적 데이터(Quantitative Data)로 분류할 수 있다. 일반적으로 정성적·정량적 평가의 분류가 수집되는 데이터 유형에 의해 결정된다는 점을 고려해 그 의미를 정성적·정략적 데이터의 의미와 혼용했다.
정성적 데이터는 관찰이나 인터뷰와 같은 방법론을 통해 수집된다. 인터페이스를 이용하는 사용자들의 동기, 정서와 같은 영역을 파악하는데 용이하다. 수집된 데이터는 구조화 및 조직화해 분석되는데 연구자의 경험과 숙련도에 의해 많은 영향을 받는다.
정량적 데이터는 실험이나 설문지와 같은 방법론을 통해 측정된다. 클릭 횟수, 체류 시간, 오류 횟수와 같이 숫자로 표현될 수 있고 계산을 통해 새로운 지표를 만드는 것도 가능하다. 일정한 환경만 갖춘다면 누가 측정하느냐에 의해 영향을 받지 않는다. 하지만 숫자의 의미를 추론해 내는 과정이 수반된다. 다음의 상황을 통해 두 방법론 간 차이가 UX 디자인에 어떻게 영향을 미치는지 알아보자.
웹 사이트를 만들기 전, 메뉴를 적절하게 구성했는지를 평가하려 한다. 사용자들에게 특정 내용이 담긴 페이지를 탐색하기 위해 어떤 메뉴를 클릭할 것인 지 인터뷰를 진행했다. 사용자들은 공통적으로 하위 메뉴 A에 접근하기 어렵다고 보고했다. 일반적으로 A는 대메뉴 B에 속해 있기 때문에 혼동이 된다는 것이다. 동일한 과제에서 이번에는 사용자들의 메뉴 탐색 시간을 측정했다. 사용자들은 하위 메뉴 A에 접근할 때 가장 긴 시간이 걸렸다.
그러나 다른 메뉴와 비교했을 때 의미 있는 수준의 차이는 아니었다. 두 가지 데이터에서 공통적으로 알 수 있는 사실은 하위 메뉴 A에 접근하는 것이 어렵다는 점이다. 그러나 왜 탐색이 어려웠는지는 정성적 데이터에 기반하지 않고 판단하기 어렵다. 반대로 실제로 메뉴 탐색이 얼마나 어려웠는지, 메뉴를 변경해야 하는지를 결정하기 위해서는 정량적 데이터가 필요하다. 이처럼 두 가지 평가 방식을 통해 얻은 데이터는 상호보완적이다. 정성적 데이터를 통해 알 수 있는 사실은 정량적 방식을 활용했을 때 확인하기 어렵고 그 반대의 경우도 마찬가지다. 그러므로 기획 의도, 시간, 비용, 평가의 목적을 충분히 고려해 어떤 방식을 사용할 것인지 결정하는게 좋다.
정성적 평가와 UX 디자인
사용자 경험을 사용자, 인터페이스, 맥락으로 구성돼 있는 것으로 정의할 때, 정량적 평가는 대게 사용자와 인터페이스 간의 상호작용에 초점을 맞춘다. 반면 정성적 평가는 맥락을 함께 고려할 수 있다. 사용자들이 어떤 환경에서 인터페이스를 이용하는지를 이해하게 되면 무엇이 필요한지를 파악하기도 쉽기 때문에 정성적 평가는 정량적 평가보다 사용자 경험에 대해 더 훌륭한 직관을 제공하기도 한다. 그럼에도 불구하고 정성적 평가는 종종 데이터의 객관성과 일관성 문제로 인해 비판을 받는다. 앞서 설명한 것처럼 정성적 데이터가 수집되는 과정에는 사람의 개입이 불가피하다. 즉, 동일한 현상이라도 관찰자에 따라 정반대의 결과가 도출될 수 있다는 것이다. 이러한 정성적 평가의 특성은 결과를 얼마나 신뢰할 수 있는지에 의문을 제기하도록 만든다.
이러한 문제를 부분적으로 해결할 수 있는 방법 중 하나가 기존의 정성적 평가 방식에 정량적 데이터를 활용하는 것이다. 물론 충분한 훈련과 원칙을 지킨다면 정성적 평가만으로도 객관성을 확보할 수 있다. 하지만 우리는 지금부터 정성적 평가 방법에 데이터를 활용함으로써 어떻게 기존 보다 더 효율적으로 좋은 UX 디자인을 수행할 수 있는지에 대해 알아볼 것이다.
퍼소나 설정하기
퍼소나는 서비스를 기획하거나 개편에 들어가기 앞서, 사용자를 먼저 이해해 무엇을 원하고 어떤 방식으로 생각하고 행동할지 예상할 수 있게 도와준다. 퍼소나는 실제 사용자들을 대표할 수 있는 인물이 된다. 따라서 기존에는 사용자의 행동을 직접 관찰해 특징을 찾아내고, 이를 퍼소나로 표현했다. 하지만 이제 우리는 사용자의 모집과 관찰이라는 별다른 시간과 비용을 들이지 않고 객관적인 근거를 뒷받침한 참된 퍼소나를 설정할 수 있다. 퍼소나 설정에 참고할 수 있는 데이터 예시는 다음과 같다.
① 시공간적 환경: 국가, 지역, 날짜, 요일, 시간 등
시공간적 환경에 의한 집단은 그 특징에 따라 공통적인 문화를 지닐 수 있다. 국가 또는 지역은 해당 지리적 위치에 놓인 사용자들은 공통적이거나 유사한 지역적 문화와 특징, 사용하는 언어의 유사성 등을 갖게 된다. 서비스를 사용하는 사용자의 지역적 특징을 파악해, 지역 문화를 퍼소나의 특징으로 활용할 수 있다. 시간적 환경으로는 계절, 이벤트와 관련된 날짜, 요일과 같은 정보가 있다. ‘직장인’이라는 직업에 따른 시간적 특징을 이해해보자면, 출근 시간이 집중된 아침 시간과 오전 근무시간, 점심시간, 오후 근무시간, 퇴근 시간, 저녁 식사 시간, 취침 전 밤 시간, 새벽 시간과 같이 범위를 구분해 다양하게 관찰하고 특징을 얻어낼 수 있다.
② 기기적 환경: 기기, 화면 사이즈 및 해상도
기기적 환경은 서비스가 사용자에게 전달되는 서비스의 화면, 그리고 사용자의 행태 방식을 결정짓는 데 중요한 역할을 한다. 데스크톱, 모바일 각 환경은 기기의 주변 상황이나, 인터랙션 수단, 화면의 사이즈와 해상도 정도에서 큰 차이를 나타낼 수 있다. 각 기기 환경 별로 대표할 수 있는 특징을 다음과 같이 정리할 수 있다.
데스크톱 환경: 책상의 데스크톱이나 노트북을 사용하는 비교적 고정된 환경, 랜선 또는 무선 인터넷 와이파이를 사용한 인터넷 환경, 키보드와 마우스를 이용한 정교한 인터랙션 수단, 모바일보다 큰 화면 사이즈, 높은 화면 해상도, 가로 화면
모바일 환경: 태블릿이나 휴대폰을 사용하는 이동이 자유로운 환경, 무선 인터넷 와이파이 또는 통신사에서 제공하는 3G·LTE 데이터망을 사용한 무선 인터넷 환경, 손으로 직접 터치해 인터랙션, 데스크톱에 비해 작은 화면 사이즈, 낮은 화면 해상도, 세로 화면
③ 서비스 접근 계기 및 수단: 유입 경로 등
서비스의 접근 계기 및 수단은 퍼소나에서 사용자의 목적이 무엇인지, 그리고 그 목적 달성을 위한 의지의 강도가 얼마나 되는지, 서비스에 대한 기본적인 인지도나 관심의 정도 등을 파악하는 데 참고할 수 있는 정보다. 크게 마케팅 활동에 의해 유입된 사용자인지, 검색 유입과 같이 특정 목적의 달성을 위해 의도적으로 유입된 사용자인지 분류해 사용자의 유형을 파악할 수 있다.
