기본 콘텐츠로 건너뛰기

사용성 테스팅에서 사용자란 누구인가?

사용성 테스팅을 몇명의 사용자를 대상으로 진행할 것인가에 대한 문제가 해결되고 나면 대두되는 문제가 누구와 테스트를 하고, 누구를 어떻게 찾을 것인가에 대한 문제입니다.

많은 경우 대부분의 회사들의 영업부에서는 영업대상으로의 고객층이 있습니다.

요구사항을 수집하고 설계하는 단계에서 즐겨 사용하는 퍼소나(Persona)에서도 사용자의 특징들을 가정하고 설계를 진행합니다.

사용성 테스팅에서도 많은 경우 우리의 제품을 사용하는 사람은 이러이러한 사람이다는 타겟 고객을 설정하고 그런 사람을 찾기 위해서 노력합니다.

우리가 흔히 타겟 고객이라고 부르는 사람들을 선호하는 이유는 아래와 같이 생각해 볼 수 있습니다.

1. 타겟 고객 이외의 사람들이 우리 제품이나 서비스를 이용할 확률은 낮다.(시장을 한정 짓는 이런 어리석은 가정은 결국 제품의 수명을 단축시킵니다. 당신의 제품을 이용하는 사람들은 언제나 당신의 상상을 벗어난 곳에 존재합니다. 그리고 그러한 사람들을 배려하는 것만으로도 엄청난 틈새 시장을 찾아낼 수도 있습니다.)

2. 타겟 고객들은 그렇지 않은 사람들보다 우리 제품에 대한 이해가 높고 관련 지식을 더 많이 알고 있으므로 실제 이용자들이 겪는 문제보다 더 많은 문제들을 찾아낼 수 있을 것이다.(많은 경우 사용성 문제는 전문 지식과는 관련이 없습니다. 대다수의 사용성 문제들은 전문지식보다는 누구나 경험하는 네비게이션, 페이지 레이아웃, 용어 등과 같은 시각적으로 인지하고 판단하게 되는 부분에서 나오기 때문입니다.)

3. 타겟이 아닌 사람들이 겪는 문제는 실제 사용자들이 잘 겪지 않는 문제이다.(당신이 타겟이 아니라고 생각한 사람들이 당신의 타겟 고객일 수도 있습니다.)

위의 가정들은 정말 진실입니까? 당신이 지금까지 설정했던 타겟 고객과 실제 시장에서의 고객이 얼마나 일치했나요?

여러분이 설정했던 타겟 고객을 실제로 찾을 수 있었나요?

여러분이 설정했던 타겟 고객이 정말로 세상에 존재할까요?

그렇지 않습니다.

타겟 고객이라는 것은 존재하지 않습니다.

그렇기 때문에 사용성 테스팅에서는 되도록 많은 사용자를 대상으로 테스팅을 진행하는 것을 선호합니다. 왜냐하면 이 세상 모든 사람들이 각각의 개성에 따라 각기 다르게 행동하고 반응한다기 때문입니다.

모두가 제각각이므로 되도록 많은 사람들을 대상으로 데이터를 수집하고 통계적으로 처리해서 공통점을 찾고자 합니다.

그런데, 이미 그런 노력들은 학계에서 또 여러분보다 먼저 사업을 시작한 다른 회사들이 거쳐간 길입니다.

우리가 흔히 알고 있는 여러 디자인 원칙들은 그러한 실험과 결과 분석에서 나온 결론들입니다.

즉, 우리가 생각하는 것처럼 모든 사람들이 제각각 행동하는 경우는 그렇게 많지 않다는 것입니다. 우리가 타겟 고객이라는 것을 설정하는 기준, 이유 등은 신기루와 같다고 볼 수 있습니다.

많은 경우 대부분의 사람들은 비슷한 행동을 합니다.

파레토 법칙으로 생각한다면 어떤 자극에 대하여 80%의 사람들은 유사하게 반응한다고 볼 수 있습니다.

그래서 수많은 사람들을 대상으로 하는 웹서비스나 상용 제품들의 사용성 테스트에서는 누구와 테스트 할 것인가에 대하여 절대 평가는 큰 의미가 없습니다.

의료서비스, 항공기 등과 같이 아주 특수한 경우를 제외한다면 대부분의 사용성 테스트는 상대평가만으로도 충분합니다.

굳이 여러분이 설정한 타겟 고객을 대변할 수 있는 사용자를 찾기 위해서 거기에 집찰할 필요는 없습니다.(단, '실제 사용자'가 필요한 특수한 경우라면 어떠한 수단과 방법을 동원해서라도 그런 사람을 구해야 합니다.)

타겟 고객이 아닌 상대평가로 참가자를 구한다면 그렇다면 어떤 사람이 참가자로 적당할까요?

상대평가로 참가자를 구한다면 깐깐하고 희안한 사람들보다는 말 잘하고 논리 정연한 사람들이 더 좋습니다.(때문에 참가자를 확정하기 전에는 항상 전화로 인터뷰를 진행하는 것이 좋으며, 인터뷰에서는 되도록 질문을 많이 하는 것이 좋습니다.)

