가상 페르소나를 통해 사용자에게 목소리 제공 — Smashing Magazine
이전 기사에서는 AI가 기능적 페르소나를 보다 효율적으로 생성하는 데 어떻게 도움이 되는지 살펴봤습니다. 우리는 포스터에서는 보기 좋지만 디자인 결정을 거의 바꾸지 않는 인구통계학적 프로필보다는 사용자가 달성하려는 목표에 초점을 맞춘 페르소나를 구축하는 방법을 살펴보았습니다.
하지만 페르소나를 만드는 것은 전투의 절반에 불과합니다. 더 큰 과제는 이러한 통찰력을 필요한 순간에 필요한 사람들의 손에 제공하는 것입니다.
매일 조직 전체의 사람들은 사용자 경험에 영향을 미치는 결정을 내립니다. 제품 팀은 우선 순위를 지정할 기능을 결정합니다. 마케팅 팀은 캠페인을 만듭니다. 재무팀은 송장 발행 프로세스를 설계합니다. 고객 지원 팀은 응답 템플릿을 작성합니다. 이러한 모든 결정은 사용자가 제품이나 서비스를 경험하는 방식을 결정합니다.
그리고 대부분은 실제 사용자의 입력 없이 발생합니다.
사용자 연구를 공유하는 방법의 문제점
당신은 연구를 수행합니다. 페르소나를 만듭니다. 당신은 보고서를 작성합니다. 당신은 프리젠 테이션을합니다. 멋진 인포그래픽도 만들 수 있습니다. 그러면 어떻게 되나요?
연구는 어딘가의 공유 드라이브에 보관되어 천천히 디지털 먼지를 모으고 있습니다. 페르소나는 시작 회의에서 참조된 후 잊혀집니다. 보고서는 한 번 훑어보고 다시는 열리지 않습니다.
제품 관리자가 새로운 기능을 추가할지 여부를 결정할 때 아마도 작년의 연구 저장소를 자세히 조사하지 않을 것입니다. 재무팀이 송장 이메일을 재설계할 때 사용자 페르소나를 고려하지 않는 것이 거의 확실합니다. 그들은 최선의 추측을 하고 계속 진행합니다.
이는 해당 팀을 비난하는 것이 아닙니다. 그들은 바쁘다. 마감일이 있습니다. 그리고 솔직히 말해서, 연구 결과를 참고하고 싶어도 연구 결과를 어디서 찾을 수 있는지, 특정 질문에 대해 어떻게 해석해야 할지 모를 수도 있습니다.
지식은 조직 전체에서 이루어지는 모든 결정에 참석할 수 없는 UX 팀의 책임자 내부에 잠겨 있습니다.
사용자가 실제로 말할 수 있다면 어떨까요?
사람들이 찾고 해석해야 하는 정적인 문서를 만드는 대신 이해관계자가 모든 사용자 페르소나를 한 번에 참조할 수 있는 방법을 제공할 수 있다면 어떨까요?
새로운 캠페인을 진행하는 마케팅 관리자를 상상해 보세요. 페르소나가 메시지 선호도에 대해 말한 내용을 기억하려고 하는 대신 간단히 다음과 같이 질문할 수 있습니다. “저는 이 이메일을 통해 할인 혜택을 제안하려고 생각하고 있습니다. 사용자들은 어떻게 생각할까요?”
그리고 모든 연구 데이터와 페르소나를 활용하는 AI는 각 페르소나가 어떻게 반응할지, 어디에 동의하는지, 어디가 다른지, 집단적 관점을 기반으로 한 일련의 권장 사항 등 통합된 보기로 대응할 수 있습니다. 하나의 질문으로 전체 사용자 기반에 대한 종합적인 통찰력을 얻을 수 있습니다.
