[Data-Driven UX] 사용자 데이터 분석 기본 용어와 지표 파헤치기

안녕하세요.
서비스 기록자입니다!
 
오늘은 UX 데이터 분석을 위해 알아야 할
기본 용어를 정리해보려 합니다.
 
뷰저블 툴 뿐 아니라 google analytics와 같은 일반적인 데이터 분석툴에서 사용되는 용어와 지표입니다.
데이터 분석은 점점 다양한 직군에서 활용되고 있기에
많은 분들에게 도움이 될 수 있을 것 같습니다.
 
그럼 시작해보겠습니다!
 
 
 

UX 데이터 분석 기본 용어와 지표 이해하기

웹사이트 방문자 규모 현황

 
1. PV (Page View)
PV는 페이지 뷰 수이다.
페이지가 사용자에게 노출된 지표를 의미한다.
1PV는 1번의 방문 또는 조회로 볼 수 있다.
PV 지표는 페이지 트래픽 및 인기 척도를 이해하기 위한 기본 개념으로 활용할 수 있다.
 
 
2. UV (Unique Visitor)
중복된 PV를 제거한 순 방문자 수이다.
PV가 페이지 조회 수를 의미한다면, UV는 페이지를 조회한 방문자 수를 의미한다.
특정 기간 내 실제 방문한 사용자가 얼마나 되는지 파악할 수 있는 지표이다.
 
UV는 분석 툴에 따라 차이는 있지만, 보통 *쿠키를 기준으로 데이터를 계산한다.
주의할 점은 사용자가 브라우저에서 모든 쿠키를 거부한다면 정확한 UV를 측정할 수 없다.
또, 서로 다른 브라우저를 이용해 웹사이트를 방문한다면 같은 사용자일지라도 2UV가 된다.
따라서 이런 UV의 특징을 알고 데이터를 살펴보는 것이 중요하다고 한다.
 
(*쿠키란 사용자가 웹사이트를 처음 방문할 때 웹 사이트의 사용자 활동 명세를 저장한 파일을 의미한다.
이 파일은 사용자의 컴퓨터 하드 디스크에 저장된다. 웹 브라우저 정보처럼 사용자를 특정 지을 수 있는 정보를 저장하는데, 이를 활용해 사용자를 식별하기도 한다.)
 
 
3. PV와 UV 데이터 해석법
PV와 UV는 수치 자체로 큰 의미가 없을 수 있다.
특히 특정 기간의 추세를 살펴보아야 해석이 가능하다.
증감이 눈에 띄게 큰 날을 찾는 것이 빠르게 인사이트를 발견할 수 있는 방법이다.
추세 데이터는 분석 대상 페이지의 미래 PV 및 UV를 예측하는 지표가 될 수 있다.
 
특정 기간 내 UV 대비 PV가 높은지 비교하는 것도 좋은 방법이다. 지속해서 방문하는 사용자 비율이 높다고 해석할 수 있기 때문이다. 
반대로 PV가 낮다면 재방문하는 사용자보다 새로 방문하는 사용자가 높다고 해석될 수 있다.
이때는 비회원 상태에서 소비할 수 있는 콘텐츠를 다양화하거나 회원으로 전환하는 가입, 로그인 기능을 최소화하는 방안을 고민해 볼 수 있다.
 
 

웹 사이트 사용자 전환율, 이탈률, 종료율

 
1. 전환율 (Conversion Rate)
 
웹 사이트를 방문한 사용자 중 특정 행위를 한 방문자의 비율을 의미한다.
사용자 중 최고 성과 달성을 이루는 것을 전환이라고 부른다.
따라서 성과와 직결되는 행위를 전환 목표로 설정할 수 있다.
UI 요소의 클릭을 통한 페이지 이동, 회원 가입, 상품 구매, 문의 등 행위를 예로 들 수 있다.
 
만약 전환되었을 경우 어떤 콘텐츠에 어떻게 사용자가 전환되었는지 살펴보는 것이 중요하다.
 
 
2. 이탈률 (Bounce Rate)
 
웹 사이트를 방문한 사용자가 오직 한 페이지만 보고 사이트를 떠나는 것을 의미한다.
한 페이지를 기준으로 이탈하는 비율 즉, 단일 페이지 세션의 비율이다. 반송률이라고도 한다.
이탈률이 높은 페이지는 사용자가 얻고 싶은 정보를 제공하지 못하고 있을 가능성이 높다.이탈률 비율은 낮을수록 좋다.
 
전환율, 체류 시간, 지표와 함께 이탈한 사용자를 파악하면 개선 대상 페이지인지 아닌지 판단할 수 있다.
 
 
3. 종료율 (Exit Rate)
 
방문한 모든 페이지를 대상으로 1개 이상의 페이지를 보고 화면을 종료한 행동 비율이다.
이탈률이 첫 페이지인 랜딩 페이지가 기준이라면,
종료율은 사용자가 사이트에 들어와서 마지막으로 본 페이지가 기준이 된다.
 
이탈률과 달리 수치가 높더라고 무조건 나쁜 것은 아니다.
기획 의도가 해당 페이지에서 종료하는 것일 수도 있기 때문에 종료율 수치가 높더라도 목적이 달성되었다고 해석될 수 있기 때문이다.
 
반면 탐색을 계속 진행해야 하는 페이지임에도 종료율 수치가 높다면 개선이 필요하다.
해당 콘텐츠가 탐색 중단의 원인이 되기 때문이다.
 