이렇게 상대 평가로 참가자를 선정하게 될 경우 한가지 문제점은 당신이 찾아낸 참가자와 실제 사용자는 다를 수 있다는 것입니다.

그래서 참가자 선정은 언제나 어려운 문제입니다. 삼고초려하는 마음으로 선정한 참가자가 우리가 생각했던 사람과 너무 다른 경우도 있고, 어떤 참가자들은 보상에 눈이 멀어 관련된 정보를 속이고 선정되는 경우도 있습니다.

하지만 그런 경우에도 실망할 필요는 없습니다. 그런 사람들로부터도 우리는 충분히 많은 문제들을 찾을 수 있고 사용성을 개선하기 위한 영감을 얻을 수 있습니다.

누구를 선정할 것인가에 대한 부담이 덜어지셨다면 이제 그들을 어디서 찾을 것인가가 문제입니다.

여러분이 방대한 고객 DB를 가지고 계시다면 해당 고객 DB에서 찾을 수도 있습니다.

당신이 사용성 테스팅에 투자할 자본이 많다면 전문 리쿠르팅 업체를 통해서 찾을 수도 있습니다.(꼭 돈이 많지 않아도 찾기 귀찮고 시간이 없을 때 리쿠르팅 업체는 좋은 선택이 될 수 있습니다.)

당신의 웹페이지에 광고를 다는 방법도 있으며, 포탈 서비스에 광고를 의뢰하는 방법도 있습니다.

관련 커뮤니티를 통해 찾을 수도 있습니다.

특정 사용자가 필요하다면 그런 사용자들이 있는 곳으로 찾아가는 것도 좋습니다. 시각장애인들을 찾는다면 복지관을 찾아가거나 노년층 사용자들을 찾는다면 노인 대학이나 교회 같은 곳이 좋은 선택지입니다.

누구든지 상관 없다면 당신의 가족, 친지, 친구도 좋은 선택이 될 수 있습니다.(이런 경우 진행자는 이 사람들과 관련이 없는 사람이 진행하는 것이 좋습니다. 친분이라는 것은 테스트 결과의 신뢰도를 떨어뜨릴 수 있습니다.)

당신의 회사가 대기업이라면 당신의 제품을 알지 못하고 써보지 못한 회사 내부 사람들 중에서 찾을 수도 있습니다.(회사 인트라넷 같은 특정 제품을 테스트 한다면 신입사원이 최적의 선택이 될것입니다.)

단순히 수많은 사람들로부터 데이터를 수집하는 것이 목적이라면 원격 테스트도 한 방법이 될 수 있습니다. 이 방법은 값싸며 효율적인 방법 중 하나입니다.

한가지 여러분이 절대로 수용해서는 안되는 참가자가 있다면 마케팅 부서나 회사 내에서 해당 제품을 사용해본적이 있거나 관계가 있는 이해관계자는 배재하는 것이 좋습니다.

이외에도 참가자를 찾을 수 있는 방법은 굉장히 많습니다. 여러분이 원하신다면 다레드 스풀이나 제이콥 닐슨과 같은 선구자들이 적어놓은 책을 통해서도 방법을 찾아볼 수도 있습니다.

중요한 것은 여러분이 수행하고자 하는 사용성 테스팅의 목적에 따라서 특정 사용자이어야만 하는 경우와 그렇지 않은 경우를 구분해야한다는 것이고 여러분의 사용성 테스팅이 특정 사용자가 필요하지 않은 경우라면 타겟 고객에 집착해서 여러분의 아까운 시간을 그 누군가를 찾기 위해 허비하지 않아도 된다는 것입니다.

----------------------------------------

사용성 테스팅 참가자를 직접 구하신다면 제가 추천해 드리는 방법은 직접 인터뷰를 하시거나 아니면 전화로 인터뷰를 진행하시는 방법을 추천해 드립니다.

인터뷰를 진행하실 때 참고하실 문서를 공유해 드립니다. 일종의 체크리스트 같은 문서입니다. 여러분이 실제로 참가자를 선정하실때에는 상황에 맞게 적절하게 수정하여 사용하시기 바랍니다.


그리고 참가자를 선정하신 후에는 반드시 이메일이나 팩스 등으로 해당 참가자에게 안내장을 발송하시는 게 좋습니다.

안내장 템플릿 역시 공유해 드립니다. 상황에 맞게 적절하게 수정하여 사용하시기 바랍니다.

댓글

  1. 타켓 고객이 신기루라는 부분이 맘에 쏙 드네요 ^^ 사실 하나의 프로덕트에 대해서는 타켓층을 설정하는 것이 이제는 일반화 되었습니다만, 저도 솔직히 그 모든 것을 예측한다는 것이 꿈같은 얘기는 아닐까 생각한 적도 있었습니다.

    답글삭제

댓글 쓰기

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...