사용자의 행동 관찰하기
실제 사용자의 행동을 관찰하고, 그 행동 속에 담긴 의미를 찾아내는 과정에서도 데이터를 활용할 수 있다.
일반적으로 사용자의 행동을 관찰하기 위해서, 사용자에게 자연스러운 환경을 제공하고 실제 사용 행동을 모니터 또는 별도 카메라로 녹화한 자료를 많이 사용한다. 이와 같은 기록물은, 관찰자가 정보 확인을 위해 각 기록물마다 다시 일일이 관찰해야 한다는 시간적 수고 비용이 따르게 된다.
사용자의 행동 관찰 단계에서 이러한 어려움을 보완하기 위해, Gaze Plot, 히트맵과 같은 데이터 기록 방식을 차용해 관찰을 보다 효율적으로 진행할 수 있다. 이러한 기록 방식은, 사용자 행동의 각 정보들을 적절한 UI(도형, 색, 선 등)로 표현해 오랫동안 관찰해야 하는 전체 행동을 한 페이지로 파악할 수 있도록 지원해준다.
① Gaze Plot Gaze Plot
으로 한 사용자의 행동 정보를 처음부터 끝까지 흐름 위주로 상세히 관찰할 수 있다. 사용자의 시선의 시작과 움직임 흐름, 그리고 각 이동한 위치에 대한 체류시간과 시선의 마지막 종료 지점 정보가 도형의 크기, 선 등과 같은 UI 정보로 담겨있다. 일반적으로 아이트래킹이라는 시선의 움직임을 추적하고 기록하는 도구를 활용해 Gaze Plot을 생성하고 분석한다. 아이트래킹 도구의 활용이 아니더라도 웹사이트에서 마우스 움직임을 추적하고 기록하여, 마우스가 어떤 위치에서 얼마나 체류했는지, 그리고 콘텐츠들을 훑어본 순서 등을 파악할 수 있다.
② 히트맵
Gaze Plot이 한 사용자의 행동 정보를 흐름에 따라 면밀히 관찰하는 방식이라면, 히트맵은 사용자의 전체 행동 정보를 흐름과 상관없이 구역별 분포 위주로 나타내는 방식이다. 사용자들이 클릭한 위치, 마우스 커서를 움직인 범위의 위치, 스크롤이 최종적으로 도달한 위치 등의 분포를 색상으로 나타낸히트맵으로 한눈에 파악할 수 있다. 숫자나 텍스트, 표, 통계 정보와 같이 어려운 방식으로 이해하지 않아도 되고 색상 정보로 직관적으로 이해할 수 있기 때문에 사용자의 행동을 관찰할 수 있는 방식으로 유용하게 쓰일 수 있다.
사용자의 행동 이해하기
가상의 사용자를 설정하고 실제 사용자의 행동을 관찰하는 방법 이외에도, 사용자의 목적이 무엇인지, 어떤 생각과 의도를 내포하고 있는지 등을 깊이 알아보고자 할 때는 인터뷰 방식을 활용할 수 있다. 인터뷰 방식에는 다양한 종류가 있다. 에스노그라피와 사용성 테스트 인터뷰와 같이, 행동을 관찰하고 평가한 이후 대화나 설문 형식으로 질문과 답변을 주고받는 진행 방법 외에도, 포커스그룹, 카드소팅인터뷰와 같은 방법으로도 사용자의 사고를 알아볼 수 있다.
① 에스노그라피 단계별 인터뷰
사용자를 이해하고 행동을 관찰한 이후 인터뷰 방식으로 이해할 수 있다. 이 인터뷰는 세 단계로 이뤄질 수 있는데, 사용자에게 답변이 한정될 수 있는 질문을 최대한 후기에 확인하고, 초기에는 사용자의 행동과 사고에 제한을 최소한으로 하기 위한 인터뷰 방식이다. 초기에는 알아보고자 하는 질문의 구체적인 답변을 얻지 못하더라도, 사용자 본인의 자유로운 생각과 의견, 목적에 대한 인터뷰를 진행할 수 있다. 그리고 중기에는 알아보고자 하는 정보와 초기에 발견한 패턴에 대한 부가정보를 알아보는 과정으로 볼 수 있다. 마지막 후기 인터뷰 단계에서는 앞에서 발견한 패턴과 정의된 가설로 사용자의 행동을 판단하기 전 마지막 검증을 위한 인터뷰로 마무리할 수 있다.
② 사용성 테스트 인터뷰
사용자에게 실제 또는 프로토타입의 제품을 실제로 사용해보게 한 뒤, 그 관찰과 사용 결과에 대한 인터뷰를 진행하는 방식이다. 사용자가 실제로 제품을 사용했기 때문에, 관찰자에 의한 평가가 아닌 사용자의 의견이 반영된 평가를 리커트(Likert)척도와 같은 수치로 제공받을 수 있다. 이 때 사용자의 정성적인 행동과 의견이 정량적인 지표로 변환되는 과정에서, 평가 기준에 대한 객관성 또는 일관성을 최대한 유지하는 것이 중요하지만 이에 대한 어려움과 제한이 따르게 된다. 따라서 각 과업에 대한 지표 같은 점수 이외에도, 사용자의 의견을 열린 형태로 수집할 수 있는 질문의 답변도 함께 수집해 사용자의 정량적인 평가에 대한 실질적인 이해를 도울 수 있다.
③ 포커스그룹 인터뷰
제품의 대상 시장에 맞는 사용자를 사전에 설정해, 그에 맞는 인터뷰 대상자를 여럿 모집하고, 모집한 대상자들에게 제품에 대한 의견을 자유롭게 나누도록 해 그 내용을 수집하는 방식이다. 실제 사용 행동 관찰에 대한 인터뷰보다는, 제품에 대한 인상, 브랜딩, 인식 등에 대한 정보를 파악하고 의견을 토론함으로써 다양한 아이데이션이 이뤄질 수 있다는 점에서 앞서 말한 인터뷰 방식과 차이점이 있다.
④ 카드소팅 인터뷰
카드소팅 또한 포커스그룹과 같이, 사용자의 행동 관찰에 의한 질문과 응답방식이 아닌, 사용자가 정보를 주도적으로 제공하는 방식이다. 제품에 대한 의견 또는 사용자가 이해한 제품의 구조를 카드 형태로 수집해 봄으로써, 의견을 자유롭고 산발적으로 받기보다 정해진 범위 내에서 제품의 위치와 현황을 좀 더 체계적으로 알아볼 수 있는 방식이다. 이때, 인터뷰 대상자에게 정보를 분류하는 능숙도가 필요하다는 어려움이 있지만, 한편으로는 열린 형태의 답변을 내기 부담스러워 하는 사용자에게 부담을 덜어줄 수 있다는 장점이 있을 수 있다.
마무리
이처럼 정성적인 평가 방식에 정량적인 데이터를 보완함으로써, 사용자를 이해하고 분석하는 과정 속에서 인사이트뿐 아니라 이를 뒷받침할 수 있는 객관성을 동시에 갖출 수 있다. 정량적인 데이터를 사용자의 퍼소나부터 행동, 의견들을 이해하는 것에서 그치는 것이 아니라, 문제점과 해결해야 하는 방향성을 제시하고 검증할 수 있는 근거자료로 활용한다면 효율적인 UX 디자인을 수행할 수 있을 것이다. 행동을 정성적인 관찰 및 수집으로 분석하는 방법 이외에도, 정량적인 데이터 위주로 사용자의 행동을 수집하고 그 값을 정성적인 인사이트로 해석하는 방법을 다음 글에서 알아보고자 한다.