이것은 공상 과학 소설이 아닙니다. AI를 사용하면 바로 이런 종류의 시스템을 구축할 수 있습니다. 우리는 흩어져 있는 모든 연구(설문조사, 인터뷰, 지원 티켓, 분석, 페르소나 자체)를 취합하여 하나의 프로젝트로 전환할 수 있습니다. 대화형 리소스 누구나 다관점 피드백을 요청할 수 있습니다.
사용자 연구 저장소 구축
이 접근 방식의 기초는 사용자에 대해 알고 있는 모든 것을 중앙 집중식으로 저장하는 것입니다. 이를 AI가 액세스하고 활용할 수 있는 단일 정보 소스로 생각하세요.
오랫동안 사용자 조사를 수행해 왔다면 아마도 생각보다 더 많은 데이터를 갖고 있을 것입니다. 다양한 도구와 형식에 분산되어 있습니다.
- 설문조사 플랫폼에 있는 설문조사 결과,
- Google Docs의 인터뷰 기록,
- 헬프데스크 시스템의 고객 지원 티켓,
- 다양한 대시보드의 분석 데이터,
- 소셜 미디어 언급 및 리뷰,
- 이전 프로젝트의 오래된 페르소나,
- 사용성 테스트 기록 및 메모.
첫 번째 단계는 이 모든 것을 한 곳에 모으는 것입니다. 완벽하게 정리할 필요는 없습니다. AI는 지저분한 입력을 이해하는 데 매우 능숙합니다.
처음부터 시작하고 기존 연구가 많지 않은 경우 AI 심층 연구 도구를 사용하여 기준선을 설정할 수 있습니다.
이러한 도구는 웹에서 제품 카테고리, 경쟁업체 리뷰 및 사람들이 묻는 일반적인 질문에 대한 토론을 검색할 수 있습니다. 이는 기본 연구를 구축하는 동안 작업할 수 있는 무언가를 제공합니다.
대화형 페르소나 만들기
저장소가 있으면 다음 단계는 AI가 이해관계자를 대신하여 상담할 수 있는 페르소나를 만드는 것입니다. 이는 이전 기사에서 설명한 기능적 페르소나 접근 방식을 직접 기반으로 하며 한 가지 중요한 차이점이 있습니다. 렌즈 단순히 참고문헌이 아닌 질문을 AI가 분석하는 방식입니다.
프로세스는 다음과 같이 작동합니다.
- AI 도구에 연구 저장소를 제공하세요.
- 목표, 작업, 마찰 지점을 기반으로 뚜렷한 사용자 세그먼트를 식별하도록 요청하세요.
- 각 세그먼트에 대한 자세한 페르소나를 생성하게 하세요.
- 이해관계자가 질문할 때 모든 페르소나를 참조하여 통합 피드백을 제공하도록 AI를 구성합니다.
이 접근 방식이 기존 페르소나와 크게 다른 점은 다음과 같습니다. AI는 이러한 페르소나 문서의 주요 소비자이기 때문에 스캔할 수 있거나 단일 페이지에 들어갈 필요가 없습니다. 전통적인 페르소나는 사람의 가독성에 제약을 받습니다. 모든 것을 누군가가 한 눈에 알아볼 수 있는 중요 항목과 핵심 인용문으로 정리해야 합니다. 그러나 AI에는 그러한 제한이 없습니다.
이는 귀하의 페르소나가 상당히 다양할 수 있음을 의미합니다. 더 자세한. 전통적인 페르소나 포스터의 편집 프로세스에서는 결코 살아남지 못할 긴 행동 관찰, 모순되는 데이터 포인트, 미묘한 맥락을 포함할 수 있습니다. AI는 이러한 복잡성을 모두 수용하고 질문에 답할 때 이를 활용할 수 있습니다.
