기본 콘텐츠로 건너뛰기

열린 카드 소팅

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

1. 사용성 테스팅(Massive and Rapid Usability Testing)

 가. 사용성 테스팅의 정의

 나. Rapid Usbility Testing

 다. Massive Usability Testing vs. Rapid Usability Testing

2. 사용성 테스팅 계획(개발 수명주기에서의 사용성 테스팅)

 가. 사용성 테스팅은 언제 수행하나요?

3. 참가자 선정

 가. 사용성 테스팅에 얼마나 많은 참가자가 적당한가?

 나. 사용성 테스팅에서 사용자란 누구인가?

4. 사용성 테스팅 수행

 가. 사용자 테스팅
  - 사용자 테스팅 소개
  - 테스트 과제와 시나리오 작성
  - 관찰실
  - 테스트 진행
  - 회고 그리고 보고서
  - 체크리스트
  - 사용자 테스팅의 장점과 단점

 나. 카드 소팅
  - 카드 소팅 소개
  - 열린 카드 소팅

 다. 소원의 나무

5. 정리(?)

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

무려 4개월만의 연재 재개입니다.

그동안 알게 모르게 바뻤다고 뻥칩니다.

이번 글은 카드소팅 2번째 시간 열린 카드 소팅에 대해서 소개해 드리겠습니다.

이번 글에 소개된 자료는 작년 12월 19일 워크샵을 통해 실제 진행된 내용을 기초로 하고 있습니다.

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

먼저 열린 카드 소팅에 대해 알아보도록 하겠습니다.

열린 카드 소팅은 크게 2가지 방법으로 진행됩니다.

하나는 집단 지성을 활용하여 모두 모여 주어진 카드를 분류하며 그룹을 생성하는 방법이 있습니다.

다른 하나는 열린 카드 소팅에 참여한 각 사람이 자신만의 그룹을 생성하고 그 결과를 가지고 인지 거리 매트릭스를 만든 후 계층적 군집 분석을 통해 적합도 매트릭스를 산출하는 방식 또는 다차원 크기 조정 또는 MDS를 이용하여 분석하는 방식이 있습니다.

저는 일반적으로 각각의 사람들이 그룹을 생성하도록 한 후 계층적 군집 분석을 취하는 방법을 선호하는 편입니다.

가볍고 빠르고 즐겁게 하시기를 원하시면 여러명이 모여서 같이 그룹을 만드시는 것도 한 방법입니다.

다차원 크기 조정 또는 MDS를 이용하는 방법은 도구 가격도 가격이거니와 방법 자체가 난해한 부분이 있어서 저는 애용하지 않습니다. 디자이너 분들이라면 하실 수 있겠지만 저는 테스터이기 때문에 이정도로 깊은 내용까지 다루지는 않겠습니다.

우선 카드 소팅을 진행하기 위해 참가자들에게 아래 30개의 카드를 배포했습니다.



위 카드들은 http://sten.or.kr 의 실제 메뉴들 중 일부분입니다.

이번 오프 카드 소팅에는 6분의 참가자가 참여하였습니다.

아래는 6명의 참가자 각각의 결과를 토대로 만들어진 인지거리 매트릭스입니다.



인지거리 매트릭스를 만드는 방법은
  • 참여자가 같은 그룹에 카드를 넣는 경우 1점을
  • 참여자가 다른 그룹에 카드를 넣는 경우 0점을
주면 됩니다.

즉, 위 인지거리 매트릭스에서 1번 카드와 2번 카드는 6명의 참가자 모두가 같은 그룹에 카드를 넣었다는 뜻입니다.

반면 1번 카드와 4번 카드를 같은 그룹에 넣은 사용자는 없습니다.

이렇게 전체 거리 매트릭스가 완성이 되면 다음에는 계층적 군집 분석입니다.

계층적 군집 분석을 정확히 수행하기 원하신다면 도구를 사용하시는 방법이 편합니다.

실제 이 작업을 사람이 수작업으로 할 경우 매우 힘들고 지난한 작업입니다.

저는 테스트를 위해서 전체적인 맥락을 파악하는 용도록 사용하기 때문에 디자이너들처럼 정교한 작업까지는 수행하지는 않습니다.

아래는 위 전체 거리 매트릭스를 기초로 만들어진 계층적 군집 분석 결과입니다.



6점 부터 0점까지 각각에 대하여 수직면을 취하고 각각에 해당하는 카드를 모아서 그룹을 생성하는 작업입니다.

계층적 군집 분석은 참여자들이 같은 그룹에 넣은 카드들을 서로 가깝게 놓아서 트리 다이어그램을 만드는 작업입니다.

저는
  • 1번, 2번 5번을 같은 그룹으로
  • 11, 13, 21, 22번을 같은 그룹으로
  • 8번, 23, 24번을 같은 그룹으로
  • 26번, 27번을 같은 그룹으로
총 4개의 그룹을 생성했습니다.

그 위로 각각에 대하여 그룹을 생성하였습니다.

이러한 계층적 군집 분석에서 알고자 하는 것은 각각의 카드가 가지고 있는 연관성과 그 연관성에 따라 카드들이 서로 결합하는 지점을 살펴보고자 하는 것입니다.

이러한 트리 다이어그램은 웹사이트의 구조를 설계할 때 매우 유용하게 사용됩니다.

이러한 트리 다이어그램이 완성되고 나면 그 다음에 하는 작업은 계층적 군집 분석 결과와 참가자 각각에 대한 결과를 비교하거나 실제 사이트와 비교하여 적합도를 구하는 것입니다.

예를 들면, 계층적 군집 분석 결과 4개의 그룹이 생성되었는데 실제 사이트에서는 2개의 그룹만 일치한다면 적합도는 50%가 될것입니다.

이러한 적합도 수치를 토대로 사용성을 개선하는 작업에 대한 결정을 내리기도 하고 여러 결정들에 대한 기초 데이터로 활용하기도 합니다.

그리고 이렇게 도출된 오픈 카드 소팅 결과를 재검증하기 위해서 특정한 경우 닫힌 카드 소팅을 진행하기도 합니다.

다음 시간에는 닫힌 카드 소팅에 대해서 소개해 드리도록 하겠습니다.

해서 조만간 실제로 닫힌 카드 소팅을 진행하는 워크샵을 진행하고 해당 워크샵 내용을 추가하도록 하겠습니다.

관심 있으신 분들은 나중에 워크샵이 진행된다면 많이 참여해주시면 좋겠습니다.

댓글

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 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

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...