Favorite
© DIGITAL iNSIGHT 디지털 인사이트. 무단전재 및 재배포 금지 뉴스콘텐츠는 저작권법 제7조 규정된 단서조항을 제외한 저작물로서 저작권법의 보호대상입니다. 본 기사를 개인블로그 및 홈페이지, 카페 등에 게재(링크)를 원하시는 분은 반드시 기사의 출처(로고)를 붙여주시기 바랍니다. 영리를 목적으로 하지 않더라도 출처 없이 본 기사를 재편집해 올린 해당 미디어에 대해서는 합법적인 절차(지적재산권법)에 따라 그 책임을 묻게 되며, 이에 따른 불이익은 책임지지 않습니다.
Tags
데이터의 이해 _정성적 데이터와 정량적 데이터
데이터는 추론과 추정의 근거 를 이루는 사실 이다.
데이터 유형
1장 1절 데이터의 정보에서 간혹 정성적 데이터와 정량적 데이터의 차이점을 묻는 문제가 출제된다고 합니다.
두 데이터의 차이점을 잘 이해하고 가야할 것 같아요.
정성적 데이터는 언어나 문자로 표현된 데이터라고 할 수 있습니다.
우리가 많이 보는 쿠팡의 리뷰, 인터뷰, 언론 보도 모두 정성적 데이터라고 할 수 있겠죠.
정성적 데이터는 ‘비정형 데이터’로 비구조화된 데이터, 미리 정의된 데이터 모델이 없거나 정의된 방식으로 정리되지 않은 정보를 말합니다. 따라서 정보를 일정한 구조로 저장하고 검색하고 분석하는데 많은 비용이 소모되겠지요.
정량적 데이터는 수치, 도형, 기호 등 바로 측정할 수 있는 데이터입니다.
쿠팡의 별점이나 수능 등급, ~% 상승, 하락, 여성/남성, 나이 등이 모두 정량적 데이터라고 할 수 있습니다.
정량적 데이터는 정성적 데이터와 달리 ‘정형데이터’로서 구조화 된 데이터입니다. 미리 정해진 규칙에 따라 데이터를 보면 쉽게 의미를 파악할 수 있는 데이터라고 할 수 있습니다. 통계분석에 용이하며 구조화되어 있기 때문에 데이터 처리에 비용소모가 적은 편입니다.
구분 형태 예 특징 정성적 데이터 언어나 문자 등 ‘설명’이 필요한 데이터 -회사 매출이 증가함
-해당 제품은 손잡이가 있어 사용하기에 용이함
-검은색 털을 가진 길고양이가 많이 있음 -언론, 인터뷰, 이메일, 관찰 등을 통해 얻을 수 있다.
-저장, 검색, 분석에 많은 비용이 소모된다.
-비정형데이터 정량적 데이터 수치, 도형, 기호 등 바로 측정할 수 있는 데이터 -회사 매출이 25% 증가함
-해당 제품의 손잡이에 대한 만족도가 80% 이상임
-우리동네에 검은색 털을 가진 고양이가 다섯마리 있음. -서베이 등을 통해 얻을 수 있다.
-정형화 된 데이터로 비용소모가 적음
참고. 데이터분석 준전무가 합격을 위한 완벽 요약집(DATA DU)
정성적, 정량적 데이터
사용자 조사(User Research)는 서비스 디자인을 함에 있어서 매우 중요합니다. 일반적으로 클라이언트 여러분처럼 이제 막 사업을 시작하는 단계에서 진행하는 경우가 많지요. 사용자 조사 방식에는 ‘정성적 데이터(Qualitative Data)’, ‘정량적 데이터(Quantitative Data)’로 나누어집니다.
정성적 데이터(Qualitative Data) – 사용자 경험 및 구매 행태를 보여주는 기술적인 데이터를 의미하며, 사람들이 어떻게 생각하고 느끼는지에 좀 더 초점을 맞춥니다. 정성적 데이터를 통해 사용자들의 의견과 불만, 구매 동기 등을 파악할 수 있습니다.
사용자 경험 및 구매 행태를 보여주는 기술적인 데이터를 의미하며, 사람들이 어떻게 생각하고 느끼는지에 좀 더 초점을 맞춥니다. 정성적 데이터를 통해 사용자들의 의견과 불만, 구매 동기 등을 파악할 수 있습니다. 정량적 데이터(Quantitative Data) – 통계에 더 초점을 맞춘 데이터로, 측량하거나 분석이 가능한 수량적 데이터를 의미합니다. 보통 정량적 데이터는 사용자의 행동과 의견을 계량화하기 위해 사용됩니다.
사용자 조사를 할 때, 단 하나의 자료수집 방식에 의존하는 경우는 드뭅니다. 대게 정량적 조사 방식과 정성적 조사 방식 모두를 사용해서 더 큰 그림을 그리려고 하지요. 이러한 데이터들은 이미 출시된 제품을 개선하기 위한 발판을 마련하는 데 활용되기도 하고, 완전히 새로운 제품을 개발하기 위해서 활용되기도 합니다.
사용자 조사는 왜 중요할까?
사용자 조사의 궁극적인 목표는 ‘사람들이 사용하고 싶어하는 제품/서비스 만드는 것입니다. 이러한 조사 방식을 이용하여 얻은 정보들로 훨씬 더 나은 사용자 경험을 만들 수 있지요. 여러분이 사용자 조사를 통해 수집한 데이터로 제품 및 서비스에 대해 파악할 수 있는 것은 다음과 같습니다 :
– 사용자는 누구인가?
– 사용자들은 어떤 욕구를 가지고 있는가?
– 사용자들은 무엇을 원하는가?
– 사용자들은 최근에 어떤 행동을 하는가?
– 사용자들은 어떻게 행동하길 원하는가?
하지만 대부분의 기업들은 크게 두 가지의 이유 때문에 사용자 조사를 하는 것을 망설입니다.
1. 굳이 시간과 예산을 들여 사용자 조사를 해야 하나?
2. 이미 고객을 잘 파악하고 있기 때문에 사용자 조사를 할 필요가 없다.
사용자 조사는 안 하는 것보다 하는 것이 언제나 낫다는 것이 UX디자인에서의 불문율입니다. 적은 예산으로 빠르게 진행할 수 있는 리서치 방법도 있기 때문에 예산과 시간을 적게 들이면서 큰 효과를 볼 수 있지요. 최소한의 유저 리서치를 통해 장기적인 관점에서 시간과 돈을 절약하는 데 큰 도움이 될 수 있습니다.
또한 상당히 많은 회사들이 2번처럼 생각합니다. 그들 스스로 사용자를 잘 파악하고 있다고 여기는 것이지요. 세계적인 경영 컨설팅 회사인 Bain 에서 조사한 결과를 보면 그렇지 않다는 것을 알 수 있습니다. 80%의 기업들이 ‘누구에게 무엇을 팔고 있는지’ 잘 알고 있다고 확신했습니다. 하지만 그들의 제품이나 서비스를 이용한 고객들 중 8%만이 이 생각에 동의했습니다.
그들 고객에 대해 명확하게 이해하고 있는 기업이 있을 수도 있습니다. 하지만 많은 경우에 ‘사용자를 안다’는 말은 개인적인 추측과 의견인 경우가 대부분입니다.
우리가 생각하는 사용자의 욕구와 사용자가 생각하는 스스로의 욕구는 다릅니다. 다양하고 반복적인 조사를 진행하지 않는다면, 우리는 고객이 아니라 스스로를 위한 결정을 내리게 될 것입니다.
사용자 조사를 위한 계획을 세우세요
여러분의 제품이나 서비스가 사용자들을 만족시키는 데에 사용자 조사가 얼마나 중요한지 알았으니, 이제 조사 계획을 세워야 겠지요.