당신은 또한 만들 수 있습니다 각 페르소나 내에서 서로 다른 렌즈나 관점특정 비즈니스 기능에 맞게 조정됩니다. “주말 전사” 페르소나에는 마케팅 렌즈(메시지 선호도, 채널 습관, 캠페인 반응), 제품 렌즈(기능 우선순위, 유용성 패턴, 업그레이드 트리거) 및 지원 렌즈(일반적인 질문, 불만 사항, 해결 선호도)가 있을 수 있습니다. 마케팅 관리자가 질문을 하면 AI가 마케팅 관련 정보를 끌어옵니다. 제품 관리자가 문의하면 제품 렌즈에서 빼냅니다. 같은 페르소나, 묻는 사람에 따라 깊이가 다릅니다.
페르소나에는 목표와 작업, 질문과 반대 의견, 문제점, 접점, 서비스 격차 등 이전에 논의한 모든 기능적 요소가 여전히 포함되어야 합니다. 그러나 이제 이러한 요소는 AI가 각 페르소나의 관점에서 질문을 평가하고 그들의 견해를 실행 가능한 권장 사항으로 종합하는 방법의 기초가 됩니다.
구현 옵션
리소스와 요구 사항에 따라 다양한 수준의 정교함으로 이를 설정할 수 있습니다.
간단한 접근 방식
이제 대부분의 AI 플랫폼은 참조 문서를 업로드할 수 있는 프로젝트 또는 작업 영역 기능을 제공합니다. ChatGPT에서는 이를 프로젝트라고 합니다. Claude도 비슷한 기능을 가지고 있습니다. Copilot과 Gemini는 이를 Spaces 또는 Gems라고 부릅니다.
시작하려면 전용 프로젝트를 만들고 주요 연구 문서와 페르소나를 업로드하세요. 그런 다음 AI가 질문에 응답할 때 모든 페르소나를 참조하도록 하는 명확한 지침을 작성합니다. 다음과 같은 것 :
이해관계자들이 사용자를 이해하도록 돕고 있습니다. 질문을 받으면 이 프로젝트의 모든 사용자 페르소나에게 문의하고 (1) 각 페르소나가 어떻게 반응할지에 대한 간략한 요약, (2) 동의하는 부분과 다른 부분을 강조하는 개요, (3) 집단적 관점을 기반으로 한 권장 사항을 제공합니다. 분석을 알리기 위해 모든 연구 문서를 활용하세요. 연구가 주제를 완전히 다루지 않는 경우 Reddit, Twitter 및 관련 포럼과 같은 소셜 플랫폼을 검색하여 이러한 페르소나와 일치하는 사람들이 유사한 문제를 어떻게 논의하는지 확인하십시오. 여전히 확신할 수 없는 부분이 있다면 솔직하게 말하고 어떤 추가 연구가 도움이 될지 제안해 보세요.
이 접근 방식에는 몇 가지 제한 사항이 있습니다. 업로드할 수 있는 파일 수에는 제한이 있으므로 가장 중요한 연구의 우선순위를 정하거나 페르소나를 하나의 포괄적인 문서로 통합해야 할 수도 있습니다.
더욱 정교한 접근 방식
대규모 조직이나 지속적인 사용의 경우 Notion과 같은 도구는 전체 작업을 보관할 수 있기 때문에 이점을 제공합니다. 연구 저장소 AI 기능이 내장되어 있습니다. 다양한 유형의 연구를 위한 데이터베이스를 만들고 서로 연결한 다음 AI를 사용하여 모든 것에 대해 쿼리할 수 있습니다.
여기서 이점은 AI가 많은 정보에 접근할 수 있다는 것입니다. 더 많은 맥락. 이해관계자가 질문을 하면 설문조사, 지원 티켓, 인터뷰 기록, 분석 데이터를 한 번에 활용할 수 있습니다. 이를 통해 더욱 풍부하고 미묘한 응답이 가능해집니다.
이것이 대체하지 않는 것
한계를 분명히 해야 합니다.
가상 페르소나는 실제 사용자와의 대화를 대체할 수 없습니다. 이는 기존 연구를 보다 쉽게 접근하고 실행 가능하게 만드는 방법입니다.
여전히 1차 조사가 필요한 몇 가지 시나리오가 있습니다.
