260429 TIL

휘·2026년 4월 29일

🏃TIL

목록 보기

45/47

서비스 기획 심화 주차 발제

이번엔 전과 다른 방식으로 진행되는 느낌.
발제 시작 전에 발제문을 톺아보고 발제를 들었는데, 개발 튜터님들도 합류해서 본격적으로 '노코드' 툴을 다루는 실습과 함께 과제가 진행될 예정이라 한다.

사실 제일 두려운 주차임
ㄷㄷ

그래도 어떡해? 해야지

일단 해보고 안되면 돌아가면 돼 ...
내일 본격적으로 강의 시작 전에 발제문을 정리해보는 시간을 가졌다

다루는 툴은 총 다섯개,
notebooklm gemini make claude code framer

대부분 생소한 툴이라서 강의 열심히 듣고 실습 따라가야할 듯 !

그리고 챕터 4-5는 선택사항이라 하셨는데, 강의 들어보고 할 수 있으면 웬만하면 이번 주차 안에 끝내고 싶다

AI 보조 리서치 및 문서 자동화 실습

지선 튜터님의 특강 !

AI 보조 리서치 인사이트

메모한 내용 바탕으로 인사이트를 작성해둔다.

AI도구보다 리서치 목적 설정이 먼저

"왜 이 조사를 수행하는가" 에 대한 명확한 목적이 없다면 아무리 좋은 도구를 써도 의미 없는 결과가 나옴. 리서치 설계 역량이 본질

데스크 리서치 VS 유저 리서치 - 상황에 따라

데스크리서치 : 시간, 비용을 절감하며 시장 트렌드 파악
유저 리서치 : 사용자의 행동, 페인포인트에 대해 심층적으로 발굴할 때 사용 = 숫자로 해석되지 않는 "왜"를 알고 싶을 때!

리서치 기법 별 특성

정량리서치 설문 조사 (survey)

수치화된 데이터 수집. 스크리닝으로 타깃만 선별, 쿼터제로 표본 비율 조정. 객관식 구조화 방식.

정성리서치 심층 인터뷰 (IDI)

1대 1 반구조화 방식. 비언어적 반응도 분석. 최적 시간 30~60분. 꼬리 질문으로 깊이 확보.

행동 관찰 사용성 테스트 (UT)

실제 서비스 사용 플로우 관찰. 의도한 경로와 실제 경로 차이 발견. Maze, Useberry 활용.

그룹 인터뷰 포커스 그룹 (FGI)

4~6명 소그룹 토론. 모더레이터가 주제 진행. 제품 콘셉트 초기 반응 수집에 효과적.

정보 구조 설계 카드 소팅

사용자 관점의 분류 체계 파악. IA·메뉴 명칭 결정 전 필수. 대면·비대면 모두 가능.

자연 환경 관찰 섀도잉

일상 환경에서 그림자처럼 관찰. 품이 많이 들어 실무에서는 UT로 대체하는 경우가 많음.

리서치 운영 - 실무 포인트

스크리닝 조사 대상자 선별은 설문 앞단에서, 3-5개 필수 문항으로

스크리닝은 리서치 조건에 맞는 타깃만 걸러내는 사전 단계다. 설문조사라면 가장 첫 부분에 배치하고, 반드시 필수 문항으로 설정해야 한다. 문항이 너무 많으면 응답자가 이탈하므로 핵심 조건만 3~5개로 짧게 구성한다. 인구통계·행동·태도 기반 스크리닝을 상황에 맞게 선택할 수 있다.

NDA 미공개 서비스를 보여줘야 한다면 반드시 NDA 서명을 받아야 한다

사이드 프로젝트에서는 NDA가 필수는 아니지만, 회사 업무에서 출시 전 화면·기능·콘셉트를 조사 대상자에게 공개해야 한다면 NDA가 필요하다. 화면 캡처 금지, SNS 게시 금지, 지인 공유 금지 등의 내용을 명시하고 사전 서명을 받아야 정보 유출 리스크를 방지할 수 있다.