사용자 조사 계획을 세울 때, 정량적 데이터와 정성적 데이터를 모두 수집할 수 있는 방향으로 설정해야 합니다. 그렇지 않으면, 사람들의 말과 행동이 일치하지 않는 ‘가치-행동 괴리 현상(Value-action gap)’ 때문에 적절치 않은 결론을 얻게 될지도 모릅니다.
“60% 이상의 사람들이 3개월 내에 새로운 주방 도구를 마련할 것이라고 대답했지만, 8개월 후에 이들 중 12%만이 실제로 구매했습니다.” How customers Think, Gerald Zaltman, 2003
(고객은 어떻게 생각하는가, 헤럴드 잘츠만, 2003)
따라서 사용자 조사 계획에 있어 핵심은 사용자를 관찰하는 것입니다. 실제로 사용자들이 무엇을 하는지 유심히 관찰해야 합니다. 그리고 적절한 질문을 던져 선입견이나 편견이 배제된 답변을 이끌어내는 노력도 필요합니다.
이를 위해서 우리는 ‘사용자’처럼 생각해야 합니다. 여러분의 선입견과 추측은 제외해야 합니다. 여러분에게 필요한 것은 ‘이미 사용자에 대해 알고 있다는 생각’을 버리고, 사용자의 말을 경청하고, 그들의 감정을 상상해보는 것입니다.
다양한 조사 방법을 적절하게 사용하세요
사용자 조사 계획을 세웠다면, 어떤 조사 방법들을 적절히 이용할 것인지 정해야 합니다. 조사 방법은 매우 다양합니다. 아래의 목록들은 그 중에서도 흔히 이루어지는 효과가 좋은 방법들이니 참고하시기 바랍니다.
정성적 조사 방법
1. 게릴라 테스트(Guerrilla testing)
빠르고 비용이 적게 드는 테스트 방법입니다. 현장에 나가 사람들을 관찰하고 비디오 촬영을 하거나 유용성 테스트를 위해 온라인 리뷰를 하는 간단하고 빠르게 실행해볼 수 있는 방법이지요. 게릴라식 사용성 테스트란?
2. 인터뷰(Interviews)
미리 질문지를 만들어서 일대일로 인터뷰를 진행하는 방법입니다. 사용자가 제품 및 브랜드에 대해 어떻게 느끼는지 상세하게 파악할 수 있습니다.
3. 포커스 그룹(Focus groups)
특정한 제품이나 서비스에 대한 데이터를 모으기 위해 선별된 그룹을 의미합니다. 이 그룹의 고객들은 의견 교환 등 활동을 활발하게 할 수 있는 사람들을 선별합니다.
4. 현장 조사(Field Studies)
직접 사용자가 물품을 구매하는 환경에 가서 사진이나 비디오를 찍고, 간단한 노트 및 스케치를 하는 방식입니다.
5. 연구실 조사(In-Lab testing)
제어된 환경 아래에서 사용자들에게 특정한 업무를 주고, 이를 수행하는 것을 관찰하는 방법입니다. 보통 사용자들은 소리 내어 그들의 생각이나 느낌, 행동을 묘사하도록 요청 받으며, 조사자들은 대상 사용자들의 대답을 녹음하거나 촬영하여 분석에 활용합니다.
6. 카드 분류 테스트(Card Sorting Test)
정보 구조(Information Architecture)를 세우고 각각의 분류 그룹에 이름을 짓는 데 도움이 되는 방법입니다. 많은 양의 콘텐츠를 분류하고 구조화 할 때 유용합니다.
정량적 조사 방법
1. 사용자 서베이(User Surveys)
특정한 사용자 그룹을 타겟으로 삼아 구조화된 포맷의 질문지를 만듭니다. 많은 양의 데이터를 수집하기에 좋은 방법입니다. 이를 도와주는 대표적인 온라인 틀로 서베이몽키(Surveymonkey) 가 있습니다.
2. 퍼스트 클릭 테스트(First Click Testing)
이 테스트는 사용자들이 자신의 의도를 달성하기 위해 가장 처음에 클릭하는 것이 무엇인지를 분석하는 테스트입니다. 이 테스트는 서면으로 진행할 수도 있으며, 기존의 웹 사이트를 활용하여 진행하기도 합니다.
3. 아이 트래킹(Eye Tracking)
사용자의 시선을 따라가는 테스트입니다. 시선이 가장 먼저 도달하는 곳, 그리고 시선이 제품을 훑는 경로 등을 파악할 수 있게 돕습니다. 이 테스트는 비용이 많이 들기 때문에 부담이 된다면 ‘적외선 열지도(Heatmapping)’를 활용하기도 합니다.
4. 적외선 열지도(Heatmapping)
사용자들이 웹 사이트를 클릭하고 경로를 시각적으로 보여주는 데이터입니다. 가장 잘 알려진 온라인 툴은 크레이지에그(Crazyegg) 가 있지요.
5. 웹사이트 애널리틱스(Web analytics)
웹 사이트에서 얻은 데이터를 통합하여 분석하는 방법입니다. 사용자들에 대한 인구 통계 자료, 페이지 방문 횟수, 사이트를 둘러보는 경로 등을 파악할 수 있습니다. 가장 잘 알려진 온라인 툴은 구글 애널리틱스(Google Analytics) 가 있지요.
6. A/B 테스트(A/B testing)
어느 쪽을 더 많이 사용자가 선호하는지를 알아보기 위해 두 가지 버전의 웹 페이지를 비교하는 테스트입니다. 배너나 메뉴 버튼의 위치, 색감 등을 결정하는 데 큰 도움이 됩니다.
출처 : 위시켓 http://blog.wishket.com/
논문통계과외 / 논문통계분석 / 통계연관문제해결
정량적 데이터와 정성적 데이터의 측정 수준
데이터는 또한 두가지 다른 범주로 나뉘어지는데 이는 출처가 아니라 특성을 일컫는다.
기본적으로 이는 숫자로 축약되어지거나 단어로만 표현되어지는가를 말한다.
이는 수집되고 기록되고 분석되어지는 방식에 영향을 준다.
숫자는 예를 들어 압력, 인구밀도, 경제지수와 같이 과학과 사회에 대한 많은 정보를 기록하는데 사용되어진다.
이런 유형 데이터는 정량적 데이터이다.
숫자는 통계 기법을 사용하여 분석되어질수 있다.
하지만 많은 유용한 정보는 숫자로 축약되어질수 없다.
사람들의 판단, 편한 기분, 감정, 아이디어, 신념 등등은 단지 단어로 기술된다.
이런 것들은 정량적 이기보다는 정성적 기록이 가능하며 이에 따라서 이를 정성적 데이터가 된다.
단어는 수리적으로 조작되어질수 없기 때문에 서로 다른 분석적 기법을 요구한다.
정량적 데이터
정량적 데이터는 일반적으로 다소 정확하게 크기를 보여주는 숫자로 표현되기 때문에 측정되어질수 있다.
수리적 데이터를 분석하기 위해서 수리적 절차를 사용할수 있다.
이는 숫자나 비율과 같이, 극단적으로 단순할수도 있고 통계적 검사나 수리적 모형과 같이 상당히 복잡 미묘할수도 있다.
예를 들어 모집단 크기, 경제 수지, 과학 측정과 같이 어떤 형식의 데이터는 명백하게 숫자로 표현되어질수 있다.
정량적 척도에서 멀리 떨어져 있는 것들은 또한 숫자로 변환될수 있다.
예를 들어 정당의 정치력에 대한 사람들의 여론은 정량적으로 측정되는 것은 어려울수 있다.
그러나 만약에 대답 선택안이 질문지에 주어진다면 다양한 응답의 수효를 헤아릴수 있다.
데이아는 정량적으로 취급될 수가 있다.
