안녕하세요.
학부에서 IT 공학을 전공하고, 현재는 UX 대학원 석사과정에서 연구를 이어가고 있는 대학원생입니다.
최근 프로젝트를 진행하면서 수많은 사용자 인터뷰 데이터를 며칠 만에 어피니티 다이어그램으로 정리해야 하는 벅찬 미션이 있었는데요. 저처럼 시간이 턱없이 부족한 리서처 분들에게 한 줄기 빛이 되어줄 AI 툴을 발견해 공유해 보려 합니다. (대학원생과 리서처들의 시간은 금이니까요! ㅎㅎ)
들어가며 : 아, 이거 진짜 AI가 대신 좀 해줬으면 좋겠다!
UX 리서치에서 사용자 인터뷰는 문제의 본질을 파악하는 필수적인 과정입니다. 하지만 인터뷰가 끝난 후, 수많은 데이터 속에서 공통된 맥락을 찾아 묶어내는 클러스터링 작업은 정말 엄청난 시간과 에너지를 요구합니다. 밤 늦게까지 모니터를 들여다보다 보면, 누구나 한 번쯤 이런 생각을 하게 됩니다. "아, 이거 진짜 AI가 대신 좀 묶어줬으면 좋겠다!" 저 역시 프로젝트를 할 때마다 매번 드는 생각이고요. 그래서 ChatGPT, Gemini, Claude 등 다양한 LLM에 테스트 해보기도 했습니다. 하지만 제 의도대로 묶이지 않고, 또 사용자 행동 중심이 아닌 피상적인 결과만 돌아와 성능 면에서 아쉬움이 크다고 느끼고 있었습니다. 게다가 연구 프로젝트 정보가 포함된 내용을 외부 LLM에 그대로 올리는 것은 보안과 신뢰도 측면에서도 조심스러울 수밖에 없습니다.
사용자의 속마음을 발견하기
Affinity Diagram(어피니티 다이어그램)은 사용자 조사 데이터(needs, pain points)로부터 상위 문제(디자인 전략)을 도출하는 귀납적 프로세스입니다. 하지만 우리는 평소 연역적 사고에 익숙합니다. UX를 아시는 분들이라면 다들 아시겠지만, 어피니티 다이어그램 작업에서 가장 첫번째 작업은 인터뷰 스트립트에서 밑줄 친 내용을 중심으로 yellow 포스트잇에 옮겨 적는 과정입니다. 요즘은 실물 포스트잇 보다는 miro나 figjam 같은 온라인 협업 툴을 더 많이 활용하시는 것 같습니다.
제가 어피니티 다이어그램 작업을 할 때 많이 도움 받았던 글을 소개드립니다. https://brunch.co.kr/@jinwise/1 "사용자 데이터, 포스트잇!으로 정리하기"
"행동 목표의 연관성이 있는지에 따라 묶는다"는 말이 조금 낯설게 들리실 수도 있는데요. 제가 진행했던 실제 메모 재탐색 실패 경험 프로젝트의 데이터를 예시로 들어보겠습니다.
수많은 인터뷰를 진행하고 나면, 아래와 같이 파편화된 사용자의 실제 목소리와 현상(Yellow Label)들을 마주하게 됩니다.
- [U1] "카카오톡은 워낙 자주 들어가기 때문에 '나에게 보내기'로 공유해둔 정보는 2~3일 정도 확인하게 된다."
- [U13] "카카오톡은 매일 자주 확인하다 보니, 여기에 남겨두면 언젠가 찾겠지 하는 심리적 안정감이 든다."
- [U15] "카카오톡은 자주 들어가는 앱이라 저장한 정보를 의도하지 않아도 다시 마주치게 된다."
- [U16] "카카오톡은 길어야 일주일 안에 한 번 확인하고 말 단발성 목적의 정보(인쇄할 문서 등)를 저장한다."
- [U10] "메모도 많아지면 찾기 어려워져서 필요 없는 내용은 지우면서 관리한다."
이 포스트잇들을 테이블 위에 늘어놓았을 때, 표면적인 현상이나 키워드에만 집중하면 [카카오톡 나에게 보내기 기능]과 같은 일차원적인 기능 단위의 그룹을 만들게 됩니다. 하지만 여기에는 "그래서 우리가 무엇을 개선해야 하는가?" "사람들은 뭘 필요로 하는가?"에 대한 인사이트가 빠져 있죠.
관점을 바꿔 "이 사람들은 왜 일반 메모 앱이 아니라 카카오톡에 메모를 남길까?"라는 이면의 목적에 집중해 보았습니다. 바로 "내 에너지를 들여서 기억하거나 각 잡고 정리하기는 귀찮고, 당장의 심리적 부담은 덜어내고 싶다"는 심리였습니다.
그래서 저희는 이 Yellow Label들을 다음과 같은 행동 목표(Blue Label)로 묶어냈습니다.
"매일 자주 들어가는 게 카톡이니, 단발성 정보들은 굳이 기억할 필요 없이 카톡 나에게 보내기에 던져두고 미룬다."
