Context 맥락
in Notes / Othermajors / Ux
사용자 경험의 확산
- 1차: 사용적, 심미적
- 2차: 브랜드 경험, 감성적 경험
- 3차: 사회적 경험 (나 \(\leftrightarrow\) 제품 의 관계가 타인에게도 영향을 끼침)
예를 들어, 전에는 펜을 제작 할 때 잘 써질까까지만 고려했다면, 이제는 감성과 맥락을 추가한 누가 사용할까, 이쁠까 등을 고려해야 함 (more detailed, personalized)
✨ 사용 전후 사용성과 심미성
- 사용자 만족도 = 사용성 + 심미성
- 사용성: 객관, 주관
- 심미성: 주관 only
사용 전:
- 예상된 심미성이 만족도를 결정하는데 더 많은 영향을 끼침 (예상된 사용성보다)
- Halo Effect (후광효과): 하나가 좋으면 (이쁘면) 전체가 좋다고 생각하는 것
사용 후:
- 실제 사용성이 만족도를 결정하는데 많은 비중이 획기적으로 늘어남
- 사용 후 심미성 또한 만족도를 결정하는데,
여전히, 또는그에 비해두 가지로 나뉜다.
심미적 경험 \(\Longrightarrow\) 브랜드 경험
- 동일 브랜드 제품은 일관적 심미성을 유지해야 함
🎇 UX Dynamics, 경험 전이단계
경험: 시간의 누적에 따라 변화함
- 전이의 원동력:
- 익숙함
- 기능적 의존도
- 감정적 애착
- Orientation (목표) : 초기 단계
- stimulation
- learnability
- Incorporation (체내화) : 친해지는 단계
- usability
- usefulness
- Identification (규정) : 감정적 애착을 가지는 단계
- personal
- social value
- \(\rightarrow\) requires UX design for each stage
- 브랜드 경험의 중요성:
1,2단계를 skip할 수 있는 기회를 제공함
Data Driven UX
- 디자인보다는 인공지능 측면
📊 데이터 확보
알아내기도, 수집하기도 어려운 직관보다 data가 나은 경우가 많다. 상대적, 객관적 데이터를 확보함으로 신뢰성을 높일 수 있고, 생각하지도 못한 요소들을 발견할 수 있다. 우리가 무의식적으로 남긴 행동데이터의 로그분석을 통해 사용성의 맥락을 파악할 수 있게 되었다.
- 실험적 접근 - 통제 불가 요소는 Random select 하게 하여 통계분석을 적용한다
- 모수방법 (parametric method) ex: t-test, normal distribution
- 비모수방법 (non-parametric method) ex: 등수비교, 순위비교
- 설문기반 접근 - 통제 가능한 요소를 미리 정해놓고, 설문지를 통해 데이터를 확보한다
- 덜 제한적인 환경에서 사용자의 의견을 수집하는 것이 중요
- 설문지의 설계가 중요하다 (흐름, 구조, 질문의 순서 등)
📈 데이터 분석
- snooping: 한번보기
- crawling: 가져오기
- mining: 분석하기 (규칙, 패턴 분석으로 유의미한 정보를 뽑기)
🤖 인공지능 프로젝트 7가지 패턴
초개인화 hyper-personalization : 추천 시스템의 목표이다
자동화 automation : 사람의 반복작업을 줄여주어 원하는 일에 집중할 수 있도록 한다
예측분석과 결정 지원 predictive analytics and decision support
- 대화/인간과의 상호작용 conversation/human interaction : 챗봇, 음성인식 등 사람처럼 소통하기
- 아직 한계가 많다. 자연스럽고 편안한 대화를 위해서는 맥락 (감정, 분위기, 의도)이 중요하다
패턴과 이상치 pattern and anomaly detection : potential error을 찾고 예방한다
- 인지 시스템 cognitive systems : 세상의 객체와 자극을 인지한다
- ex: 자율주행차, 얼굴인식, 음성인식 등 상호작용에 중요하다
- 목적 주도 시스템 goal-driven systems : 목표를 달성하기 위해 행동한다
- 현재는 게임에 많이 사용되고 있지만 곧 일상 최적화, 순환 문제에도 적용 희망 (ex: 자율주행차)