센서스 수치, 경제 수치, 성과 측정 데이터와 과학적 연구 노력내 모든 측정은 모두 정량적 데이터의 전형적 예시이다.
정성적 데이터
정성적 데이터는 정확하게 측정될 수도 수효를 헤아릴수도 없고 일반적으로 숫자보다 단어로 표현되어진다.
본질적으로 인간과 사회, 문화 연구에서 조사되어지는 아이디어, 관습, 도덕관, 신념과 같은 인간 행위나 속성은 어느 정확한 방식으로 고정되거나 측정될 수는 없다.
결과적으로 이런 유형 데이터는 문자로 기술되어진다.
이는 정량적 데이터보다는 덜 가치있다는 것을 의미하지는 않는다.
사실상 그런 풍부함과 미묘함은 인간 사회에 대한 더 큰 식견을 불러올수 있다.
정성적 연구는 단어 의미의 신중한 정의, 개념 변수 개발, 이런 개념 변수들간의 상관관계 도시에 의존적이다.
풍부함, 행복감, 우정, 충성심과 같은 개념은 비록 기록되고 측정되기에 어려울지라도 사실적이고 추적가능하다.
관찰기록, 인터뷰 기록, 필사물 기록물, 모임 순간, 역사적 기록, 메모, 재수집, 기록영화 등 모두 정성적 데이터나의 전형적 예시이다.
몇몇은 사건이나 현상에 상당히 근접하게 기록되지만 다른 것들은 상당히 거리감있는 상당히 편집된 해석일수 있기 때문에 신뢰성 평가를 필수적으로 해야만 한다.
또한 정성적 데이터는 인간 해석이나 평가에 의존적이고 표준적인 방식에서 냉정하게 측정될 수가 없다.
정성적 데이터의 신뢰도와 완성도는 동일한 사건에 관계된 다양한 데이터 출처를 참조하여 점검해야 한다.
이는 삼각검증이라 한다.
특히나 인간에 대해 조사할때는 정성적 데이터와 정량적 데이터를 결합하여 모두 다루어보는 것이 좋다.
사실상 두가지 관점에서 보여질수 있는 수많은 데이터 유형이 있다.
예를 들어 연구하는 사람들 태도를 탐색할수 있는 질문지는 야망과 신념에 대한 정성적 데이터의 풍부한 출처를 제공하지만 스킬과 몰입 수준에 대한 정량적 데이터를 제공할수 있다.
여기서는 적합한 분석적 방법은 다루고 있는 데이터 유형에서 사용된다는 사실이 중요하다.
정성적 연구 대 정량적 연구의 이해
정성적 데이터는 측정하기 보다는 설명을 필요로 하는 정보를 수집합니다. 인상, 의견, 관점 등을 생각해 보세요. 정성적 설문조사는 덜 구조적이며 사람들의 동기, 사고 및 자세에 대한 정보를 확보하기 위해 주어진 주제를 심도 있게 파고듭니다. 이러한 방법은 연구 질문에 심도 있는 이해력을 제공하기도 하지만 결과를 분석하기에 더 어렵게 만듭니다.
정량적 데이터 vs 정성적 데이터
728×90
블로그에 정리하면서 공부하고,
틈틈이 복습용으로 보려고 따로 정리!
그럼 이제 진짜 시작!
네이버 카페 “이기적스터디카페” 빅데이터 분석기사 – 핵심 요약집을 참고하였습니다.
정확한 내용은 아래 링크를 참고하세요.
https://cafe.naver.com/yjbooks/7548
1. 데이터란 무엇인가? (★★)
– 데이터는 추론과 추정의 근거를 이루는 사실이다.
– 현실 세계에서 관찰하거나 측정하여 수집한 사실이다.
2. 데이터의 구분 (★★★)
1) 정량적 데이터 : 주로 숫자로 이루어진 데이터
2) 정성적 데이터 : 문자와 같은 텍스트로 구성되며 함축적 의미를 지니고 있는 데이터
정량적 데이터, 정성적 데이터 [출처 : 이기적스터디카페]
3. 데이터의 유형 (★★★)
① 정형 데이터(Structured Data) : 정해진 형식과 구조에 맞게 저장되도록 구성된 데이터이며, 연산이 가능하다.
(예. 관계형 데이터베이스의 테이블에 저장되는 데이터 등)
② 반정형 데이터(Semi-structured Data) : 데이터의 형식과 구조가 비교적 유연하고, 스키마 정보를 데이터와 함께 제공하는 파일 형식의 데이터이며, 연산이 불가능하다.
(예. JSON, XML, RDF, HTML 등)
③ 비정형 데이터(Unstructured Data) : 구조가 정해지지 않은 대부분의 데이터이며, 연산이 불가능하다.
(예. 동영상, 이미지, 음성, 문서, 메일 등)
반응형
정량적 데이터 분석 VS 정성적 데이터 분석
우선 정량적 데이터와 정성적 데이터에 대한 정의를 내려보자:
정량적 데이터: 숫자로 표현되는 수치 데이터.
정성적 데이터: 자연언어에 의한 서술로 표현되는 범주형 데이터.
다음 그림을 통해 이들에 대한 차이점을 보다 명확하게 이해해 보자:
[그림 1.] 정량적 데이터와 정성적 데이터의 특성에 대한 차이점.정량적 분석은 수치에 대한 분석을 포함한다. 분석 유형은 측정 수준에 따라 다르며, 측정에 대한 유형은 다음과 같이 크게 네 가지로 구분할 수 있다:
명사형: 데이터의 논리적 순서를 정의할 수 없으며 데이터 분류에 사용된다.
순서형: 데이터는 논리적 순서를 가지며 값들 간의 차이가 일정하지 않다.
간격형: 데이터는 연속적이며 논리적 순서에 의존한다. 값들 간의 차이가 일정하며 차이가 0인 경우는 배제한다.
비율형: 데이터는 연속적이며 논리적 순서를 갖는다. 값들 간의 차이가 규칙적이며 차이가 0일수도 있다.
정성적 분석은 복잡성 탐구에 적합하며 사회적 현상의 의미를 발견하는데 사용되기도 한다. 정성적 분석의 예는, 문서나 이메일 등과 같은 텍스트에 대한 것, 디지털 이미지나 디지털 사운드 등과 같은 청각 및 시각 데이터 등이다. 차후 트위터에서의 감정 분석을 다룰 때 상세하게 설명하도록 하겠다.
정성적(Qualitative) 분석과 정량적(Quantitative) 분석 제대로 알고 하자
1. 정성적 분석 (Qualitative Analysis)
특성(성질, 성분)을 분석하는 기법. 비정형데이터를 사용하기 때문에 주관적인 의견이 반영되며 탐색적 데이터 분석이라고도 부른다. 공식을 사용하지 않은 간단한 사칙연산의 경우, 정성적 분석에 해당될 수 있다.
A/B/C/D중 C가 해당되는것 같다의 추정 결과를 확인하기 위한 분석법으로 이해할 수 있고 시간과 비용이 적다는 장점이 있지만 확실한 결과를 도출하기 위해서는 근거가 부족하다는 단점이 있다.
*비정형데이터 : 형이 정해져 있지 않은 데이터. 산업분야 및 부문마다 사용하는 기법들이 다르게 때문에 필요한 정형데이터와 함께 사용하여 시너지를 낼 수 있는 해당 데이터의 형식을 다를 수 있다.
적용 예시)
1) 중요품질문제 우선순위 산정할때 발생수량으로만 우선순위를 산정하지 않고 고질적 품질문제 또는 재발되는 품질문제점 등 분석시점에 중요하다고 판단되는 품질문제를 주관적 의견을 반영하여 산정하는 것
2) Trouble shooting시 현상을 확인하고 문제발생 추정제품 또는 단품을 산정할 때 분석방식에 주관적인 의견이 반영되어 진행되며 제품 또는 단품교환 해보기도 하고 CAN통신 측정을 진행하여 고품을 확정하고 고품분석의뢰를 진행한다.