- 기존 연구가 다루지 않는 완전히 새로운 것을 출시할 때;
- 특정 디자인이나 프로토타입을 검증해야 하는 경우
- 저장소 데이터가 오래되어 가는 경우
- 이해관계자가 공감을 구축하기 위해 실제 인간의 이야기를 직접 들어야 하는 경우.
실제로 이러한 상황을 인식하도록 AI를 구성할 수 있습니다. 누군가가 연구가 답변할 수 있는 범위를 넘어서는 질문을 하면 AI는 다음과 같이 응답할 수 있습니다. “그 부분에 대해 자신있게 답변하기에는 정보가 부족합니다. 빠른 사용자 인터뷰나 설문 조사에 적합한 질문이 될 수 있습니다.”
그리고 새로운 연구를 수행하면 해당 데이터가 저장소로 다시 피드백됩니다. 페르소나는 시간이 지남에 따라 이해가 깊어짐에 따라 진화합니다. 이는 페르소나가 한 번 생성된 후 서서히 시대에 뒤떨어지는 전통적인 접근 방식보다 훨씬 낫습니다.
조직의 변화
이 접근 방식이 조직에서 인기를 얻으면 흥미로운 일이 발생합니다.
읽힐 수도 있고 읽히지 않을 수도 있는 보고서를 작성하는 데 시간을 소비하는 대신 저장소를 최신 상태로 유지하고 AI가 유용한 응답을 제공하도록 구성하는 데 시간을 투자하십시오.
푸시(프레젠테이션, 보고서, 이메일)에서 풀(답변이 필요할 때 이해관계자가 질문하는) 커뮤니케이션 변화를 조사합니다. 사용자 중심적 사고 한 팀에 집중되지 않고 조직 전체에 분산됩니다.
이것이 UX 연구자의 가치를 떨어뜨리는 것은 아닙니다. 오히려 그들의 작업이 이제 더 넓은 범위와 더 큰 영향을 미치기 때문에 더 가치 있게 됩니다. 그러나 그것은 일의 성격을 변화시킨다.
시작하기
이 접근 방식을 시도하고 싶다면 작게 시작하십시오. 본 내용을 시작하기 전에 기능적 페르소나에 대한 입문서가 필요하신 경우 해당 페르소나 생성에 대한 자세한 가이드를 작성해 두었습니다. 하나의 프로젝트나 팀을 선택하고 ChatGPT 프로젝트 또는 유사한 도구를 사용하여 간단한 구현을 설정하세요. (불완전하다고 느껴지더라도) 모든 연구를 수집하고, 한두 개의 페르소나를 만들고, 이해관계자가 어떻게 반응하는지 확인하세요.
그들이 어떤 질문을 하는지 주목하세요. 이는 귀하의 연구에 공백이 있는 부분과 어떤 추가 데이터가 가장 가치가 있는지 알려줄 것입니다.
접근 방식을 개선하면 더 많은 팀과 더 정교한 도구로 확장할 수 있습니다. 그러나 핵심 원칙은 동일하게 유지됩니다. 흩어져 있는 모든 사용자 지식을 가져와 조직의 모든 사람이 들을 수 있는 목소리를 제공하세요.
이전 기사에서 저는 인구통계학적 페르소나에서 사용자가 하려는 작업에 초점을 맞춘 기능적 페르소나로 전환해야 한다고 주장했습니다. 이제 저는 다음 단계로 나아갈 것을 제안합니다. 즉, 정적인 페르소나에서 결정이 내려지는 대화에 실제로 참여할 수 있는 대화형 페르소나로 나아가는 것입니다.
조직 전체에서 매일 사람들이 사용자에게 영향을 미치는 결정을 내리고 있기 때문입니다. 그리고 귀하의 사용자는 가상 테이블이라 할지라도 테이블에 앉을 자격이 있습니다.
SmashingMag에 대한 추가 자료
(yk)
Post Comment