어떠신가요? 단순한 기능 중심(카톡 나에게 보내기를 쓴다)이 아니라, 사용자가 정보를 대하는 태도(기억의 부담을 덜기 위해 강제 노출되는 곳에 던져두고 방치함)라는 인사이트로 이어지게 됩니다.
하지만 현실은 5장이 아닌 500장의 포스트잇
하지만 우리 현실의 프로젝트는 호락호락하지 않습니다. 방금 보여드린 예시는 단 5장의 포스트잇이었지만, 실제 리서치가 끝나면 테이블 위에는 수백, 규모가 큰 경우에는 수천 장의 Yellow Label이 산더미처럼 쌓이게 됩니다. 이 방대한 데이터를 앞에 두고 수동으로 어피니티 다이어그램을 진행하다 보면 크게 두 가지 문제에 부딪힙니다.
- 체력 문제 : 수백 장의 포스트잇을 일일이 읽고 붙이며 옮기다 보면, 정작 사용자 행동 이면의 니즈를 깊게 고민해야 할 시점에 이미 팀원들의 에너지가 방전..!
- 분류 기준에 대한 팀원 간의 갑론을박 : 팀원 간에도 생각하는 관점이 다 다르다 보니, "나는 이건 A 그룹인 것 같아", "아니지 이건 B 행동에 더 가깝지 않아?"라며 1차적인 군집을 묶는 데에만 엄청난 감정적, 시간적 소모가 발생합니다. 저는 이번 프로젝트 과정 중, 이 과정에서 가장 큰 어려움을 겪었고 전체적인 데이터의 숲이 한눈에 보이지 않기 때문이 아닐까? 라고 느꼈습니다.
결국 우리에겐 이 소모적인 1차 분류 노동을 덜어주고, 팀원들이 객관적으로 데이터의 지형도를 파악해 빠르게 Align을 맞출 수 있도록 도와주는 파트너가 필요했습니다!
빠른 퇴근을 위한 꿀팁 : Affinity Bubble로 시각화하기
이번에 제가 활용해본 툴은 pxd에서 출시한 AI 툴인 Affinity Bubble(어피니티 버블)입니다.
(사실 써보고 너무 편해서, 동료 연구자들한테도 널리 퍼트리는 중.. 허허)
사용자 리서치를 해보신 분들은 다들 공감하실 것 같습니다. 수십 명의 인터뷰 스크립트에서 유의미한 문장을 발췌해 엑셀로 정리하고, 그걸 다시 포스트잇으로 옮겨 적어 벽이나 Mrio 같은 툴에 붙이는 과정 자체가 엄청난 시간과 노동이 들어간다는 사실을요. 하지만 어피니티 버블을 사용하면서 빠르게 데이터에서 인사이트를 뽑아내야 할때 엄청난 강점이 있다는걸 알게 되었습니다.
사용과정
1. 데이터 입력하기
먼저 분석하고자 하는 데이터를 툴에 넣으면 이렇게 분석 데이터를 선택할 수 있는 화면이 나옵니다.
저는 넣은 데이터 그대로 잘 나와서 바로 [완료]를 눌렀습니다. 만약에 제외하고 싶은 데이터가 있으면 제외하기에도 편한 것 같습니다.
그러고 나면, 이렇게 클러스터링 하기 전의 모습이 나옵니다. 데이터는 제 프로젝트에서 진행한 인터뷰 데이터를 넣었습니다.
이렇게 보니 데이터가 진짜 많긴 하네요.
2. 어떤 관점으로 묶을 건지 선택하기
그 다음에는, 이렇게 어떤 분석 관점에서 클러스터링을 진행할지를 선택할 수 있습니다. 관점에는 사용자의 숨은 니즈, 해결하려는 과업, 암묵적인 기대 등 다양한 관점들이 있어서 다각도로 분석이 가능합니다. 내가 가진 데이터를 다양한 관점에서 분석해보면서 데이터에 대해 더 입체적으로 바라볼 수 있게 되는 것 같아요.
데이터의 숲에서, 한 눈에 들어오는 사용자 페인포인트
가장 먼저, 툴에 기본(Default)으로 설정되어 있는 '주제별' 관점을 활용해 방대한 데이터를 5~9개의 큰 덩어리로 분석해 보았습니다.
결과 화면을 보면, AI가 분류한 군집들이 둥둥 떠다니는 버블 형태로 시각화되어 나타납니다. 텍스트로만 빽빽하던 엑셀 화면이나 수백 장의 포스트잇을 마주했을 때와는 확연히 다른 느낌이죠? 이 툴이 팀원들에게 주는 가장 큰 무기는 바로 직관성과 효율성이었습니다. 무엇보다 버블의 크기를 통해 데이터를 직관적으로 검증할 수 있었는데요, input으로 넣은 데이터에서 많이 나타난 주제일수록 버블의 크기가 커지기 때문입니다. 또한 크기+몇%를 차지하는지를 보여줘서, 현재 유저들이 겪고 있는 Pain point의 무게 중심이 어디에 있는지 팀원들과 단번에 파악할 수 있었습니다.