3) 시스템 측면 제품의 영향성을 분석하기 위해 브라우저 검색, 논문, 유튜브, 개인의 경험 노하우를 반영하여 회의 또는 이메일, 유선통화를 통해 후속업무를 진행하는 것.
4) 제품기준 고장영향과 고장모드를 분석하여 Bottom Up 방식으로 완제품의 예방대책 개념의 Failure Mode Effects Analysis(FMEA). 제품측면 완제품의 영향성을 주관적인 의견이 반영된 심각도, 발생도, 검출도 측면 RPN이 산출되지만 확률등 통계적분석이 아닌 간단한 사칙연산이기 때문에 정성적 분석에 속한다.
5) 기능별 List를 나열하고 유저 모드를 포함한 시나리오와 결과값을 예상하고 Test Case를 도출하는 것
6) Field Claim중 아무것도 없는데 오감지하거나 응답속도가 너무 느린경우 고객이 Claim을 심하게 하는 유형이기 때문에 SNS 동호회에 공유되고 있으며 Claim 발생수량이 급증하고 있는 경우라면 Field 대응측면 관련부서 및 협력사와 협의를 진행하여 우선순위를 정해 개선내용을 선반영하고 정량적 DATA들을 바탕으로 유효성을 검증하여 Side Effect가 발견되면 최종 개선내용을 반영하는 단계로 업무진행이 가능하다. 우선순위를 정해 업무를 추진하는 정성적 분석의 목적은 Claim이 심한 Issue의 개선내용을 선반영하여 Claim 수를 줄이고 고객에게 양해를 구할 수준의 Side Effect Claim이 발생한 경우 추가 개선을 위한 시간을 벌기 위한 목적이다. 경험과 노하우를 반영하여 협의를 통해 우선순위를 정하고 업무를 추진하는 정성적 분석에 속한다.
2. 정량적 분석 (Quantitative Analysis)
확률 및 통계적 기법을 사용하여 분석하는 기법. 정형데이터를 바탕으로 통계적 분석을 진행하기 때문에 객관적인 결과를 도출할 수 있는 분석이다. A/B/C/D중 모집단과 발생집단을 통계적 분석을 통해 분포도 및 확률을 구하고 C가 해당되는게 확실하다를 검증하기 위한 분석법으로 이해할 수 있고 확실한 결과를 도출할 수 있다는 장점이 있지만 시간과 비용이 많이 든다는 단점이 있다.
* 정형데이터 : 형이 정해진 데이터. 산업분야 및 부문마다 오랜시간동안 사용해온 기법들의 형태가 정해져 안정화가 되어 있기 때문에 확실한 결과를 도출하기위해 사용하는 데이터.
적용 예시)
1) 전체적인 품질문제를 월별, 년별 품질문제 발생수량을 기준으로 PPM, W/DPTV, Field Claim관련 트렌드를 분석하여 지속적개선으로 품질문제 발생빈도를 대폭감소하는 활동.
*Parts Per Million(PPM) : 공장내 불량 발생 지수로 100만대 생산시 불량 발생을 예측한 지수
공식 : (불량수/생산수) * 1000000
Warranty Default Per Thousand Vehicle(W/DPTV) : 출고 후 Field 초기 3개월관련 천대당 불량 발생을 산출한 지수
공식 : (불량수/출고수) * 1000
2) Trouble shooting시 완제품 Level에서 고품 또는 추정고품의 측정값(이음/성능값)을 기준으로 정상품과 비교하여 고품을 확정하거나 확정된 고품을 초기 EOL DATA와 비교하기도 하고 제품 또는 단품 Level의 측정값을 이용하여 원인분석 및 개선대책을 수립하는 것
3) 시스템 또는 완제품기준 고장영향과 고장모드를 분석하여 Top Down 방식으로 제품의 고장영향성을 분석하는 개념의 Fault Tree Analysis(FTA)는 AND 또는 OR Gate를 사용하여 근본원인을 확인하고 AND는 곱, OR은 합해서 확률을 구하기 때문에 정량적 분석에 속한다. 단, 확률을 구하지 않는 경우에는 정성적 기법측면으로 이용도 가능하긴 하다.
4) 수치로 나타낼수 있는 정보는 정량적 분석에 속한다. 예를 들어 치수, 경도, CAN DATA, 아날로그 신호, DTC, 기능안전 FTTI, EOTI, 특정모드에서 입력값을 받고 LIN 또는 CAN 통신 TX신호가 송출되기 까지 Timing 계산값, 제어기내 MCU, 통신 모듈, BS IC, RF IC, LF IC등 SPI 통신관련 부팅 및 통신준비완료 Timing 계산등이 정량적 분석에 속한다.
3. 정성적 분석과 정량적 분석 사용방법
정성적 분석은 시간적 또는 비용이 적게 들기 때문에 쉽게 사용할 수 있다. 정성적분석으로 추정되는 제품을 선정해놓기 때문에 이후 정량적 분석을 진행할 때 효율적이다. 특별특성, CTQ항목을 산정해서 공정능력을 구하는것 또한 같은 맥락으로 이해하면 좋을 것 같다. 회의를 진행하거나 준비할 때도 모든 정량적데이터를 분석하고 진행하는것은 비효율적이기 때문에 정성적분석을 통해 정량적분석이 필요한 항목을 산정하고 필요시 정량적 분석을 진행하여 확실한 결론을 도출한다. 우리는 AI 컴퓨터가 아니기 때문에 효율적으로 일하도록 하자. 항상 정성적 분석 후 정량적 분석을 진행하는것이 아니라 1차 도출된 정량적 분석결과를 가지고 추가적인 정성적 분석을 진행하여 결론을 도출하거나 도출된 결론의 유효성확인을 위해 Full Function Check와 같은 Side Effect 검증목적 추가적인 정량적 분석이 진행될 수 있다.
UX 연구를 위해 사용되는 주요 데이터
안녕하세요. LABBIT UX팀입니다.
Data-Driven이라는 용어 많이 들어보셨나요? 아마 이 시대는 데이터에 의해 움직이는 시대라고 해도 과언이 아닌 것 같습니다. UX에 대한 연구도 데이터를 기반으로 진행한다면 시행착오를 줄이고, 타인을 설득하기에도 좋은 방법론들을 도출할 수 있답니다.
그러면 이번 포스팅에서 UX 연구를 위해 고민하면 좋은 데이터들에 대해서 소개해 보도록 하겠습니다.
우리가 다루는 데이터는 크게 두 가지로 구분될 수가 있습니다. 바로 정성적 데이터(Qualitative Data), 정량적 데이터(Quantitative Data)입니다. 그러면 구분 지어진 데이터의 개념을 살펴보고 우리가 주로 사용하는 데이터 분석툴에서 UX 연구를 위해 어떤 지표들을 보면 좋을지 다뤄보도록 하겠습니다.
정성적 데이터란?
사용자들의 사용 동기나 감정(긍정, 부정)등을 확인하기 위해서 수행하는 방법이에요.
과거부터 UX 디자인 설계를 위해 선행되던 방식입니다. 일반적으로 In-depth 인터뷰나 포커스 그룹 인터뷰 등을 많이 진행하고 있습니다. 미래의 타겟층이나 (이미 나와 있는 제품이나 서비스라면) 현재의 고객층과 인터뷰를 통해서 데이터를 수집합니다.