 

사용자 유입 경로

유입 경로란 사용자가 해당 페이지에 방문(유입)하기 직전의 경로를 의미한다.
크게 도메인을 기준으로 내부 유입과 외부 유입으로 나눈다.
 
내부 유입 = 같은 도메인으로 접속한 경우
외부 유입 = 다른 도메인으로 접속한 경우
 
여기서 외부 유입은 다시 직접 유입(Direct), 추천 유입, 검색 유입, 소셜 등으로 나뉜다.
직접 유입의 경우는 광고나 특정 링크의 영향을 받지 않고 직접 해당 URL을 입력해 유입했거나 즐겨찾기와 같이 저장된 링크를 통해 유입한 경우를 의미한다.
또는 시스템상 유입 경로 정보가 존재하는 않는 유입은 모두 직접 유입으로 분류한다고 한다.
 
 
 
 
 

숫자와 관련된 지표 분석에서 고려할 5가지 사항

 

1. 사용자 행동의 정도와 양상
2. 상세 행동에 따라 달라지는 해석
3. 통계와 평균의 함정
4. 시간의 흐름에 따른 데이터 분석
5. 데이터를 세분화하여 해석

 
 
1. 사용자 행동의 정도와 양상

 
데이터를 분석할 때는 단순히 사용자 행동만을 보는 것이 아니라 그 정도와 양상을 함께 보아야 한다.
페이지와 각 콘텐츠 위치에 얼마간 머물렀는지, 클릭을 몇 번이나 실행했는지, 마우스 이동과 움직인 거리는 얼마나 되는지 등을 파악한다면 사용자의 활동 범위와 내용을 해석할 수 있다.
구체적인 행동 양상을 통해 사용자의 감정까지도 파악할 수 있게 된다.

 
 
2. 상세 행동에 따라 달라지는 해석

 
다양한 상세 행동을 종합해서 분석한다. 그에 따라 해석이 달라질 수 있기 때문이다.
분석에는 언제나 예외 상황이 존재할 수 있기에 정확도를 높이기 위해서는 다른 여러 행동 데이터를 함께 살펴보아야 한다고 말한다.

 
 
3. 통계와 평균의 함정

 
사용자 데이터를 평균값으로 확인하면 편리한 이점이 있다.
간혹 일부 사용자의 극단적인 수치에 의해 영향을 받을 수 있다는 단점도 있다. 대표적인 예로 체류시간이 있다.
 
이때는 의미 없는 데이터를 정제하거나 실제 분포 확인을 통해 산술 평균이 아닌 중앙값처럼 다른 대푯값으로 선정한다.

 
 
4. 시간의 흐름에 따른 데이터 분석

 
데이터를 분석할 때 가장 중요한 점은 '시간의 흐름'에 따라 수치의 트렌드를 살펴보는 것이다.
이에 따라 '서비스가 현재 나쁜 상태다, 좋은 상태다' 등의 인사이트를 발견할 수 있다.
 
또, 데이터의 트렌드를 살펴보는 것은 데이터에 대한 규칙성과 특이점을 발견하는 지름길이 된다.
특이점을 발견한 날의 사용자 행동 데이터를 분석하면 구체적인 개선점을 도출할 수 있다.

 
 
5. 데이터를 세분화하여 해석

 
서비스의 개선 포인트를 찾기 위해서는 사이트 전체 합계나 평균 수치만으로는 부족하다. 개선을 위해 구체적으로 무엇을 해야 할지 가설을 세울 수 없기 때문이다.
서비스를 개선하는 일은 전체 수치를 부분으로 나누는 것부터 시작된다.
 
작게 쪼개는 일을 세그먼트(Segment)라고 부른다. 말 그대로 '부분'을 의미한다. 
데이터를 쪼갠 뒤 세그먼트별 전환율을 계산할 수 있다. 
 
아래는 Data-Driven UX 도서에 나오는 예시이다.  
 

 
전체 회원 가입 버튼 클릭 수를 유입 경로 세그먼트로 나누어 본다면 총 4가지 부분으로 수치를 나눌 수 있다.
 
이 경우에 각각의 유입 경로에 대한 클릭 수를 확인할 수 있는데, 각 경로에서 전환율과 연결해 개선 포인트를 도출할 수 있다.
 
예를 들어 브런치 유입을 통해 들어온 사용자가 회원 가입 전환율이 가장 높다면 브런치 유입 경로를 늘리기 위한 전략을 실행하거나, 해당 사용자들의 특징을 파악할 수도 있다.
 
이와 같이 유입 경로 외에도 디바이스별 세그먼트(PC/모바일/태블릿),
신규 방문자와 재방문자로 세그먼트를 나눌 수도 있다.
 
 
 
 

항상 의심하는 분석가가 되어야 한다.

단순히 하나의 데이터만 가지고 결과를 해석하면 수많은 오류를 범할 수 있다.
통계와 평균의 함정을 내포할 수 있어 모든 의사 결정을 데이터에 근거해 결정해서도 안된다.
 
데이터의 정확도를 위해 다양한 행동 데이터를 함께 교차 분석하고, 데이터와 통계와 평균의 함정을 고려해 분석에 임해야 한다.
 
목표를 위해 데이터를 현명하게 활용할 수 있어야 함을 다시 한번 깨닫는 기초를 다지는 시간!
 
 
 
 
뷰저블 서포터즈 1기로 제품을 무료로 제공받아 작성된 솔직한 후기입니다.