이렇게 수백개의 데이터를 한눈에 조망하게 되니, 자연스럽게 팀원 간의 Align을 맞추는 과정도 훨씬 수월해졌습니다. 앞서 고민했던 "어떤 문제가 더 중요할까?"에 대한 주관적이고 소모적인 논쟁에서 근거로 활용할 수 있었습니다. 팀원 모두가 이 객관적인 지표를 함께 보면서, 빠르고 명확하게 문제 지점들에 대해 논의할 수 있었습니다.
모순과 긴장, 암묵적 기대는 어떤 옵션이에요?
그리고, 어피니티 버블 툴에는 다양한 옵션들도 존재하는데요. 그 중에서 저는, '모순/긴장'이라는 관점을 선택해보았습니다. 뭔가 이번 프로젝트에서 사용자 인터뷰를 하면서 좀 모순되는 지점들이 있었다고 느꼈기 때문에 확인해보고 싶기도 했습니다.
분석 결과, 정보는 바로 찾을 수 있어야 하는데, 동시에 무분별하게 쌓여서는 안 되고, 또 캡쳐 = 즉, "정보를 기억하기 위해 일단 외부에 보관하는 행동은 쉽고 빨라야 하지만 동시에 내가 따로 관리하지 않아도 잘 관리되어 있어야 한다"라는 모순된 지점들을 한 눈에 확인할 수 있었습니다. 빠르게 기록할 수 있어야 하지만, 내가 관리하지 않아도 알아서 잘 관리되어야 한다...! 참 어려운 지점인 것 같습니다.
그리고 또 재미있었던 부분은, '암묵적 기대' 즉, 사용자는 당연히 그럴거라고 생각했던 것들의 관점에서 분석해보니
- 기록은 맥락과 함께 보존될 줄 알았다 (25%)
- 캡쳐하면 알아서 잘 정리될 줄 알았다 (30%)
- 검색하면 바로 나올 줄 알았다 (12%)
- 필요할 때 언제든 쉽게 찾아 쓸 수 있을 줄 알았다 (6%)
사용자들은 이런 것들이 당연히 될거라고 생각했지만, 실제로는 그렇게 되지 않으니 저장한 정보를 다시 찾는 과정에서 실패하고, 좌절을 겪는것이라는걸 어피니티 버블을 통해 더욱 딥하게 발견할 수 있었습니다.
마무리하며
이처럼 사용자의 말속에 숨겨진 모순을 발견하고, 그들이 당연하게 여기는 암묵적 기대를 찾아내는 것. 어쩌면 그것이 우리 UX 리서처들이 현장에서 그토록 치열하게 고민해야 할 진짜 문제를 발견하는 시작점이 아닐까 생각합니다. 만약 이 수많은 데이터를 포스트잇으로 일일이 벽에 붙이며 씨름해야 했다면 어땠을까요? 아마 표면적인 키워드를 묶는 데 체력을 다 써버려서, 이런 깊은 심리적 모순까지는 미처 들여다보지 못했을지도 모릅니다.
이번에 어피니티 버블을 활용해보며 지형도 위에서 "사용자는 왜 이런 기대를 했을까?"라는 본질적인 질문에만 온전히 집중할 수 있었습니다. 마치 지도 위에서 나침반으로 방향을 잡은 느낌이랄까요. 단순히 연구자들의 퇴근 시간을 앞당겨주는 것을 넘어서, 리서처가 기능이 아닌 사람에게 더 집중할 수 있도록 생각의 여백을 만들어주는 툴이 아닐까 생각합니다. 방대한 데이터 앞에서 어디서부터 시작해야 할지 막막한 연구자와 기획자분들이라면, 어피니티 버블과 함께 여러분만의 깊고 날카로운 인사이트를 건져 올려보시길!
🚀 진짜 문제를 찾고 싶은 리서처들을 위한 툴, 어피니티 버블 수백 장의 포스트잇 대신, AI가 그려주는 직관적인 데이터 지형도를 내 프로젝트에 바로 적용해 보세요. 가입 후 엑셀 파일 하나만 올리면 눈앞에 새로운 뷰가 펼쳐집니다. 👉 어피니티 버블 시작하기(affinitybubble.com)
Affinity Bubble
어피니티버블은 대량의 정성적 사용자 데이터를 분석해 인사이트를 도출하고 시각화하는 AI 도구입니다.
affinitybubble.com
👀 백문이 불여일견! 제 프로젝트 결과를 공개합니다 글로만 읽어서는 감이 잘 안 오신다고요? 제가 이번 프로젝트에서 찾아낸 '사용자의 모순과 암묵적 기대'가 어피니티 버블 위에서 어떻게 시각화되었는지, 아래 링크를 통해 직접 줌인/줌아웃하며 탐색해 보세요. 👉 [실제 데이터로 만든 '메모 앱 리서치' 인사이트 버블 구경하기 [메모 재탐색 경험 데이터 분석]
어피니티버블 공유 페이지
어피니티버블 다이어그램 & 인사이트 리포트
affinitybubble.com
'UX' 카테고리의 다른 글
| [UX 리서치] 별점 이면의 진짜 목소리를 발견하기(1) - 신한슈퍼SOL VOC (0) | 2026.07.02 |
|---|