In-depth 인터뷰
단점은 인터뷰의 경우 인터뷰어의 능력에 따라, 다이어리 스터디 같은 경우는 참여하는 대상에 따라서 차이가 나기 때문에 정보를 수집하고 구조화하는 데 차이가 크게 난다는 것입니다. (쉽게 말하면 편의점 알바생에게 청소를 시키면, 어떤 알바생은 라벨이 보이게 진열하고, 보이지 않는 창틀까지 닦는가 하면, 어떤 알바생은 바닥만 닦고, 어떤 알바생은 보이는 곳 위주로 청소하는 등 모두 다르잖아요?) 이렇듯 객관적인 수치보다는 사람에게서 정보를 취득하는 방식이기 때문에 사람에 따라 차이가 날 수 있습니다.
그래서 정성적 데이터는 정량적 데이터에 비해서 객관성이 낮을 수는 있습니다. 하지만 정량적 데이터로 얻을 수 없는 데이터의 수집이 가능하기 때문에 새로운 인사이트를 위해 활용하면 좋은 방법이기도 하지요.
실제로 강의 도중에 받은 질문 중
“ 웹사이트에서 오른쪽 우측에 메뉴 버튼이 하나 있는데요. 클릭률도 제법 좋은 편이라고 판단돼서 문제가 없다고 생각했습니다. 그런데 특정 그룹과 웹사이트에 대한 이야기를 하던 도중 그 우측의 메뉴 버튼이 불편하다는 의견이 있는 것입니다. 데이터는 아니라고 말하는 것 같은데 누군가는 불편하다고 말하고 어느 쪽의 이야기를 들어야 할까요? ”
위 질문처럼 데이터상으로 문제가 없다고 판단되는데, 실제 사용자들이 느끼는 감정이 다를 수가 있습니다. 그렇기 때문에 정성적 데이터 수집이 필요한 것입니다. 실제 사용자들에게 물어보고 왜 그렇게 느끼는지 감정을 파악하고, 정량적 데이터와 비교해보면서 상호 보완적으로 데이터 분석을 해야 합니다.
그렇다면 저희가 주로 다루고 있는 정량적 데이터는 무엇이고, UX 연구에 어떻게 활용하는지 살펴보도록 해볼게요.
정량적 데이터란?
측정에 의해서 수집되는 데이터입니다. 쉽게 말해 GA와 같은 데이터 분석툴에서 잡히는 데이터입니다. 주로 숫자로 표기되며 사람의 주관이 들어가는 것이 아니라 실제로 카운팅이 되는 것만 잡히기 때문에 정성적 데이터에 비해서 객관적이라고 볼 수 있지요. 하나 알아두셔야 하는 점은 기계라는 것도 완벽할 수 없으며 보안의 이슈도 있기 때문에 애널리틱스나 그 어떤 좋은 툴도 100%의 사용자 데이터를 수집할 수는 없습니다. 다만, 100명의 사용자 중 80명의 사용자의 행동이 정확하게 수집이 되기 때문에 ‘사용자들이 이런 흐름을 보인다’라고 예측하고 증명할 수 있다는 것입니다.
구글애널리틱스(데이터 분석 툴) 화면 중 일부
일반적으로 페이지뷰나 방문 수, 이탈률 등이 기본적으로 잡히며, 버튼 클릭과 같은 인터랙션(사이트 내에서의 사용자의 활동)도 측정이 가능합니다. 지표들이 숫자로 표기되기 때문에 명확하며 주관성이 배제되고 오롯이 데이터만을 측정이 가능하다는 장점이 있습니다.
자 그러면 주요 지표들을 우리는 어떻게 바라보아야 할지 한번 살펴보도록 하겠습니다.
각 페이지의 인기도를 측정하는 PV(page view)
PV, 즉 page view라는 말은 데이터를 다루는 일을 하신다면 한 번쯤 들어보셨을 것입니다. 이는 방문자가 특정 기간 동안 조회한 페이지의 수입니다.
예시 이미지의 /의 페이지뷰가 140이죠? 그렇다면 제가 설정한 특정 기간 동안 140번 이 페이지를 보여 달라고 요청을 한 것이라는 것을 알 수 있습니다. 페이지뷰가 많은 페이지는 그만큼 사용자들이 어떤 이유에서 이든지 자주 보는 페이지라는 것을 의미합니다.
페이지뷰는 특정 페이지에 대한 페이지 뷰수 보다는 다른 페이지와 비교하면서 많이 보게 되는데요.
만약 메인 페이지에서는 200의 페이지뷰가 잡혔는데 다음 뎁스인 상세 페이지에서 5 밖에 잡히지 않았다면 메인에서 다음 페이지로 전환할 수 있는 요소가 적거나, 메인 페이지에서 사용자가 기대한 어떤 것을 주지 못해 실망감을 주었다고 생각될 수 있습니다(이런 경우 이탈율도 높게 나오겠죠?). 일반적으로 CTA라고 하는 버튼들을 삽입함으로써 다른 페이지로의 전환율을 높일 수는 있으나, 그럼에도 불구하고 효과가 미미하다면 이전 페이지의 사용자 경험 향상을 위한 전략을 완전히 바꾸어야 할 수 있습니다.
사용자 분석을 위해 사용하는 UV(Unique Visitor)
분석툴마다 차이가 있겠지만 GA(구글애널리틱스)에서의 UV는 사용자를 뜻합니다. 즉, 특정 기간 동안 방문한 순 방문자를 말하지요.
잠재고객리포트의 일부
hava라는 사람이 특정 기간 동안 매일 LABBIT 사이트에 들어온다고 생각해 봅시다. 그러면 그 기간이 7일이라면 페이지뷰는 7이 잡히지만, UV는 1이 잡힙니다. 이를 통해서 데이터 분석툴에서는 신규 방문자와 재방문자를 구별할 수 있는 것입니다. 사용자 측면에서 신규 방문자와 재방문자의 비율과 전자상거래 등의 목표 전환율은 무척 유의미한 지표입니다. 예시의 사이트는 재방문자도 상대적으로 많고 재방문자의 수익 비율도 높은 것을 알 수 있습니다. 이것은 판매하는 제품이 만족스럽거나, 사이트 자체가 편안하다는 것(UX가 좋다)을 의미할 수 있다고 추측할 수 있습니다. 앞으로의 전략으로 신규 방문자의 수익 비율을 높이고자 한다면 첫 구매 이벤트나 사이트에 적응하지 않은 사용자라도 쉽게 사이트 내의 활동이 가능하도록 UX적인 설계를 기획할 수도 있겠지요.
UX 개선의 페이지 검증을 위한 세션당 페이지수
세션당 페이지수는 한번 방문 시에 평균적으로 몇 개의 페이지를 보는지 확인하는 지표입니다. 예를 들면 hava가 LABBIT 사이트에 2번 방문해서 14의 페이지를 보았다면 평균 7이라는 페이지수가 나오는 것입니다. 만약에 여러분이 쇼핑몰을 운영 중이라면 일반적으로 메인–상세페이지–결제 페이지–결제–완료라는 5단계 이상의 페이지를 움직여야 결제 완료라는 목표에 도달할 가능성이 높다고 볼 수 있을 텐데요. 만약 세션당 페이지수가 3밖에 안 나온다면 우선적으로 5개의 핵심 페이지의 UX를 개선하는 실험을 진행해 볼 수 있을 것입니다.
상세 페이지 내 쿠폰과 신규 고객의 구매 전환율 확인 실험
실제로 주로 웹사이트 개선을 위해 진행하는 실험의 타깃 페이지는 상세페이지인 경우가 많을 수밖에 없는데요. 상세페이지 최적화가 진행되면 e-commerce에서는 수익으로 직결되는 경우가 대부분이기 때문에 저희 최적화실험팀에서도 상당 부분 상세페이지 내 실험으로 진행이 되었었죠.
