가설 검증과 데이터 가공

가설 검증 이후 데이터 가공과 최종 퍼소나 도출

퍼소나를 완성하는 과정은 단순히 가설을 세우는 데서 끝나지 않습니다. 기본적인 절차는 가설 설정, 검증, 그리고 업데이트의 흐름으로 이어지며, 특히 검증 이후의 데이터 가공 단계가 매우 중요합니다. 이 단계에서 얼마나 객관적으로 데이터를 다루느냐에 따라 최종 퍼소나의 신뢰도가 달라집니다.

검증은 오프라인과 온라인 두 가지 방식으로 이루어질 수 있습니다. 오프라인에서는 직접 현장을 방문해 인터뷰를 진행하고, 응답 내용을 가능한 한 원형 그대로 기록합니다. 현장에서 얻는 생생한 반응과 표정, 말의 뉘앙스까지 포함한 메타데이터가 중요한 자산이 되기 때문입니다. 온라인에서는 리워드를 제공해 참여를 유도하는 방식으로 설문을 수집합니다. 이 경우 비교적 많은 모수를 확보할 수 있다는 장점이 있습니다.

수집된 데이터는 바로 가공하지 않습니다. 원본 데이터는 반드시 보존해야 하며, 별도의 사본을 만들어 분석을 진행합니다. 원본을 훼손하지 않는 것은 데이터 분석의 기본 원칙입니다.

데이터 가공의 첫 단계는 불필요한 정보의 삭제입니다. 예를 들어 타임스탬프, 이메일 주소 등 퍼소나 정의에 직접적인 영향을 주지 않는 정보는 제거합니다. 두 번째 단계는 서비스와 무관한 응답을 제외하는 것입니다. 예를 들어 특정 교육 경험을 전제로 한 서비스를 기획하고 있다면, 해당 경험이 전혀 없는 응답자는 분석 대상에서 제외할 수 있습니다. 이는 데이터의 왜곡을 줄이기 위한 조치입니다.

그 다음 단계는 대표성을 추출하는 과정입니다. 대표성은 세 가지 기준을 중심으로 판단합니다. 가장 연관성이 높은 데이터인지, 모수가 가장 많은 구간인지, 그리고 공통점이 가장 많이 발견되는지입니다. 일반적으로는 모수와 공통점을 중심으로 판단합니다. 가장 많은 사람이 속한 구간과 가장 반복적으로 등장하는 키워드를 중심으로 분석을 진행합니다.

연령 분석의 경우에도 단순 평균을 계산하기보다 분포를 먼저 살펴봅니다. 응답자가 급격히 줄어드는 지점을 기준으로 구간을 나누고, 밀집도가 가장 높은 구간에서 평균값을 도출합니다. 이 값이 실제 대표 연령에 가깝습니다. 키워드 분석에서는 반복적으로 등장하는 표현을 중심으로 공통 속성을 추출합니다. 예를 들어 ‘초보자’, ‘영어 카테고리’와 같은 단어가 반복된다면, 해당 특성은 최종 퍼소나에 반영됩니다.

이 과정을 통해 여러 명의 응답에서 공통된 특성을 압축해 하나의 대표 인물을 정의합니다. 이것이 최종 퍼소나입니다. 처음 설정한 가설 퍼소나는 이 데이터를 기반으로 수정되고 구체화됩니다. 이렇게 도출된 최종 퍼소나는 단순한 상상이 아니라, 실제 데이터를 근거로 업데이트된 결과물입니다.

결국 퍼소나 업데이트는 데이터의 양이 아니라 대표성의 정확도에 달려 있습니다. 서비스는 메인 타깃을 중심으로 설계되고 운영되기 때문에, 대표 고객을 얼마나 정교하게 정의하느냐가 이후 기획의 방향을 결정하게 됩니다.