어피니티 다이어그램 결과 수집이 끝이 아니다 — 패턴을 묶어 우선순위를 정하는 것이 목표

인터뷰·설문 데이터를 모은 뒤에는 유사한 의견을 그룹으로 묶고 패턴을 찾는 어피니티 다이어그램 작업이 필요하다. 이 과정은 혼자가 아닌 기획자·디자이너·개발자가 함께 포스트잇을 붙이며 진행해야 팀 전체가 사용자 맥락을 공감하고, 어떤 문제를 먼저 해결할지 설명하기 쉬워진다. Miro나 FigJam을 활용한다.

AI 도구 활용

프롬프트 설계 모호한 입력 = 평범한 출력 — C-T-F-C-E 5단계 프레임워크를 써라

AI에게 입력이 모호할수록 확률적으로 가장 평범한 답변만 나온다. 맥락(Context, 배경·역할 설정) → 과업(Task, 구체적 지시) → 형식(Format, 결과물 구조) → 제약(Constraints, 금지·필수 조건) → 예시(Examples, 원하는 결과 샘플 1~2개) 순서로 프롬프트를 구성하면 실무에서 바로 쓸 수 있는 품질의 결과물을 얻을 수 있다.

gemini gems 인터뷰 가이드 자동 생성 챗봇을 한 번만 만들어두면 매번 재사용할 수 있다

Gemini Gems는 GPTs처럼 커스텀 역할과 대화 프로세스를 설정한 AI 챗봇을 만드는 기능이다. 5단계 프롬프트 프레임워크로 작성한 프롬프트를 Gems에 넣으면, 리서치 목적·배경·대상자를 하나씩 물어보고 스크리닝 문항·보상 안내·인터뷰 질문지를 자동으로 생성하는 챗봇이 완성된다. 프로젝트마다 처음부터 작성하는 비용을 없앨 수 있다.

notebookLM 소스 기반 AI로 설문 결과를 분석하면 출처가 명시된 신뢰할 수 있는 인사이트를 얻는다

일반 챗봇은 학습 데이터 기반으로 답하기 때문에 할루시네이션이 발생할 수 있다. NotebookLM은 RAG(검색 증강 생성) 방식으로 내가 업로드한 문서에서만 답변하고, 모든 답변마다 어느 소스에 근거했는지 출처를 표시한다. CSV 설문 데이터, 리서치 설계 문서, PDF, 웹링크, 오디오까지 소스로 추가 가능하다. 설문 결과 분석·키워드 추출·리포트 요약에 적합하다.

리서치는 수집이 아니라 인사이트 > 솔루션 > 검증의 반복 루프
리서치는 대면 , 비대면 모두 가능 -> 형식보다 목적에 맞게
AI는 리서치를 대체하는 게 아니라 설계와 분석의 속도를 높이는 도구

팀 369 출범 !

개인과제 주간을 함께 할 새로운 팀원들을 만났다 !
모여서 함께 멤버카드를 읽으며 서로에 대해 알아보고, 간단하게 그라운드 룰을 정하며 이전 조에서는 어떻게 했는지 얘기 나눠보면서 아이스브레이킹을 진행했다.

다들 너무 착하고 적극적이라 좋아 ~
팀 프로젝트를 같이 할 팀원들은 아니지만, 이번 기회를 계기로 서로의 좋은 공부 습관, 노력하는 태도들을 많이 많이 배워갔으면 좋겠다아

369 파이팅 ~,,~

아티클 카타 - 2025 우아콘

https://velog.io/@minimalhwi_st/우아콘-2025-장보기-쇼핑-개선기-익숙함을-넘어-새로운-탐색으로

이전에 준하님께서 추천해주셨던 영상을 이제야 시간이 나서 보았다.
하 ... 그냥 시간 쪼개서 역기획 프로젝트 진행할 때 볼걸 ... 이라는 생각이 계속 계속 들었지만
역기획이 끝난 지금 다시 돌아보면서 우리가 해왔던 방향성을 점검해보는 측면에서도 유의미했다.

인사이트

콘텐츠 노출만으로는 행동이 바뀌지 않는다.

좋은 상품을 꺼내놓는다고 해도 고객이 그 화면에 닿지 않으면 의미가 없다. 무엇을 보여줄까 -> 이걸 보여줄 경로를 만들었는가가 핵심.

같은 화면이라도 고객의 목적은 다르다

신규 고객과 기존 고객은 원하는 것이 다르다. 유저 세그먼트의 세분화의 중요성. 기존 고객에게는 익숙한 카테고리에서 새로움을, 신규 고객에게는 낮은 진입허들을 제공하는 것이 효과적.