사이트의 관심도를 보여주는 평균 세션 시간
평균 세션 시간은 페이지나 사이트에 머문 시간을 보여주는 지표입니다. 우리가 좋아하는 장소 혹은 편안함을 주는 장소에서 오래 머물고 싶어하듯이 사용자들이 평균적으로 우리 사이트나 각 페이지에서 어느 정도의 시간을 보내는지 보여주는 지표입니다.
같은 시간을 보낸다고 하더라도 페이지의 성격에 따라서 긍정의 의미가 되기도 부정의 의미가 되기도 하므로 여러 데이터를 종합적으로 확인하는 것이 정확한 분석을 위해서는 도움이 된답니다.
사이트 리뉴얼이 있지 않았는데 평균 체류 시간이 갑자기 변하거나, 리뉴얼 후 체류 시간이 갑자기 변하는 등 일반적인 흐름과 다른 흐름을 보였을 때를 잘 체크하는 게 중요합니다.
예를 들면, 읽기 위주의 매거진 페이지의 경우를 생각해 봅시다. 평균 세션 시간이 10초라면 거의 콘텐츠를 읽지 않는다고 생각할 수 있겠죠? 이런 경우 우리가 사용자들이 흥미로운 주제를 선정한 것인지, 콘텐츠의 구성이 너무 글만 있거나 편집 디자인이 읽기 어렵게 되어 있다든지 등의 가설을 세워볼 수 있을 것입니다. 반대로 평균 2분 정도면 될 것 같은 페이지에서 오래 머문다면 혹시 사용자가 무언가를 찾는 데(예를 들면 다음 액션을 위한 버튼 등) 시간을 오래 사용하지는 않는지 체크해 볼 필요가 있을 것입니다.
도움이 되는 지표 보기
제가 처음 GA를 보기 시작했을 때가 생각납니다. 숫자들로 가득하고 낯선 용어들도 보여서 ‘이걸 다 어떻게 알지?’ 고민을 많이 했던 것 같아요. 지금도 여전히 함께하는 마케터 분들이나 개발자 분들에게 물어보면서 원하는 데이터를 얻기도 하고, 어떻게 분석할지 고민하기도 합니다. 그래도 조금이나마 도움이 될만한 지표보기는
첫째, 일반적이지 않은 것을 찾아라
갑분 크라임 이야기를 해보겠습니다. 배상훈 프로파일러 님의 말에 의하면 ‘이 사람이 항상 날씨를 체크하던 사람이면 날씨를 체크한 게 이상하지 않지만, 범죄가 일어난 날 날씨를 체크했다고 말한다면 일단 의심해 보아야 한다’라고 하시더라고요.
데이터도 그런 것 같습니다. 사이트에 아무 변화가 없었고, 광고도 돌리지 않았는데 뭔가 평균적으로 흘러가던 흐름과 갑자기 달라지는 게 있다면 그 원인이 무엇인지 확인해 보는 것이 중요한 것 같아요. 그래서 처음 데이터를 보실 때는 기간 설정을 하시면서 확인을 해보시는 것도 도움이 된답니다.
둘째, 지표는 독립적으로 보는 것보다 여러 지표를 함께 보자
앞서 설명 드린 글에서 눈치가 빠르신 분들은 느끼셨겠지만, 특정 지표를 확인하고 UX적인 판단을 내리기는 참 쉽지 않습니다. 단지 사용자가 이렇게 느낄 가능성이 높다고 추측하고, 또 다른 증거들을 찾아 나가는 것이지요. 따라서 볼 수 있는 데이터가 많아지면 그만큼 증거를 찾을 확률이 높아지므로 우리는 꾸준히 증거 찾기 공부를 해야 합니다.
또한 일반적으로 단일 지표로 보이던 것도 다른 지표와 결합하면 새로운 INSIGHT를 얻을 수 있습니다. 예를 들면, PV와 UV의 경우를 생각해 봅시다. 한 사람이 LABBIT 사이트에 들어오니 이 회사가 궁금하고 어떤 일을 해왔는지 확인도 해보고 그러다 문의까지 남겼다고 합시다.(무척 관심이 많은 방문자네요 >ㅡ<) 결국 한 사람이 많은 페이지뷰를 발생시켰다는 것을 의미하죠? PV와 UV 그리고 그 차이를 보여주는 그래프 그래서 일반적으로 UV와 PV의 차이가 크게 날수록 긍정적인 사이트 활동을 했다고 볼 수 있는 것입니다. 이처럼 단일 지표보다는 연관된 지표들을 함께 보면 우리가 알고 싶은 정보들을 볼 수 있습니다. 이미지 : 운영체제 비율은 IOS와 Android가 비슷하지만, 수익에서 Android가 압도적으로 높다고 확인이 됩니다. 이경우 IOS의 결제 방법이 불편하다거나 구매 전환이 이루어지는 주요 타겟층이 Android를 사용한다고 생각해 볼 수 있겠죠. (실제로 해당 사이트는 남성의 구매 전환이 약 90%이며 남성이 여성보다 Android 폰을 많이 쓴다는 통계도 있으니 추측이 가능하겠죠?) 이번 포스팅에서는 UX팀에서는 어떤 지표들을 보고 INSIGHT를 위한 기반을 다지는지 확인해보았습니다. ‘UX 설계하기도 바쁜데 데이터까지?’라고 생각하실 수도 있지만 좋은 UX는 좋은 자원에서 나오는 것 같습니다. 그리고 이런 데이터들이 우리의 좋은 자원이 될 수 있어요 우리가 UX를 설계할 때 사용자를 이해하기 위해서 리서치를 하고, 페르소나를 세우고, 사용자 여정을 그려보듯이 데이터를 기반으로 사용자의 이미지를 가시화하고 사용자의 감정을 예측해 보셨으면 좋겠습니다. 해당 글은 그로스해킹 에이전시 LABBIT과 모비인사이드의 파트너쉽으로 제공되는 기사입니다.
정성적 조사란 무엇입니까?
● 정성적 조사는 수치 데이터 대신 행동 데이터에 초점을 맞춥니다. 정성적 조사에서는 표본보다 개인의 경험이 더 중요합니다.
● 정성적 조사를 수행할 때는 준비가 되어 있지 않은 자발적인 사용자로부터 데이터를 최대한 수집합니다. 그리고 질문에 제약을 두지 말고 사용자가 자유롭게 의견을 내놓을 수 있는 질문을 합니다.
● 정성적 조사는 일반적으로 정량적 조사에 비해 시간이 적게 걸리므로 프로세스 중에 데이터를 여러 번 분석할 수 있습니다.
● 디지털 기술 덕분에 정성적 조사 방식이 보다 유연하고 효과적인 형태로 진화했습니다. 참가자를 타겟팅하고, 응답의 품질을 관리하는 것이 더욱 수월해졌습니다.
키워드에 대한 정보 정 성적 데이터
다음은 Bing에서 정 성적 데이터 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 [데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터
- 정량데이터
- 정성데이터
- adsp1과목
- 데이터열풍
- 빅데이터마케팅
- 빅데이터분석가
- 빅데이터취업
- 빅데이터문제집
- 빅데이터란
- 빅데이터활용사례
- 빅데이터전문가
- 빅데이터전문
- 빅데이터강의
- 빅데이터교육
- 빅데이터분석
- 데이터에듀
- adsp
- adp
- 빅데이터
- 데이터분석
- 데이터분석준전문가
- 데이터베이스정의
- 빅데이터비지니스모델
- 데이터의가치
- 데이터의미래
- 데이터베이스용어
- 빅데이터자격증
- 딥러닝
- 파이썬
- R프로그램
- 데이터
- 파이썬강좌
- 딥러닝강좌
- adsp강좌
- 파이썬강의
- 딥러닝강의
- adsp강의
- 데이터분석기획
YouTube에서 정 성적 데이터 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 [데이터에듀] ADsP 1과목 정량데이터 vs 정성데이터 | 정 성적 데이터, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
