원문은 http://www.nngroup.com/articles/analytics-persona-segment/ 이고, 대충 내용을 번역한 것임.

요약: 프로젝트 초기 국면에는 많은 팀들이 가상의 인물을 상정해서 디자인과 아이디어 회의를 한다. 그런데 일단 사이트가 완성되면 이 가상 인물들은 잊혀지고 만다. 그러나 아날리틱스를 이용하면 이 가상 인물이 실제 사용자들을 대표하는지 검증하고 사이트를 개선할 수 있다.

가상 인물(Persona)이란?

가상 인물은 목적이 같은 사용자들의 그룹을 대표하는 가공의 인물을 말한다. 단체라면 웹사이트로 끌어들일 가상 인물을 여러명 설정해봐야 한다(보통은 3-7명이면 적당하다). 이들에게는 이름도 있고, 사진도 있고, 웹사이트를 사용하는 맥락에 대한 내러티브가 있으며, 성별, 나이, 직업, 사용 기기, 다른 인물과의 관련성도 있다.

이점

우리 연구에 따르면 전자 상거래 사이트에는 5가지 유형의 사용자가 있고, 이들은 같은 사이트를 방문해도 서로 기대하는 정보의 깊이와 유형이 매우 다르다. 심지어 사내 인트라넷에도 목적이 다른 여러 유형의 사용자들이 있다. 이들을 제대로 구분하지 않으면 각 유형의 사용자들이 필요로 하는 것을 제대로 제공할 수 없고, 결국 아무에게도 유용하지 않은 사이트가 되고 말 것이다.

가상 인물을 설정하면 그들의 필요와 행동 패턴에 대한 토론에 도움이 된다. 주주들과 토론하는 데에도 도움이 된다. 디자인적 결정을 할 때에도 사용자에게 더 공감하게 된다. 가상 인물이 일단 확립되면 “사람”들에게 어떤 기능이 필요한지가 아니라, “김개똥 씨에게 이게 도움이 될 까?”를 묻게 될 것이다.

가상 인물에 기반한 세그먼트

보통은 사이트가 공개되면 가상 인물은 잊혀지기 마련인데, 가상 인물을 가공하는 데에 든 많은 노력을 헛되지 하지 말자. 아날리틱스 도구로 가상 인물에 기반한 세그먼트를 만들면 새로운 정보를 발견함에 따라 가상 인물을 더 다듬을 수 있고, 가상 인물이 실제 사용자를 대표하는지 검증할 수 있다. 실제 고객을 계속 접촉하는 것보다 비용도 적다.

세그먼트를 만들 때 가장 중요한 것은 어떤 특징을 세그먼트에 반영하냐다. 현실감을 위해 채워넣은 디테일을 모두 세그먼트에 반영할 필요는 없다. 다음은 Saas(Software-as-a-service)를 위해 창조한 가상 인물인 데이빗에 관한 이야기다:

데이빗은 우리 사이트의 단골이다. 월요일 아침 점검 회의가 끝난 10시에는 사무실에서 우리가 보낸 주간 뉴스레터를 보면서 새로운 기능에 대한 소식을 확인한다. 안드로이드 폰으로 말이다. 데이빗에게는 다음 회의가 시작하기 전까지 블로그 포스트 하나 정도를 읽을 시간이 있다.

데이빗에 대한 세그먼트를 만들 때에는 시간 단위까지 반영할 필요는 없다. 그러나 주중에 방문하는 사용자와, 주말에 방문하는 사용자의 차이는 존재할 것이다. 업무 시간에 방문하는 사용자와, 퇴근 시간에 방문하는 사용자의 차이도 존재할 것이다. 뉴스레터 구독자이고 서비스 이용자라는 사실은 세그먼트에 반드시 반영해야 한다. 그래야 이런 유형의 사용자를 구별해낼 수 있다. Saas의 경우에는 성별이 큰 의미가 없을 것이므로 반영하지 않는다. 데이빗이 안드로이드 폰을 쓴다는 사실은 중요할까? 아이폰이나 윈도우폰 사용자라면 ‘데이빗’스러운 사용자들의 행동이 달라지는가? 세그먼트에 디테일을 반영할 때에는 이런 점들을 고려해야 한다.

가상 인물에서 도출한 세그먼트는 나머지 사이트 방문자들과 확연한 차이점을 보이는 적당한 규모의 사용자들을 드러낼 수 있어야 한다. 보통 그 규모는 전체 사이트 방문자의 7-10%에 해당하지만, 어디까지가 의미 있는 수치인지는 궁극적으로 당신들이 알아서 결정해야 한다.

가장 뚜렷한 차이점을 확인한 뒤에 디테일을 세그먼트에 반영해야 한다.

세그먼트로 데이터의 홍수에서 빠져나오자

세그먼트를 이용해 대규모 데이터의 범위를 좁히면 데이터를 해석하는 과정에서 제기되는 몇가지 문제에 답하는 것이 훨씬 쉬워진다.

반송률을 예로 들어보자. 보통은 사용자 전반의 반송률에 현혹되기 쉽다. 그러나 이 수치는 우리에게 아무런 과제도 제시하지 않는다. 왜냐하면 각기 다른 사용자들은 각기 다른 목적과 기대로 사이트를 방문하기 때문이다. 반송률은 반드시 구분해서 분석해야 의미 있는 결과를 얻을 수 있다. 앞서 들었던 Saas의 사례로 돌아가보자. 두 가상 인물로 대표되는 사용자 유형이 있다. 1. 데이빗: 충성도 있는 방문자이자 뉴스레터 구독자. 2. 매리: 기술적 지식이 없는 홍보팀 과장. ‘데이빗’스러운 사용자들이 기존 기능에 대한 팁을 설명하는 블로그 포스트에서 반송률이 높다면? 괜찮다. 충성도 있는 사용자들은 당연히 그럴 것이다. 그러나 매리의 세그먼트에서 반송률이 높다면? 검색엔진 결과 페이지에서 보여준 것과 실제 페이지에 있는 내용 사이의 불일치가 있다는 것이며, 더 조사가 필요하다. 매리의 세그먼트가 반송률이 낮다면 페이지를 더 손대지 않아도 되거나 거기로 가는 링크를 추가하지 않아도 된다. 이런 분석은 반송률을 구분해서 분석할 때에만 가능하다.

세그먼트를 이용하면 행동 패턴도 분석할 수 있다. “구글로 검색해서 기사 페이지로 유입된 신규 방문자들이 다른 페이지도 보는가?, “뉴스레터 구독자들과 그렇지 않는 사람들은 다르게 행동하는가? 정기구독자들은 공식 보고서를 더 많이 다운로드 받는가? 멤버십을 업그레이드하는가?”