데이터 기반 맥락이 관심을 만들어낸다.

단순 상품 나열이 아니라 "이전에 산 상품과 비슷해요" 처럼 구매 이력과 함께 보여줄 때의 반응률이 1.4배 높았다. 추천의 근거를 보여주는 것은 신뢰와 관심의 기본 조건 !!

고착된 습관은 구조 변경으로만 깰 수 있다.

제일 인상 깊었던 부분. 가장 반응률이 좋았던 숏컷을 고객의 '고착화된 습관'으로 판단하고 그 부분을 과감하게 줄이는 선택을 하다니. 고객이 숏컷을 클릭하는 게 정말 원해서가 아니라 '존재하니까' 클릭할 거라는 과감한 가설을 세운 것이 인상깊었다.
이런 습관적 행동을 바꾸려면 콘텐츠 개선만으로는 부족하고, 구조적인 개편이 필요하다.

전략은 바뀌어도 목표가 같다면 방향은 유지 !

'새로운 가게를 발견하게 하자' 라는 목표를 유지한 채로 세부 전략을 세 차례 수정하는 과정을 공개하며, 빠른 환경 변화 속에서 목표가 명확할수록 피벗의 방향이 흔들리지 않는다는 것을 보여주었다.

서비스 기획 숙련 과제 피드백

내 숙련과제의 제 1순위.
문서화 잘했다는 칭찬 듣기.

그리고 ...

나 27세 최민휘 해내다.

ㅋㅋ

이것 이외에도 칭찬 잔뜩 ~ 적혀있고
추가로 생각해볼만한 정책과의 연결 관련해서도 엄청 디테일하게 적어주셔서 추후 디벨롭할 때 많은 도움이 될 것 같은 감사한 피드백을 받았다 !

구두 피드백 때 추가로 들은 사항은, 전반적으로 다 너무 잘했고, 정책 관련해서 그렇게 길게 적은 이유는 잘 하고 계시고 이렇게 디테일하게 들어가도 잘 이해하실 분 같아서였다고 ㅎ.ㅎ (이거 초특급 칭찬 아님?)

하단에 관련 내용을 기재해둔다.

가설 H1의 경우, 검색 키워드와 상품 속성을 상단 배지(Chip 형태)로 노출하는 방안은 실제로 제품에 반영한다면 데이터 정합성을 함께 고려해야 합니다.
사용자가 입력한 검색어(키워드: 검정 슬랙스)와 상품의 메타데이터(속성: 색상, 브랜드, 신축성, 길이 등)이 실시간으로 매칭되어 UI에 뿌려지려면 어떤 정책이 필요할지 고민해 보시길 바랍니다.
만약 매칭 로직이 정교하지 않아 사용자가 분명히 검정 색상을 검색했는데 배지에 네이비 속성이 표시된다면 신뢰도가 급격히 하락할 거예요.
검색어에는 여러 가지 속성이 복합적으로 포함될 수 있어요. 기획자는 어떤 속성을 우선적으로 표시할 것인지 정의해야 합니다. 예를 들어, 사용자의 검색 키워드 결과에서 [색상], [아이템], [핏], [소재] 등의 키워드를 분리하고, 어떤 속성을 우선적으로 표시할 것인지에 대한 매칭 로직을 설계해 보시길 바라요.
이러한 정책이 적용되는 과정은 아래와 같은 흐름을 가집니다.
- 입력(인풋): 사용자 검색어 (검정 슬랙스)
- 과정(프로세스): 형태소 분석 및 동의어 처리 → 상품 DB 내 '색상: Black', '카테고리: 팬츠/슬랙스' 매칭 확인
- 검증(밸리데이션): 해당 상품 메타데이터에 실제 Black 속성이 있는지 재검증
- 출력(아웃풋): 상단에 [#검정][#슬랙스] [#신축성] 배지(칩) 노출
민휘님이 기획안에 언급하신 것처럼 상위 검색어 100개(인기순을 의미하신 거겠죠?)에 대해 수동 또는 반자동으로 속성을 매핑하는 MVP 방식부터 시작하는 것은 매우 현실적이고 좋은 접근 방식입니다.